חיזוי חולי לב בר-קיימא וניתן לפרשנות: גישת תמיכה בהחלטה קלינית ליישומים ביו‑רפואיים

מדוע בדיקות לב חכמות חשובות

מחלת לב היא הגורם המוביל למוות בעולם, ועדיין רבים מגלים שהם בסיכון רק לאחר אירוע חמור כמו התקף לב. רופאים כבר אוספים מדידות פשוטות — כמו גיל, לחץ דם, כולסטרול ותוצאות בדיקות בסיסיות — אך הפיכת מידע זה לתשובה מהירה ומהימנה של כן או לא לגבי מחלת לב היא אתגר. מחקר זה בוחן סוג חדש של מודל ממוחשב שיכול ללמוד מאותם ערכים שגרתיים, לחזות במי יש סיכון למחלת לב בדיוק גבוה מאוד, ובעיקר להסביר את נימוקיו במונחים שהרופאים מבינים.

הנטל הגובר של מחלות לב

כל שנה מחלות קרדיווסקולריות גובות כ‑18 מיליון נפשות ברחבי העולם. רבות ממיתות אלה ניתנות למניעה אם מטופלים בסיכון גבוה היו מזוהים מוקדם יותר ומטופלים בזמן. בדיקות אבחוניות מסורתיות עלולות להיות פולשניות, יקרות או לא מדויקות מספיק במקרים שוליים. במקביל, בתי חולים מאחסנים כעת כמויות עצומות של נתונים דיגיטליים על מטופלים — מגיל ומין ועד לחץ דם, כולסטרול ותוצאות בדיקות לב בסיסיות. הפיכת שיטפון המידע הזה לאומדני סיכון ברורים ומהימנים הפכה לאחת ההזדמנויות — והאתגרים — הגדולים ברפואה המודרנית.

מאלגוריתמים שחורים לעוזרים שקופים

בשנים האחרונות הראתה בינה מלאכותית הבטחה בזיהוי דפוסים עדינים בנתונים רפואיים שאדם עלול להחמיץ. עם זאת, רבים מהמודלים החזקים פועלים כ"קופסאות שחורות": הם עשויים להיות מדויקים, אך לא יכולים להסביר בקלות מדוע הגיעו להחלטה מסוימת. חוסר השקיפות הזה הוא בעיה ברפואה, שבה רופאים צריכים להצדיק אבחנות ובחירות טיפול. המחברים מתמודדים עם הפער הזה על ידי עיצוב מערכת חיזוי מחלת לב המבוססת על רשת עצבית קונבולוציונית חד‑ממדית (1D CNN). בניגוד לשיטות ישנות שדורשות מהמומחים לעצב ידנית אילו תכונות לבחון, הרשת הזו מגלת באופן אוטומטי דפוסים שימושיים במדידות שגרתיות של מטופלים, ועדיין תוכננה להיות יעילה מספיק למרפאות עם משאבי חישוב מוגבלים.

כיצד המודל לומד מבדיקות שגרתיות

החוקרים אימנו את המערכת שלהם על מאגר נתונים נפוץ לחיזוי מחלת לב הכולל 303 רשומות מטופלים, כל אחת עם 14 פריטים שנמדדים בדרך כלל כגון גיל, מין, לחץ דם, רמת כולסטרול, סוג כאב בחזה ותוצאות בדיקות לב בסיסיות. הם הכינו את הנתונים בקפידה: ערכים מספריים התואמו כך שלא מדידה אחת ת_DOMINATE את תהליך הלמידה, וקיטלוגים כמו סוג כאב בחזה הומרו לצורה נומרית. כדי לנצל היטב את קבוצת הנתונים הקטנה יחסית ולחקות את הרעש הטבעי של מדידות קליניות אמיתיות, הצוות הוסיף כמות קטנה של וריאציה אקראית לנתוני האימון. לאחר מכן הזינו את הרשומות לארכיטקטורת 1D CNN קומפקטית עם שתי שכבות עיקריות לגילוי דפוסים, ואחריהן שכבות שמחברות את הדפוסים הללו לחיזוי סופי של "מחלה" או "אין מחלה".

הפיכת מספרים להסברים מהימנים

ביצועים בפני עצמם אינם מספקים בסביבה קלינית, לכן המחברים שילבו את המודל שלהם עם שתי טכניקות הסבר ידועות בשם LIME ו‑SHAP. שיטות אלה בוחנות את הרשת המאומנת כדי לאמוד עד כמה כל גורם קלט דוחף את החיזוי לכיוון "מחלה" או "אין מחלה" עבור מטופל בודד. במעשה, זה אומר שהמערכת יכולה להגיד לרופא לא רק שמטופל בסיכון גבוה, אלא גם, למשל, שהתוצאה מונעת בעיקר משילוב של מין, מספר כלי דם צרובים והפרעת דם הנקראת תלסמיה. התכונות המודגשות אלה תואמות לידע רפואי מבוסס על סיכון למחלת לב, וזה מסייע למטפלים לשפוט מתי להאמין למודל ומתי להטיל בו ספק.

תוצאות שעשויות להגיע למרפאות יומיומיות

על נתוני המבחן שהמודל לא ראה בעבר, הוא סיווג נכון את מצב מחלת הלב בכ‑98 מתוך 100 מטופלים, הגיע לדיוק מושלם בסימון מקרים חולים (לא נרשמו אזעקות שווא בדגימה זו), והפגין יכולת כמעט מושלמת להבדיל בין לב חולה לבריא באופן כללי. לא פחות חשוב, המערכת הייתה קלת משקל: היא אומנה בתוך דקות על חומרת ענן סטנדרטית וסיפקה תשובות בשבריר שנייה, מה שמרמז שהיא יכולה לרוץ על מחשבי בית חולים רגילים במקום על מחשבים־על ייעודיים. אף שניסוי זה מבוסס על מאגר נתונים היסטורי אחד וידרוש בדיקות רחבות יותר בבתי חולים ואוכלוסיות שונות, הוא מצביע על עתיד שבו נתוני בדיקה שגרתית, בשילוב בינה שקופה, יכולים לתת לרופאים "חוות דעת שנייה" מהימנה כדי לתפוס מחלת לב מוקדם יותר, במיוחד במערכות בריאות עם משאבים מוגבלים.

ציטוט: Kehkashan, T., Abdelhaq, M., Al-Shamayleh, A.S. et al. Sustainable and interpretable heart disease prediction: a clinical decision support approach for biomedical healthcare applications. Sci Rep 16, 7213 (2026). https://doi.org/10.1038/s41598-026-37840-0

מילות מפתח: חיזוי מחלת לב, בינה מלאכותית ניתנת להסבר, תמיכה בהחלטה קלינית, רשתות עצביות קשורות קונבולוציה, אנליטיקה של נתונים רפואיים