מודל AI מזהה אי־ספיקת לב בבדיקת אק״ג
חוקרים מאוניברסיטת מישיגן ומאוניברסיטת Wake Forest פיתחו מודלים של AI שמנתחים בדיקות אק״ג שגרתיות ומזהים סוגים של אי־ספיקת לב שקשה לאבחן, כולל סוג שמשפיע רבות על נשים. הדיוק כבר עומד על 75%, והמטרה היא להגיע ל־90%. הפוטנציאל: בדיקות סקר נגישות וזולות יותר, שיאפשרו גילוי מוקדם מציל חיים.
אז מה אם בדיקת אק״ג פשוטה, כזו שעושים בכל מרפאה ואף במשרד, יכולה לגלות לכם שאתם בסיכון לאי־ספיקת לב — הרבה לפני שאתם מרגישים משהו? שני מחקרים חדשים מראים שזה בדיוק הכיוון, והם משתמשים ב־AI כדי להפוך בדיקה שגרתית לכלי סקר משנה־משחק.
מה קרה כאן?
שני צוותי מחקר, מאוניברסיטת מישיגן ומ־Wake Forest University School of Medicine, פיתחו מודלים של AI שמנתחים נתוני אלקטרוקרדיוגרמה (ECG) ומזהים סימנים למחלות לב שונות. בין היתר, הם מזהים מצבים שקשה לאבחן, כמו תפקוד לקוי של כלי דם קטנים (microvascular dysfunction) וסוגים שונים של אי־ספיקת לב, כולל סוג שנקרא HFpEF (heart failure with preserved ejection fraction), שלעיתים קרובות מפוספס בבדיקות שגרתיות.
למה זה חשוב לנו?
מחלות לב הן גורם מוות מוביל, ואבחון מוקדם הוא קריטי. הבעיה? בדיקות הדימות, כמו סריקות PET או אקו־לב, יקרות, לא זמינות בכל מקום ולעיתים כרוכות בהמתנה של חודשים. פרופסור Venkatesh Murthy מאוניברסיטת מישיגן מסביר שסריקת PET לבבית (cardiac PET scan) נחשבת ל״תקן הזהב״ לאבחון תפקוד לקוי של כלי דם קטנים, אך בארה״ב יש רק כחצי תריסר מרכזי בדיקה כאלה במדינת מישיגן לבדה, וזמן ההמתנה יכול להגיע ל־3–4 חודשים. ״רבים פשוט לא מאובחנים,״ הוא אומר.
איך זה עובד?
בשני המקרים, החוקרים אימנו מודלים של AI על מיליוני בדיקות ECG קיימות. הקסם טמון ביכולת ללמד את ה־AI לזהות דפוסים חשמליים בלב שבני אדם מתקשים לראות.
במישיגן: הצוות של Murthy התמקד בתפקוד לקוי של כלי דם קטנים. הם ״אימנו מראש״ את ה־AI על כ־800,000 בדיקות ECG ללא נתוני PET, כדי שילמד מהו טווח הנורמלי. לאחר מכן, הם הראו לו כ־4,000 בדיקות PET, שלצדן בדיקות ECG מתאימות. הדיוק: כ־75%, כשהמטרה היא להגיע ל־90% עם יותר נתונים. ״אנחנו מאמינים שהשיטה תעזור לזהות את החולים שיפיקו את התועלת הרבה ביותר מבדיקת ה־PET, וגם כאלה שאין להם את המצב,״ אומר Murthy.
ב־Wake Forest: החוקרים פיתחו מודל שמזהה שלוש דרגות של תפקוד לקוי: ירידה משמעותית, ירידה קלה ושמירה על מקטע הפליטה (HFpEF). הם אימנו אותו על יותר ממיליון בדיקות מ־Atrium Health Wake Forest Baptist, ובדקו אותו על 72,000 בדיקות נוספות ממוסד אחר. תוצאה מעניינת: גם מודל שמשתמש בבדיקת ECG עם אלקטרודה אחת בלבד, בדומה לזו שבשעונים חכמים, ביצע כמעט באותה רמה כמו מודל עם 12 אלקטרודות. ״זה צעד גדול קדימה,״ אומר Oguz Akbilgic, פרופסור ל־AI ב־Wake Forest. ״ה־AI שלנו יכול לזהות תפקוד לקוי בלב מבדיקת ECG פשוטה, מה שמעיד שאפשר יהיה להתאים אותו בעתיד לבדיקות באמצעות מכשירים לבישים.״
מה ההשלכות?
הפוטנציאל הוא ענק. אם הכלים האלה יאושרו וייכנסו לשימוש, הם יכולים:
- לשפר גישה: לאפשר סקר ראשוני במרפאות קהילתיות, במדינות מתפתחות ואפילו באמצעות שעונים חכמים.
- להאיץ אבחון: לעזור לרופאים לזהות מטופלים שזקוקים לבדיקות מתקדמות יותר, תוך צמצום זמני ההמתנה.
- לתפוס מוקדם יותר: במיוחד HFpEF, שכאמור קשה לאבחן בשלבים מוקדמים.
חשוב לציין: אף אחד מהכלים האלה עדיין לא אושר על ידי מינהל המזון והתרופות האמריקאי (FDA). צוות Wake Forest כבר עורך פיילוט במרפאה לרפואת המשפחה כדי לבחון את הביצועים בעולם האמיתי. צוות מישיגן מרחיב את הבדיקות שלו לנתונים בינלאומיים במסגרת תוכנית Wellcome Leap VISIBLE.
אז מה אנחנו יכולים ללמוד?
כאנשי טכנולוגיה, זה מקרה קלאסי של שימוש ב־AI כדי לפתור צוואר בקבוק אמיתי: מחסור בנתוני ״זהב״ יקרים. החוקרים הצליחו לפתח מודלים עם פחות נתונים ממה שמקובל, באמצעות שיטות למידה. זה מרמז על כך שבתחומים רפואיים אחרים אפשר יהיה לעשות דברים דומים עם נתונים קיימים.
ומי יודע? אולי בעוד כמה שנים, הבדיקה הרפואית הראשונה שלכם תתבצע דרך הסמארטפון, הרבה לפני שתיכנסו לחדר הרופא.