ניסוי מבוקר אקראי של ניתוחי בינה מלאכותית להידרדרות קלינית

מדוע קשה כל כך לשמור על בטיחות החולים בבית החולים

כשמונחים אנשים בבית החולים, רופאים ואחיות עובדים קשה לזהות סימני אזהרה מוקדמים שמצביעים על הידרדרות משמעותית במצבו של מטופל. עם זאת, עיניים אנושיות עלולות לפספס שינויים עדינים בקצב הלב, בנשימה או בלחץ הדם, במיוחד במחלקות העמוסות. המחקר הזה בחן שאלה דחופה: האם מערכת בינה מלאכותית (AI) שצופה בשקט בסימנים חיוניים של החולים ברקע יכולה למעשה לסייע במניעת אירועים חמורים כמו דום לב, כשל נשימתי או העברות דחופות לטיפול נמרץ?

סוג חדש של "רדאר מזג אוויר" עבור מטופלים

צוות המחקר בחן מערכת בשם CoMET, שהופכת זרמי נתוני מכשירי ניטור לצד המיטה, תוצאות מעבדה וסימנים שנרשמו על ידי האחיות לתמונה חזותית קלה לקריאה של סיכון. כל מטופל מופיע על מסך גדול כסמל שביל זוהר שה"ראש" שלו מייצג את הסיכון הנוכחי ו"הזנב" מציג כיצד הסיכון השתנה בשלוש השעות האחרונות. ציון של 1 מציין את הסיכוי הממוצע לאירוע חמור ביום הקרוב; ציונים גבוהים יותר מצביעים על סיכון גבוה יותר. בניגוד לאזעקות רמות, המערכת פשוט מציגה מידע כל הזמן. הרעיון היה כי תצוגה שקטה ותמיד-פועלת של סיכון תעזור לצוות לשים לב למגמות מעוררות דאגה מוקדם ולבדוק את המטופלים לפני שהם קורסים.

להעמיד את ה-AI למבחן במחלקות אמיתיות

כדי לבדוק האם התצוגה אכן השפיעה, הצוות ניהל ניסוי מבוקר אקראי גדול במחלקת קרדיולוגיה וניתוחי לב בת 85 מיטות בבית חולים אוניברסיטאי. הניסוי כלל למעלה מעשרת אלפי אשפוזים במשך כמעט שנתיים, בעידן COVID-19. במקום לאקראי לבחור מטופלים בודדים, החוקרים אקראו קבוצות חדרים. בחלק מקבוצות החדרים הופעלה תצוגת CoMET; אחרות המשיכו בטיפול הרגיל ללא התצוגה. כולם קיבלו טיפול רפואי סטנדרטי; ההבדל היחיד היה האם הצוות יכול היה לראות את מסלולי הסיכון על מסכים גדולים ובתיק האלקטרוני. לא הוטלו פעולות ספציפיות—הקטין תוכשרו, אך לא הוחלטו לו החובה להגיב כשהציונים עלו.

מה קרה לתוצאות החולים

מדד המפתח היה כמה שעות מתוך 21 הימים הראשונים לשהייה בתשלום נותרו החולים חופשיים מהידרדרות חמורה—אירועים כמו מוות, העברה דחופה ליחידת טיפול נמרץ, הצבת צינור נשימה בחירום, דום לב או ניתוח דחוף. רוב המטופלים לא חוו אירוע כזה, ולכן קיבלו את הציון המקסימלי של 21 ימי חופש מאירועים. בסך הכל, כ־5% מהמטופלים חוו אירוע חמור. מודלי החיזוי שבבסיס מערכת ה-AI פעלו היטב ואף התעלו על ציון אזהרה מוקדמת נפוץ, אך כאשר השוו החוקרים בין קבוצת התצוגה לפעילה לקבוצת השליטה, הם לא מצאו הבדל משמעותי בשעות חופש מאירועים או במקרי מוות. בקרב קבוצת המשנה הקטנה של מטופלים שחוו אירוע, אלה בקבוצת התצוגה נטו להציג שעות יציבות רבות יותר לפני האירוע, אך דפוס זה לא היה חזק מספיק כדי להיות משכנע מבחינה סטטיסטית.

כיצד החלטות אנושיות מטשטשות את הניסוי

אחת הממצאים הבולטים קשורה פחות למתמטיקה ויותר להתנהגות האנושית. במהלך הניסוי, קלינאים העבירו מטופלים בין מיטות בתדירות גבוהה: מאות הועברו ממיטות טיפול רגיל למיטות עם תצוגה ולהיפך. מבט מקרוב הראה שמטופלים חולים יותר היו נוטים יותר להיות מועברים לחדרים עם תצוגת ה-AI. במילים אחרות, הצוות נראה כמי שמתייחס ל-CoMET ככלי מועיל וניסה לתת למטופלים בסיכון גבוה יותר את היתרון של ניטור נוסף, אף שהעיצוב הניסיוני נועד לשמור על הקצאות אקראיות. העברות המיטות הללו נדרשו להיחשב כאירועים מסננים בניתוח ונראה שהדלילו כל השפעה ממשית שהמערכת ייתכן והייתה לה. המחקר התקיים גם בתוך השדיים והלחצים של מגפת COVID-19, שהפחיתה את שיעורי האירועים והוסיפה מורכבות נוספת.

מה משמעות הדבר לעתיד הבינה המלאכותית בבתי חולים

למטופלים ולמשפחותיהם, המסקנה היא זהירה אך מלאת תקווה. ניסוי מציאותי ומעוצב היטב זה הראה כי הוספת תצוגת סיכונים פסיבית של AI, ללא אזעקות או כללי תגובה נוקשים, לא שיפרה באופן ברור תוצאים כמו מוות או העברות חירום במחלקות הנבדקות. יחד עם זאת, העובדה שהקלינאים נוטו להניח מטופלים חולים יותר במיטות המצוידות ב-AI מרמזת שהם ראו ערך במידע. המחברים מסכמים כי מחקרים עתידיים על כלי AI בבתי חולים חייבים להתעמק מעבר לדיוק וגודל הניסוי: הם צריכים לעקוב אחרי האופן שבו קלינאים מפרשים ציוני סיכון, כיצד צוותים מתקשרים ופועלים על פיהם, ואיך הקצאות מיטות, עומסי עבודה ואירועים נדירים מעצבים את התוצאות. בינה מלאכותית עשויה עדיין לסייע לזהות בעיות מוקדם, אך כדי להפוך את המטופלים לבטוחים באמת, המפתחים והחוקרים יצטרכו לשלב אלגוריתמים חכמים עם תשומת לב שווה לשיפוט האנושי, לזרימת העבודה ולקלחת בתי החולים.

ציטוט: Keim-Malpass, J., Ratcliffe, S.J., Clark, M.T. et al. A randomized controlled trial of artificial intelligence-based analytics for clinical deterioration. Sci Rep 16, 7345 (2026). https://doi.org/10.1038/s41598-026-39051-z

מילות מפתח: הידרדרות קלינית, ניטור חיזוי, בינה מלאכותית בבתי חולים, מערכות אזהרה מוקדמת, מחלקת קרדיולוגיה