מודל למידת מכונה לניבוי זיהום ספסיס לאחר ניתוח בחולים כירורגיים דחופים: מחקר פרוספקטיבי רב‑מרכזי

מדוע זה חשוב למטופלים ולבני משפחה

ספסיס הוא תגובה מסכנת חיים לזיהום שיכולה להתפתח לאחר ניתוח חירום, במיוחד בקרב מבוגרים. רופאים יודעים כי זיהוי מוקדם של סיכון לספסיס יכול להציל חיים, אך קשה להעריך מי הפגיע ביותר בלחץ שלפני ניתוח דחוף. מחקר זה בוחן האם זיהוי דפוסים מבוסס מחשב, ענף של בינה מלאכותית שנקרא למידת מכונה, יכול לסרוק נתונים שגרתיים בבתי חולים כדי לסמן מטופלים מבוגרים שסביר שיתפתחו אצלם ספסיס לאחר ניתוח חירום, ולתת לצוותים יותר זמן לנקוט פעולה.

ספסיס והסכנות לאחר ניתוח חירום

ספסיס הוא אחת הסיבות המרכזיות לתמותה ברחבי העולם, מקושר למיליוני מקרי מחלה ולמיליוני מקרי מוות מדי שנה. ניתוח חירום מוסיף עומס נוסף: מטופלים הם לעתים קרובות מבוגרים יותר, שבריריים יותר וכבר חולים קשה כשהם מגיעים לחדר הניתוח. זיהומים יכולים להתפתח או להחמיר במהירות אחרי ההליך, והתסמינים עשויים להיראות דומים להחלמה נורמלית מפרוצדורה עד שהמטופל מתדרדר בפתאומיות. רשימות בדיקה ומערכות ניקוד מסורתיות מסייעות, אך הן לא תוכננו במיוחד עבור קשישים הזקוקים לניתוחים דחופים, והן עלולות לפספס את בעלי הסיכון הגבוה ביותר.

הפיכת נתוני בית חולים שגרתיים לאיתותי אזהרה מוקדמים

החוקרים השתמשו במידע ממחקר איטלקי רחב של מטופלים בגיל 65 ומעלה שעברו ניתוחי חירום ב‑29 בתי חולים. מתוך יותר מ‑150 פריטים מתועדים, הם התרכזו רק בפרטים הזמינים לפני הניתוח, כגון גיל, מחלות רקע, מצב תפקודי, מדדי חיים, בדיקות דם בסיסיות ומדידות שבריריות. הם סווגו מטופלים כספסיס או לא על בסיס ציון ליד המיטה שנקרא qSOFA, שמשתמש בקצב נשימה, לחץ דם ומצב מנטלי כדי לסמן זיהום מסוכן. בסך הכל נותחו 2563 מטופלים, שמתוכם 119 ענו על הקריטריונים לספסיס לאחר הניתוח.

כיצד נבנו ונבדקו דגמי המחשב

הצוות השווה מספר סוגי מודלים בלמידת מכונה, כולל רגרסיה לוגיסטית, k‑השכנים הקרובים, יערות אקראיים ועצים משופרים בגרדיאנט. כדי לא להטעות את עצמם, הם השתמשו בשיטת בדיקה דו‑שכבתית קפדנית הידועה כ‑nested cross‑validation: בכל הרצה הם השאירו קבוצת מטופלים לבחינה וכיוון את המודלים רק על המקרים הנותרים. הם גם טיפלו בעובדה שספסיס היה יחסית נדיר על‑ידי איזון זהיר של הנתונים, מילוי פערי מידע קטנים ואחידה של מדידות. הביצועים נמדדו עם מדדים מוכרים כמו דיוק כללי, כלומר עד כמה המודל צדק בסך הכל, ורגישות וספציפיות, שמראות כמה המודל זיהה נכון או שלל ספסיס.

מה גילו המודלים לגבי סיכון לספסיס

כל דגמי למידת המכונה הציעו ביצועים טובים משמעותית מאסטרטגיה פשוטה שמניחה שאף אחד לא יפתח ספסיס. בין המודלים הבודדים, יערות אקראיים ועצים משופרים בגרדיאנט הציעו את השילוב הטוב ביותר של זיהוי נכון של ספסיס והפחתת אזעקות שווא, עם דיוק כולל מעל 95 אחוז ויכולת חזקה להבחין בין מטופלים בסיכון גבוה ונמוך. החוקרים גם שילבו את ארבעת המודלים העיקריים לאנסמבל אחד שלקח הצבעה ברוב בתחזיותיהם. גישה משולבת זו הגיעה לדיוק גבוה מאוד, לרגישות חזקה ולרמת ודאות מצוינת כאשר היא הכריזה שמטופל בסיכון נמוך, כלומר מעטים מאוד מהאנשים שפתחו לאחר‑מכן ספסיס נפסחו על‑ידי מערכת האזהרה המוקדמת.

מה זה עשוי להביא בבתי חולים

אם יאומת בעתיד, סוג זה של כלי סיכון טרום‑ניתוח יכול לתת לצוותים הכירורגיים רשימת בדיקה פרקטית מונעת נתונים. לפני שאדם מבוגר יכנס לחדר הניתוח, המודל יכול לסרוק בשקט את המידע השגרתי שלו ולהציע מי עשוי להזדקק למעקב צמוד יותר, אנטיביוטיקה מוקדמת או טיפול שונה לאחר הניתוח. הוא עשוי להנחות החלטות לגבי היכן ימוקם המטופל להחלמה, למשל במחלקה רגילה או ביחידה אינטנסיבית יותר, ולעזור לבתי חולים למקד כוח אדם ומשאבים מוגבלים לאלו שסבירות גבוהה יותר שיפתחו זיהום חמור. המחקר אינו טוען שהמודל מוכן לשימוש יום‑יומי עדיין, אך הוא מראה שלמידת מכונה יכולה להפוך מידע שכבר נאסף בניתוחי חירום לאיתותי אזהרה משמעותיים לגבי סיכון לספסיס.

ציטוט: Fransvea, P., Liuzzi, P., Costa, G. et al. A machine learning model for post-operative sepsis prediction in acute surgical patients: a multi-centre, prospective study. Sci Rep 16, 15651 (2026). https://doi.org/10.1038/s41598-026-46040-9

מילות מפתח: ספסיס לאחר ניתוח, ניתוח חירום, מטופלים מבוגרים, למידת מכונה, ניבוי סיכון