אשכוליות בלתי מוטה של חולי כשל כבדי חריף-על-כרוני באמצעות למידת מכונה בקוהורט של יחידת טיפול נמרץ מהעולם האמיתי

מדוע זה חשוב לאנשים עם מחלת כבד

כשאנשים עם מחלת כבד כרונית מחלישים בפתאומיות ומחלה הופכת לחמורה, הרופאים חייבים במהירות להעריך מי בסיכון הגבוה ביותר למות ומי עשוי להחלים. כיום החלטות אלה נשענות על מערכות ניקוד שנבנו מתוך דעות מומחים ומחקרים קטנים. המאמר הזה מראה כיצד גישה מונחית נתונים ובסיוע למידת מכונה יכולה לחשוף דפוסים חבויים בחולי טיפול נמרץ עם כשל כבדי חריף-על-כרוני במציאות הקלינית, ואולי להצביע על דרכים פשוטות ומדויקות יותר לזהות מי זקוק לטיפול האגרסיבי ביותר.

מיון חולים קשים ללא הנחות מוקדמות

החוקרים בחנו 1,256 חולי טיפול נמרץ עם כשל כבדי חריף-על-כרוני, כפי שהוגדר על-פי קריטריונים צפון-אמריקאיים המתמקדים בכשלי מוח, ריאות, לב ומערכת ההסתיידות והכליות. במקום להתחיל מנקודות ציון כבדיות מקובלות, הזינו החוקרים 50 ערכים קליניים ומעבדתיים הנמדדים שגרתי לשיטת למידת מכונה בלתי מפוקחת בשם פירוק מטריצה לא שלילי (nonnegative matrix factorization). טכניקה זו מחפשת קיבוצים טבעיים בנתונים מבלי שיוצגו לה מראש תכונות חשובות או כמה סוגי חולים לצפות. אלגוריתם נפרד שימש לבחינת פתרונות שונים ולהכרעה כמה אשכולות מתאימים ביותר לנתונים.

שתי קבוצות מובחנות עם תוצאות שונות מאוד

במספר וריאנטים של שיטת האשכוליות, הנתונים תמיד התפלגו באופן הטוב ביותר לשתי קבוצות בלבד. המודל הזוכה, הידוע כאלגוריתם לי, ייצר אשכולות יציבים מאוד: אותם חולים נטו להיות מאוגדים יחד גם כאשר המודל הופעל שוב פעמים רבות. בהשוואת הישרדות נמצאו הבדלים בולטים. אחד האשכולות הציג שיעור תמותה ב-30 יום של כ-70%, בעוד האשכול השני הציג שיעור של כ-26%. סכמת שתי האשכולות הפשוטה הזו חזה את התמותה טוב יותר מהגישה המסורתית של ספירת מספר האיברים שנכשלו, אף על פי ששתי הקבוצות כללו חולים עם תערובת של כישלונות איברים.

כימיה ושחלוף דם כאותות מרכזיים

לשם הבנת מה הפריד בין האשכולות, הצוות בדק אילו מדידות הניעו בחוזקה את הקיבוץ. מספר סמנים מוכרים של מחלה קריטית, כגון צורך בתרופות להעלאת לחץ דם, רמת לקטאט בדם וקריאטינין (סמן לתפקוד כליות), היו חשובים. אך ממצא בולט במיוחד היה שמדידות של איזון חומצה–בסיס בדם—ביקרבונאט, pH, עודף בסיס, לקטאט והפער האניאוני—היו בין התורמים העיקריים. האשכול בסיכון גבוה נטה להציג הפרעות חומצה–בסיס חמורות יותר: pH וביקרבונאט נמוכים יותר, עודפי בסיס גדולים יותר ופער אניוני גבוה יותר, תואם ללחץ מטבולי נרחב ולחמצון רקמות לקוי. דפוסים אלה מרמזים שעל הקיבולת של הגוף לשמור על איזונו הכימי יש חשיבות דומה לזו של אילו איברים נכשלו.

בדיקת הדפוס בקבוצות חולים אחרות

מכיוון שנתוני יחידת הטיפול הנמרץ מגיעים ממערכת בריאות אחת ובהגדרה אחת של כשל כבדי חריף-על-כרוני, בדקו המחברים האם ממצאיםיהם מחזיקים במקומות אחרים. הם יישמו את אותו מודל על חולים שעומדים בקריטריונים אירופיים לתסמונת ועל קבוצת חולים רחבה יותר ביחידות לטיפול נמרץ עם שחמת מפושטת, רבים מהם שלא עמדו רשמית בהגדרת כשל כבדי חריף-על-כרוני. בשני ההקשרים שוב האשכוליות חלקה את החולים לשתי קבוצות עם פערים גדולים דומים בתמותה ב-30 יום, והמשתנים הקשורים לחומצה–בסיס נשארו מרכזיים. מסד נתונים עצמאי של יחידות טיפול נמרץ רבות בארה"ב, אף כי חסר נתוני תוצאת-טווח ארוך, הראה את אותה מבנה שתי-אשכולות ואת המשתנים המרכזיים החופפים, תומך בחוסנה של הגישה.

מה המשמעות האפשרית לטיפול עתידי

המחקר עדיין אינו מספק כלי אזורי מיטה שמשפר ישירות את ההישרדות, ויש לו מגבלות, כולל המיקוד בחולים קשים מאוד ביחידת טיפול נמרץ והסתמכות על נתונים רטרוספקטיביים. עם זאת, הוא מציע הוכחת-קונספט שיטה בלתי מוטית ומונחית-נתונים יכולה לחשוף תתי-סוגים בעלי משמעות קלינית בתנאי מורכב שעמד בפני קשיים לסיווג פשוט לאורך זמן. עבור חולים ובני משפחותיהם, המסר המרכזי הוא שאיזון החומצה-בסיס בדם—משהו שהרופאים כבר מודדים שגרתי—עשוי לספק רמזים רבי-עוצמה לגבי הסיכון וההחלמה במשברים כבדים בכבד. במחקר נוסף ובבדיקות פרוספקטיביות, מודלים כאלה של אשכוליות עשויים לסייע לרופאים לזהות מוקדם יותר את החולים הפגיעים ביותר ולעצב טיפולים שמכוונים להפרעות המטבוליות המניעות את התוצאות החלשות שלהם.

ציטוט: Zhang, M., Ji, F., Zu, J. et al. Unbiased clustering of acute-on-chronic liver failure patients using machine learning in a real-world ICU cohort. Nat Commun 17, 1670 (2026). https://doi.org/10.1038/s41467-026-68368-6

מילות מפתח: כשל כבדי חריף-על-כרוני, למידת מכונה, תוצאות ביחידת טיפול נמרץ, איזון חומצה-בסיס, שחמת