מודלי למידת מכונה המופעלים על ידי נתוני שירותי החירום הרפואיים משדרגים מיון שבץ בהגדרות לפני אשפוז

מדוע החלטות מהירות בשבץ הן חשובות

כל דקה נחשבת כשהאדם חוטף שבץ. תאי מוח מתים במהירות, והסיכוי לחזור ללכת, לדבר ולחיות באופן עצמאי מצטמצם עם כל דחייה. עם זאת, רבים מהמקרים מזוהים לראשונה לא על ידי רופאים אלא על ידי פראמדיקים באמבולנס. המחקר בוחן האם מחשבים שלומדים ממקרים קודמים יכולים לסייע לשירותי החירום לזהות שבץ מוקדם יותר ולהפנות חולים לבית חולים המתאים במהירות—מה שעשוי להציל רקמות מוח ומשפר את איכות החיים לטווח הארוך.

מה קורה לפני בית החולים

המסע של חולה שבץ בדרך כלל מתחיל בשיחת חירום 9-1-1. המוקדנים מחליטים איזה סוג סיוע לשלוח, וצוותי ה-EMS בודקים את החולים בבית או בשטח. הם רושמים מידע בסיסי כגון גיל ומשקל, וכן סימנים חיוניים כמו דופק, לחץ דם, קצב נשימה, רמת חמצן ורמת עירנות. הערכים הללו נמדדים לעתים קרובות עוד לפני שהחולה מגיע לבית החולים. החוקרים שאלו שאלה פשוטה: האם המדידות המוקדמות האלה אמינות דיה ומלאות דיה כדי שמחשב יוכל להשתמש בהן לסימון שבץ אפשרי בזמן אמת?

כיצד המחקר נערך

הצוות בחן רטרוספקטיבית 8,221 נסיעות אמבולנס שכללו 4,333 מבוגרים שהועברו לבית חולים גדול בסמוך לשיקגו בין השנים 2015 ל-2020. רק כ-2% מהמקרים אובחנו כשבץ, וכמעט שני שלישים מאלו היו קשים—חולים שהגיעו לטיפול נמרץ או למכונת הנשמה. החוקרים השוו את מה שצוותי ה-EMS רשמו בשטח עם מה שאנשי בית החולים מדדו זמן קצר לאחר ההגעה. דופק, לחץ דם, סוכר בדם, רמות חמצן וציון מודעות פשוט היו זמינים לרוב החולים והתאימו באופן כללי למדידות בבית החולים, מה שמראה שנתוני האמבולנס משקפים היטב את מצבו האמיתי של החולה.

לימוד מחשבים לזהות סכנה

בעזרת המספרים המוקדמים האלה בתוספת פרטים בסיסיים על שיחת 9-1-1 ומיקום איסוף החולים, החוקרים אימנו מספר סוגים של מודלים ב-learning machine לשני משימות: להבדיל בין שבץ ללא-שבץ, ולהבדיל בין שבץ חמור לכל יתר המקרים. הם בחנו שלוש גישות נפוצות—random forests, XGBoost ורשת נוירונים פשוטה—על מערכי נתונים נפרדים כדי להעריך את המודלים באופן הוגן. מכיוון ששבץ היה נדיר, המודלים הותאמו לשים דגש נוסף על המקרים המצומצמים של שבץ ונבדקו בקפידה כך שנקודות הסיכון שלהם תתאימנה ככל האפשר להסתברויות במציאות.

כמה טוב הכלים פעלו

בקבוצת נסיעות האמבולנס כולה, המודל הטוב ביותר לגילוי כל שבץ היה מודל XGBoost, והטוב ביותר לזיהוי שבץ חמור היה random forest. כלים אלה היו טובים בדירוג מי סביר יותר או פחות לחוות שבץ, וכאשר כוונו לסף סביר הם זיהו יותר שבצים מאשר שיטות הסינון הנוכחיות של ה-EMS בעודם עדיין נמנעים מרוב האזעקות השווא. לדוגמה, בנקודת תפעול אחת המודל לזיהוי שבץ זיהה נכון כ-שני שלישים ממקרי השבץ ושלל נכון כמעט תשעה מתוך עשרה מקרים שאינם שבץ. האותות המשמעותיים ביותר היו רמזים קליניים מוכרים: לחץ דם גבוה יותר, שינויים במודע, דופק לא תקין, גיל מבוגר וקודי שיחה ב-9-1-1 שהצביעו על בעיות דמויות שבץ כמו חולשה פתאומית או קושי בדיבור.

מה זה יכול להיעשות עבור המטופלים

מכיוון ששבצים אינם שכיחים בקרב כלל מטופלי האמבולנס, אפילו מודל בעל ביצועים טובים ייצר כמה אזעקות שווא. בפועל, המשמעות תהיה שמספר מטופלים יסומנו כ"שבץ אפשרי" אך יתברר שלא חלו. המחברים טוענים שעבור מצב חירום שבו הזמן קריטי, מקובל להקריב את הסיכון הזה אם ההתראה מובילה להערכה מהירה יותר במקום להחליף את שיקול הדעת האנושי. הממצאים שלהם מצביעים שכלי למידת מכונה יכולים לפעול כסט עיניים נוסף על הנתונים ש-EMS כבר אוספים, ולהצביע לפאראמדיקים ולבתי חולים על מטופלים בסיכון גבוה שעשויים אחרת לחלוף מתחת לרדאר.

לאן העבודה הזו מועדת

במילים פשוטות, המחקר מראה שהערכים הנמדדים בגב האמבולנס יכולים להניע כלי מחשב חכמים המסייעים להחליט מי עלול לחוות שבץ ועד כמה דחוף לספק לו טיפול מתקדם. מערכות אלה אינן נועדו לאבחן באופן עצמאי, אלא לתמוך בפראמדיקים וברופאי חירום כשהם מקבלים החלטות מהירות היכן לפנות את החולים וכמה מהר לגייס צוותי שבץ. עם שיתוף נתונים טוב יותר, תיעוד מלא יותר ובדיקות באזורים שונים, כלים כאלה עשויים לעזור ליותר אנשים להגיע לבית החולים המתאים במהירות ועם פחות נזקים ארוכי טווח כתוצאה משבץ.

ציטוט: Saban, M., Hiura, G., de la Peña, P. et al. Machine learning models powered by emergency medical services data enhance stroke triage in prehospital settings. Sci Rep 16, 7139 (2026). https://doi.org/10.1038/s41598-026-37069-x

מילות מפתח: מיון שבץ, שירותי חירום רפואיים, למידת מכונה, טיפול לפני אשפוז, בינה מלאכותית ברפואה