תוצאת חיפוש

בשנים האחרונות חלה התקדמות דרמטית ביישום בינה מלאכותית ברפואת נשים, מיילדות ופוריות. הבינה המלאכותית, הכוללת שיטות כמו למידת מכונה, למידה עמוקה ומודלי שפה גדולים, משנה את האופן שבו נאספים, מנותחים ומיושמים נתונים קליניים.

תחום עיבוד התמונה, ובעיקר יישומי למידה עמוקה, מאפשר שיפור בזיהוי מומים בעוברים בבדיקות אולטרסאונד (US), סיווג איכות עוברים בטיפולי פוריות, וזיהוי מוקדם של פתולוגיות גינקולוגיות. שילוב מערכות בינה מלאכותית במיומנות הקלינית מביא לשיפור הדיוק האבחנתי, במיוחד בתחומי הדימות והפתולוגיה, תוך הפחתת שיעור תשובות חיוביות כוזבות בממצאי דימות ובבדיקות פתולוגיות. עם זאת, הבינה המלאכותית מהווה כלי מסייע בלבד, ואינה מחליפה את שיקול הדעת הרפואי או את הסטנדרטים האבחנתיים המקובלים.

במקביל, פיתוח מודלים מבוססי למידת מכונה מאפשר חיזוי סיבוכי היריון, הצלחת טיפולים אונקולוגיים בגינקולוגיה ועוד. יתרונם של מודלים אלו מקורו ביכולת להסביר את תהליך קבלת ההחלטות, דבר המגביר את היתכנות הטמעתם הקלינית.

מודלי שפה גדולים תורמים לניתוח תיקים רפואיים, לסיכום מחקרים ולסיוע בהחלטות קליניות, אם כי קיימות מגבלות בשימוש בשפות שאינן אנגלית. טכנולוגיות מציאות רבודה מציעות אפשרויות חדשות לשיפור חוויית המטופלת, בהפחתת כאב וחרדה בפרוצדורות רפואיות.

למרות הפוטנציאל הרב בתחום זה, קיימים עדיין אתגרים משמעותיים בהטמעת בינה מלאכותית ברפואה, לרבות סוגיות של פרטיות ואבטחת מידע, בעיות דיוק ואמינות המודלים, והצורך בהסדרה רגולטורית מותאמת. מדינת ישראל, בזכות מערכת בריאות מתקדמת אך עמוסה ושיעורי ילודה גבוהים, ניצבת בעמדה ייחודית להובלת התחום ברמה העולמית. חקר היכולות והמגבלות של הכלים החדשים יאפשר יישום מושכל, בטוח ויעיל, תוך קידום רפואת נשים מותאמת אישית ושיפור ניצול משאבי הבריאות הציבוריים. מטרת סקירה זו היא לבחון את האופן שבו מוטמעים כלים מבוססי בינה מלאכותית ברפואת נשים, מיילדות ופוריות יחד עם האתגרים הצפויים כתוצאה משינויים אלו.

הקדמה: השימוש בנתוני עתק (ביג דאטה) נמצא בשלבים הראשוניים של חדירתו לעולם הרפואה. מחקר של נתוני עתק מאפשר ניתוח (אנליזה) היקפים גדולים מאוד של נתונים כדי למצוא בהם חוקיות סטטיסטית וקלינית. אבחנת סרטן הכרכשת מוחמצת במקרים רבים עקב העובדה שאנשים רבים מעל גיל 50 שנים נמנעים מביצוע בדיקת הסקירה של דם סמוי.

מטרות ושיטות: במכון המחקר של מכבי פותחה שיטה לזיהוי מקרים אלה על ידי ניתוח של נתוני עתק של ירידת רמות ההמוגלובין והמטוקריט, עדיין בתחום הערכים הנורמאליים, שנים לפני הזיהוי הקליני. שיטה זו (הקולונסקור) נמצאה מדויקת ויעילה בזיהוי מוקדם של סרטן הכרכשת בחולים שהחמיצו את בדיקת הדם הסמוי בצואה.

מפרשת החולה: בפרשת החולה במאמרנו מדווח על גבר בן 70 שנים שאובחן בסרטן הכרכשת, לאחר שהחמיץ את כל בדיקות הסקירה לדם סמוי בצואה. עיון בתיקו גילה שרמות ההמוגלובין שלו ירדו במשך שלוש שנים שקדמו לאבחנה, אם כי נותרו בתחום הנורמה. שימוש בנתוני עתק עם מספר גדול של חולים עם סרטן הכרכשת במכבי ובבריטניה הביא ליצירת ואישוש אלגוריתם שיכול לגלות סיכון לסרטן הכרכשת לפי ספירות הדם שנעשו שנים לפני האבחנה הקלינית.

דיון וסיכום: שימוש באלגוריתמים סטטיסטיים מתוחכמים המסוגלים "ללמוד" כמויות אדירות וסוגים שונים של נתונים בשיטות לימוד מכונה (machine learning). העושר העצום של מאגרי המידע הרפואיים הדיגיטליים בישראל בשילוב עם חוקרים העוסקים בפיתוח אלגוריתמים מורכבים מעמידים את ישראל בחזית המחקר העולמית. כבר כיום, מיושם הקולונסקור במכבי לניבוי סרטן הכרכשת המסייע באיתור מוקדם של חולים בעלי פוטנציאל מוגבר לממצאים ממאירים. בשנתיים הראשונות להפעלתו ברמת רופא המשפחה זוהו מעל לחמישים מקרי סרטן הכרכשת בעקבות הקולונסקור, יותר מאשר בבדיקת דם סמוי בצואה.