בינה מלאכותית על מיטת החולה: מהפכת ה-AI ברפואה, מאלצהיימר ועד אנטיביוטיקות חדשות

בעשור האחרון התרגלנו לשמוע שבינה מלאכותית משנה תעשיות. אבל מה שקורה עכשיו ברפואה חורג בהרבה מעוד צ'אטבוט חביב או כלי אוטומציה. צירוף של מודלים גנרטיביים, הדמיה מתקדמת, דאטה בקנה מידה עצום והון סיכון עצבני יוצרים רגע מכריע: AI מתחיל לפרק ולבנות מחדש את הדרך שבה אנחנו מגלים תרופות, מאבחנים מחלות, מנהלים מערכות בריאות – ואולי גם מגנים על עצמנו מדמנציה וסרטן.

בכתבה זו נצלול למספר התפתחויות עדכניות שמרכיבות יחד תמונה ברורה: בריאות ו-AI כבר לא "פיילוט". זה קורה עכשיו, בקנה מידה אמיתי.

1. אלצהיימר: מעבר מהשערות לדיוק מולקולרי

מנוליס קליס (Manolis Kellis) מ-MIT מתאר בעבודתו וב-TEDx האחרון שלו מהפכה שקטה: מעבר ממדע מבוסס השערות ומדגמים קטנים – למדעי מוח מבוססי Big Data ו-foundation models עם מיליארדי פרמטרים.

באמצעות אלפי דגימות מוח לאחר המוות, מודלים של למידת מכונה ומיפוי מערכתי של ביטוי גנים, חוקרים הצליחו לזהות בצורה עקבית מסלולים תאיים ומולקולריים שמשתבשים בחולי אלצהיימר. בין עיקרי הממצאים:

• ירידה במיאליניזציה – מעטפת המיאלין שמבודדת את האקסונים של הנוירונים נפגעת.
• פגיעה בתאי אוליגודנדרוציטים ובהעברת ליפידים, שגורמת להצטברות ליפידים במקום הלא נכון ולנזק נוסף.
• הפרעות במסלולים של:
  • הובלת כולסטרול וליפידים
  • פעילות מיקרוגליה ודלקת עצבית
  • תפקוד מיטוכונדריאלי

באמצעות למידת דפוסים ברזולוציה גבוהה הצליחו החוקרים לזהות לא רק מסלולים פוגעניים, אלא גם מסלולים "מגֵנים" – אנשים עם שקיעת עמילואיד חמורה אך ללא ירידה קוגניטיבית, שבהם מסלולים מסוימים מרסנים את התקדמות המחלה.

המשמעות: אפשר לבנות "מפת חתימות" אישית של אלצהיימר – אילו מסלולים פגועים אצל כל מטופל – ואז:

• להתאים טיפולים ממוקדי מסלול (כולל שימוש מחדש בתרופות נדירות שכבר קיימות).
• למדוד את "העומס" של כל hallmark (מיאלין, דלקת, מיטוכונדריה ועוד) ולתכנן טיפול פרסונלי.

כאן נכנסת הבינה המלאכותית הגנרטיבית: מודלים של מבנה-פונקציה לחלבונים ולכימיקלים מאפשרים:

• להטמיע מדיום אחד של מידע (חלבונים, מולקולות, תוצאות ניסוי) במרחב לטנטי משותף.
• לזהות אזורים "לבנים" במרחב הכימי – ולעצב שם מולקולות חדשות לחלוטין.
• לבצע דוקינג חכם, לבחור מטרות תרופתיות, לתכנן במהירות תרכובות מבטיחות ולסנתז אותן.

השלב הבא עוד יותר רדיקלי: בדיקה על "מוחות מוקטנים" – brain organoids.

החוקרים לוקחים פיברובלסטים מעור המטופל, מתכנתים אותם מחדש לתאי גזע, מגדלים מהם תרביות נוירונים ואורגנואידים מוחיים, ואז בודקים עליהם מטריצת תרופות בהתאמה אישית:

• בוחנים שינויים ברמת ביטוי גנים.
• מסתכלים על תגובות תאיות.
• מודדים את פעילותם החשמלית וזרימות הסידן.

כך מתקרבים למה שקליס מכנה predictive, precision & personalized therapeutics למוח – תחום שבעבר היה כמעט בלתי נגיש.

למי שחושב על העתיד האישי שלו: זה עדיין לא טיפול מסחרי, אך המסר חד – אנחנו מתרחקים מהתפיסה ש"אלצהיימר זו גזירת גורל" ומתקרבים להבנה של מנגנוני שורש בני התערבות.

2. מהפכת הדאטה: כשמערכת הבריאות טובעת במידע

בעוד המדע נהיה מדויק יותר, מערכת הבריאות מוצפת דאטה בקצב שלא מאפשר למוסדות לעכל אותו:

• רשומות רפואיות אלקטרוניות.
• הדמיות, גנומיקה, ווריאביליות פיזיולוגית רציפה (wearables).
• נתוני ביטוח, רכש, תפעול.

חברות כמו Verily (חברת הבריאות הפרסיזיונית של Alphabet) מנסות לפתור את צוואר הבקבוק הזה. הפלטפורמה שלה, Verily Workbench:

• מאחדת דאטה מולטי-מודלי בענן.
• מאפשרת שיתוף פעולה בין חוקרים ומכוני מחקר תחת בקרות אבטחה ורגולציה.
• מזרזת גילוי תובנות קליניות ממאגרי דאטה ארוכי טווח.

דוגמה היא שיתוף הפעולה עם Michael J. Fox Foundation בתחום פרקינסון – שם Workbench משמשת כבסיס לשילוב רחב היקף של נתונים וגילוי ביומרקרים.

מנקודת מבט ישראלית, שבה קופות החולים יושבות על אוצר בלום של דאטה היסטורי ומובנה היטב, פתרונות מסוג זה הם מצע טבעי: מי שישכיל לשלב תשתיות ניתוח דאטה ברמת Verily עם חוזקות כמו כללית/מכבי – יכול להוביל את העולם.

3. הכסף זורם: בום השקעות ב-AI רפואי

על פי נתוני Crunchbase, 2025 היא שנת שיא לסטארטאפים המשלבים AI ובריאות:

• כ-10.7 מיליארד דולר כבר הושקעו ב-AI health tech – יותר מ-24% מעל כל 2024, עוד לפני סוף השנה.
• אימוץ AI במערכת הבריאות האמריקאית מהיר פי 2.2 מהממוצע במשק.
• כ-85% מההוצאה על GenAI בבריאות זורמים לסטארטאפים, לא לספקי תוכנה ותיקים.

מגמות מרכזיות:

• ביקוש עצום לכלים אוטומטיים לתיעוד רפואי, RCM ותפעול – כמעט 60% מההוצאה על IT בריאות.
• סבבי ענק לחברות כמו:
  • Isomorphic Labs (גילוי תרופות מונחה AI).
  • Lila Sciences ("scientific superintelligence" למדעי החיים וכימיה).
  • Abridge (הפיכת שיחות רופא-מטופל לרשומה מובנית).
  • OpenEvidence (חיפוש רפואי והחלטות קליניות מונעי AI).

הכסף הגדול הוא לא רק כותרת פיננסית. הוא סימן שהשוק מאמין ששילוב AI בתהליכים עתירי כאב ועלות – אבחון, גילוי תרופות, ניהול עומסים – כבר מוכיח ROI, לא רק פוטנציאל.

4. לייזר-טאג לסרטן: MAGIC מאתר את הטעויות הראשונות

באירופה, EMBL פיתח מערכת בשם MAGIC – Machine Learning-Assisted Genomics and Imaging Convergence – שנשמעת כמו פרויקט מחקר, ומתנהגת כמו כלי תעשייתי:

איך זה עובד:

1. מיקרוסקופ מתקדם מצלם תאים בזמן חלוקה.
2. מודל AI מזהה תאים עם micronuclei – "בועיות" DNA קטנות, שהן סמן מובהק לטעויות כרומוזומליות.
3. לייזר צובע ומסמן ספציפית את התאים האלה.
4. בעזרת flow cytometry מפרידים את התאים המסומנים להעמקת ניתוח גנטי.

MAGIC מאפשרת לסרוק מעל 100,000 תאים ביום – סדר גודל שהיה מדע בדיוני כשהסתמכו על בדיקה ידנית.

תובנות מפתח:

• יותר מ-10% מחלוקות התאים גורמות להפרעות כרומוזומליות.
• כאשר p53 – "שומר הגנום" – מדוכא, השיעור כמעט מוכפל.

החשיבות עצומה: כרומוזומים לא תקינים הם מנוע מרכזי לסוגי סרטן אגרסיביים, עמידות לכימותרפיה ומטסטזות. זיהוי מוקדם של תאים עם פוטנציאל כזה מאפשר להבין מאיפה הסרטן מתחיל – ואולי בעתיד לעצור אותו לפני שהוא קיים קלינית.

ובונוס: כל תכונה שניתן לזהות ויזואלית יכולה להיות מטרת AI ותיוג – כך שהפלטפורמה גמישה גם למחקרי ביולוגיה אחרים.

5. אנטיביוטיקה חדשה ממוקדת: Enterololin והבטחה לחולי קרוהן

בזירה אחרת, חוקרים השתמשו ב-AI כדי לפתח אנטיביוטיקה סופר-ממוקדת: Enterololin.

המטרה:

• לטפל בחולי IBD (כמו קרוהן) הסובלים מעומס של Enterobacteriaceae, במיוחד זן פולשני של E. coli, בלי להרוס את המיקרוביוטה המגינה.

מה נעשה בפועל:

• סינון יותר מ-10,000 מולקולות כדי לאתר כאלה שעוצרות את גדילת E. coli הפולשני.
• שימוש ב-ML (מודל דיפוזיה) כדי לחזות לאיזה קומפלקס חלבוני Enterololin נקשר.
• אימות ניסויי שהמולקולה פוגעת ספציפית בקומפלקס האחראי לעמידות של Enterobacteriaceae.

התוצאות במודלים של עכברים:

• בשילוב עם SPR741, שמפריע לממברנה החיצונית של חיידקי גרם-שליליים, התרופה מחסלת את ה-E. coli הפולשני.
• פגיעה מזערית בפלורה הידידותית.
• ללא תופעות לוואי משמעותיות, גם במינון גבוה.

החוקרים מעריכים שהשימוש ב-AI חסך כשנתיים עבודה וכמיליון דולר – מנגנון הפעולה פוענח בחצי שנה ובעלות של כ-60 אלף דולר בלבד. זה עדיין רחוק ממוצר מאושר, ויש ספקנות מוצדקת עד שיראו נתוני ניסויים בבני אדם, אך זה סימון דרך חשוב: AI כבר לא רק מחפש מולקולות, אלא מסייע להבין לעומק איך הן עובדות.

6. OpenAI והמרוץ לעוזר הבריאותי האישי

לצד מחקר ותרופות, גם החזית הצרכנית מתלהטת: על פי דיווחים, OpenAI שוקלת להשיק מוצרי בריאות לצרכנים, כולל עוזר בריאות אישי מבוסס GenAI.

מה כבר ידוע:

• מינוי של Nate Gross (מייסד-שותף Doximity) לראש אסטרטגיית בריאות.
• גיוס Ashley Alexander כסמנכ"לית מוצרי בריאות.
• ב-HLTH נחשף כי כ-800 מיליון משתמשים פעילים בשבוע ב-ChatGPT, ורבים מחפשים בו מידע רפואי.

אם OpenAI תלך עד הסוף, נגיע לעולם שבו:

• עוזר AI מסייע לסנן תסמינים, להכין שאלות לרופא ולתרגם מסמכים רפואיים.
• אבל גם: עולות שאלות כבדות על אבטחת מידע, אחריות מקצועית, הטיות מודל ואמון.

בישראל, שבה חלק גדול מהציבור צורך מידע רפואי אונליין ומשתמש בעברית ואנגלית באותה טבעיות, עוזר כזה יכול להיות כלי עוצמתי – או מקור דיסאינפורמציה – תלוי איך מיישמים ומסדירים.

7. בין חדשנות לסיכון: מי שומר עלינו?

בעוד קנדה מקיימת אירוע רשמי על "Balancing innovation and risk" בבינה מלאכותית רפואית – עם דיון ייעודי על אמון מטופלים, בטיחות, שוויון ונכונות המערכת – ברור שהשאלה הזו רלוונטית לכל מדינה מתקדמת, כולל ישראל:

• איך מוודאים שמודלי AI מאומנים על דאטה מייצג ולא מגבירי פערים?
• מי אחראי על טעות אבחונית של מודל?
• איך מחברים בין סטארטאפים זריזים לרגולציה איטית מבלי לחנוק חדשנות?

הסיפורים בכתבה הזו מציגים את שני הצדדים:

• AI שמקצר שנים בפיתוח תרופות, מייצר טיפולים מותאמים, ומזהה מוקדי סרטן וטעויות גנטיות מוקדם מאי פעם.
• מול צורך בסטנדרטים מחמירים, שקיפות אלגוריתמית, ושילוב רופאים כ"אנשי AI" – לא כצרכנים שבויים של קופסה שחורה.

8. לאן זה הולך – ומדוע זה הזמן של ישראל

עבור קהילת הטק וה-AI בישראל, המסר חד:

• יש כאן convergence נדיר בין:
  • תשתיות דאטה רפואי מהמובילות בעולם.
  • אקוסיסטם AI וביוטק חזק.
  • מערכת בריאות ציבורית שמרגישה היטב את כאב העומסים והבירוקרטיה.

הדור הבא של סטארטאפים ישראליים יכול לצמוח בדיוק על הקווים שנחשפו כאן:

• גילוי תרופות מונחה foundation models.
• כלים כמו MAGIC לגילוי מוקדם של סרטן וצפייה באבולוציית מחלה.
• עוזרי רופאים ומערכות תיעוד אוטומטיות שמתחברות ישירות ל-EHR המקומיים.
• פתרונות אנטיביוטיקה ממוקדת ותרפיות מיקרוביוטה פרסונליות.

האתגר: לעשות זאת באחריות, בעומק מדעי ובהתאם לסטנדרטים אתיים – לפני שמישהו אחר מגדיר אותם בשבילנו.