Clear Sky Science
הסברים מבוססי ראיות, עם מעט ז'רגון

Clear Sky Science · he

למידת מכונה קוונטית לחיזוי דליפה של אנסטומוזה: מחקר קליני

· חזרה לאינדקס

מדוע המחקר הזה חשוב לחולים ולרופאים

דליפת אנסטומוזה היא סיבוך מסוכן שעלול להתרחש לאחר שרופאים מחברים מחדש את המעי של המטופל, והיא עלולה לגרום לזיהום, לפרוצדורות נוספות או אפילו למוות. המחקר בוחן שאלה עכשווית: האם כלים חדשים בהשראה קוונטית יכולים לסייע לרופאים לזהות טוב יותר מי מהמטופלים בסיכון גבוה בהשוואה לשיטות הסטטיסטיות ולשיטות הלמידה המכונה המקובלות, תוך שימוש באותם נתוני בית חולים קטנים אך שנאספו בקפדנות?

הבנת סיבוך כירורגי חמור

כאשר חלק מהמעי מוסר, המנתחים מחברים את הקצוות הנותרים בחיבור שנקרא אנסטומוזה. אם החיבור הזה לא נרפא כראוי, תכולת המעי עלולה לדלוף לחלל הבטן, לגרום לדלקת, לזיהום מסמרתי (ספסיס) ולתקופת החלמה ארוכה ומסכנת חיים. בבית החולים הנחקר, הדליפות אירעו בכ-14 אחוזים מהמטופלים והיו קשורות בעד 40 אחוז ממקרי המוות הקשורים לניתוח, ולכן גם שיפור קטן בחיזוי יכול להציל חיים. מחקרים קודמים ציינו גורמי סיכון כגון סוכרת ועישון, והדגימו שטכניקות כירורגיות מסוימות וכלי ניטור יכולים להקטין את הסיכוי לדליפה.

מה החוקרים מדדו במטופלים אמיתיים

הצוות ניתח רשומות של 200 מטופלים שעברו ניתוח קולורקטלי בין השנים 2015 ל-2016, מתוכם 28 פיתחו דליפה. הם התחילו עם 76 פרטי מידע לכל מטופל, שכללו בחירות כירורגיות והיסטוריה רפואית. באמצעות בדיקות סטטיסטיות מפורטות ושיחות עם מנתחים הם צמצמו את הרשימה למערך קטן יותר של גורמים בעלי משמעות קלינית. ארבעה מהם בלטו: האם הוצב צינור רקטלי רך (NoCoil) להורדת לחץ, האם שמרו על עורק מרכזי המספק את המעי (ACSP), והאם המטופל סובל מסוכרת (DM) או מעשן. באמצעות גורמים אלה הם בנו גם מודלים חיזוי מסורתיים וגם מודלים של רשתות עצביות קוונטיות על מערך הנתונים הבלתי מאוזן כפי שהוא, כדי לחקות תנאי בית חולים אמיתיים.

Figure 1. שימוש במודלים בהשראה קוונטית ונתוני בית חולים כדי לסמן מטופלי ניתוחי מעי בסיכון גבוה לדליפות מסוכנות.
Figure 1. שימוש במודלים בהשראה קוונטית ונתוני בית חולים כדי לסמן מטופלי ניתוחי מעי בסיכון גבוה לדליפות מסוכנות.

כיצד נבנו ונבדקו המודלים בהשראה קוונטית

רשתות עצביות קוונטיות הן מודלים של למידת מכונה שרצים על מעגלים קוונטיים במקום קוד קלאסי בלבד. בעבודה זו הן סימולציה על מחשב קונבנציונלי, אך עם הוספת רעש המציאות של חומרה קוונטית, כגון שגיאות אקראיות בסוגי שערים ומגבלות ברזולוציית המדידה. המידע על המטופלים הוקדד ראשית למצבים קוונטיים ולאחר מכן הועבר דרך שכבות ניתנות לאימון המדמות מעגל קוונטי קטן. החוקרים בחנו שני עיצובים עיקריים של מעגלים ושילבו אותם עם מספר אסטרטגיות אופטימיזציה שונות, חלקן משתמשות בגרדיאנטים ואחרות מסתמכות על חיפוש בסגנון אבולוציוני, כדי לבדוק אילו שילובים לומדים טוב יותר מהנתונים בתנאי רעש.

השוואת תחזיות קוונטיות וקלאסיות

ההשוואה המרכזית נעשתה ברמת רגישות של 83 אחוז, רמת בחירה שהותאמה לתעדוף קליני: להמנע מפספוס מטופלים שיפתחו דליפה, גם אם זה יעלה בקבלת יותר אזעקות שווא. ברגישות זו, חלק מההגדרות של רשתות עצביות קוונטיות, במיוחד אלה שהשתמשו במעגל EfficientSU2 עם אופטימייזר BFGS או במעגל RealAmplitudes עם CMA-ES, הגיעו לספציפיות של עד 66 אחוז ולערכי חיזוי שלילי עד 96 אחוז. המודלים הקלאסיים, כולל רגרסיה לוגיסטית ומולטילייר פרספטרון מותאם, הגיעו לשיא של כ-44 אחוז ספציפיות ו-94 אחוז ערך חיזוי שלילי באותה רגישות. משמעות הדבר היא שהמודלים מבוססי הקוונטים ייצרו פחות תוצאות חיוביות שווא בזמן שעדיין זיהו את אותו חלק מהמקרים האמיתיים של דליפה.

Figure 2. עיבוד שלב אחר שלב במעגל קוונטי של גורמי סיכון של מטופל להפחתת אזעקות שווא בחיזוי דליפות.
Figure 2. עיבוד שלב אחר שלב במעגל קוונטי של גורמי סיכון של מטופל להפחתת אזעקות שווא בחיזוי דליפות.

חוזקות, מגבלות ומה הלאה

בעוד שרשתות עצביות קוונטיות היו טובות יותר ביצירת הפרדה ברורה בין מטופלים בסיכון גבוה לנמוך, המודלים הקלאסיים היו מדויקים יותר בכיול ההסתברויות: אחוזי הסיכון שחזו התאימו בתצפיותיהם לתוצאות בשטח במידה רבה יותר. תכונה זו עושה את הגישות הקלאסיות מתאימות יותר לציון סיכון מדויק, למשל בעת שקלול אפשרויות טיפול שונות. המחקר מוגבל גם בגודלו הצנוע ובכך שמקור הנתונים הוא מרכז יחיד, מה שעלול להעלות את הפוטנציאל שהמודל ייראה טוב יותר ממה שיהיה על מטופלים חדשים. המחברים מדגישים כי נדרשים מחקרים רחבים יותר, רב-מרכזיים וניסויים על חומרה קוונטית אמיתית לפני שניתן יהיה לסמוך על כלים אלה בטיפול שגרתי.

מה זה אומר במלים פשוטות

בלשון פשוטה, המחקר מראה כי למידת מכונה בסגנון קוונטי יכולה, לפחות בסימולציה, לסייע לרופאים לסנן סיבוך מסוכן בניתוחי מעי תוך הפחתת אזעקות שווא בהשוואה לשיטות סטנדרטיות. עם זאת, המודלים המסורתיים עדיין מספקים אחוזי סיכון מהימנים יותר. כרגע, רשתות עצביות קוונטיות נראות מבטיחות כרשת ביטחון נוספת לאיתור מוקדם, אך יש לאמתן בקבוצות מטופלים גדולות יותר ולשלבן עם הערכות סיכון מכויילות וברורות לפני שהן ישפיעו ישירות על החלטות טיפוליות.

ציטוט: Novák, V., Zelinka, I., Přibylová, L. et al. Quantum machine learning for predicting anastomotic leak: a clinical study. Sci Rep 16, 15518 (2026). https://doi.org/10.1038/s41598-026-44402-x

מילות מפתח: דליפת אנסטומוזה, למידת מכונה קוונטית, ניתוח קולורקטלי, חיזוי סיכון קליני, בינה רפואית