למידת מכונה ניתנת להסבר לחיזוי סיכון לטמפונדה לבבית חריפה במהלך אבלציה של פרפור עליה

מדוע ההליך הקרדילי הזה זקוק לרשת ביטחון חכמה יותר

פרפור עליות, הפרעת קצב שכיחה בלב, מטופל לעתים קרובות באמצעות הליך שנקרא אבלציה בקטטר שיכול לשפר באופן משמעותי את איכות חיי המטופלים. עם זאת, במקרים נדירים ההליך עלול להפעיל סיבוך מסוכן בשם טמפונדה לבבית, שבו נוזל מצטבר במהירות סביב הלב ועלול לסכן חיים. מאחר שמדובר באירוע בלתי שכיח ופתאומי, רופאים מתקשים לזהות אילו מטופלים בסיכון הגבוה ביותר. מחקר זה מתאר כיצד החוקרים השתמשו בלמידת מכונה ניתנת להסבר כדי לבנות כלי לחיזוי סיכון שיכול להתריע בפני הצוות הקליני לפני ההליך ולעזור להם להתאים את הטיפול כדי להגן על המטופלים.

סכנה נדירה אך חמורה במהלך תיקון קצב הלב

אפלציה בקטטר לפרפור עליות כוללת החדרת חוטים דקים דרך כלי דם אל הלב והפעלת אנרגיה כדי לאפס מעגלים חשמליים פגומים. השיטה מומלצת ונפוצה ברחבי העולם, אך היא מתבצעת ללא ראייה ישירה של דופן הלב. בשיעור קטן של מקרים הקטטר עלול להחליק לתוך שריר הלב ולגרום לנמק, מה שמוביל לדליפת דם לחלל סביב הלב. הלחץ הפתאומי הזה על הלב — טמפונדה לבבית — עלול לגרום להתמוטטות ואף למוות אם לא מטפלים בו מיד. אף על פי שהיא מתרחשת בפחות מ־1% מההליכים, העלייה במספר האפלציות ברחבי העולם משמעותה שיותר מטופלים נחשפים לסיכון זה, ומטופלים שמפתחים טמפונדה נזקקים לעתים לניקוז חירום, ניתוח, אשפוז ממושך וסיכון גבוה יותר לתמותה.

הפיכת נתוני בית חולים לכלי חיזוי בטיחותי

כדי להתמודד עם הבעיה ניתנה לצוות המחקר גישה לנתוני עשורים של עולם האמיתי מבית חולים גדול בנאנג׳ינג, סין. הם בחנו 13,215 אנשים שעברו אבלציה לפרפור עליות בין 2015 ל־2024 והתמקדו ב־91 מהם שפיתחו טמפונדה, והשוו אותם ל־1,390 מטופלים דומים שלא פיתחו. עבור כל מטופל נאספו 37 פריטים של מידע שכללו גיל, מחלות רקע, תרופות מדללות דם, בדיקות דם, מדידות מסריקות הלב ופרטים על אופן ביצוע ההליך, כולל שנות הניסיון של המפעיל. שיטות סטטיסטיות שימשו לצמצום הרשימה ל־17 התכונות המועילות ביותר, כדי למנוע מודלים שמתאימים מדי לנתונים היסטוריים אך נכשלים על מטופלים חדשים.

מבחן בין מכונות למידה שונות

לאחר מכן החוקרים אימנו שמונה מודלים שונים של למידת מכונה, כגון יערות אקראיים, מכשירי תמיכה בוקטורים וטכניקה חזקה הידועה בשם XGBoost. הם השתמשו באסטרטגיית תיקוף צולב קפדנית, כשהם חותכים את הנתונים שוב ושוב לערכות אימון ובדיקה כדי לבדוק עד כמה כל מודל יודע להבחין בין מטופלים שפיתחו טמפונדה וכאלה שלא. כמה מודלים הציגו ביצועים טובים, אך XGBoost הציעה את האיזון הטוב ביותר בין דיוק, יציבות בהערכת ההסתברויות ושימושיות קלינית פוטנציאלית. בבדיקות פנימיות היא הפרידה נכון בין מטופלים בסיכון גבוה ונמוך עם שטח מתחת לעקומה של 0.908, רמת דיוק הנחשבת מצוינת בכלי חיזוי ברפואה.

פתיחת תיבת השׁחורה של החיזוי

מכיוון שרופאים צריכים להבין מדוע מודל מקבל החלטה מסוימת לפני שיוכלו להסתמך עליו, הצוות השתמש בטכניקה בשם SHAP, שמפענחת כל חיזוי לפרשי תרומות של גורמים בודדים. זה חשף חמישה מנבאים מרכזיים שעיצבו את החלטות המודל: שנות הניסיון של המפעיל, סמן הדם D‑דימר, הסכום הכולל של ההפרין (מדלל דם) שניתן במהלך ההליך, סוג פרפור העליות (מתמשך לעומת לפרקים) וגודל העלייה השמאלית העליונה. מפעילים עם פחות ניסיון, רמות D‑דימר גבוהות, דפוסי פרפור מסוימים, עליות שמאליות קטנות יותר ותבניות מינון מסוימות של הפרין הדחפו את המודל להערכת סיכון גבוהה יותר, בעוד שמגמות הפוכות נטו להגן. חשוב לציין שרוב הגורמים האלה ניתנים להערכה לפני ההליך, מה שנותן לצוות המטפל זמן להתאים את התוכנית.

מה זה יכול לשנות עבור מטופלים ורופאים

במילים פשוטות, עבודה זו מראה שמחשבים יכולים ללמוד מאלפי מקרי אבלציה מהעבר כדי לסמן אילו מטופלים עתידיים צפויים יותר לפתח הצטברות מסוכנת של נוזל סביב הלב. המודל אינו מחליף שיקול רפואי, אך יכול לתמוך בו על ידי שילוב רמזים עדינים רבים — מבדיקות דם ועד ניסיון המפעיל — לאמידת סיכון אחת קלה לשימוש. מטופלים בסיכון גבוה עשויים להיות מתוזמנים עם מפעילים מנוסים יותר, יועברו למעקב צמוד יותר או יטופלו באסטרטגיות דילול דם מותאמות אישית. הכלי עדיין צריך עיבוד ובדיקה בבתי חולים אחרים ובמדגמים גדולים יותר לפני אימוץ נרחב, אך הוא מהווה צעד מבטיח לעבר הלוואת הליך לב נפוץ לבטיחות גבוהה יותר באמצעות חיזוי שקוף ומבוסס נתונים.

ציטוט: Zhou, L., Zhao, Y., Song, W. et al. Explainable machine learning for risk prediction of acute cardiac tamponade during atrial fibrillation ablation. Sci Rep 16, 9476 (2026). https://doi.org/10.1038/s41598-026-40302-2

מילות מפתח: אפלציה לפרפור עליות, טמפונדה לבבית, למידת מכונה, חיזוי סיכון, בטיחות המטופל