מגפת הקורונה הובילה להתקדמות טכנולוגית משמעותית בתחום הבינה המלאכותית, אך יש מי שטוענים שהיא אינה מספקת בענף הרפואה. מחקר שהתפרסם לאחרונה ב-Wired, ושהתבצע על ידי מכון אלן טורינג באנגליה, טוען כי בינה מלאכותית שיחקה תפקיד קטן במגפה וכי מומחי הרפואה התמודדו עם בעיות של גישה למידע רפואי שנדרש להפעלת הטכנולוגיה באופן תקין.
ללא ספק, בינה מלאכותית נושאת הבטחה לקידום פיתוח תרופות, לקידום הטיפול במאושפזים במוסדות הבריאות ולניטור אפידמיולוגי באוכלוסייה. בין ההתפתחויות החשובות בשנתיים האחרונות ניתן למנות פיתוח כלים דיאגנוסטיים באמצעות עיבוד תמונה, עיבוד שפה מתקדם המשמש לניתוח מסות גדולות של דאטה רפואי (NLP), ניטור וחיזוי מגמות באוכלוסיות ומעקב אחר בריאות הפרט. בישראל פיתחנו בבית החולים שיבא מערכות לחיזוי הידרדרות במצבם של חולי קורונה מאושפזים, אשר מטרתה הייתה לסייע לצוותים בשטח למטב ולייעל את הטיפול בחולים ולמנוע מצבים מסכני חיים.
עם זאת, קיימים עדיין לא מעט אתגרים שעלולים לגרום לעיכוב בפרויקטי AI בענף הרפואה ויש לדעת לצלוח אותם. חשוב לציין שפתרונות AI בתחום הבריאות הם ייחודיים בכך שהם עלולים לבצע החלטות שיכולות להטות את הכף בין חיים ומוות. אמנה במאמר זה מספר תחומי מפתח ברפואה בהם ניתן למנף יכולות AI לקידום חדשנות וכיצד ניתן להתמודד בהם עם האתגרים.
פיתוח תרופות
בתעשיית התרופות קיימת הבנה כי טכנולוגית AI יכולה לקדם גילוי של תרופות חדשות, דבר שהביא לצמיחתו של תחום יחסית חדש בחברות ובמכוני המחקר – AI for Drug Discovery.
בינה מלאכותית משתלבת בתהליכי פיתוח התרופות במספר שלבים ואופנים. ראשית, היא יכולה לסייע בהבנת הגורמים המחוללים של מחלות ובהגדרת אוכלוסיית היעד. בהמשך, מערכות בינה מלאכותית תומכות בתהליך הסינון של תרכובות כימיות אפשריות ובמציאת המולקולה המתאימה, אשר תמצא את דרכה למקום הנכון בגוף. יתר על כן, בינה מלאכותית משמשת למחקר בטיחות של תרופות – היא יכולה לחזות מראש אינטראקציות בין תרופה לחלבונים שאינם היעד שלה ובכך לסייע בצמצום תופעות לוואי, למנוע רעילות ולהפחית את מספר הניסויים הדרושים בבעלי חיים. בנוסף, בינה מלאכותית יכולה לסייע בזיהוי או חיזוי ההשפעה של פרופיל גנטי מסוים על תופעות לוואי בקרב משתתפים במחקר קליני.
אחת הבעיות המרכזיות שמעכבת את הפיתוח בתחום היא מחסור בנתונים איכותיים אשר מתויגים כהלכה. אלגוריתמים של בינה מלאכותית זקוקים לאלפי נתונים או דגימות כדי לספק ביצועים טובים, בעוד שמספר הנדגמים במחקר קליני יכול להגיע לעשרות במקרה של ניסוי קטן ועד מאות במקרה של ניסוי גדול. יתרה מכך, נתונים אלו חייבים להיות איכותיים על מנת שהאלגוריתמים יוכלו להמיר אותם למונחים ביולוגיים כמו מבנה חלבוני, מדידות מטבוליות, או תהליכים קליניים. המרות אלו יכולות להתבצע במהירות אדירה על ידי מערכות AI אם הנתונים איכותיים אך פעמים רבות קיימת בעיה ברזולוציה של תמונות, במספר הדגימות המעניינות של מחלות נדירות בבסיס הנתונים, או שקצב דגימות הנתונים אינו משקף את ההתפתחות של התהליך הקליני. כדי להתגבר על אתגר זה קיימים כיום פתרונות לבקרה ורגולציה של מערכות AI המאפשרים נראות (observability) ייחודית לצורך ניטור וגילוי שינויים בנתונים המוזנים למודלים וסחף בהתפלגות נתונים, אשר גורמים להידרדרות בביצועים לאורך זמן.
הדמיה ודיאגנוסטיקה
הדמיה היא אחת הדוגמאות הטובות ביותר לשימוש בבינה מלאכותית בתחום הרפואה. ניתן לשלב בינה מלאכותית בתהליך הפענוח המורכב של בדיקות MRI, סריקות CT, צילומים מיקרוסקופיים ובבדיקות רבות נוספות. כלי ניתוח מבוססי AI יכולים לחלץ מידע חשוב ולאפשר קבלת החלטות טובה יותר – לפעמים בדיוק רב יותר מאשר בני אדם, החל מזיהוי מדויק יותר של סרטן ועד לאבחון מהיר יותר של דלקת ריאות.
עם זאת, למרות שמודלים מבוססי AI יכולים לאסוף תובנות חדשות מהדמיות רפואיות, קיימים מספר מחסומים עיקריים ליישום הטכנולוגיה במסגרות קליניות. עצם המורכבות שהופכת את ההדמיה הרפואית לתחום אידיאלי לניתוח על ידי אלגוריתמים, היא אותה מורכבות שמשבשת את השימוש בהם. גם במקרה זה, חוקרים ומפתחים זקוקים לכמויות אדירות של נתוני הדמיה כדי לאמן בהצלחה מודלים של בינה מלאכותית ולהבטיח שהם מוכנים לשימוש בשגרה. בנוסף, באופן אינהרנטי לתהליכים קליניים, ישנה סובייקטיביות ואמביוולנטיות באבחנה הרפואית והערכת המצב הקליני בין קלינאים שונים ולכן תיוג המקרים צריך להתבצע בזהירות על מנת להימנע מהטיה לא מכוונת בבסיס הנתונים. על מנת להתמודד עם מצבים אילו יש הכרח לשלב כלי AI בעלי יכולת הסבר (AI Explainability) ואבחון שגיאות (Error Analysis) יחד עם שיתוף מומחי תוכן כחלק אינטגרלי מתהליך פיתוח המודלים.
גם לאחר היישום, מערכות הבריאות צריכות לפקח באופן עקבי על המידע ועל הביצועים של מערכות ה-AI ולוודא שהטכנולוגיה ממשיכה לשפר את האבחון והטיפול. הבעיה מתחילה בכך שמודלים רבים מבוססים על רשתות נוירונים המוגדרות כ’קופסאות שחורות’, שלא מאפשרות להבין עד הסוף את אופן קבלת ההחלטות. חוקרים פועלים למצוא פתרונות לאתגרים אלה, בעוד גופים רגולטורים שונים פועלים על מנת להסדיר כללי שימוש במודלי קופסה שחורה, דבר שיש לקוות שיוביל לשיפור בדיאגנוסטיקה ובמתן טיפול רפואי בחולים.
מעקב רפואי אחר מטופלים
ד”ר אדם קובני, דירקטור למדעי הנתונים ב- Data Science Group (DSG)
בעוד רופאים ואחיות לומדים מניסיונם האישי, כלי בינה מלאכותית יכולים ללמוד מניסיונם של מיליוני מטופלים ומהידע של אלפי רופאים. בכך הם יכולים לשפר את מיומנותם, לעזור להם לנתח תוצאות בדיקות או לזהות ולטפל במצבים נדירים. הם יכולים לעזור לנתח סוגים רבים של נתונים באמצעות מעקב דיגיטלי פרטני אחר סימפטומים, בין אם באמצעות אביזרים לבישים או ביקורים, ולהציע תמונה מקיפה יותר על מצבו של המטופל.
בינה מלאכותית יכולה גם לייעל את הלוגיסטיקה של שירותי הבריאות על ידי ניהול פגישות ומתן תובנות לגבי תמהיל כוח אדם הדרוש בזמנים שונים של השבוע או השנה. היא יכולה גם לצמצם משימות שגרתיות של הרופא, לדוגמה, רוב הרופאים כיום מקלידים מידע ידנית למחשב בעת ביקור של מטופל. כלי בינה מלאכותית יכולים לבטל את הצורך בהקלדה על ידי תמלול השיחה בשידור חי, דבר שיאפשר לרופא להתמקד באדם שמולו.
האתגר העיקרי במקרה זה נעוץ בעובדה שכל מטופל הוא מקרה ייחודי ולכל רופא זווית ייחודית לאבחון וטיפול בו. מידע שנאסף עבור מטופל יכול להשתנות בהתאם לרופא אותו הוא ביקר. אם לא די בכך, את רוב הנתונים שמשפיעים על הבריאות של המטופל – תזונה, שעות שינה, מתח – לא ניתן לאסוף בביקור רופא. יתרה מכך, קיימים אתגרים אתיים – נתונים רפואיים הם רגישים ביותר. אפילו ניסוי בבניית כלי חדש בתחום הבינה המלאכותית ידרוש אבטחת מידע הדוקה כדי להגן על נתוני המטופלים. לפיכך, כלי בינה מלאכותית בתחום הבריאות לעולם לא יחליפו רופאים, אך הם יכולים בשלב זה לסייע להם לעשות יותר.
