חיזוי תמותה במשך 28 יום מבוסס בינה מלאכותית מולטימודלית לחולי דלקת ריאות בשחרור ממחלקת מיון: מחקר רב‑מרכזי

למה המחקר הזה חשוב לחולים יומיומיים

דלקת ריאות היא אחת הזיהומים הקטלניים ביותר בעולם, ובמחלקת חירום עמוסה רופאים לעתים נאלצים להכריע בתוך דקות אם מטופל בטוח לשלוחו הביתה או זקוק לטיפול אינטנסיבי בבית החולים. מחקר זה בוחן האם בינה מלאכותית יכולה לשלב תמונות צילום חזה עם נתונים רפואיים שגרתיים כדי לחזות בדיוק רב יותר מי בסיכון גבוה למות תוך 28 יום, ולעזור לרופאים להימנע משליחת חולים חלשים הביתה או מאשפוז מיותר של חולים בסיכון נמוך.

כיצד מטפלים בדלקת ריאות כיום

כאשר מגיע אדם לחדר מיון עם חשד לדלקת ריאות, הקלינאים נשענים על תסמינים, סימנים חיוניים, בדיקות דם וצילום חזה כדי להעריך עד כמה החולה חולה. במשך שנים השתמשו בציוני סיכון פשוטים מבוססי נקודות כמו CURB‑65, שמסכמים גורמים כגון גיל, לחץ דם ובלבול כדי להעריך את סיכוי המוות בחודש הקרוב. ציונים אלה קלים לחישוב אך מתעלמים מהרבה מהמידע שנאסף כיום באופן שגרתי, ואינם מנצלים את שפע הפרטים המוסתרים בתמונות צילום החזה. כתוצאה מכך, חלק מהמטופלים שיאחרו להחמיר עשויים להיראות בתחילה "בסיכון נמוך" על הנייר.

שילוב תמונות ונתונים

ההתקדמות בלמידה עמוקה מאפשרת כיום למחשבים לקרוא צילומי חזה ולכמת ממצאים כגון נוזל סביב הריאות או מוקדים חשודים. החוקרים במחקר זה בדקו האם הזנת ממצאי תמונה שנוצרו על‑ידי מחשב לתוך מודל חיזוי מתוחכם יותר, יחד עם נתוני חדר מיון סטנדרטיים, יכולה לחדד את תחזיות הסיכון לטווח הקצר. הם הסתמכו על רשומות של כמעט 2,900 ביקורי חדר מיון עקב דלקת ריאות בבית חולים מרכזי בדרום קוריאה וממסד הנתונים הגדול MIMIC‑IV בארצות הברית. עבור כל ביקור אספו שלושה סוגי מידע עיקריים: מרכיבי CURB‑65 המסורתיים, הפענוח המספרי של צילום החזה על‑ידי ה‑AI, ונתונים קליניים שנתפסו באופן אוטומטי כגון סימנים חיוניים, דרישת חמצן ותוצאות מעבדה שגרתיות שנלקחו לפני שחרור המטופל מחדר המיון.

בניית ובחינת מודל ה‑AI

הצוות השווה מספר גישות, כולל מודל סטטיסטי קונבנציונלי ושיטות מודרניות של למידת מכונה המתוכננות לטפל בתוצאות מסוג זמן‑עד‑אירוע. הגישה החזקה ביותר שלהם, שנקראה יער הישרדות אקראי (random survival forest), אומנה ללמוד דפוסים מורכבים המקשרים בין המידע המשולב לסיכוי למות בתוך 28 יום. הם יצרו גרסאות של מודל זה עם מערכי קלט שונים: רק הציון המסורתי, רק ממצאי תמונה, רק משתני קליניים, תערובות של ציון פלוס נתונים קליניים, ולבסוף מודל "כל‑המאפיינים" שכלל את הכול. ההופעה נמדדה בעיקר לפי עד כמה כל מודל הצליח למיין נכון מטופלים מסיכון הנמוך לגבוה, מדד המכונה מדד ההתאמה (concordance index).

מה שלמד המודל על הסיכון

המודל שהשתמש בכל המידע הזמין — מרכיבי הציון המסורתי, ממצאי צילום חזה מפוענחים על‑ידי AI ונתונים קליניים מפורטים — הצטיין ביותר. הוא סדר את המטופלים לפי סיכון בצורה נכונה לעתים משמעותית רבה יותר מאשר ציון CURB‑65 בלבד. גם בהשוואה למודל שהשתמש בנתונים קליניים עשירים אך התעלם ממידע התמונה, הוספת פלט צילום החזה העניקה שיפור מדיד. גיל וחומרת המיון עלו כגורמים החזקים ביותר, בהתאמה לניסיון הקליני שמראה שמטופלים מבוגרים וחולים יותר גורמים לתוצאות גרועות יותר. עם זאת, תכונות תמונה כגון סבירות לנוזל סביב הריאות ונודולים קטנים דורגו גם הן בין הגורמים המשפיעים ביותר, והראו שה‑AI חילץ אותות שימושיים מצילומי החזה שהציונים הסטנדרטיים לא לוכדים. כאשר החוקרים קיבצו מטופלים ל"סיכון גבוה" ו"סיכון נמוך", המודל המלא שלהם זיהה כמעט את כל המטופלים שמתו בתוך 28 יום, תוך שמירה על מספר אזעקות שווא הדומה לזה של הציון המסורתי.

מעוצב להתאמה לתזרימי עבודה רפואיים אמיתיים

חשוב שהמערכת נבנתה לעבוד עם מידע שבתי חולים כבר אוספים באופן אוטומטי. היא נשענה על דמוגרפיה, סימנים חיוניים, רמת תמיכת חמצן וערכי מעבדה מהרשומה האלקטרונית, בנוסף לפלט של כלי AI לצילום חזה שכבר היה בשימוש שגרתי. החוקרים במכוון החריגו מרכיבים שדורשים שיפוט אדם נוסף או הזנה ידנית של נתונים, כגון הערכות בלבול ליד המיטה, כדי לא להכביד על צוותים קליניים. הם גם השתמשו בטכניקות הסבר כדי לבדוק שההתנהגות של המודל הגיונית מבחינה קלינית, ושיפרו בצורה איטרטיבית אילו משתנים יכללו בהתבסס על חשיבות מתמטית וביקורת מומחים. שילוב זה של תובנות מכונה ופיקוח אנושי מיועד להגביר אמון ולהקל על אימוץ המערכת לצד המיטה.

מה זה עשוי להעניק לחולים ולבתי חולים

המחקר מציע שמודל AI הממזג פרשנויות של צילום חזה עם נתוני חדר מיון שגרתיים יכול לסמן דיוק רב יותר חולי דלקת ריאות בסיכון גבוה למות בתוך חודש מאשר כלי ציונים ותיקים. בפועל, מערכת כזו יכולה לסייע לצוותי מיון להעדיף מיטות בית חולים מוגבלות עבור אלה שזקוקים להן ביותר, להבטיח טיפול מוקדם לחולים פגיעים שעשויים להישלח הביתה אחרת, ולהפחית בבטחה אשפוזים לא נחוצים לאלה שבאמת בסיכון נמוך. אף שהעבודה דורשת עדיין בדיקות רחבות יותר בבתי חולים אחרים ובתוכנות דימות שונות, היא מציינת עתיד שבו אלגוריתמים שפועלים ברקע תומכים, ולא מחליפים, את הקלינאים על‑ידי הפיכת נתונים יום‑יומיים להערכות סיכון חדות ואינדיבידואליות יותר.

ציטוט: Hwang, S., Heo, S., Hong, S. et al. Multimodal AI-based 28-day mortality prediction of pneumonia patients at ED discharge: a multicenter study. Sci Rep 16, 11761 (2026). https://doi.org/10.1038/s41598-026-42378-2

מילות מפתח: דלקת ריאות, מחלקת חירום, בינה מלאכותית, צילום חזה, חיזוי סיכון