סקירה - בינה מלאכותית ברפואה

תמלול וסיכומי פגישות רפואיות באמצעות AI

רופאים החלו להסתייע ב”כותבים וירטואליים” – מערכות AI המאזינות למפגשים עם מטופלים ומפיקות סיכום קליני מפורט. הרופאה בתמונה, למשל, משתמשת באפליקציית סמארטפון המבוססת AI שמקליטה את השיחה עם המטופל, ולאחר מכן מייצרת סיכום ביקור שניתן לעריכה והכנסה לתיק הרפואי (מקור) (מקור). מערכות כגון DAX Copilot של חברת Nuance (בבעלות מיקרוסופט) ו-Abridge כבר בשימוש אצל אלפי רופאים (מקור) (מקור). הטכנולוגיה חוסכת זמן רב שהושקע בתיעוד ידני – דיווחים מראים חיסכון של כשעה ביום לרופא, ויכולת להיות קשוב יותר במהלך המפגש (מקור). שימוש ב-AI כ”כותב רפואי” מפחית שחיקה בקרב רופאים ומשפר את חוויית המטופל, כיוון שהרופא יכול ליצור קשר עין ושיח ישיר במקום לרשום רשימות תוך כדי הביקור (מקור) (מקור). כמובן, המערכות פועלות בהסכמת המטופל ותוך הקפדה על פרטיות – ההקלטות נמחקות לאחר הפקת הסיכום, והנתונים מועברים בצורה מאובטחת (מקור) (מקור). למרות חששות ראשוניים בנושא פרטיות ודיוק, רבים מהמטופלים מסכימים לשימוש בטכנולוגיה זו ומעריכים את תשומת הלב המלאה מצד הרופא (מקור) (מקור).

שימוש בבינה מלאכותית להסברים “בגובה העיניים” עבור מטופלים

מסמכים רפואיים רבים – כגון סיכומי שחרור מבית חולים או תוצאות בדיקות – כתובים בשפה מקצועית שקשה להבנה למטופל הממוצע. AI מסוגל לשמש כ”מתרגם” לשפה פשוטה, ובכך לגשר על פערי ידע. במחקר משנת 2024, נבדקה היכולת של מודל שפה גדול (GPT-4) להפוך סיכומי שחרור רפואיים למסמכים קריאים ופשוטים יותר (מקור). התוצאות היו מרשימות: רמת הקריאה הופחתה מרמת כיתה י”א לרמת כיתה ו’ – הרמה המומלצת למסמכי מידע למטופל (מקור) (מקור). בנוסף, ציון מדד ההבנה (PEMAT) עלה מכ-13% להבנת הטקסט המקורי ל-81% לאחר תרגום ה-AI (מקור) (מקור). פירוש הדבר שההסברים הפכו מובנים בהרבה עבור הקורא הלא-מקצועי. חשוב לציין שהמודל שמר על דיוק רפואי גבוה תוך פישוט הטקסט, וסקירה על ידי רופאים מצאה כי המידע נותר נאמן למקור (מקור). טכנולוגיה זו, שמשולבת כבר בניסויים בכמה מוסדות רפואיים, יכולה להפחית בלבול וחרדה אצל מטופלים על ידי מתן הסברים “בגובה העיניים” למצבם, לתוצאות בדיקותיהם ולהנחיות הטיפול, והכל באופן אוטומטי ומהיר. למעשה, מרכזים רפואיים כמו NYU Langone החלו לשלב כלים כאלה במערכות המידע שלהם כדי לשפר את התקשורת עם המטופלים (מקור) (מקור).

עזרה לרופאים בזיהוי מחלות נדירות

אבחון מחלות נדירות מהווה אתגר, שכן תסמינים לא ספציפיים עלולים לגרום לשנים של אבחנות שגויות. מערכות AI חדשות מסייעות בקיצור “האודיסאה האבחנתית” על ידי זיהוי דפוסים חריגים בנתוני המטופל והתאמתם למחלות נדירות מוכרות. למשל, חוקרים ב-UCSF וב-UCLA פיתחו אלגוריתם שסורק רשומות רפואיות אלקטרוניות ומאתר מטופלים החשודים כסובלים מ-acute hepatic porphyria (AHP) – מחלה גנטית נדירה שקשה לאבחנה בשל תסמיניה הדומים למחלות נפוצות (מקור) (מקור). האלגוריתם מנתח באופן מקיף את ההיסטוריה הרפואית, תוצאות בדיקות, תסמינים ותלונות מתוך הרשומה, ומחשב את ההסתברות שהמטופל סובל מ-AHP (מקור) (מקור). במחקר ראשוני הראו שאם כלי כזה היה פועל ברקע, ייתכן שהיה מקדים את אבחנת ה-AHP בכשנה לעומת התהליך הרגיל (מקור). דוגמה נוספת היא כלי בשם STARVar שפותח ב-KAUST: מערכת למידת מכונה שמצליבה תיאורי תסמינים (גם בשפה חופשית), ידע מספרות רפואית ונתוני גנטיקה של המטופל כדי לדרג מאות וריאנטים גנטיים אפשריים ולאתר את המוטציה הגורמת למחלה (מקור) (מקור). ביישום קליני, STARVar הצליח לצמצם כ-800 וריאנטים חשודים למוטציה בודדת בגן MMP2 שגרמה למחלתה של ילדה, ובכך סיפק אבחון מדויק למחלה נדירה (מקור) (מקור). גם מודלים שפתיים גדולים תורמים בתחום זה – מאמר עדכני הצביע על כך שכלי NLP כמו ChatGPT יכולים לסייע לרופאים בהרכבת אבחנות נדירות על ידי ניתוח תיאורי מקרה מורכבים והצעת אפשרויות אבחון על בסיס מאגר מידע אדיר של ספרות רפואית (מקור) (מקור). שילוב כלים אלו במרפאה עשוי להקטין את הזמן לאבחון מחלות נדירות, לשפר את סיכויי ההצלחה של טיפולים מוקדמים ולהפחית סבל ממטופלים שמשוועים לתשובות.

פענוח בדיקות רפואיות באמצעות AI (הדמיה, בדיקות דם ואחרות)

אחד התחומים המובילים ביישום AI ברפואה הוא פענוח בדיקות הדמיה. אלגוריתמים של ראייה ממוחשבת מאומנים לזהות ממצאים על גבי צילומי רנטגן, CT, MRI ועוד ברמת דיוק המתקרבת למומחים אנושיים. במחקר קליני רחב בשוודיה (Trial MASAI) נבחנה מערכת AI לסינון ממוגרפיות (צילומי שד) לעומת שיטת הפענוח הרגילה על ידי שני רדיולוגים. התוצאות הראו שגישת ממוגרפיה בתמיכת AI גילתה שיעור דומה של מקרי סרטן לשיטה הרגילה, תוך הפחתת עומס העבודה של הרדיולוגים ב-44% (מקור). למעשה, ה-AI סייע לסנן את הצילומים כך שרדיולוגים היו צריכים לעבור על פחות מחצי מהם באופן ידני, ללא פספוס נגעים משמעותי (מקור). דוגמאות נוספות כוללות אלגוריתמים המאושרים על ידי ה-FDA לזיהוי אוטומטי של דימומים מוחיים ב-CT, תסחיפי ריאה, או קרישי דם – המערכת שולחת התראה דחופה לרופא עוד לפני שהבדיקה נטענה לתיק, וכך מזרזת טיפול במקרי חירום (מקור) (מקור). גם בתחום הפתולוגיה, מערכות AI מנתחות תמונות מיקרוסקופיות של רקמות ביופסיה ומסוגלות לאתר תאי סרטן ולסווג גידולים בדיוק גבוה, מה שמשפר את האבחון ההיסטופתולוגי.

בנוסף להדמיה, AI מסייע בניתוח בדיקות מעבדה. אלגוריתמים יכולים למצוא דפוסים חבויים בערכי בדיקות דם שגרתיות ולחזות סיכונים בריאותיים. פרויקט BloodCounts! הבינלאומי, למשל, משתמש בלמידת מכונה לנתח ספירות דם מלאות של מיליוני אנשים (מקור) (מקור). ספירת דם מלאה מודדת כ-20 פרמטרים בכל בדיקה, אך המכשירים מסוגלים למדוד אלפי מאפיינים של התאים בדם – נתונים שבדרך כלל אינם נשמרים. באמצעות AI, החוקרים שואפים לנצל את “אוצר הנתונים” הלא מנוצל הזה כדי לגלות סימני אזהרה מוקדמים למחלות (כמו סרטן או מחלות זיהומיות) עוד לפני תסמינים ברורים (מקור) (מקור). גישות דומות מיושמות לזיהוי דפוסים חריגים בפרופילי שומנים, הורמונים וסמנים ביוכימיים אחרים, במטרה לאתר מחלות בשלבים מוקדמים או להתאים טיפול לפי מאפייני הבדיקות של הפרט. כך, AI משפר את פענוח הבדיקות – גם הדמייתיות וגם המעבדתיות – ומאפשר אבחון מדויק ומהיר יותר.

רפואה מותאמת אישית באמצעות AI

הרפואה המותאמת אישית (Precision Medicine) שואפת להתאים את הטיפול לכל מטופל לפי מאפייניו הייחודיים – למשל פרופיל גנטי, אורח חיים, מצב בריאותי ומחלות רקע. כמות הנתונים הזו גדולה ומורכבת, וזו בדיוק הזירה שבה AI מצטיין. מערכות בינה מלאכותית מסוגלות לשלב מידע ממקורות רבים – רצף הגנום של המטופל, הרשומה הרפואית, מידע מחיישנים לבישים, ועוד – כדי להפיק תובנות טיפוליות מותאמות (מקור). כך ניתן, למשל, להמליץ על תרופה שהמטופל יגיב לה טוב יותר, או לחזות מי בסיכון לתופעות לוואי חריגות מטיפול מסוים. AI כבר מסייע במציאת “ביומרקרים” חדשים – סמנים ביולוגיים בניתוחי דם או רקמה – שיכולים לנבא תגובה לטיפול. דוגמה לכך היא פלטפורמת AI של חברת Ocean Genomics שמאתרת שינויים ב-mRNA של גידולים סרטניים הניתנים לטיפול ומנבאת את תגובת המטופל לתרופות שונות (מקור). כלי זה ואחרים משמשים חברות תרופות לפיתוח טיפולים מותאמים אישית. באופן דומה, מערכות כמו Paige AI מנתחות תמונות פתולוגיות ומוצאות דפוסים מולקולריים שמנבאים איזו תרופה תעבוד עבור מטופל ספציפי (מקור). גם מחוץ לאונקולוגיה, AI עוזר לבצע “רפואה מדויקת” – למשל חישוב מינון תרופות בהתאם לפרופיל הגנטי (ידוע שהרקע הגנטי משפיע על פירוק תרופות כמו וארפארין) (מקור). בסך הכל, השילוב בין ביג-דאטה רפואי ל-AI מקרב אותנו למציאות שבה כל החלטה רפואית – מאיזו תרופה לרשום ועד אילו בדיקות מניעה לבצע – מותאמת אישית באופן אופטימלי לכל מטופל, על בסיס ניתוח מיליוני מאגרי מידע דומים. גישה זו מבטיחה טיפולים יעילים יותר עם פחות ניסוי וטעייה, גילוי מוקדם של מחלות באנשים בסיכון, והפחתת תופעות לוואי מיותרות (מקור) (מקור).

מיפוי גנים ויצירת חלבונים באמצעות למידת מכונה

בינה מלאכותית מאיצה באופן דרמטי את חקר הגנום והחלבונים – אבני הבניין של החיים. בתחום הגנומיקה, AI משמש למיפוי וריאציות גנטיות ולהבנת משמעותן. למשל, חברת DeepMind הכריזה ב-2023 על כלי בשם AlphaMissense המבוסס על אותה טכנולוגיה של AlphaFold, שיודע לנבא האם מוטציה נקודתית בגן (החלפת בסיס DNA יחיד) היא מזיקה או שפירה (מקור). מתוך 71 מיליון מוטציות אפשריות מסוג זה, הכלי סיווג אחוז גדול מהן ברמת דיוק של ~90%, ונתן לכל שינוי בגנום “ציון סיכון” להתפתחות מחלה (מקור) (מקור). מומחים ציינו שביצועי מודל זה עולים על כל כלי קיים לניבוי השפעת מוטציות (מקור). המשמעות היא האצת אבחון מחלות גנטיות נדירות והבנה טובה יותר אילו שינויים ב-DNA גורמים למחלות כמו סרטן ותסמונות תורשתיות.

במקביל, חלה קפיצה בפענוח עולם החלבונים – התוצרים של הגנים. פריצת דרך מרכזית הייתה אלגוריתם AlphaFold2 (DeepMind) שפתר את בעיית הקיפול (folding) של חלבונים. AlphaFold הצליח לחזות את המבנה התלת-ממדי של חלבון לפי רצף חומצות האמינו שלו בדיוק חסר תקדים (מקור). בשנת 2022 שוחררה לציבור מסד נתונים של למעלה מ-200 מיליון מבני חלבונים שחזתה AlphaFold, המכסים כמעט כל חלבון מוכר במדע (מקור). מדענים ברחבי העולם משתמשים בתחזיות אלו כדי להבין טוב יותר את תפקוד החלבונים ולפתח תרופות המכוונות למבנים ספציפיים. אך AI לא רק חוזה מבנים קיימים – הוא גם יוצר חלבונים חדשים. באמצעות מודלים גנרטיביים (כגון רשתות המבוססות על דיפוזיה או מודלי שפה של חומצות אמינו), חוקרים מצליחים “להמציא” חלבונים שמעולם לא נראו בטבע, עם תכונות רצויות. באוניברסיטת וושינגטון, למשל, פיתחו ב-2023 אלגוריתם (RFdiffusion) שיצר חלבונים המסוגלים להיקשר בחוזקה יוצאת דופן להורמונים אנושיים מסוימים (מקור). אחד החלבונים שעיצב ה-AI נקשר למטרה שלו בעוצמה הגבוהה ביותר שנמדדה אי פעם בין מולקולה ביולוגית שיוצרה במחשב לבין היעד שלה (מקור). יכולת זו עשויה לשמש לפיתוח תרופות וחיישנים ביולוגיים חדשים – חלבונים מתוכננים שיתפסו מולקולות מטרה (כגון הורמון או סימן למחלה) בצורה יעילה וזולה יותר מנוגדנים, למשל (מקור) (מקור). לסיכום, למידת מכונה בענפי הגנום והחלבון מאפשרת גם הבנה עמוקה יותר של הבסיס המולקולרי של מחלות וגם יצירת כלים ביולוגיים חדשים לחלוטין למלחמה במחלות.

פענוח תמונות וסיגנלים רפואיים

בינה מלאכותית מתבלטת ביכולתה לזהות דפוסים בתמונות וב”אותות” רפואיים מורכבים, מה שעוזר באבחון ובקרה רפואית. בתחום התמונה הרפואית דנו כבר לעיל (רדיולוגיה, פתולוגיה וכדומה), אך AI מיושם גם בסוגי תמונות נוספים – למשל, אפליקציות סמארטפון יכולות בעזרת רשתות נוירונים לנתח תמונות של עור ולאבחן נגעים חשודים כסרטני עור ברמת דיוק של רופאי עור מומחים. כמו כן, אלגוריתמים מזהים פגיעות בעין (רטינופתיה סוכרתית) מצילומי רשתית, ואף אושרו לשימוש כסקרינינג ראשוני ללא צורך ברופא (מקור). במקביל, סיגנלים רפואיים – נתונים אלקטרוניים רציפים כגון תרשימי לב (ECG), גלי מוח (EEG) או צלילי לב וריאות – עוברים מהפכת AI. חוקרי Mayo Clinic הראו שמאלגוריתם AI יכול לנתח תרשים ECG שגרתי ולאתר בו “חתימות” של מחלת לב חבויה שהקרדיולוג לבדו לא יבחין בה (מקור) (מקור). לדוגמה, AI על ECG הצליח לזהות חולשה בתפקוד המשאבה של הלב (מקצב המעיד על מקטע פליטה נמוך) בדיוק גבוה, עוד לפני שלמטופל הופיעו תסמינים. מודל זה קיבל אישור FDA לשימוש קליני ומיושם ע”י חברת Anumana כמבחן לא פולשני לגילוי מוקדם של אי-ספיקת לב (מקור). אותו עיקרון יושם לאיתור הפרעות קצב נסתרות (כמו פרפור פרוזדורים שקט) מתוך קטעי ECG הנראים נורמליים – דבר שבאופן רגיל דורש מוניטור לב ארוך טווח (מקור). AI גם יכול לנבא את “גיל הלב” הביולוגי של מטופל מתוך נתוני ECG בודד, וכן לאבחן מקרי עיבוי שריר הלב (קרדיומיופתיה היפרטרופית) או הסתיידות במסתם האאורטלי, ע”י זיהוי דפוסים עדינים באותות (מקור). בסיגנלים אחרים, מערכות AI מזהות התקפים אפילפטיים בזמן אמת מנתוני EEG, ומסייעות במעקב אחר הפרעות שינה. קיימים אף סטטוסקופים חכמים עם AI המזהים אוושה בלב או חרחור ריאתי בלתי-תקין ומתריעים על כך לרופא. יכולת הפענוח האוטומטי של זרמי הנתונים הרפואיים מאפשרת התראה מהירה על מצבים מסוכנים וניטור רציף של מטופלים, בבית ובבית החולים, ברמת דיוק שקשה להשיג באמצעים ידניים.

ניהול תיקים רפואיים ושיפור הגישה למידע רפואי

רופאים כיום ניצבים בפני “הצפת מידע” ברשומות רפואיות אלקטרוניות (EMR/EHR) – כל ביקור, בדיקה ודיווח מתווספים לערימת נתונים שקשה למיין ידנית. מערכות AI נכנסות לתמונה כדי לארגן ולסכם מידע זה באופן שיהיה שימושי הן לקלינאים והן למטופלים. למשל, חברת Epic, מפתחת תיק רפואי אלקטרוני נפוץ, שילבה יכולות AI המציגות לרופא סיכום תמציתי של מה השתנה בתיק המטופל מאז ביקורו האחרון (מקור). ה-AI שולף מתוך שלל התוצאות וההערות רק את הדברים החשובים החדשים – תרופה שהתווספה, תוצאה חריגה שהתקבלה, אבחנה חדשה – וכך חוסך לרופא עיון ממושך בכל הרשומות (מקור). בנוסף, Epic הטמיעה כלי בינה מלאכותית מבוסס GPT שיודע ליצור טיוטת מענה לשאלות שהמטופלים שואלים דרך פורטל המטופל (מקור) (מקור). הרופא מקבל הצעה לתשובה אדיבה ומפורטת ויכול לערוך אותה לפני שליחה, מה שחוסך זמן ומשפר תגובתיות. AI גם עוזר במיון וקטלוג ברשומה: זיהוי אוטומטי של אבחנות ומונחים בהקלדת חופשי (NLP) מאפשר הצעת קידוד רפואי (ICD) מדויק יותר וסגירה מהירה של ביקורים (מקור). ישנם גם עוזרי קול חכמים הנמצאים בשלבי פיתוח, שיאפשרו לרופא לשאול את התיק הרפואי שאלות (“האם למטופל היה בעבר MRI ראש? מה היו תוצאותיו?“) ולקבל תשובה מידית מה-AI שסורק את המסמכים הרלוונטיים. סקירות ספרות מציינות כי סיכום אוטומטי של תיקים רפואיים הוא “חזית מרתקת” שעשויה להפחית עומס מנהלתי ולאפשר טיפול ממוקד יותר. עם זאת, הן מדגישות את הצורך בהתמודדות עם אתגרים אתיים – הבטחת דיוק (כדי שלא יחסרו פרטים חיוניים בסיכום), מניעת “הזיות” של מודלי שפה (המצאת מידע שלא קיים), ושמירה קפדנית על פרטיות המידע בעת עיבודו על ידי אלגוריתמים. למרות אתגרים אלו, המגמה ברורה: AI הופך לכלי עזר בניהול המידע הרפואי, מה שמאפשר לצוותים הרפואיים גישה מהירה וקלה יותר למידע הנכון בזמן הנכון, לטובת החלטות קליניות טובות יותר וטיפול יעיל יותר במטופלים.

אתגרים ואתיקה

לצד היתרונות הרבים של AI ברפואה, ישנם גם אתגרים אתיים וחוקיים שיש להתייחס אליהם. חשוב להבטיח דיוק גבוה במודלים כדי למנוע שגיאות אבחון, לשמור על פרטיות המידע הרפואי ולמנוע הטיות אלגוריתמיות. כמו כן, יש לוודא ש-AI לא יהווה תחליף לרופא האנושי, אלא כלי עזר משלים שמשפר את עבודת הצוות הרפואי.

סיכום

בינה מלאכותית יוצרת מהפכה ברפואה – משיפור אבחון וטיפול, דרך אוטומציה של תהליכים רפואיים ועד ניתוח נתונים גנטיים והתאמת תרופות אישית. עם המשך ההתפתחות של טכנולוגיות אלו, נראה בעתיד הקרוב מערכת בריאות חכמה יותר, יעילה יותר ומותאמת אישית לכל מטופל. למרות האתגרים, אין ספק ש-AI היא אחד הגורמים המרכזיים שיעצבו את רפואת העתיד.

בסְבָרָא אנו מתעדכנים באופן קבוע בטכנולוגיה ובכלים החדשים ביותר. אנחנו מטמיעים בינה מלאכותית בארגונים בכל הגדלים. צרו קשר עוד היום לפגישת יעוץ ללא עלות.