תוצאת חיפוש

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.

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.

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.

המהפכה התעשייתית הרביעית מביאה לשינוי בכל הנוגע למידע ועיבודו על ידי בינה מלאכותית. לשינוי זה צפויות השלכות מכוננות על שירותי הרפואה והבריאות הקיימים, ועל מקצוע הרפואה עצמו. המאמר סוקר מספר שינויים המתרחשים במקביל, ואת השפעותיהם החזויות. לדוגמה, מעבר למידע עתק: מעבר מרפואה המבוססת על כמויות מידע יחסית קטנות, שהמוח האנושי יכול לעבד, למידע עתק (Big Data); מעבר זה נובע מההתווספות שכבות מידע חדשות, דוגמת מידע אורכי, OMICS, מידע מהרשתות החברתיות ומהאינטרנט, מידע סביבתי, מידע קולי ועוד. שכבות אלה מצטרפות למקורות הוותיקים (אנמנזה, בדיקה גופנית, בדיקות מעבדה ודימות).

המעבר לחיזוי רפואי: בעוד שההתמקדות כיום היא במידע אבחנתי, שנועד לזהות את מחלתו של המטופל, ניתן לראות מעבר לאיסוף מידע פרדיקטיבי, שיחזה את רמת הסיכון של המטופל לפיתוח מחלות מסוימות בעתיד.

המעבר למערכות בינה מלאכותית: לנוכח היקפי המידע העצומים אור כמויות המידע שעימם צריך הצוות הרפואי להתמודד, אלגוריתמים של בינה מלאכותית נדרשים לניתוח המידע ולהפקת תובנות שיסייעו לרופאים בעבודתם.

הירידה בעלויות הפקת וניתוח המידע: בעוד שכיום נדרשת השקעה כבדה בתשתיות לאיסוף המידע ולניתוחו, העלויות אמורות לרדת דרמטית בשנים הקרובות.

המטופל שותף באיסוף המידע: חלק גדול מהמידע ייאסף על-ידי החולה עצמו והמחשוב הלביש שהוא נושא. כפועל יוצא של כל אלה המידע, שבעבר היה מצוי במלואו בבעלות גורמי הבריאות, יעבור לבעלות מספר גורמים, לרבות החולה.

שינויים אלו מציבים סיכונים ואתגרים, לדוגמה העדר קישוריות בין מקורות המידע, או סוגיית הבעלות על המידע, סוגיות אבטחה קשות, וכמות האתגר בתרגום המידע לידע ותובנות מעשיות שיתמכו בקבלת ההחלטות הרפואיות.

קצב ואיכות ההטמעה נגזרים משני כוחות הפוכים: ההתפתחויות הטכנולוגיות מחד גיסא, וחסמי המערכות מאידך גיסא. התנגדויות יכולות להגיע מצד המשתמשים – רופאים, בתי חולים ומבטחים. ההתנגדויות נובעות לרוב משיקולי תקציב, מרצון להגן על המטופלים מסיכונים, מהצפה בפניות, משמרנות ומשנאת סיכון. בנוסף קיימים חסמים רגולטוריים של ה-FDA וגופים מקבילים. רפואת העתיד מציבה אתגרי מדיניות ורגולציה גדולים. על הרגולטור להיערך בחכמה אך במהירות לשינויים הדרמטיים, תוך שמירה על בטיחות המטופל.

בסקירתנו זו, מתוארת מהפכת הטלה-רפואה במסגרת ההתמודדות עם מגפת הקורונה, והצפי כי טלה-רפואה תוטמע בטיפול הרפואי השגרתי. נקודת המוצא המשפטית היא יישום החובות החוקיות הקיימות בחקיקה ובכלל זה: הסכמה מדעת, חובת הסודיות הרפואית והחובות הנדרשות לאבטחת המידע הרפואי, תיעוד ורישום, סטנדרט הרופא הסביר ועוד. אנו סוקרים במאמר זה את יישום החובות המשפטיים האלו בסביבה דיגיטלית ואת המאפיינים המיוחדים להם. כמו כן, נסקרים עיקרי חוזר מנכ"ל משרד הבריאות בסוגיית אמות מידה לטיפול רפואי מרחוק, וכללי האתיקה הרלבנטיים מתוך כללי האתיקה של הר"י להתנהלות רופאים ברשתות חברתיות.

לסיכום, אנו מביאים בסקירתנו זו על קצה המזלג את תרומתה הצפויה של הבינה המלאכותית לטלה-רפואה ואת האתגרים המשפטיים הצפויים בתחום זה בעתיד