חמישיית אדם-בינה מלאכותית לשיפור דיוק ויעילות המיון המוקדם של קריטריוני זכאות לניסויי אונקולוגיה: ניסוי הערכה אקראי תוך שימוש ברשומות בריאות אלקטרוניות רטרוספקטיביות

למה חשוב למצוא את המטופלים הנכונים

עבור אנשים רבים עם סרטן, הצטרפות לניסוי קליני יכולה לפתוח דלת לטיפולים חדשניים ותוצאות טובות יותר. עם זאת, רק אחוז קטן ממבוגרי המטופלים נרשם אי פעם לניסויים. צוואר בקבוק משמעותי מתרחש הרבה לפני שהמטופל חותם על טופס הסכמה: הצוות צריך לעבור רשומות רפואיות ארוכות ומבולגנות כדי לקבוע מי בכלל עומד בקריטריונים. המחקר הזה שואל האם שילוב מומחים אנושיים עם מערכת בינה מלאכותית יכול להפוך את המיון המוקדם ליותר מדויק — מבלי להאט את התהליך.

איך מתבצע המיון לניסויים היום

לפני שאדם יכול להצטרף לניסוי סרטן, צוותי מחקר קליני צריכים להחליט האם המטופל עומד בעשרות כללי כניסה מפורטים, כגון סוג הסרטן, שלב המחלה, תוצאות בדיקות ומצב תפקודי יומי. רוב המידע הזה חבוי בהערות לא מובנות — דוחות רדיולוגיה, ביקורי מרפאה, סיכומי מעבדה — שלעתים קרובות הם חופפים, לא שלמים או סותרים. סריקה ידנית של מסמכים אלה היא איטית ומתישה, וגם צוות מנוסה עלול לפספס פרטים חיוניים. כתוצאה מכך, מטופלים שעומדים בקריטריונים לא זוהו, ואפשרויות טיפול שעלולות להאריך חיים עלולות להתפספס.

מה החוקרים בחנו

כדי לבדוק האם בינה מלאכותית יכולה לסייע, הקבוצה השתמשה ברשומות אלקטרוניות של 355 אנשים עם סרטן ריאה או מעי גס שטופלו במרפאה קהילתית. הם התמקדו ב-12 קריטריונים נפוצים לניסויים, כולל שלב הגידול, סמנים ביולוגיים ספציפיים, תגובה לטיפול קודם ומצב בריאותי בסיסי. מערכת שפה ״נוירוסימבולית״ מיוחדת המירה תחילה תיקים gesקניים לטקסט, ואז זיהתה עובדות מובנות כגון תוצאות בדיקות ופרטי סטייג׳ינג. שני מתאמים מחקריים מאומנים עברו כל תיקה פעמיים — פעם אחת עם הצעות ה-AI על המסך (גישה של אדם+AI) ופעם אחת ללא הצעות אלו (גישה של אדם בלבד), בסדר אקראי. קבוצת קלינאים נפרדת כבר יצרה ״מפתח תשובות״ כסטנדרט זהב לכל תיקה כדי לשפוט את הדיוק.

איך צוות האדם–AI ביצע

כאשר אדם ו-AI עבדו יחד, הם התאימו לתשובות הסטנדרטיות בתדירות גבוהה יותר מאשר אנשים שפעלו לבד. בסך הכל, צוות האדם+AI קבע נכון בערך שלושה מתוך ארבעה פרטים, לעומת קצת יותר משבעה מתוך עשרה אצל הסוקרים האנושיים בלבד, והרבה יותר מהמערכת לבד. השיפורים הגדולים ביותר התגלו בתחומים מסובכים כגון בדיקות וסימני ביומארקר ותוצאותיהן, סטייג׳ינג מדויק של הגידול, ואופן התגובה של המטופל לטיפולים קודמים. בקטגוריות אלה, חוזקה של ה-AI בסינון כמויות גדולות של טקסט סייעה למתאמים לזהות מידע שאולי היו מפספסים, בעוד שהאנשים תקנו טעויות של ה-AI ופרשו מקרים בלתי ודאיים.

מהירות, פשרות והטיה אנושית

בהפתעה, הוספת ה-AI לא קיצרה את התהליך. בשתי הגישות לקח בממוצע קצת יותר מחצי שעה לתיקה. החוקרים מציעים שבמקום לחסוך זמן, ה-AI שינה את עבודת המתאמים: במקום לחפש כל פרט בעצמם, הם השקיעו יותר מאמץ בבדיקת ופרשנות הערכים שה-AI הציע. זה עשוי להיות דווקא מנגנון בטיחות בריא, שמפחית את הסיכון שאנשים יקבלו את תשובת המכונה ללא שאלות. המחקר גם בחן היכן שיתוף הפעולה עלול להשתבש. במידה אחת של הערכת תפקוד המטופל, ה-AI היה לא אמין, ומבקרים אנושיים שהסתמכו עליו יותר מדי ביצעו מעט פחות טוב — סימן ל״הטיית אוטומציה״. בתחומים אחרים, נראה שהאנשים השתמשו מדי מעט באותות המדויקים של ה-AI, מה שמעיד על ״הטיית אישוש״, שבה אנשים מעדיפים מידע שתואם את הרושם הראשוני שלהם.

מה משמעות הממצאים לטיפול בסרטן בעתיד

במילים פשוטות, ניסוי זה מראה כי שותפות מתוכננת היטב בין אנשים ובינה מלאכותית יכולה לשפר במעט את הדיוק של המיון המוקדם לניסויים מבלי להאטו. השיפורים צנועים, אך מרוכזים בדיוק באותם פרטים מורכבים — כמו סטטוס ביומארקר וסטייג׳ינג מדויק — שלעיתים קרובות קובעים האם מטופל יכול להצטרף למחקרים. אם מערכות כאלה יתודרגו וייבחנו בסביבות קליניות חיות, הן עשויות לסייע לחשוף יותר מטופלים זכאים, להרחיב את הגישה לניסויי אונקולוגיה חדשניים, ולעשות זאת כאשר אנשים נשארים אחראים להחלטה הסופית.

ציטוט: Parikh, R.B., Kolla, L., Beothy, E.A. et al. Human-AI teaming to improve accuracy and efficiency of eligibility criteria prescreening for oncology trials: a randomized evaluation trial using retrospective electronic health records. Nat Commun 17, 2306 (2026). https://doi.org/10.1038/s41467-026-68873-8

מילות מפתח: ניסויי קליניים בסרטן, רשומות בריאות אלקטרוניות, בינה מלאכותית, זכאות מטופל, שיתוף פעולה אדם-מכונה