מערכת מבוססת בינה מלאכותית לניתוח ותיעול תקריות לשיפור הבטיחות המטופל ואיכות הטיפול

מדוע סקירות תקריות חכמות חשובות למטופלים

מאחורי כל טיפול סרטן בטוח עומדת שכבה בלתי נראית של בדיקה, בדיקה חוזרת ולמידה מתקריות כמעט־שגיאה. הטיפול בקרינה מדויק מאוד, אך תהליכי העבודה המורכבים המבוססים על צוות מאפשרים טעויות קטנות שיכולות להסתעף לבעיות חמורות. בתי חולים כבר אוספים אלפי דיווחים על פספוסים ותקלות קטנות, אך עיבוד הסיפורים האלה ביד הוא איטי וחוסר־עקביות מתקיימת לעיתים קרובות. מאמר זה מתאר מערכת חדשה המבוססת על בינה מלאכותית שמסייעת למומחים לנתח במהירות דוחות תקרית, לחשוף דפוסים מוסתרים באופן ובסיבות לקרות תקלות ולהפוך את הידע הזה לטיפול בטוח יותר.

מסיפורים אנושיים ללמידה מערכתית

כשמשהו חריג קורה במהלך טיפול בקרינה — כמו הוראה מבלבלת, עיכוב או כמעט־תקרית — אנשי הצוות הגישו דוח נרטיבי במילים שלהם. באופן מסורתי, צוותי איכות ובטיחות קוראים כל סיפור, מחליטים מה השתבש וממפים זאת למסגרת גורמי אנוש בשם HFACS, שמפרקת את הגורמים התורמים מהחלקים השטחיים של טעויות ועד לבעיות ארגוניות עמוקות יותר. גישה זו חזקה אך צורכת זמן, במיוחד במרכזי סרטן עמוסים שבהם נרשמים אלפי תקריות, שרובן אינן מזיקות למטופלים אך עדיין מכילות לקחים יקרי ערך. מערכת הניתוח והלמידה של תקריות מבוססת הבינה המלאכותית (AI‑ILS) שואפת לתמוך בצוותים אלה על ידי אוטומציה של חלק נרחב מעבודת הסיווג תוך שמירה על פיקוח מומחים.

ניקוי והבהרת שפת התקריות

לפני שהאלגוריתם יכול להבין סיפור תקרית, הטקסט חייב להיות גם בטוח לשיתוף וגם ברור במשמעותו. AI‑ILS קודם כל מסירה פרטים אישיים — כגון שמות, תאריכים ומספרי תיק — באמצעות מודלים לשוניים מיוחדים שאומנו לזהות מידע רגיש בטקסט רפואי. לאחר מכן היא מרחיבה קיצורים רפואיים וג'רגון מקומי לביטויים ברורים יותר, כך שראשי תיבות כמו "DIBH" או קיצורים מקצועיים יתורגמו נכון. הכנה בשני שלבים זו עושה את הדוחות אנונימיים וקלים יותר להבנה עבור המודל המרכזי, תוך שמירה על המבנה והכוונה המקוריים של הנרטיב, שחשובים לשיפוט מדויק של מה השתבש.

הלמדת בינה מלאכותית לזהות סיבות עמוקות יותר

במרכז המערכת עומד מודל שפה גדול שעודן על סט של 1,548 דוחות תקרית מדומים שנוסחו בקפידה. צוות רב‑תחומי — שכלל פיזיקאים, אחיות, מטפלים, דוזימטרים ורופאים — כתב את הדוגמאות הללו כדי לכסות מגוון רחב של בעיות בארבע רמות ה‑HFACS: מעשים לא בטוחים, תנאים מוקדמים (כמו כוח אדם או סביבה), השגחה והשפעות ארגוניות רחבות יותר. המודל אומן בארבעה ענפים מקבילים, אחד לכל רמה, עם אופציה נוספת של "אף אחד מן הנ"ל" כדי למנוע כפייה של כל סיפור לקטגוריה שאינה מתאימה. לאחר הדיוק, ביצועי המודל השתפרו בצורה משמעותית: יכולתו להבחין בין תוויות נכונות לשגויות (נמדדת על ידי מדדי דיוק וקורלציה סטנדרטיים) עלתה מרמת מקריות להסכמה חזקה עם שיפוט המומחים.

הצבת המערכת במבחן במרפאות אמיתיות

החוקרים יישמו אז את AI‑ILS על 350 דוחות תקרית אמיתיים מתוך מאגר בטיחות פנימי של מרכז סרטן גדול. בהשוואת הסיווגים שלו לאלה של פיזיקאים רפואיים מנוסים, נמצא כ־79% הסכמה מוחלטת וכמעט 88% הסכמה כאשר מקרים שוליים נספרו כ"ייתכן וקבילים". המערכת פעלה הרבה יותר מהר מאנשים: היא יכלה לעבד ולסווג תקרית במלואה בכ־חמש שניות, בעוד שבודקים אנושיים זקקו לכ־שתי וחצי דקות לכל מקרה. ממשק פשוט בסגנון צ'אט מאפשר למטפלים לראות כיצד ה‑AI פירש דו"ח, לשאול שאלות המשך ולהבין טוב יותר מדוע הוצעה סיבה מסוימת, מה שהופך את הכלי לשותף במקום לקופסה שחורה.

מה משמעות זה עבור טיפול בטוח יותר

מסקנות המחקר מציעות שמערכת בינה מלאכותית המותאמת בקפידה יכולה לתמוך באופן מהימן במומחים בפיענוח כמויות גדולות של דוחות בטיחות, ולפנות זמן לחקירה עמוקה יותר ופעולה. במקום להחליף שיפוט אנושי, AI‑ILS מארגנת ומייצבת דפוסי תקרית על פני שגיאות שורת החזית, תנאי עבודה, השגחה ונהלים ארגוניים. עם אימוץ רחב יותר ומאגרים גדולים ורב‑מרכזיים, כלים דומים יכולים לסייע לבתי חולים לעבור מתיקונים תגובתיים לאחר שאירע דבר לקידום שיפורים פרואקטיביים מונחי־נתונים באופן שבו ניתנת הטיפול — מה שיקטין בעדינות את הנזקים הניתנים למניעה ויהפוך טיפולים מורכבים כמו רדיותרפיה לבטוחים יותר עבור מטופלים בכל מקום.

ציטוט: Jinia, A.J., Chapman, K., Liu, S. et al. Artificial intelligence-based incident analysis and learning system to enhance patient safety and improve treatment quality. npj Digit. Med. 9, 254 (2026). https://doi.org/10.1038/s41746-026-02390-2

מילות מפתח: בטיחות מטופל, רדיותרפיה, דיווח על תקריות, בינה מלאכותית, גורמי אנוש