תוצאת חיפוש

אדרנולויקודיסטרופיה היא מחלה גנטית בעלת פנוטיפ משתנה, ובה הפגיעה במוח אינה ניתנת לניבוי. כלי הבינה המלאכותית "קונצנזוס" (Consensus) מאומן על מאמרים מדעיים ומבוסס על מודל השפה צ'אט GPT (ChatGPT). פרשת מטופל מורכב עם אדרנולויקודיסטרופיה שימשה לבחינת היכולת של "קונצנזוס" לבצע סקירת ספרות יסודית במידה שווה לזו של חוקרים ורופאים מנוסים.

תחום הבינה המלאכותית ברפואה צובר תאוצה אדירה בעת האחרונה. באמצעי התקשורת מדווח ללא הרף על טכנולוגיות מבוססות בינה מלאכותית שיכולות להוות כלי עזר לצוותים הקליניים, בין היתר בשטחי פענוח הדימות, הפתולוגיה, חיזוי התדרדרות מצב מטופל, ואף מתן המלצות לאבחון ודרכי טיפול. אולם נראה שבתחום הכירורגיה טרם ״עלו על העגלה״ של הבינה המלאכותית. במאמר זה נציג את הבינה הניתוחית (Surgical Intelligence) – תחום חדשני ומתפתח המתבסס על הקלטה שגרתית של פרוצדורות אנדוסקופיות, ואנליזת הווידיאו הניתוחי על ידי בינה מלאכותית. נדון במאמר זה בצורך בתיעוד פרוצדורות כירורגיות, ביתרונות הפוטנציאליים עבור תהליכי הכשרה ובקרת איכות בתחום ובמאפיינים הנדרשים ממערכות מסוג זה כדי שתוכל לספק פתרון ישים ויעיל עבור צוותים רפואיים.

תסחיף ריאתי מסיבי הוא מצב מסכן חיים אשר שכיחותו הולכת וגוברת עם הגיל. תסחיף ריאתי שכזה הוא מצב נפוץ ולעיתים קטלני. הגישה להערכה צריכה להיות יעילה, אך בו זמנית יש להימנע מבדיקות וטיפולים מיותרים, כך שניתן יהיה להתחיל טיפול מיד ולמנוע תחלואה ותמותה אפשריים. המצב המאיים עלול להוביל להלם חסימתי עם ביטוי של אי ספיקת לב ימנית חדה ובסופו של דבר עלול להוביל להידרדרות המודינמית מהירה ולמוות מהלם או מהפרעות קצב. בגיל צעיר יותר תסחיף ריאתי מסיבי גורם למוות מהיר בשליש מהחולים. במהלך שנת מעקב אחת, תמותה בנוכחות אי ספיקת לב ימנית הייתה גבוהה פי שלושה לעומת חולים שלא פיתחו תסמיני אי ספיקת לב ימנית.

בשנים האחרונות, הפכה הבינה המלאכותית לכלי משמעותי להאצת גילויים מדעיים שונים, החל מגילוי מהיר יותר של תרופות חדשות, המשך בניהול רובוטי-אוטומטי של מעבדות וכלה בגילוי חומרים חדשים שיכולים לסייע בהתמודדות עם זיהום אוויר. ישראל התברכה בשילוב של מומחיות במדעי הבריאות והביולוגיה מצד אחד, ובטכנולוגיה מתקדמת של בינה מלאכותית מצד שני. לכן, ישראל יכולה להוביל במחקר מבוסס בינה מלאכותית במדעי הביולוגיה והבריאות.

במאמרנו הנוכחי, אנו סוקרים את מיקומה של ישראל בהשוואה לכמה מהמדינות המובילות בעולם בתחום הבינה המלאכותית, ובתחום המחקר במדעי הבריאות והביולוגיה. סקירתנו מציגה את ההזדמנות ואת החסמים של ישראל בדרך להובלה במחקר במדעי הביולוגיה והרפואה שמואץ על ידי בינה מלאכותית.  

עורך המדור: פרופ' ארנון בלום

במשך אלפי שנים העיקרון "ראשית, אל תזיק" המיוחס להיפוקרטס, עמד כעמוד היסוד של אמנות הרפואה. עקרון זה מדגיש את גודל האחריות והמחויבות האתית של הקלינאי כלפי המטופל.

בשנים האחרונות, צובר השימוש בבינה מלאכותית תאוצה בעולם הרפואה, ומטלטל לא רק את עולמות האבחנה, הטיפול, המחקר, החינוך הרפואי, והאתיקה הרפואית, אלא גם את אורח החשיבה של הקלינאי.

על מנת להפיק את המיטב מיתרונותיה של הבינה המלאכותית, להתמודד עם מגרעותיה ולמנוע נזקים פוטנציאלים, עלינו כרופאים להכיר גם את העקרונות המובילים בתחום הבינה המלאכותית. היכרות זו תעניק לנו את הידע הדרוש לבקר מערכות בינה מלאכותית. החל מהממצאים של מערכות ממוקדות-מטרה (כגון סיוע בפענוח צילום חזה), והמשך באבחנה ובתוכנית הטיפול המוצעים על ידי מודלי שפה.

טכנולוגיות חדשות בעולמות אלגוריתמיקה, אחסון המידע, וכוח מחשוב, אפשרו קפיצה בעולם הבינה המלאכותית, הכוללת את הופעתה של "בינה מלאכותית יוצרת". מאמר זה מקשר בין  מושגי יסוד של המחקר הרפואי, לשלבי הפיתוח של הבינה המלאכותית עד לדרגת רשתות עצביות ולמידה עמוקה. תכניו מעניקים מילון מושגים והבנה של תהליך ההתפתחות ואופן פעולתם של כלים אלו. בנוסף, אנו דנים במאמר בהשפעה הפוטנציאלית של הבינה המלאכותית על משולש "מטופל-רופא-ידע". מוצעים מספר עקרונות אשר עשויים לסייע בשילוב הבינה המלאכותית בעבודה הקלינית, תוך שמירה על עקרונות הרצון להיטיב, השאיפה לא להזיק, הצדק, ואוטונומיית המטופל. בתוכם, אימון נכון של המודלים, אסדרה, ומעורבות מלאה של הקהילה הרפואית בפיתוח הכלים ושילובם בעשייה הקלינית, יכולים להעניק לעקרונות האתיים את מקומם בחזית, כך שלא ייפלו קורבן לאינטרסים של הגופים המפתחים בלבד.

 יישומי בינה מלאכותית ברפואה נפוצים בעשורים האחרונים. למידת מכונה, ענף של בינה מלאכותית, היא מתודולוגיה המאפשרת למחשבים ללמוד מתוך דוגמאות ולהסיק מסקנות על נתונים חדשים. ההתקדמות בבינה מלאכותית ובלמידת מכונה עשויה למלא תפקיד מרכזי בקבלת החלטות קליניות בשיקום, באבחון לקויות, בפיתוח ושיפור פרוטוקולים קיימים ובבניית תוכניות שיקום מותאמות אישית. בנוסף, יישומי בינה מלאכותית בשיקום עתידים להשתלב בטיפול לצורך שיפור הלקות בתפקודי הגוף ובהפעלת עזרים ממוחשבים, לפיצוי על תפקודי גוף שלא ניתן להשיבם (שימוש בממשקי אדם-מכונה).

הבינה המלאכותית פרצה לחיינו באחת בשנים האחרונות. אנו פוגשים בה בכל תחומי החיים, כמו גם בתחום הרפואה. יש שני תחומים שאליהם מתייחס המאמר מבחינת אתיקה רפואית: האחד הוא הרפואה מבוססת מגה-דאטה והשני הצ'אטבוט או ChatGPT. שני תחומים אלו פועלים באופן בסיסי בשלושה שלבים: איסוף נתונים, בניית לוגריתם והסקת מסקנות ודרך פעולה. בשלב איסוף הנתונים, אל לנו הרופאים לשכוח לשמר את האוטונומיה והסודיות הרפואית של המטופל. למרות כל הטכנולוגיה והחידושים, בסופו של דבר, הרופא מקבל החלטות בשיתוף המטופל, ושיקול הדעת בקביעת האבחנה והטיפול נתון עדיין בידי הרופא. בתחום המחקר בסקירת חומרים וכתיבת המאמרים, כאשר נעזרים בבינה המלאכותית, יש לנקוט משנה זהירות וביקורתיות, מאחר שהתוצאות המתקבלות בעת השימוש בבינה מלאכותית עלולות להטעות את הרופאים המטפלים.  

במאמרנו הנוכחי, אנו מתמקדים במניעת החלפת זרע ו/או ביצית מופרית, כפי שהתרחש במחדל החלפת העוברים במרכז הרפואי אסותא. המאמר נפתח בתיאור הצורך החד (אקוטי) במניעת המחדל הבא של החלפת גמטות וזיגוטות, לאחר מכן הוא יתאר את ההבטחה הגדולה בצד החששות הגדולים של יישום הבינה המלאכותית בעולם הרפואה. בהמשך, אנו סוקרים את הצעדים הננקטים כיום במצב הרפואי הקיים בארץ, אך עיקר חידושו הוא תיאור יישומי הבינה המלאכותית האפשריים למניעת מחדל החלפת הזרע והביצית המופרית הבאה.

אנו מדווחים במאמר זה על פרשות חולים עם הופעת טנוסינוביטיס (דלקת המתפתחת במעטפת הגידים) של המדור המיישר הרביעי בלבד, ללא עדות לדלקת מערכתית, שקרתה במסגרת עבודתנו ובמקביל לשינויים במבנה סביבת העבודה על רקע מגפת הקורונה. ייתכן שזיהוי מוקדם של ההשפעות המזיקות שיש לעבודה וירטואלית/תלוית-טכנולוגיה הנעשית מהבית יכול לשפר, הן את הטיפול והן את המניעה של מצבים מסוג זה. אנו מתארים במאמר זה את התופעה ומציעים דרך טיפול בה.

מחלות קרנית הן מהסיבות המובילות בעולם לעיוורון הפיך הניתן לטיפול. השתלת קרנית מתורם היא הטיפול המוצלח ברוב המטופלים. עם זאת, במקרים מסוימים שבהם השתלת קרנית צפויה להיכשל, החלופה היחידה לשיקום הראייה היא השתלת קרנית מלאכותית. הקרנית המלאכותית עשויה גם להציע פתרון למחסור העולמי בקרניות מתורם. עם זאת, לקרניות המלאכותיות הקיימות כיום אתגרים רבים, כולל מורכבות ניתוחית הדורשת מיומנות ומשאבים וכן סיבוכים ייחודיים. למרות שהוצעו לאורך השנים מספר קרניות מלאכותיות, שני שתלים עיקריים נמצאים בשימוש הקליני כיום. הראשון, ה-Boston keratoprosthesis, המורכב מלוח קדמי עם חלק אופטי מרכזי, לוח אחורי, וכפתור תורם קרנית ביניהם, הנתפר לגדם קרנית המטופל. השני, ה-Osteo-odonto-keratoprosthesis, מעגן שתל אופטי סינתטי ברקמה ביולוגית של עצם השן. ההוריות (אינדיקציות), טכניקות הניתוח ופרופיל הסיבוכים של שני השתלים הם שונים, ויפורטו בסקירה זו. פעילות ענפה בתחום המחקר והפיתוח ממשיכה להתקיים לשיפור הנגישות והביו-אינטגרציה של קרניות מלאכותיות באמצעות פיתוחים טכנולוגיים חדשים המובאים בסקירה זו.

המחקר התרגומי ברפואה עובר בעשור האחרון תמורות גדולות בעיקר על רקע ההתקדמות הטכנולוגית האדירה שנעשתה בתקופה זו. המחקר האונקולוגי מוביל את חזית המחקר התרגומי בעולם הרפואה ומושפע רבות מההתקדמות הטכנולוגית בשנים האחרונות.

במאמר זה, אנו סוקרים בקצרה את הטכנולוגיות המהוות את הבסיס ל"דור הבא של המחקר התרגומי" (Next generation translational research) באונקולוגיה בעשורים הקרובים והן את המגמות המתפתחות במחקר התרגומי באונקולוגיה, תוך יישום טכנולוגיות אלו. טכנולוגיות חדישות כגון שיטות לאיסוף נתונים מולקולריים רב ממדי (Multi-omics), שימוש בבינה מלאכותית (AI) לעיבוד נתונים וחיזוי, שימוש במחשוב ענן לניתוח נתונים ועוד, מובילות את המחקר התרגומי באונקולוגיה לעידן חדש שבו ניתן לעבד כמות אדירה של נתונים מסוגים שונים וממקורות שונים בו זמנית, וכך לקדם – הן את ההבנה של המנגנונים השונים בבסיס התפתחות הסרטן והן לסייע בפיתוח שיטות לאבחון, טיפול ומניעה.

בעקבות פיתוח הטכנולוגיות הללו, התפתחו מגמות חדשות במחקר התרגומי האונקולוגי, כגון מעבר מפיתוח טיפולים למחקר העוסק באבחון ומניעה של סרטן, מעבר מחקר השאת (Tumor) לחקר סביבת השאת, חקר השאת אורך זמן במקום בנקודת זמן בודדת ועוד. תהליך זה צפוי להתעצם בעתיד עם פיתוחן של טכנולוגיות נוספות ושכלולן של טכנולוגיות קיימות. האתגר העומד בפני החוקרים הוא מציאת המנגנונים המתאימים ליישום איכותי, סטנדרטי ויעיל בטכנולוגיות הללו, באופן שיקדם יישום מהיר לטיוב הטיפול האונקולוגי על כל רבדיו השונים.

הפתולוגיה היא חלק בלתי נפרד מהרצף האבחוני והטיפולי בעולם הרפואה, ויש לה חלק משמעותי בתהליכי  קבלת ההחלטות. תחום הפתולוגיה מוביל את עולם הרפואה המותאמת אישית, והוא ממלא תפקיד חשוב בתהליכים רבים הן בשדה הקליני והן בשדה הרפואה התרגומית.

פתולוגיה דיגיטלית היא תחום מתפתח שעשוי לתפוס בעתיד חלק משמעותי מצורת העבודה בפתולוגיה.

רעיונות שונים המכוונים לעיבוד דיגיטלי של דוגמאות רקמה קיימים מזה עשרות שנים, אך תחילת הפיתוחים המשמעותיים שאפשרו לפתולוגיה הדיגיטלית להתפתח למימדים שאנו רואים כיום (ועודם הולכים וגדלים), קרוב לוודאי שהחלה לפני מעט יותר מ-20 שנה – אז פותח הסורק הראשון שמסוגל לסרוק סלייד שלם, תחום שהלך והתפתח במהירות.

לצד החידושים הטכנולוגיים הללו, עולם הרפואה כולו מתקדם אל עבר גישות של רפואה מותאמת אישית, ושני אלה יחד מקדמים את עולם הפתולוגיה לכיוון המתבסס על פתולוגיה דיגיטלית – תחום שתופס נפחים הולכים וגדלים בעבודת הפתולוג. בראש ובראשונה התחום נותן תשתית לעבודת האבחון השגרתית, ועם התקדמותו יאפשר מיצוי מתקדם ומשופר של מידע מתוך אותן דגימות שעימן אנו עובדים כיום וקידום תחומים רבים, ביניהם רפואה מותאמת אישית, פיתוח תרופות חדשות, גילוי ביומרקרים ומטרות טיפוליות חדשות, מחקר אונקולוגי, מחקר אימונו-אונקולוגי ועוד.

בסקירה זו נדווח בקצרה על מהות הפתולוגיה הדיגיטלית, הפיתוח שלה, שיטות עיבוד מידע חדשות מבוססות בינה מלאכותית ולמידה עמוקה, יתרונות חסרונות ותפקידם של אלה בעשייה הקלינית ובמחקר הקליני והתרגומי כאחד, ונציג דוגמאות ליישום הרחב הנעשה בה.

המחקר התרגומי ברפואה עובר בעשור האחרון תמורות גדולות בעיקר על רקע ההתקדמות הטכנולוגית האדירה שנעשתה בתקופה זו. המחקר האונקולוגי מוביל את חזית המחקר התרגומי בעולם הרפואה ומושפע רבות מההתקדמות הטכנולוגית בשנים האחרונות.

במאמר זה, אנו סוקרים בקצרה את הטכנולוגיות המהוות את הבסיס ל"דור הבא של המחקר התרגומי" (Next generation translational research) באונקולוגיה בעשורים הקרובים והן את המגמות המתפתחות במחקר התרגומי באונקולוגיה, תוך יישום טכנולוגיות אלו. טכנולוגיות חדישות כגון שיטות לאיסוף נתונים מולקולריים רב ממדי (Multi-omics), שימוש בבינה מלאכותית (AI) לעיבוד נתונים וחיזוי, שימוש במחשוב ענן לניתוח נתונים ועוד, מובילות את המחקר התרגומי באונקולוגיה לעידן חדש שבו ניתן לעבד כמות אדירה של נתונים מסוגים שונים וממקורות שונים בו זמנית, וכך לקדם – הן את ההבנה של המנגנונים השונים בבסיס התפתחות הסרטן והן לסייע בפיתוח שיטות לאבחון, טיפול ומניעה.

בעקבות פיתוח הטכנולוגיות הללו, התפתחו מגמות חדשות במחקר התרגומי האונקולוגי, כגון מעבר מפיתוח טיפולים למחקר העוסק באבחון ומניעה של סרטן, מעבר מחקר השאת (Tumor) לחקר סביבת השאת, חקר השאת אורך זמן במקום בנקודת זמן בודדת ועוד. תהליך זה צפוי להתעצם בעתיד עם פיתוחן של טכנולוגיות נוספות ושכלולן של טכנולוגיות קיימות. האתגר העומד בפני החוקרים הוא מציאת המנגנונים המתאימים ליישום איכותי, סטנדרטי ויעיל בטכנולוגיות הללו, באופן שיקדם יישום מהיר לטיוב הטיפול האונקולוגי על כל רבדיו השונים.

הפתולוגיה היא חלק בלתי נפרד מהרצף האבחוני והטיפולי בעולם הרפואה, ויש לה חלק משמעותי בתהליכי  קבלת ההחלטות. תחום הפתולוגיה מוביל את עולם הרפואה המותאמת אישית, והוא ממלא תפקיד חשוב בתהליכים רבים הן בשדה הקליני והן בשדה הרפואה התרגומית.

פתולוגיה דיגיטלית היא תחום מתפתח שעשוי לתפוס בעתיד חלק משמעותי מצורת העבודה בפתולוגיה.

רעיונות שונים המכוונים לעיבוד דיגיטלי של דוגמאות רקמה קיימים מזה עשרות שנים, אך תחילת הפיתוחים המשמעותיים שאפשרו לפתולוגיה הדיגיטלית להתפתח למימדים שאנו רואים כיום (ועודם הולכים וגדלים), קרוב לוודאי שהחלה לפני מעט יותר מ-20 שנה – אז פותח הסורק הראשון שמסוגל לסרוק סלייד שלם, תחום שהלך והתפתח במהירות.

לצד החידושים הטכנולוגיים הללו, עולם הרפואה כולו מתקדם אל עבר גישות של רפואה מותאמת אישית, ושני אלה יחד מקדמים את עולם הפתולוגיה לכיוון המתבסס על פתולוגיה דיגיטלית – תחום שתופס נפחים הולכים וגדלים בעבודת הפתולוג. בראש ובראשונה התחום נותן תשתית לעבודת האבחון השגרתית, ועם התקדמותו יאפשר מיצוי מתקדם ומשופר של מידע מתוך אותן דגימות שעימן אנו עובדים כיום וקידום תחומים רבים, ביניהם רפואה מותאמת אישית, פיתוח תרופות חדשות, גילוי ביומרקרים ומטרות טיפוליות חדשות, מחקר אונקולוגי, מחקר אימונו-אונקולוגי ועוד.

בסקירה זו נדווח בקצרה על מהות הפתולוגיה הדיגיטלית, הפיתוח שלה, שיטות עיבוד מידע חדשות מבוססות בינה מלאכותית ולמידה עמוקה, יתרונות חסרונות ותפקידם של אלה בעשייה הקלינית ובמחקר הקליני והתרגומי כאחד, ונציג דוגמאות ליישום הרחב הנעשה בה.

הבינה המלאכותית הוצגה לראשונה בשנת 1956 ומהווה מרכיב מרכזי במהפכה התעשייתית הרביעית בתולדות האנושות. עם הזמן הפכה שיטה זו לשיטה המועדפת לניתוח תמונות רפואיות. כיום, היישומים של בינה מלאכותית בתחום הרפואה בכלל ורפואת עיניים בפרט מגוונים וכוללים אבחון ומעקב אחר התפתחות מחלות עיניות. לדוגמה, אלגוריתמים של בינה מלאכותית יכולים לזהות אקטזיות וסימנים פרה-קליניים של קרטוקונוס (קרנית חרוטית) באמצעות צילומים ופלט נתונים ממיפויי קרנית שונים.

למידת מכונה (Machine Learning) היא טכניקה ספציפית ליישום של בינה מלאכותית. היא מוגדרת כסדרה של שיטות אוטומטיות לזיהוי דפוסים ותבניות במידע נתון ומתן תחזית עתידית. טכנולוגיה זו יושמה לראשונה כבר בשנות השמונים של המאה הקודמת. למידה עמוקה ((Deep Learning היא סוג מתקדם של למידת מכונה בהשראת מידול פעולת המוח האנושי, הבנויה כשכבות שכל אחת אחראית על זיהוי תבניות ובכך מצליחה למדל תופעות מורכבות. היתרון המשמעותי של למידה עמוקה ברפואה הוא בכך שהיא מאפשרת מעקב וניטור זול ויעיל. למידה עמוקה נמצאת בשימוש במעקב במחלות עיניים כגון רטינופתיה סוכרתית, ניוון מקולרי תלוי גיל, גלאוקומה (ברקית), ירוד (קטרקט) ורטינופתיה של הפגות. מחלות אלה ואחרות דורשות מעקב תכוף על מנת לבחון שינויים לאורך זמן. טכנולוגיית מחשוב זו היא אמנם בעלת חשיבות רבה לזיהוי ודירוג מחלות עיניים שונות אך זקוקה עדיין למספר אישורים קליניים נוספים על מנת שתוכל להוות עזר רשמי בשימוש נרחב ליכולת אבחנתית אנושית.