שומרים על הלב: "ה-AI מזהה הפרעות זעירות שקשה לאתר בעין אנושית"

אי-ספיקת לב היא אחת הבעיות הבריאותיות המורכבות והנפוצות ביותר של העידן המודרני. היא משפיעה על כ-64 מיליון בני אדם ברחבי העולם ומהווה את אחד הגורמים המובילים לאשפוז בקרב מבוגרים מעל גיל 65. המחלה מתפתחת לרוב באופן הדרגתי לאורך מספר שנים, דבר שיוצר חלון הזדמנויות קריטי להתערבות מניעתית.

חוקרים מהפקולטה להנדסה ביו-רפואית בטכניון הציגו לאחרונה פריצת דרך משמעותית בתחום זה, עם פיתוחו של מודל בינה מלאכותית חלוצי בשם DeepHHF (ר"ת Deep Holter Heart Failure). המודל מסוגל לחזות סיכון לאי-ספיקת לב חמש שנים מראש, באמצעות ניתוח לא פולשני וזול של בדיקות אק"ג-הולטר ביתיות, הנמשכות 24 שעות.

את המחקר, שפורסם בכתב העת npj Digital Medicine, הובילו פרופ' יואכים בהר והדוקטורנט ערן זבולוני מהטכניון, בשיתוף פעולה עם רופאים וחוקרים מובילים מבתי החולים רמב"ם, שערי צדק והדסה, וכן מהמוסדות האוניברסיטה העברית ולאומית שירותי בריאות.

בדיקות אק"ג סטנדרטיות בקליניקה נמשכות לרוב שניות בודדות בלבד ומספקות רק צילום מצב חולף של הפעילות החשמלית של הלב. לעומת זאת, מודל ה-DeepHHF מתבסס על ניתוח של יממה שלמה.

"המודל לומד דפוסים עדינים באק"ג הקשורים לאי-ספיקת לב עתידית"

פרופ' בהר הסביר את ההיגיון שמאחורי בחירה זו: "רישום אק"ג קצר הוא רק צילום מצב חולף, בעוד שהפרעות לבביות רבות מופיעות לסירוגין. בדיקת הולטר של 24 שעות מספקת למודל מידע רב בהרבה על האופן שבו הלב מתנהג לאורך זמן, ומאפשרת לו לזהות דפוסים שעלולים להתפספס בהקלטה קצרה". לדבריו, המודל החדש שפותח מאומן לזהות ברישומים אלו הפרעות זעירות ביותר,שקשה מאוד לאתר בעין אנושית של רופא מיומן.

לדברי המפתחים, תהליך הלמידה של המכונה מתמקד במאפיינים פיזיולוגיים מדויקים. "המודל לומד דפוסים עדינים באק"ג הקשורים לאי-ספיקת לב עתידית", תיארו בהר וזבולוני. הם הוסיפו כי "אלה יכולים לכלול שינויים בצורת פעימות הלב, פעימות לא תקינות, הפרעות בקצב הלב והאופן שבו דפוסים אלה מופיעים לאורך היממה".

פריצת הדרך הטכנולוגית של החוקרים התאפשרה בזכות שימוש בבסיס נתונים עצום של לאומית שירותי בריאות, שכלל כ-70 אלף בדיקות הולטר מכ-48 אלף מטופלים, שנאספו לאורך כ-20 שנה. לאחר סינון קפדני, קבוצת המחקר הסופית כללה 57,575 הקלטות של יותר מ-40 אלף מטופלים ייחודיים. החוקרים הדגישו כי השימוש בנתוני אמת מהעולם האמיתי הוא קריטי לפיתוח מודלים של בינה מלאכותית ברפואה, שכן נתונים אלו משקפים את המורכבות האמיתית של החולים בקליניקה, כולל מחלות רקע מגוונות, נטילת תרופות שונות, רמות רעש בהקלטה והבדלי גילאים.

אתגר חישובי עצום אך חיוני מאין כמותו

ברמת הארכיטקטורה הטכנולוגית, עיבוד של 24 שעות רצופות של אותות אק"ג מהווה אתגר חישובי עצום בשל נפח המידע. החוקרים פתרו זאת באמצעות תהליך אימון דו-שלבי חכם. הם הסבירו כי בשלב הראשון, המודל משתמש במקודד מיוחד, שהותאם מארכיטקטורת EnCodec, המשמשת במקור לדחיסת קול, כדי לכווץ מקטעי אק"ג קצרים של 30 שניות לייצוגים קומפקטיים במימד נמוך. בשלב השני, המאפיינים הללו מוזנים לתוך רשת מסוג טרנספורמר, שמנתחת את הרצף המלא של היממה כולה, ומאפשרת למודל לזהות תלויות זמן ארוכות טווח ויחסי גומלין לאורך שעות היום והלילה. מורכבות זו נפתרה ביעילות, כך שהמודל נותר קומפקטי יחסית ודורש אלפיות שנייה בודדות בלבד כדי להריץ את הניתוח על חומרה מודרנית.

במבחני הביצועים, הציג מודל ה-DeepHHF תוצאות יוצאות דופן עם מדד AUROC של 0.80 לניבוי הסיכון חמש שנים מראש. ביצועים אלו עלו משמעותית הן על מודל שהתבסס על חלון זמן בודד של 30 שניות (שהשיג 0.77) והן על מדד הסיכון הקליני המקובל כיום בספרות הרפואית, ה-PCP-HF, שהשיג ביצועים של 0.74 בלבד. יתרה מכך, המודל עבר תיקוף חיצוני מוצלח על קבוצת מטופלים עצמאית מהקריה הרפואית רמב"ם בחיפה, שם שמר על יציבות מרשימה והשיג מדד AUROC של 0.81 מבלי שעבר התאמה מיוחדת.

אחד ההיבטים המרתקים ביותר במחקר קשור ליכולת ההסבר של המודל. כדי להסיר את החשש שמערכות בינה מלאכותית פועלות כ"קופסה שחורה" בלתי מובנת, השתמשו החוקרים בשיטה מתקדמת המשלבת משקולות תשומת לב עם נתוני גרדיאנטים. ניתוח זה חשף כי המודל התמקד בעיקר בדפוסים פיזיולוגיים מוכרים הקשורים להפרעות קצב ופעילות לבבית לא תקינה, כגון פעימות חדריות מוקדמות ופעימות על-חדריות חריגות. כמו כן, החוקרים גילו כי מטופלים שסומנו על ידי המודל כבעלי סיכון גבוה, אך לא פיתחו אי-ספיקת לב בפועל במהלך חמש השנים, עדיין סבלו משיעורי תמותה גבוהים וממחלות רקע לבביות ומטבוליות רבות הדומות לאלו של החולים שאובחנו בצורה מדויקת. ממצא זה מעיד כי המודל מזהה פגיעות לבבית וכללית רחבה יותר, מעבר לאי-ספיקת לב ספציפית.

המערכת תספק לרופא ציון סיכון

החזון הקליני העתידי של צוות המחקר אינו שואף להחליף את הרופא המטפל אלא להעצים את יכולותיו. בסיטואציה המעשית, מטופל שמגיע לבצע בדיקת הולטר מסיבה שגרתית כמו בירור דפיקות לב או עילפון, יעבור ניתוח אוטומטי של המודל ברקע. המערכת תספק לרופא ציון סיכון, ובמקרים של סיכון בינוני או גבוה יוכל הצוות הרפואי להפנות את המטופל לבדיקות המשך ממוקדות, כמו בדיקת אקו-לב או בדיקות דם מיוחדות לחלבון BNP, ולהתחיל בטיפול מונע בשלב מוקדם בהרבה. המודל מתוכנן לעבוד על ערוץ אק"ג יחיד, מה שמכשיר אותו להשתלבות קלה בתוכנות הולטר קיימות ובמדבקות רפואיות לבישות מתקדמות בעתיד.

בכל הנוגע לשאלה הבוערת על עתיד המקצוע הרפואי בעידן הבינה המלאכותית, לחוקרים יש עמדה ברורה ומפוכחת. "AI ככל הנראה תהפוך לאוטומטיות כמה מהמשימות שרופאים מבצעים כיום, במיוחד ניתוח נתונים וזיהוי דפוסים, אך הרפואה דורשת גם שיקול דעת, תקשורת, הבנה של המטופל וניהול אי-ודאות. לכן אנו רואים בבינה המלאכותית בעיקר כלי שיכול לעזור לרופאים לקבל החלטות מושכלות יותר, ולא להחליף אותם", כך סיכמו בהר וזבולוני במבט לעתיד.