חיזוי סיבוכים ותמותה בחולי אוטם שריר הלב באמצעות מודל רשת נוירונים גרפית

מדוע חשוב לחזות בעיות אחרי התקף לב מוקדם

הישרדות ההתקף לב היא רק ההתחלה. בימים הראשונים שלאחר ההתקף, מטופלים יכולים לפתאום לפתח בעיות מסכנות חיים כמו הפרעות קצב, נוזלים בריאה או אפילו קרע בדופן הלב. משברים אלה מופיעים לעתים קרובות ללא התרעה רבה, אך הם נוטים להיות מוקדמים יותר על ידי שינויים קטנים בבדיקות דם, בלחץ הדם או בתרופות. המחקר הזה בוחן האם צורה מתקדמת של בינה מלאכותית יכולה לסרוק בזמן אמת את רשומות בתי החולים כדי לאתר אילו מטופלים בדרך לבעיה, ולתת לרופאים הזדמנות להתערב לפני שיהיה מאוחר מדי.

דרך חדשה לקרוא את התיק הרפואי

כלי החיזוי הנפוצים לחולי אוטם בוחנים בדרך כלל מספר מצומצם של מדדים שנרשמו בקבלה ומנסים לענות על שאלה ברוטלית אחת: האם המטופל ימות או לא? הם מתעלמים מהאופן שבו מצב המטופל משתנה במשך שעות וימים, ומטפלים בכל מטופל כמקרה מבודד. הקבוצה מאחורי המאמר נקטה בגישה שונה. הם בנו מודל המטפל בתיק הרפואי האלקטרוני של כל מטופל כסיפור עשיר, המחבר גיל, היסטוריה רפואית, בדיקות מעבדה, רישומי לב וטיפולים במהלך 72 השעות הראשונות בבית החולים. במקום לחזות תוצאה אחת בלבד, המודל שואף לחזות 12 סיבוכים שונים, בנוסף לסיכון למות לפני השחרור.

להניח למטופלים דומים "לדבר" זה עם זה

הלב של הגישה הוא שיטה שנקראת רשת נוירונים גרפית, שניתן לחשוב עליה כדרך לאפשר למטופלים דומים "לשתף" מידע. כל מטופל מהווה נקודה ברשת, וקשרים נמשכים בין מטופלים שהרשומות שלהם דומות. המודל לא קובע את הקשרים האלה בקביעות; הוא מתאים את מספר השכנים של כל מטופל בהתאם לשכיחות או לנדירות הדפוס שלו בנתונים. זה חשוב במיוחד עבור בעיות נדירות אך קטלניות, כמו קרע בדופן הלב, שבהן רמזים נוספים ממטופלים דומים בעבר יכולים לשפר את הערכת הסיכון.

מעקב גם אחרי תנודות מהירות וגם אחרי שינויים איטיים

מעבר לקישור בין מטופלים, המודל שם לב מקרוב לאופן שבו מצבם משתנה לאורך זמן. ענף אחד מתמקד בעליות וירידות קצרות-טווח במדידות כגון רמות נתרן או סימני חיים במהלך שלושת הימים הראשונים. ענף אחר בוחן מגמות איטיות יותר, כמו האם ערך מעבדה מטפס או יורד בעקביות. מנגנון "תשומת לב" מיוחד מחליט כיצד לשלב את שתי התצפיות הללו לתמונה אחת של המסלול הנוכחי של המטופל. דיוקן משולב זה, יחד עם המידע הרקעי של המטופל, מועבר דרך רשת המטופלים כדי להפיק ניקודי סיכון נפרדים עבור כל סיבוך פוטנציאלי ועבור תמותה.

מהי רמת הדיוק של המערכת

החוקרים בחנו את המודל שלהם על רשומות של 1,700 מטופלים שטופלו באוטם, תוך שימוש בבדיקות צולבות חוזרות כדי להימנע מהתאמה מופרזת. בממוצע, יכולתו להבחין בין מטופלים שיפתחו ולא יפתחו כל סיבוך הייתה בינונית, ובאופן בולט טובה יותר משתי שיטות השוואה חזקות. הוא היה מדויק במיוחד בחיזוי מוות במהלך האשפוז, והשיג רמת ביצוע (AUC 0.88) המשווה לטובה למחקרים קודמים שהסתמכו על טכניקות למידת מכונה מסורתיות יותר. המערכת התקשתה יותר עם מצבים נדירים או עדינים, שבהם יש פחות דוגמאות ללמוד מהן והאות בנתונים חלש, מה שהוביל לציונים נמוכים יותר עבור חלק מהסיבוכים ולאיזון צנוע בין אזעקות אמיתיות לשגויות.

לפתוח את הקופסה השחורה לרופא

כדי לעזור לרופאים לבטוח ולהבין את המערכת, המחברים חקרו אילו גורמים המודל הסתמך עליהם ביותר. הגיל התגלה כמניע עיקרי של סיכון, כמו גם רמות הנתרן בדם ודפוסים של תרופות מסוימות, כגון מדללי דם ותרופות המייצבות את קצב הלב — ממצאים שמתיישבים היטב עם ידע רפואי קיים. על ידי בחינה של "מפות תשומת לב" פנימיות, הם הראו כיצד המודל מדגיש ימים ומגמות מעבדה מסוימות אצל מטופלים בסיכון גבוה, ומציע הסבר חזותי לאזהרותיו. יחד עם זאת, המחקר מכיר במגבלות חשובות: כל הנתונים הגיעו מבית חולים יחיד, חלק מהסיבוכים היו נדירים, ורק נתונים מובנים מהרשומה — לא רישומי לב גולמיים או תמונות — שומשו.

מה משמעות הדבר עבור המטופלים

בלשון פשוטה, עבודה זו ממחישה שמערכת בינה מלאכותית יכולה לסרוק את התיק המפורט בביתה של מטופל אחרי התקף לב, לעקוב איך מצבו משתנה שעה אחר שעה, ולספק אזהרה מוקדמת לטווח של סיבוכים מסוכנים, ובמיוחד למוות. אמנם הכלי אינו מושלם וצריך להיבדק בבתי חולים אחרים ולהשתפר עבור בעיות נדירות יותר, אך הוא מצעיד את הדרך מעבר לציוני סיכון אחידים כלפי התראות מותאמות אישית ספציפיות לתוצאה. אם יודע ללטש ולשלב אותו בבטחה במערכות בתי החולים, מודלים כאלה יכולים לסייע לצוותי טיפול למקד תשומת לב וטיפולים מונעים על המטופלים הזקוקים להם ביותר בימים הקריטיים שאחר התקף לב.

ציטוט: Guo, D., Zhang, Z., Zhou, D. et al. Predicting complications and mortality in myocardial infarction patients using a graph neural network model. Sci Rep 16, 5886 (2026). https://doi.org/10.1038/s41598-026-36798-3

מילות מפתח: אוטם שריר הלב, חיזוי סיבוכים, רשת נוירונים גרפית, רשומות בריאות אלקטרוניות, סיכון לתמותה