פיתוח פלטפורמת רשת לחיזוי סיכון לנפילה בחולי לב וכלי דם באמצעות למידת מכונה

מדוע חשוב שהחולים בלב יישארו על הרגליים

למיליונים של מבוגרים בגיל הביניים ובגיל השלישי החיים עם בעיות בלב וכלי דם, מעידה פשוטה בבית עלולה להצית שרשרת של משברים בריאותיים. נפילה קשה עלולה להוביל לשברים, אשפוזים וחזרת נזק משמעותית ללב שכבר חלש. האם טכניקות מחשוב מודרניות יכולות לעזור לרופאים לזהות אילו חולי לב וכלי דם נמצאים בסיכון הגבוה לנפילה, הרבה לפני שהתרחשה תאונה, וכך לאפשר התערבות מוקדמת לשמירה על בטיחותם ועצמאותם?

כיצד בעיות לב מקושרות לנפילות

נפילות הן אחת מהסיבות העיקריות לפגיעה ולמוות בלתי־מזומן אצל מבוגרים ברחבי העולם, והן נושאות עלויות רגשיות וכלכליות כבדות למשפחות ולמערכות הבריאות. במקביל, מחלות לב וכלי דם נעשות שכיחות יותר ככל שהאוכלוסייה מתבגרת, ורבים מהחולים רגישים במיוחד. בעיות לב עדינות יכולות להפריע בלחץ הדם, שיווי המשקל והסיבולת עוד לפני שהסימפטומים בולטים. כאשר אנשים עם מחלות לב נופלים, הסבירות לסיבוכים, לניתוחים ולסיכונים מוגברים במהלך ההחלמה עולה. לכן חיזוי סיכון לנפילה בקבוצה זו הוא עניין דחוף בתחום הבריאות הציבורית.

הפיכת סקרי בריאות רחבי היקף לכלי סיכון

החוקרים נשענו על מחקר לאומי רחב של מבוגרים סינים בגיל 45 ומעלה העוקב לאורך זמן אחר בריאות, סגנון חיים וגורמים חברתיים. מתוך מאגר עשיר זה הם זיהו 1,784 אנשים שאובחנו עם מחלות לב וכלי דם ועקבו אחריהם במשך שנתיים כדי לראות מי דיווח על נפילה. הם בחנו 40 משתנים פוטנציאליים, החל בגיל, השכלה, איכות השינה ומצב רוח ועד למחלות כמו בעיות כליה וראומטיזם, וכן כאב, נפילות קודמות ומדדים של כוח ויכולת קוגניטיבית. ניקוי נתונים קפדני, טיפול בערכי חסר ואיזון בין נופלים ללא־נופלים סייעו בהכנת המידע לניתוח מתקדם.

מה שלמדו המודלים החכמים

במקום להסתמך רק על נוסחאות סטטיסטיות מסורתיות, הצוות בדק שישה שיטות שונות של למידת מכונה, המסוגלות לחשוף דפוסים מורכבים בנתונים. טכניקה בשם LASSO סייעה לצמצם את המשתנים רבים לתשעה המידעיים ביותר. אלה היו: גיל, רמת השכלה, איכות שינה, מחלת כליה, ראומטיזם, כאב, סיפוק מהחיים, דיכאון והיסטוריה של נפילות. בין ששת המודלים, שיטה הידועה כ-Light Gradient Boosting Machine סיפקה את התחזיות המדויקות ביותר, והפרידה נכון בין חולים בסיכון גבוה ונמוך הן בקבוצה המקורית והן בגל סקר קודם ששימש כאימות חיצוני. כדי לפתוח את "הקופסה השחורה" של למידת המכונה, הצוות השתמש בכלי הסבר המראה עד כמה כל גורם מעלה או מוריד את הסיכון של אדם.

גורמי סיכון שניתן להרגיש ולשנות

תוצאות ההסבר הדגישו כי גיל מתקדם ונפילה קודמת הם האיתותים החזקים ביותר, בעוד שמחלת כליה, בעיות ראומטיות, כאב ודיכאון גם הם מגבירים את הסיכוי לנפילה. מנגד, שנות לימוד רבות יותר, שינה טובה יותר ותחושת סיפוק מחיים נטו להגן מפני נפילות. ראוי לציין שאנשים עם איכות שינה רק מעט טובה עשויים להיות בסיכון גבוה במיוחד, אולי כי הם ממשיכים להיות פעילים בעוד שהם מושפעים מבעיות עדינות בשיווי המשקל או בתשומת הלב. רבים מהגורמים האלה קלים לשאול עליהם בביקור קליני או אפילו בסקר קהילתי, מה שהופך את המודל לפרקטי עבור עובדים בריאות עמוסים.

מהחיזוי לכלי רשת פשוט

כדי לצאת מהתיאוריה, המחברים הפכו את המודל הביצועי שלהם לפלטפורמת רשת קלה לשימוש. קלינאי או עובד בריאות יכול להזין את גיל המטופל, השכלתו, איכות השינה, מצבו הנפשי, כאב, מצב כליה וראומטיזם, סיפוק מהחיים והיסטוריה של נפילות, ולקבל הערכה של הסיכוי לנפילתם בשנתיים הקרובות. בעוד שהכלי אינו מחליף שיקול דעת רפואי, הוא מציע דרך מבנית לסמן חולי לב שעלולים להפיק תועלת מתרגילי כוח, בדיקות בטיחות ביתיות, טיפול במצב הרוח או מעקב צמוד יותר.

מה המשמעות לחיי היומיום

המחקר מראה ששימוש חכם בנתוני סקר קיימים ולמידת מכונה יכול לסייע לזהות חולי לב וכלי דם שסביר שיסבלו מנפילה. על ידי התמקדות בקבוצת גורמים קטנה וברורה, המודל נשאר ישים בקליניקות בעולם האמיתי ובו־בזמן לוכד דפוסים מורכבים בנתונים. אם ייושם במחשבה תחילה, כלים כאלה יכולים לתמוך בתוכניות מניעה מותאמות אישית, להפחית נפילות מסוכנות ולעזור לאנשים עם מחלות לב להישאר על רגליהם ולשמור על איכות חיים טובה יותר עם ההתבגרות.

ציטוט: Dong, J., Yang, X., Zhang, Z. et al. Development of a web platform for predicting fall risk in cardiovascular patients using machine learning. Sci Rep 16, 15665 (2026). https://doi.org/10.1038/s41598-026-43482-z

מילות מפתח: מחלות לב וכלי דם, סיכון לנפילה, למידת מכונה, מבוגרים, חיזוי סיכון