שיטה מבוססת kNN בלמידת מכונה לאוטומציה של הערכת סיבתיות של תופעות לוואי

מדוע זה חשוב לאנשים שלוקחים תרופות

כאשר תרופה חדשה מגיעה לשוק, הסיפור שלה רק מתחיל. מיליוני אנשים ישתמשו בה בעולם האמיתי, וחלק יחוו בעיות בריאות שעשויות או שלא עשויות להיגרם מהתרופה. להבחין אילו תגובות קשורות באמת לתרופה הוא חיוני לבטיחות המטופל, אך כיום העבודה הזו איטית, מורכבת ובדומה ידנית בעיקרה. המחקר הזה בוחן כיצד צורה פשוטה אך חזקה של בינה מלאכותית יכולה לסייע למומחים לסקור דיווחי בטיחות אלה במהירות ובאחידות רבה יותר, מבלי להחליף את שיקול הדעת האנושי שמגן על המטופלים בסופו של דבר.

איך סיפורי בטיחות הופכים לנתונים

חברות תרופות והרשויות מסתמכות על דוחות בטיחות פר-מקרה, שהם תקצירים מובנים של חוויות אמיתיות של אנשים עם תרופות. כל דוח עשוי לכלול מה השתבש (למשל כאב ראש או בעיה בכבד), עד כמה זה היה חמור, אילו תרופות ומחלות נוספות היו נוכחות, ומה החשיבה של הבוחן המקורי לגבי הקשר לתרופה. עבור יותר מ־800,000 דוחות כאלה משש תרופות בשוק, הסוקרים הרפואיים של החברה כבר קיבלו החלטה האם כל אירוע שלילי קשור לתרופה, לא קשור, או בלתי ניתן להערכה מפני שחסרה או סותרת מידע. החוקרים השתמשו ברקורד ההיסטורי העשיר הזה כחומר אימון למודל מחשב שלמד לחקות את ההחלטות האנושיות האלה על מקרים חדשים.

להכשיר מחשב לזהות מקרים דומים

במקום לבנות מערכת תיבת-שחורה, הצוות בחר בשיטה שקופה במיוחד שנקראת "השכנים הקרובים". הרעיון אינטואיטיבי: אם שני מקרים נראים מאוד זהים, סביר שהם ישותפו את אותו המסקנה לגבי אם התרופה גרמה לבעיה. כדי ללכוד דמיון, ייצגו החוקרים כל אירוע שלילי כפרופיל בעל שבעה מרכיבים, כולל המונח הרפואי לאירוע, מה קרה כשהתרופה הופסקה והוחזרה, האם הבעיה צפוייה עבור אותה תרופה, דעת המדווח, תרופות נוספות שנלקחו, ההיסטוריה הרפואית ועד כמה האירוע היה חמור. לאחר מכן מדדו כמה קרובים שני מקרים במרחב השבע־ממדי הזה, תוך מתן משקל גבוה יותר לתכונות החשובות ביותר לסיבתיות, כגון האירוע המדויק ומה קרה בזמן שינוי הטיפול.

מקרבה להחלטה בשלוש אופציות

כשמגיע דוח חדש, המודל בודק את הנתונים ההיסטוריים כדי למצוא את עשרת המקרים הדומים ביותר. לאחר מכן הוא בוחן כיצד אותן שכנות סווגו ונותן להן "להצביע" בין שלוש תוצאות רחבות: סביר שקשור לתרופה, לא קשור או לא סביר, ובלתי ניתן להערכה. קיבוץ בשלוש אפשרויות זה מאזכר בין העדינות הקלינית לביצועים מהימנים. בבדיקה על יותר מ־250,000 אירועים שלא נראו קודם, המודל התאמה בקירוב לסוקרים האנושיים עבור אירועים שנחשבו כקשורים ולאלו שנשפטו כבלתי ניתנים להערכה, עם שיעורי שגיאה נמוכים ומדדים חזקים שמשלבים דיוק ושלמות. הוא התקשה מעט יותר עם הקבוצה הקטנה יותר של אירועים שהיו ברורים כלא קשורים, מה שמשקף את האתגר שמערכות למידת מכונה נתקלות בו כאשר סוג דוגמה אחד נדיר יחסית.

להפחית את הערפל של "לא ניתן לקבוע"

בעיה מעשית בעבודת בטיחות בעולם האמיתי היא שתווית "בלתי ניתן להערכה" עלולה להפוך למטף כללי כאשר המידע דל או עמום, מה שמקשה לזהות דפוסי בטיחות אמיתיים. החוקרים הוסיפו כלי כיוונון שהופך את המודל לזהיר יותר בהענקת תווית זו. במקום לבחור "בלתי ניתן להערכה" בכל פעם שהיא מנצחת ברוב הפשוט בין המקרים הדומים, המודל כעת דורש אחוז גבוה יותר של שכנים שתומכים באפשרות זו. על ידי העלאת סף זה, הצוות הצליח לצמצם באופן חד את תדירות המקרים שסווגו כבלתי ניתנים להערכה ולשפר את הביצועים לשתי הקטגוריות האחרות, במחיר של עלייה מסוימת באי־ההסכמה עבור האירועים הקשים ביותר להערכה. לוח בקרה מבוסס־רשת מאפשר לסוקרים הרפואיים לכוונן סף זה לפי מוצר, לראות מיידית איך משתנה איזון התוצאות, ולהתמקד במקרים שבהם המודל והאנשים אינם מסכימים.

מה המשמעות הזו לבטיחות תרופות בעתיד

לדגימה של מקרים אחרונים שסוקרים אנושיים תוו את ציוןם כבלתי ניתן להערכה, המערכת הדגישה מאות שבהם מסקנתה הייתה שונה. כאשר סוקרים בכירים בחנו מחדש את המקרים הללו, הם הסכימו עם המודל ביותר משני שלישים מהמקרים, מה שמראה שכלים כאלה יכולים להצביע על דפוסים שהוחמצו ולתמוך בפיקוח על האיכות במקום להחליף מומחים. העבודה מדגימה כי גישה ברורה מבוססת דמיון יכולה להכניס בינה מלאכותית לבטיחות תרופות בצורה שתהיה מוסברת, ניתנת לכוונון ומותאמת לפרקטיקה הרפואית. ככל שיצטברו עוד נתונים ותתווספנה נרטיבים טקסטואליים באמצעות טכנולוגיות שפה מודרניות, מערכות כאלה יכולות לסייע בזיהוי סיכונים מתפתחים מוקדם יותר, תוך שמירה על רופאים כקובעי הדין הסופיים.

ציטוט: Ren, J., Carroll, H., McCarthy, K. et al. A kNN based machine learning approach to automating causality assessment of adverse events. Sci Rep 16, 9140 (2026). https://doi.org/10.1038/s41598-026-40267-2

מילות מפתח: פיקוח על תרופות, אירועי תרופות מזיקים, הערכת סיבתיות, למידת מכונה, k השכנים הקרובים