Screenathon 2.0: סינון שיתופי בין אדם למכונה המיושם על נתוני בריאות שנוצרו על ידי מטופלים

מדוע זה חשוב למחקר בריאות יומיומי

הרפואה המודרנית נשענת על סינון של הררי מאמרים מדעיים כדי להבין מה באמת עובד. אך נפח המאמרים החדשים גדל כל כך עד שגם צוותי מחקר מסודרים מתקשים לעמוד בקצב. מאמר זה מתאר דרך חדשה לשילוב בין אנשים ובינה מלאכותית (AI) כדי להאיץ את "הסינון" של מאמרים, תוך שמירה על שיקול הדעת האנושי. הגישה, שנקראת Screenathon 2.0, מראה כיצד עדרים של מומחים ותוכנה חכמה יכולים לעבוד ביחד כדי להתמודד עם משימות קריאה ענקיות בתוך כמה ימים בלבד.

מקריאה יחידה לספורט קבוצתי

באופן מסורתי, חוקרים מבצעים סקירות שיטתיות בכך שלפחות שני אנשים קוראים את הכותרת והתקציר של כל מאמר ומחליטים האם הוא מתאים לשאלת המחקר. תהליך זה הקפדני תורם למסקנות אמינות, אך הוא איטי מאד וקשה להרחבה ככל שמספר המאמרים מתפוצץ. בעבר, אותה קבוצת חוקרים ניסתה להפוך את הסינון ל"Screenathon", שבו עשרות מומחים עבדו זה לצד זה במשך כמה ימים לחלק את העומס. האירוע הראשון הוכיח שעבודת צוות עוזרת, אך עדיין נשען כולו על מאמץ אנושי ולא הצליח להתגבר לגמרי על עייפות, חוסר אחידות בניסיון וטעויות בתיוג.

להוסיף את ה-AI כעמית תומך

ב‑Screenathon 2.0 השדרוג היה שזירת ה‑AI ישירות לתהליך העבודה. הם התמקדו במחקר על נתוני בריאות שנוצרו על ידי מטופלים — מידע שאנשים אוספים בעצמם באמצעות כלים כמו שעוני כושר, מדדי גלוקוז או אפליקציות בריאות. באמצעות התוכנה בקוד פתוח ASReview, מודל ה‑AI למד בזמן אמת מכל החלטה של הסוקרים האנושיים: בכל פעם שאדם סימן מאמר כרלוונטי או לא, המערכת עדכנה את הכללים הפנימיים וארגנה מחדש את המאמרים הנותרים, ודחפה את המועמדים המבטיחים לחזית התור. כך, האנשים נשארו כמקבלי ההחלטות, בעוד ה‑AI שימש כמדריך שמשתפר ללא הרף וקובע אילו מאמרים כדאי לבדוק קודם.

ניסוי גדול בשני ימים עמוסים

החוקרים בחנו את השותפות בין אדם ל‑AI במהלך ישיבה בת שלושה ימים בקונסורציום אירופי לבריאות. עשרים ושבעה מומחים מ‑27 ארגונים שותפים סיננו כמעט 7,000 רשומות מדעיות המחולקות על פני 11 תחומי מחלות, מסרטן ועד מצבים לבביים והפרעות נוירולוגיות. ביום הראשון המשתתפים עברו הדרכה על כללי הכללה והיכרות עם אופן פעולת מערכת ה‑AI. ביום השני הם התמקדו בסינון שיתופי אינטנסיבי, ולעיתים המשיכו באופן לא פורמלי במרחבים משותפים. בסוף התקופה הם תייגו 487 רשומות כרלוונטיות ולמעלה מ‑6,000 כלא רלוונטיות, כאשר חלק מהמשתתפים סיננו רק מספר מועט של מאמרים ואחרים עברו על אלפים — כולם מזינים דגמי AI משותפים לכל נושא מחלה.

בדיקת פלט המכונה והאדם

מהירות לבדה לא הייתה שווה דבר אם היו מפספסים מחקרים חשובים, ולכן הצוות בנה שלב "טיפול לאחר" חזק. לאחר סיום האירוע המרכזי הם הקדישו מספר שבועות לבדיקת התוצאות ולשיפורן. הם הקצו מחדש מאמרים שהוצבו בקבוצת מחלה שגויה, קראו מחדש מקרים לא ודאיים והפעילו סבבים נוספים של סינון תוך שימוש בכללי עצירה מחמירים, כגון המשך עד שמופיעות עשרות רשומות לא רלוונטיות רצופות. לבסוף השתמשו בשיטה מיוחדת לבחינה חוזרת של רשומות שנדחו בעבר וייתכן שסומנו בטעות. שלב הניקוי הזה גילה יותר מ‑200 מחקרים רלוונטיים נוספים בין הנושאים, והדגים כי סינון מהיר בסיוע AI יכול להיות משולב עם בקרת איכות יסודית.

איך אנשים הרגישו לעבוד עם AI

במהלך האירוע השתתפים מילאו סקרים על הביטחון, המוטיבציה והאמון שלהם בסקירה בסיוע AI. באופן כללי הם דיווחו על מוטיבציה גבוהה וסיפוק מהחוויה, ויותר ממחציתם אמרו שהם מעדיפים סינון בסיוע AI על פני שיטות מסורתיות מלאות. חשוב לציין כי האמון שלהם בסקירה הנתמכת ב‑AI עלה לאחר שהם עבדו בפועל עם המערכת. רבים שיבחו את הפשטות והבהירות של התוכנה, אם כי הציעו גם שיפורים כגון אפשרויות סינון טובות יותר ורמזים חזותיים שקופים יותר לגבי האופן שבו ה‑AI נותן עדיפות למאמרים.

מה הגישה החדשה הזאת מלמדת אותנו

לקורא הכללי, המסר המרכזי הוא שהאתגר של שמירה על קצב עם מחקר רפואי לא מחייב בחירה בין בני אדם למכונות. Screenathon 2.0 מראה ששילוב שיקול דעת מקצועי עם AI אדפטיבי יכול לעזור לצוותי מחקר למצוא במהירות את המאמרים הרלוונטיים ביותר מבלי לפגוע בערנות ובפיקוח. ה‑AI מאיץ את החיפוש, אך האנשים עדיין מקבלים את ההחלטות הסופיות ובודקים את התוצאות. עם הדרכה חזקה ובדיקות לאחר מעשה מהודקות, סוג זה של שותפות בין אדם ל‑AI יכול להפוך את איסוף הראיות למהיר, אמין ובעל קיימות גבוהה יותר ככל שמידע הבריאות ממשיך לגדול.

ציטוט: Bergmann, J., Azzi, T., Neeleman, R. et al. Screenathon 2.0: human–AI collaborative screening applied to patient-generated health data. Sci Rep 16, 14487 (2026). https://doi.org/10.1038/s41598-026-45385-5

מילות מפתח: סקירות שיטתיות, שיתוף פעולה בין אדם ל-AI, נתוני בריאות שנוצרו על ידי מטופלים, למידה אקטיבית, סינון ספרות