השוואת ביצועי מודלים לזיהוי פעולות לזיהוי פגיעה עצמית בנתוני סטודיו ובנתוני שדה

השגחה על מטופלים בעיניים דיגיטליות

בבתי חולים פסיכיאטריים, המטפלות והמטפלים עובדים ללא לאות כדי לשמור על בטיחות המטופלים, במיוחד אלה הנמצאים בסיכון לפגוע בעצמם. עם זאת, גם הצוות המסור ביותר אינו יכול לפקוח עין על כל חדר, בכל רגע. המחקר הזה בוחן האם בינה מלאכותית (AI) יכולה לסייע על-ידי סריקה אוטומטית של וידאו ממצלמות המחלקה כדי לזהות סימנים מוקדמים של פגיעה עצמית — ולהציע שכבת הגנה נוספת מבלי להחליף את הטיפול האנושי.

למה קשה לתפוס פגיעה עצמית

פגיעה עצמית — כל פגיעה מכוונת שאדם גורם לעצמו — מתרחשת לעיתים ברגעים קצרים ונסתרי: שריטה מהירה מתחת לשמיכה, או שימוש בכלי קטן מחוץ לתחום הראיה. במחלקות פסיכיאטריות מסתמכים על בדיקות סדירות ועל מעקב מצלמות, אך נקודות עיוורון, עייפות הצוות וצוות מוגבל בשעות הלילה או בחגים מקשים על השגחה מתמדת. במקביל, הקלטה ושיתוף של צילומי מטופלים אמיתיים מעוררים דאגות חמורות בנוגע לפרטיות ולאתיקה. כתוצאה מכך, לחוקרים היה מעט מאוד וידאו ריאלי לאימון מערכות AI שעשויות לזהות התנהגויות מסוכנות בזמן אמת.

בניית ערכות ניסוי בטוחות יותר ל-AI

כדי לשבור את המבוי הסתום הזה, החוקרים יצרו שני סוגי מאגרי וידאו. ראשית, בסטודיו המעוצב כחדר ארבעה מיטות במחלקה פסיכיאטרית, שבעה שחקנים צעירים בחלוקי מטופל הופיעו בסצנות מתוכננות בקפידה. הם חיפשו חפצי יום-יום כגון פקקים מפלסטיק, טיפות לשפתיים או מסמרונים קטנים, ואז שיחקו רצפים קצרים של תנועות פגיעה בעצמם בשורש כף היד, האמה או הירך, כאשר מצלמות תקרתיות הקליטו מכל פינה. מומחים תויגו כל מקטע וידאו כהתנהגות נורמלית או כפגיעה עצמית, ובנו אוסף נקי ומאוזן של 1120 קטעים. שנית, הצוות אסף צילומי מעקב אמיתיים ממחלקות פסיכיאטריות מאובטחות לאורך עשרה חודשים. קלינאים חיפשו בתיקי הרופא תיעודים על התנהגויות כמו גירוד, נקישה או חתיכה ולאחר מכן איתרו את הווידאו המתאים. לאחר טשטוש הפנים והסרת פרטים מזהים, הם הרכיבו 59 קטעים המציגים פגיעה עצמית אמיתית ו-59 קטעים נורמליים להשוואה.

מבחן למודלי הווידאו המובילים של היום

עם מאגרי הנתונים האלה, הצוות בדק מערכות מובילות לזיהוי פעולות — תוכנות מחשב המנסות להבין מה אנשים עושים בווידאו. חלקן התבססו על רשתות קונבולוציה ישנות יותר, המנתחות רצפים קצרים של פריימים, בעוד שמודלים חדשים יותר מבוססי טרנספורمر משתמשים במנגנוני תשומת לב כדי לקשר דפוסים במרחב ובזמן. כל המודלים אומנו רק על סרטוני הסטודיו כדי להחליט האם קטע מראה פגיעה עצמית או התנהגות נורמלית. חשוב לציין שהחוקרים השתמשו בסכימת בדיקה נוקשה: בכל סבב הוחזקו כל הקטעים של שחקן אחד כנתוני מבחן חדשים לחלוטין, מה שהבטיח שהאלגוריתמים לא יוכלו פשוט לשנן אנשים בודדים.

כאשר סרטוני המעבדה הנקיים פוגשים את המציאות המבלבלת

בווידאו המאורגן מהסטודיו, דגם הטרנספורמר המתקדם ביותר, בשם VideoMAEv2, בלט. הוא איזן בצורה הטובה ביותר בין תקלות דילוג לאזהרות שווא בהשוואה לאחרים, והגיע לציון F1 (מדד משולב של דיוק וזכירה) של כ-0.65, בעוד ששיטות פשוטות יותר נגעו בקירוב לניחוש אקראי. הסברים חזותיים הראו שהמודל הזה התרכז במדויק במקום שבו כלי נוגע בעור, במקום להיות מוסח על-ידי תנועות רקע. אך כשהמערכות המאומנות הופעלו על הקלטות המחלקה האמיתיות — ללא כל אימון חוזר — ביצועיהן נפלו. VideoMAEv2 עדיין עשתה יותר מטעות גמורה, עם ציון F1 סביב 0.61, אך התקשתה בעיקר בהתנהגויות עדינות כמו נקישה וגירוד שלא הופיעו מעולם בנתוני הסימולציה, וכן עם מטופלים קטנים, רחוקים מהמצלמה או חלקית מוסתרים.

מה המשמעות של זה לבטיחות המטופל

באופן כוללני, התוצאות מגלות פער ברור של "סימולציה-אל-מציאות". מערכות AI שנראות מבטיחות על סרטונים במטאור עלולות למעוד כשמתמודדות עם הבלגן, הזוויות הלא שגרתיות וההתנהגויות המגוונות של חיי בית החולים האמיתיים. התרומה העיקרית של המחקר אינה מוצר בטיחות גמור אלא נקודת פתיחה: מאגר סטודיו ציבורי ומתוייג היטב, סט בדיקה מהעולם האמיתי שנאסף בקפידה ומדד שקוף המראה היכן השיטות הנוכחיות נכשלים. עבור לא-מומחים, המסר ברור: AI כבר יכול לסייע בהדגשת רגעים חשודים בזרמי וידאו במחלקות, אך עדיין אי אפשר לסמוך עליו כמגן יחיד. סגירת הפער תדרוש נתוני אימון עשירים ומגוונים יותר ומודלים חכמים יותר, שיפותחו תוך שמירה על פרטיות, הוגנות ושיקול קליני במרכז.

ציטוט: Lee, K., Lee, D., Ham, HS. et al. Benchmarking action recognition models for self-harm detection in studio and real-world datasets. Sci Rep 16, 6850 (2026). https://doi.org/10.1038/s41598-026-36999-w

מילות מפתח: זיהוי פגיעה עצמית, מחלקות פסיכיאטריות, זיהוי פעולות בווידאו, בינה מלאכותית בתחום הבריאות, בטיחות המטופל