פריצות דרך טכנולוגיות בתחום הבינה המלאכותית שחלו בשנים האחרונות, הניבו התקדמות משמעותית ברפואה בכלל ובקרדיולוגיה בפרט. מדובר בתחום מאתגר ומסקרן. מקובל לחשוב על יישום בינה מלאכותית ברפואה כעל כלי לפענוח אוטומטי של בדיקות, אך כאן הכוונה הינה אפילו ליותר מכך, מדובר ביכולת של אלגוריתמים "להבין" דברים על בריאות המטופל אשר אינם מובנים ע"י רופא מומחה המפענח את אותה הבדיקה. יכולת זו תאפשר אבחון מחלות עוד טרם התבטאותן וכן פיתוח דרכי טיפול מתקדמות, אשר ביכולתן לחולל מהפיכה ממשית בהתאמת הטיפול באופן אישי לחולים במגוון מחלות.
כיצד עובדים אלגוריתמים של בינה מלאכותית ברפואה?
למידת מכונה (MACHINE LEARNING, M.L) הינה טכנולוגיה המבוססת על שני מנגנוני לימוד:
- לימוד מפוקח - השלב הראשון בתהליך, הכרוך ב"לימוד" אלגוריתם לתייג פריטים ע"י חשיפתו לדוגמאות רבות (למשל, על ידי הזנת תמונות של בעלי חיים- האלגוריתם צריך להבדיל בין חתולים לבין שאר בעלי החיים). תהליך זה מחייב שהחוקר ידע מלכתחילה את התשובה הנכונה (מיהו חתול?) ויספק לאלגוריתם את התשובות הנכונות בזמן תהליך הלימוד. האלגוריתם מנסה "לנחש" את התשובה הנכונה בכל פעם שתמונת בעל חיים מוצגת לפניו, "נקנס" כאשר הוא טועה ו"מתוגמל" כאשר הוא צודק. לאחר חזרות רבות של התהליך, המנגנון הפנימי של האלגוריתם, שמטרתו לקבל ניקוד מקסימלי, מוביל אותו למציאת נוסחה שתאפשר זיהוי מיטבי.
- לימוד בלתי מפוקח, הינו תהליך במהלכו חושפים אלגוריתם למאגר נתונים גדול, ומשימת האלגוריתם הינה למצוא קשרים נסתרים בין הנתונים השונים. התוצאה בדרך כלל ניתנת בצורת חלוקת הנתונים לקבוצות או לרשת המתארת את יחסי הגומלין ביניהן. דוגמא לכך הינה למשל חשיפת אלגוריתם למגוון נתונים על בעלי חיים. האלגוריתם אמור "להבין" בכוחות עצמו שישנן קבוצות ייחודיות של בעלי חיים, ולחלק אותם לזוחלים, יונקים וכדומה.
בינה מלאכותית (ARTIFICIAL INTELIGENCE AI -) או לימוד עמוק (DEEP LEARNING), הינן טכניקות מתקדמות של יישום המטלות הנ"ל על ידי אלגוריתמים ממשפחת "רשתות נוירונים" מלאכותיות. במהלך תהליכי הלימוד של אלגוריתמים אלו, המידע שהופק מוזרם דרך מודל מתמטי הבנוי כשכבות "נוירונים", ומחקה את הדרך בה המוח האנושי פועל. המודל רותם את היעילות של מבנה הנוירונים לשם התמודדות עם אתגרים חישוביים מורכבים. אלגוריתמים אלו הינם חוד החנית של ההתקדמות ביכולות האוטומציה, הזיהוי והחיזוי בפיתוחים טכנולוגיים רבים במגוון תעשיות. ברפואה נעשה שימוש בבינה מלאכותית בפענוח של בדיקות הדמיה, בפתוח התקנים לבישים כגון ה- Apple watch ובתחומים נוספים.
מה מנבא גיל האק"ג?
דוגמה מייצגת לשימוש באלגוריתמיקה מתקדמת בקרדיולוגיה היא בפענוח של בדיקת האק"ג.
האק"ג הוא בדיקה שכיחה וזמינה מאוד בקרדיולוגיה, אשר מבוצעת על ידי חיבור אלקטרודות לבית החזה של המטופל. היות ותאי הלב מופעלים על ידי חשמל, הגירוי החשמלי נקלט על ידי האלקטרודות. זוהי בדיקה זולה ובלתי פולשנית אשר מסוגלת לספק מידע הן על הפרעות בהולכה החשמלית של הלב, והן על פגיעה בשריר הלב בעקבות אוטם ("התקף לב") או דלקת, אשר כתוצאה מהן משתנים דפוסי החשמל בלב.
אלגוריתמים שפותחו לאחרונה, הצליחו בהתבסס על פענוח תרשימי אק"ג, לחזות באחוזי דיוק גבוהים מאוד פרטים דמוגרפיים של המטופל (כדוגמת גיל ומין), פרטים אשר ניתן למדוד רק בבדיקות דם (כדוגמת רמות האשלגן בדם), וכן מידע על אופן התכווצות הלב, דבר אשר באופן קלאסי מתקבל רק באמצעות בדיקות מתקדמות דוגמת אקו לב.
לניבוי גיל המטופל נמצאה משמעות קלינית חשובה: מטופלים אשר האלגוריתם צפה שהינם מבוגרים מכפי גילם הכרונולוגי (למשל, על סמך תרשים האק"ג האלגוריתם צפה שגיל המטופל הינו 80, למרות שבפועל היה 65) - חוו בפועל אשפוזים רבים יותר בשל מחלות לב ומוות בטרם עת. לעומת זאת, חולים אשר הוערכו ע"י האלגוריתם כצעירים מגילם האמיתי נהנו מבריאות מצוינת ותוחלת חיים ארוכה יותר מהצפוי לגילם, ושהינה מתאימה לגיל שנחזה ע"י האלגוריתם. כך נראה שישנו "גיל אק"ג" המשקף את ה"גיל הביולוגי" של המטופל, ומנבא את המהלך הצפוי לו. ייתכן ובעתיד כאשר ייאסף מידע נוסף על יכולת זו, תהיה אפשרות להציע את הבדיקה עם הפענוח המתקדם לצורך התאמת תכנית מעקב וטיפול מותאמת אישית לאוכלוסייה הכללית.
אלגוריתם אחר שפותח בשיטות אלו הצליח לחזות באופן מדויק מיהם המטופלים שסובלים מפרפור פרוזדורים התקפי. פרפור פרוזדורים הינו הפרעת קצב לב נפוצה אשר מסכנת את המטופל בהתפתחות שבץ מוחי בעקבות היווצרות קרישי דם בלב, ועל כן החשיבות הרבה של גילוי מוקדם על מנת לטפל מניעתית במדללי דם. היות ואצל מרבית החולים הפרעת קצב זו אינה נוכחת באופן קבוע, אלא מופיעה ונעלמת לסירוגין ואינה בהכרח מורגשת על ידי המטופל, מושקעים מאמצים רבים באיתור הסובלים ממנה, כדי להמליץ להם על טיפול מתאים. הבירור כיום מחייב מטופלים עם חשד לפרפור פרוזדורים התקפי להיעזר באמצעים שונים לניטור קצב הלב למשך תקופות ארוכות, ולעיתים אף לעבור השתלת התקן איתור באופן פולשני. החידוש הגדול שמאפשר האלגוריתם הינו זיהוי מטופלים הסובלים מפרפור פרוזדורים לסירוגין על סמך בדיקת אק"ג אשר מבוצעת בזמן שהמטופל לא חווה אירוע של פרפור פרוזדורים.
אלגוריתמים אלו ואחרים לפענוח אק"ג מצטרפים לאלגוריתמים נוספים המפותחים למגוון בדיקות קרדיולוגיות (בדיקות אקו לב, CT לב, MRI לבבי ועוד), ואשר נחקרים באינטנסיביות למיצוי פוטנציאל המידע הגלום בהן, תוך הבנה שההתקדמות שהושגה עד כה בתחום הינה קצה הקרחון. במערך הקרדיולוגי של המרכז הרפואי תל אביב, אנו מפתחים פלטפורמה שמרכזת את המידע המתקבל מבדיקות שונות ומפתחים אלגוריתמים מתקדמים שימשיכו לשפר את הדיוק האבחנתי ויכולת הניבוי של מחלות לב ובכך להוביל לפריצת דרך נוספת בהתאמת הטיפול ובאיכותו.
ד"ר תומר מן הוא רופא בכיר במערך הקרדיולוגי של המרכז הרפואי איכילוב - ת"א
ד"ר אודי חורין הוא רוא בכיר היחידה להפרעות קצב במערך הקרדיולוגי של המרכז הרפואי איכילוב - ת"א
