בניית ואימות מודלים של למידת מכונה לחיזוי פרפורציה של התוספתן במהלך טיפול שמרני בדלקת תוספתן המשויכת לפקקת צואה: ניתוח רטרוספקטיבי רב‑מרכזי של 20 אלגוריתמים

מדוע זה חשוב לאנשים עם כאבי בטן

דלקת תוספתן היא אחת הסיבות השכיחות ביותר לניתוח חירום, אך היום מטפלים ברבים מהחולים תחילה באמצעות אנטיביוטיקה במקום בפעולה מיידית. אצל אלה שהתוספתן שלהם מכיל גוש קשה בדמות אבן של צואה, הנקרא פקקת צואה (fecalith), הבחירה הזו עלולה להיות מסוכנת משום שהתוספתן נוטה להתפתח לפרפורציה. המחקר הזה שואל שאלה שרלוונטית לכל חולה ורופא העומדים בפני החלטה כזו: האם אפשר לדעת, מוקדם ובבטחה, מי יכול להמשיך בטיפול תרופתי ומי בסיכון ממשי לפרפורציה מסכנת חיים?

האתגר של תוספתן חסום

רופאים יודעים מזה שנים שדלקת תוספתן מתנהגת אחרת כאשר פקקת צואה חוסמת את הצינור הצר של התוספתן. החסימה מגדילה את הלחץ, חוסמת את זרימת הדם ומזינה את הזיהום — כל אלה מעלים את הסיכוי לקרע של האיבר גם אם מתחילים אנטיביוטיקה במהירות. עם זאת, מערכות ניקוד קליניות נפוצות נבנו לכלל החולים ולא במיוחד לחולים עם פקקת צואה, ולכן אינן מצליחות לצפות פרפורציה היטב בקבוצת סיכון זו. אי הוודאות הזו משאירה את הקלינאים בין שתי אפשרויות קיצוניות: לנתח לעתים קרובות מדי — עם סיכונים ועלויות משלה — או לחכות זמן רב מדי ולסכן קרע של התוספתן.

שימוש בתבניות בנתוני בית חולים

המחקר איגד רשומות של 1,247 מבוגרים שטופלו ללא ניתוח מיידי עקב דלקת תוספתן עם פקקת צואה בארבעה בתי חולים גדולים בין 2018 ל‑2023. בערך אחד מכל שבעה חולים חווה פרפורציה בתוך שלושה ימים. עבור כל חולה אסף הצוות מידע פשוט שכבר חלק מהטיפול השגרתי: גיל, סימני חיים, בדיקות דם המצביעות על דלקת, ומדידות מהסיטי של התוספתן והפקקת. לאחר מכן אימנו 20 אלגוריתמים שונים כדי לזהות תבניות המקשרות בין התכונות הללו לבין מי קרע ומי לא, כשהם שומרים חלק מהנתונים לבדיקת המודלים באופן הוגן.

כלי החיזוי המנצח

מכל הגישות, משפחה של שיטות המאגדות עצי החלטה מרובים, הידועה כגרדיאנט בוסטינג, ביצעה הכי טוב. אחרי שלב של בחירת תכונות, הכלי הסופי הסתמך על שמונה פריטי מידע זמינים בקלות, כולל גודל הפקת הצואה, רמות C‑reactive protein ותאי דם לבנים בדם, וכמה התוספתן נראה עבה ורחב בסיטי. בקבוצת המבחן העיקרית המודל הבחין נכון בין חולים בסיכון גבוה לנמוך עם מדד דיוק מצוין (AUC כ‑0.89). בולט במיוחד, כשהמודל קבע שמטופל הוא בסיכון נמוך — הוא צדק ביותר מ‑96% מהמקרים שאלה לא יעברו פרפורציה, מה שמעניק שקט משמעותי להמשך טיפול שמרני.

המרת מספרים לקבוצות סיכון ברורות

כדי להפוך את הכלי לפרקטי ליד המיטה, הצוות המיר את ציוני ההסתברות הגולמיים לשלוש דרגות פשוטות. חולים עם סיכון חזוי מתחת ל‑30% סווגו כנמוכי סיכון והם חוו שיעור פרפורציה אמיתי של 3.8%. אלה בין 30% ל‑60% היו בסיכון בינוני, עם כ‑25% שחוו פרפורציה. מעל 60% היו חולים בסיכון גבוה, יותר משבעה מתוך עשרה מהם חוו פרפורציה. לפניהם המלצות פעולה: ניטור שגרתי לקבוצה בסיכון נמוך, תצפית צמודה ובדיקות חוזרות לקבוצה הביניים, וניתוח מוקדם או דחוף לחולים בסיכון הגבוה ביותר. סט נפרד של 225 חולים מבית חולים חמישי, שלא שימש לבניית המודל, הראה ביצועים דומים מאוד, מה שמרמז שהגישה יכולה לעבוד גם מעבר למרכזים המקוריים.

מה משמעות הדבר לחולים ולרופאים

במונחים יומיומיים, המחקר מראה שמחשב שאומן על בדיקות מעבדה סטנדרטיות וממצאי סיטי יכול לספק לרופאים אזהרת מוקד שמבהירה מי מהחולים עם תוספתן חסום בסכנה אמיתית אם ימשיכו רק באנטיביוטיקה. למרות שהכלי אינו מושלם, הוא חזק במיוחד בזיהוי אנשים שבטוחים להשגחה וטיפול מבלי למהר לחדר הניתוח. עם בדיקות נוספות בבתי חולים שונים ושימוש בזמן אמת, מודלים כאלה יכולים לתמוך בהחלטות מותאמות אישית יותר, לסייע להרבה חולים להימנע מניתוח שאינו הכרחי ולהבטיח שחולים בסיכון הגבוה יקבלו ניתוח בזמן לפני שהתוספתן יקרע.

ציטוט: Zhu, Y., Feng, J., Liu, R. et al. Building and validating machine learning models to predict appendiceal perforation during conservative treatment of fecalith-associated appendicitis: a 20-algorithm multicenter retrospective analysis. Sci Rep 16, 11728 (2026). https://doi.org/10.1038/s41598-026-47372-2

מילות מפתח: דלקת תוספתן, למידת מכונה, חיזוי סיכון, טיפול שמרני, גרדיאנט בוסטינג