שיטות משופרות בידי בינה מלאכותית לטיפול מותאם בלב: תובנות מנתוני ECG

למה בדיקות לב חכמות חשובות

כשרופאים מרשמים תרופות שמשפיעות על הלב, הם סומכים על האלקטרוקרדיוגרם, או ECG, כדי לוודא שהטיפול בטוח. אבל אצל תרופות רבות נותרות רק טביעות אצבע עדינות בקצב הלב שקשה לזהות בעין. המחקר הזה חוקר כיצד בינה מלאכותית יכולה לקרוא את עקבות ה‑ECG בדיוק רב יותר, לעזור לרופאים לזהות איזו תרופה או שילוב תרופות משפיע על הלב ולפתוח דרך לטיפול קרדיאלי מותאם ובטוח יותר.

מחפשים השפעות תרופתיות חבויות בדפיקות הלב

החוקרים התרכזו בבעיה בטיחותית ממושכת: תרופות מסוימות עלולות להפריע לקצב החשמלי של הלב ולהעלות את הסיכון לדפיקות בלתי סדירות מסוכנות. באופן מסורתי, רופאים עוקבים אחרי מדד אחד עיקרי ב‑ECG, מרווח ה‑QT, אך מדד יחיד זה לעתים מפספס פרטים חשובים. תרופות שונות, ושילובי תרופות, יכולות לשנות חלקים רבים בדופק הלב בדרכים מסובכות. הצוות שאל האם מודלים ממוחשבים יכולים ללמוד דפוסים אלה מהנתונים ולמיין את ה‑ECG בהתאם לטיפול שיצר אותם בצורה אמינה.

בניית תמונה עשירה מתוך אותות ECG

כדי להתמודד עם זה, המחקר השתמש במסד נתונים ציבורי מניסוי מבוקר בקפידה שכלל 22 מתנדבים בריאים. כל משתתף קיבל מספר פרוטוקולי תרופות, לרבות תרופות ידועות המשפיעות על הקצב לבד, בשילוב עם אחרות, וכן פלצבו. בכל תקופת מינון הוקלטו ECG סטנדרטיים של 12‑הצ leads לצד דגימות דם. במקום להזין את הגלימות הגולמיות ישירות למחשב, הצוות ניקו תחילה את האותות ואז חילצו מערך מפורט של תכונות שמתארות כל פעימת לב: כמה זמן לוקח לדחף החשמלי לעבור בלב, כיצד גל ה‑T עולה ויורד בזמן שהלב מתאושש בין פעימות, וכמה משתנה הזמן בין פעימות.

אימון בינה מלאכותית לזיהוי טביעות טיפול

בעזרת תכונות אלה, המחברים אילפו והשוו שלושה מודלים פופולריים של למידת מכונה. שניים מהם, Random Forest ו‑XGBoost, הם שיטות מבוססות עצים שלומדות מריבוי כללי החלטה פשוטים שעובדים יחד, בעוד השלישי, Support Vector Machine, הוא מסווג מסורתי יותר. ביקשו מהמודלים לשייך כל מקטע ECG לאחד מעשר קודי טיפול אפשריים. לאחר כוונון מקפיד ובדיקות צולבות, XGBoost השיג דיוק של כ‑98 אחוזים, כאשר Random Forest היה קרוב מאחור בערך 97 אחוז, בעוד Support Vector Machine נשאר רחוק מאחור. המודלים הטובים ביותר לא רק נתנו תחזיות מדויקות, אלא עשו זאת באופן יציב בכל קבוצות הטיפול.

מה המודלים אומרים על פעימת הלב

מעבר לציונים הגולמיים, הצוות בחן אילו תכונות ECG היו המשמעותיות ביותר עבור המודלים מבוססי העצים. שתי הגישות הדגישו שוב ושוב את משך קומפלקס ה‑QRS, מרווח ה‑PR, וכמה מאפיינים של גל ה‑T, כגון גובהו וצורתו, כהרמזים החזקים ביותר לטיפול התרופתי. ממצאים אלה מתיישבים היטב עם הידע הקליני שחלקים אלה ב‑ECG משקפים כיצד האותות החשמליים מתפשטים בלב וכיצד החדרים התחתונים מתאפסים בין פעימות—תהליכים שמושפעים על ידי תרופות רבות. כאשר אותו צנרת נבחנה על מסד נתונים נפרד שכלל תרופות שונות, היא שוב השיגה ביצועים חזקים ללא צורך באימון מחדש, מה שמרמז שהכללים הנלמדים אינם קשורים למחקר יחיד.

מה משמעות הדבר עבור הטיפול בעתיד

במילים פשוטות, עבודה זו מראה שבינה מלאכותית יכולה ללמוד לקרוא ECG באופן שתופס את ההשפעה המשולבת והעדינה של תרופות שונות על הלב. במקום להסתמך על מדד או שניים ידניים, רופאים יוכלו יום אחד להשתמש במודלים כאלה כדי לסרוק בו‑זמנית תכונות רבות של ECG ולסמן במהירות מטופלים שליבם מגיב בצורה מסוכנת לתרופה. למרות שהמחקר עדיין צריך להרחבה לקבוצות מטופלים גדולות ומגוונות יותר, הוא מקנה בסיס איתן לשימוש בכלים מונעי נתונים לכוונון טיפולים קרדיאליים כך שכל אדם יקבל משטר שהוא לא רק יעיל אלא גם בטוח יותר ללבו.

ציטוט: Tiwari, V., Gupta, R., Telang, A. et al. AI-enhanced approaches for personalized cardiac treatment: insights from ECG data. npj Syst Biol Appl 12, 72 (2026). https://doi.org/10.1038/s41540-026-00702-6

מילות מפתח: אלקטרוקרדיוגרם, למידת מכונה, בטיחות תרופות, אריתמיה לבבית, רפואה מותאמת אישית