الوسواس القهري: كيف يتنبأ تخطيط الدماغ والذكاء الاصطناعي بنجاح العلاج؟

مقدمة: البحث عن بصيص أمل لمرضى الوسواس القهري

يُعد اضطراب الوسواس القهري (OCD) حالة صحية نفسية معقدة ومُنهكة، تؤثر على ملايين الأشخاص حول العالم. يتميز هذا الاضطراب بوجود أفكار وسواسية متكررة وغير مرغوب فيها (مثل الخوف من التلوث) وسلوكيات قهرية قسرية (مثل الغسل المفرط) تهدف إلى تقليل القلق الناجم عن الوساوس. وعلى الرغم من توفر علاجات فعالة مثل العلاج السلوكي المعرفي والأدوية، إلا أن نسبة كبيرة من المرضى، تتجاوز 40%، لا تستجيب للعلاجات التقليدية بشكل كامل أو لا تستجيب لها على الإطلاق. هذا الواقع يدفع الباحثين والأطباء باستمرار للبحث عن طرق جديدة وأكثر فعالية، خاصة تلك التي يمكنها تخصيص العلاج لكل مريض على حدة.

في هذا السياق، تبرز الحاجة المُلحة إلى أدوات تمكّن الأطباء من التنبؤ بمدى استجابة المريض لعلاج معين قبل البدء به. تخيل لو كان بإمكان الطبيب أن يعرف مسبقًا ما إذا كان علاج معين سيكون فعالًا لمريضه أم لا؟ هذا من شأنه أن يوفر الوقت والجهد والمعاناة على المريض، ويوجه الأطباء نحو الخيار العلاجي الأمثل منذ البداية. لقد جاءت دراسة حديثة لتُضيء شمعة أمل في هذا الاتجاه، مستكشفة إمكانية استخدام تقنيات متطورة مثل تخطيط الدماغ (EEG) والذكاء الاصطناعي (ANN) للتنبؤ بفعالية العلاج المركب للوسواس القهري المرتبط بالتلوث (C-OCD).

منهجية الدراسة: تحليل معمق لبيانات الدماغ والذكاء الاصطناعي

هذه الدراسة، التي نُشرت في مجلة PloS one، لم تكن دراسة أولية، بل كانت تحليلًا ثانويًا لبيانات مستخلصة من تجربة سريرية عشوائية مُتحكَّم بها سابقًا. هذا النوع من التحليل يسمح للباحثين بالتعمق في البيانات الموجودة واكتشاف أنماط وعلاقات جديدة لم يتم استكشافها في الدراسة الأصلية. ركزت الدراسة على مرضى الوسواس القهري المرتبط بالتلوث (C-OCD)، وهو أحد أكثر أنواع الوسواس القهري شيوعًا وإرهاقًا.

شملت الدراسة 48 مريضًا من أصل 54 مريضًا بـ C-OCD، تم تقسيمهم عشوائيًا إلى أربع مجموعات ضمن تصميم عاملي 2×2. تلقت كل مجموعة علاجًا مركبًا لمدة 10 جلسات، يجمع بين نوعين من التدخلات: التحفيز المغناطيسي المباشر عبر الجمجمة (tDCS) وتكييف تقليل الاشمئزاز التقييمي (DREC). تم تصميم المجموعات لتشمل مزيجًا من العلاج الحقيقي والعلاج الوهمي (الشكلي) لكل من tDCS و DREC، مما سمح بتقييم فعالية كل مكون على حدة وتفاعله مع المكون الآخر:

المجموعة الأولى: tDCS حقيقي + DREC حقيقي.
المجموعة الثانية: tDCS حقيقي + DREC وهمي.
المجموعة الثالثة: tDCS وهمي + DREC حقيقي.
المجموعة الرابعة: tDCS وهمي + DREC وهمي.

قبل بدء التدخلات وبعدها، تم تقييم المرضى باستخدام مقياس ييل-براون للوسواس القهري (Y-BOCS)، وهو مقياس قياسي لشدة أعراض الوسواس القهري. الأهم من ذلك، تم تسجيل إشارات تخطيط الدماغ الكهربائي (EEG) للمرضى في وضع الراحة (مع فتح العينين) قبل بدء أي تدخل علاجي. تهدف هذه التسجيلات إلى التقاط الأنماط الكهربائية الدماغية التي قد تكون مؤشرات حيوية للاستجابة للعلاج.

لتحليل بيانات EEG المعقدة، استخدم الباحثون مجموعة متنوعة من التقنيات لاستخلاص الميزات، مثل احتمالية التزامن الضبابي (Fuzzy Synchronization Likelihood - FSL)، وطيف القدرة (Power Spectrum)، وتحليل التحديد التكراري (Recurrence Quantification Analysis - RQA). بعد ذلك، تم استخدام خوارزمية Relief لتحديد الميزات الأكثر ملاءمة من إشارات EEG والتي ترتبط بفعالية التدخل لكل نطاق ترددي وتخصيص المجموعة. هذه الميزات المستخلصة كانت بمثابة المدخلات لشبكات عصبية اصطناعية (ANN)، وهي نماذج حاسوبية مستوحاة من الدماغ البشري وقادرة على تعلم الأنماط المعقدة. تم استخدام نوعين من الشبكات العصبية الاصطناعية: الشبكة العصبية الأمامية متصلة بالكامل (Fully Connected Feedforward Network) وشبكات وظائف الأساس الشعاعي (Radial Basis Functions - RBF) للتنبؤ بمدى انخفاض أعراض الوسواس القهري، حيث كانت درجة التغيير في مقياس Y-BOCS (من قبل إلى بعد التدخل) هي المخرجات المستهدفة التي تسعى الشبكات للتنبؤ بها.

النتائج الرئيسية: الذكاء الاصطناعي يفك شفرة استجابة الدماغ

كانت النتائج واعدة ومثيرة للاهتمام للغاية. أظهرت كلتا الشبكتين العصبيتين الاصطناعيتين (الشبكة الأمامية متصلة بالكامل وشبكات وظائف الأساس الشعاعي) أفضل أداء لهما عند استخدام الميزات الثلاث الأولى التي اقترحتها خوارزمية Relief من بيانات EEG. هذا يشير إلى أن هناك أنماطًا محددة في نشاط الدماغ يمكن أن تكون مؤشرات قوية للاستجابة للعلاج.

لكن الشبكة العصبية الأمامية متصلة بالكامل، والتي تم تحسينها باستخدام خوارزمية مُحسّنة تُعرف باسم مُحسِّن الذئب الرمادي (Gray Wolf Optimizer - GWO)، حققت أفضل أداء تنبؤي على الإطلاق. لقد تمكنت هذه الشبكة من التنبؤ بمدى انخفاض أعراض الوسواس القهري بدقة عالية، حيث بلغ متوسط خطأ الجذر التربيعي للمتوسط (RMSE) 0.57 ± 0.4. هذا الرقم منخفض نسبيًا، ويعني أن التنبؤات التي قدمتها الشبكة كانت قريبة جدًا من التغييرات الفعلية في درجات Y-BOCS للمرضى بعد العلاج.

بناءً على هذا الخطأ المحسوب والمقارنة مع فترات التغيير في مقياس Y-BOCS، أكدت الدراسة أن بيانات تخطيط الدماغ (EEG) المأخوذة من مرضى الوسواس القهري المرتبط بالتلوث، عند دمجها مع الشبكات العصبية الاصطناعية، يمكنها التنبؤ بفعالية بالمدى الذي يمكن أن يُغير به كل نوع من التدخلات درجة Y-BOCS للمرضى. بعبارة أخرى، يمكن لهذه التقنية أن تتنبأ بدقة بمدى تحسن المريض بعد تلقي علاج معين.

ماذا تعني هذه النتائج للمريض والقارئ العادي؟

هذه النتائج تحمل في طياتها إمكانات تحويلية لمستقبل علاج الوسواس القهري، وللمرضى بشكل خاص. إليك ما تعنيه هذه الدراسة بالنسبة لك:

علاج أكثر تخصيصًا وفعالية: في الوقت الحالي، يعتمد الأطباء غالبًا على التجربة والخطأ لتحديد العلاج الأنسب لمرضى الوسواس القهري. هذا يعني أن المريض قد يمر بعدة علاجات غير فعالة قبل أن يجد ما يناسبه، مما يؤدي إلى الإحباط وتدهور الحالة. تفتح هذه الدراسة الباب أمام نهج جديد، حيث يمكن للطبيب أن يتخذ قرارًا مستنيرًا بشأن نوع التدخل الأنسب للمريض قبل بدء العلاج. هذا يعني أنك قد تحصل على العلاج الأكثر احتمالًا للنجاح من المحاولة الأولى، مما يوفر عليك الوقت والجهد والمعاناة.
تقليل الإحباط والمعاناة: تخيل أن تبدأ علاجًا وأنت تعلم مسبقًا أنه من المرجح أن يكون فعالًا لك. هذا يقلل بشكل كبير من الإحباط الذي قد ينجم عن تجربة علاجات متعددة دون جدوى، ويعزز الأمل والالتزام بالعلاج.
الطب الدقيق في الصحة النفسية: تُعد هذه الدراسة خطوة مهمة نحو تحقيق مفهوم

⚕️ تنويه طبي: هذا المقال لأغراض تثقيفية فقط ولا يُغني عن استشارة الطبيب المختص. لا تتوقف عن أي علاج أو تبدأ علاجاً جديداً بناءً على هذا المقال دون مراجعة طبيبك.

📚 المصدر: PloS one, PMID: 42623372, DOI: 10.1371/journal.pone.0354614Over 40% of Obsessive-Compulsive Disorder (OCD) patients do not respond to common treatments. This study was a secondary analysis of data from a randomized controlled trial, for predictability of effectiveness of Transcranial Direct Current Stimulation (tDCS) with Contamination-Based OCD (C-OCD) using artificial neural networks (ANN) and electroencephalography (EEG) signals. Out of 54 C-OCD patients, 48 were randomized into 4 groups. Using a 2 × 2 factorial design, each group received a combined intervention (real or sham) based on tDCS and Disgust Reduction Evaluative Conditioning (DREC) in 10 sessions. Evaluations included the Yale-Brown Obsessive-Compulsive Scale (Y-BOCS) and EEG recordings at rest (eyes open). Among the various features extracted from EEG (Fuzzy Synchronization Likelihood (FSL), Power Spectrum, and Recurrence Quantification Analysis (RQA), the Relief algorithm identified appropriate features based on intervention effectiveness for each frequency band and group allocation. The obsessive symptoms reduction was predicted using appropriate features, the fully connected feedforward network and Radial Basis Functions (RBF) networks. The ANN inputs were the appropriate features extracted from the EEG signal before the interventions. To predict the effectiveness level, the Y-BOCS change score (pre- to post-intervention) was given to the models as the desired output. Both networks had the best results for the first three proposed Relief features. The fully connected feedforward network optimized by Gray Wolf Optimizer (GWO) achieved the best predictive performance with an average RMSE 0.57 ± 0.4. Based on the calculated error and comparison with Y-BOCS change intervals, EEG data from C-OCD patients combined with ANN effectively predicted the extent to which each type of intervention can change patients' Y-BOCS score. So, the therapist can decide whether to perform or select each type of intervention for the patient before starting treatment. Our findings confirm the feasibility of using pre-intervention EEG signals combined with ANN to predict individual responses in C-OCD patients.Copyright: © 2026 Asadollahzadeh Shamkhal et al. This is an open access article distributed under the terms of the Creative Commons Attribution License, which permits unrestricted use, distribution, and reproduction in any medium, provided the original author and source are credited.Asadollahzadeh ShamkhalFatemeF0000-0003-3537-0821Rayan Research Center for Neuroscience & Behavior, Department of Biology, Faculty of Science, Ferdowsi University of Mashhad, Mashhad, Iran.MoghimiAliARayan Research Center for Neuroscience & Behavior, Department of Biology, Faculty of Science, Ferdowsi University of Mashhad, Mashhad, Iran.KobraviHamid RezaHRDepartmen of Biomedical Engineering, Faculty of Electrical Engineering, Islamic Azad University of Mashhad, Mashhad, Iran.Salehi FadardiJavadJSchool of Community and Global Health, Claremont Graduate University, Claremont, United States of America.Department of Psychology, Faculty of Education and Psychology, Ferdowsi University of Mashhad, Mashhad, Iran.Raeis Al MohaddesinFaezehFRayan Research Center for Neuroscience & Behavior, Department of Biology, Faculty of Science, Ferdowsi University of Mashhad, Mashhad, Iran.engJournal ArticleRandomized Controlled Trial20260820United StatesPLoS One1012850811932-6203IMHumansElectroencephalographymethodsObsessive-Compulsive DisordertherapyphysiopathologyFemaleTranscranial Direct Current StimulationmethodsNeural Networks, ComputerAdultMaleTreatment OutcomeYoung AdultThe authors declare that the research was conducted without any commercial or financial relationships that could be construed as a potential conflict of interest. The authors declare no conﬂict of interest.2025522202675202682017362026820173520268201335epublish42623372