זיהוי מוקדם מבוסס מודל שפה עמוק של דום לב מחוץ לבית החולים משיחות חירום בזמן אמת

מדוע זיהוי מהיר של חירום לבבי חשוב

כשלב נעצר באופן פתאומי מחוץ לבית חולים, כל שנייה קובעת. הסיכוי לשרוד תלוי במהירות שבה מזהים את המקרה, מזעיקים עזרה ומתחילים בלחיצות חזה. עם זאת, אפילו ממוקדי חירום מיומנים עלולים לפספס אירועים אלה בשיחות מהוססות או כאוטיות. מחקר זה בודק האם מערכת בינה מלאכותית מתקדמת מבוססת שפה יכולה לנתח תמלולי שיחות חירום בזמן אמת ולסמן אפשרות לדום לב, וכך לספק למוקדנים זוג אוזניים נוסף בדקה הקריטית הראשונה.

מה קורה במהלך שיחת 911-סגנונית

דום לב מחוץ לבית חולים מתרחש ללא אזהרה, עוצר את זרימת הדם ומאיים על נזק מוחי בתוך דקות. הסיכוי לשרוד משתפר משמעותית כאשר עוברי אורח מתחילים בלחיצות חזה במהירות, לעתים בהנחיה טלפונית של המוקדן. אך המתקשרים עלולים להיות בהיסטריה, לא בטוחים במה שהם רואים, או מובלים שולל על ידי גפיפה לא תקינה שנשמעת כמו נשימה. לכן, מוקדנים לא מצליחים לזהות דום לב בכ־25% מהמקרים, מה שמעכב מתן הוראות מצילות חיים. כלים מסורתיים מנסים לסייע באמצעות רשימות שאלות נוקשות או זיהוי מילים מסוימות בשיחה, אך אלה עלולים להתבלבל משפה מעורפלת, רגשית או מטעה.

כיצד נבנתה בינה שמודעת לשיחה

החוקרים פיתחו מערכת בשם DyLM-OHCA שעושה שימוש במידול שפה עמוק, טכניקה דומה לזו העומדת מאחורי צ'אטבוטים מודרניים, כדי לנתח תמלילי שיחות חירום. במקום להתמקד במילים מבודדות, המודל קורא את החליפין בין המתקשר למוקדן כפי שהם מתפתחים. המערכת אומנה על כמעט 159,000 שיחות חירום משלוש ערים גדולות בדרום קוריאה, כולל יותר מ־2,600 מקרי דום לב מאומתים. במהלך האימון המודל למד להמיר כל רצף מילים חדש להערכה מתמשכת האם המתקשר מתאר דום לב, מקרה חירום חמור אחר, או בעיה פחות חמורה — וכל זאת בלי צורך בתוויות מפורטות לכל משפט.

כמה טוב המערכת מזהה דום לב

הצוות בדק את DyLM-OHCA על שיחות שמעולם לא נראו במהלך האימון וביקש ממנה להכריע בתוך 60 השניות הראשונות האם מתרחש דום לב. בהשוואה לארבע שיטות למידת מכונה מבוססות-מילה ידניות, המערכת המבוססת שפה הייתה מדויקת משמעותית יותר. היא הצליחה להפריד נכונה בין שיחות דום לב לאחרות ביותר מתשע מתוך עשר מקרים לפי מדדי סיכום סטנדרטיים, וזיהתה כ־80% מהמקרים האמיתיים בדקה הראשונה. בממוצע היא העלתה את האיתות הראשון שלה כ־20 שניות לתוך השיחה — יותר מ־20 שניות מהירות בהשוואה למודלים מחשוביים קודמים שדווחו במחקרים אחרים — ועדיין שמרה על שיעור אזעקות שווא של פחות מאחד מתוך עשר שיחות.

על מה המערכת למעשה מקשיבה

כדי להבין את החלטות המערכת, החוקרים בדקו אילו חלקים מהשיחה דחפו את המודל לאיתות דום לב. במקום להיאחז במילה קסם אחת, המודל הגיב לתבניות: מוקדן ששאל אם האדם בהכרה או נושם, ואחר כך מתקשר שאמר דברים כמו "לא מתעורר" או רמז שהמצב חמור. המודל גם עקב אחרי איך הביטחון שלו משתנה לאורך זמן. ברוב שיחות דום הלב האמיתיות, ברגע שהציון הסיכון עלה — הוא נשאר גבוה. לעומת זאת, ביותר ממחצית האיתותים השווא, הסיכון הגיע לשיא מוקדם ואז ירד כאשר השיחה חשפה פרטים המצביעים על חירומים אחרים כגון פרכוסים או התקפי נשימה.

כיצד זה עשוי לסייע למוקדנים באמת

בפן המעשי, DyLM-OHCA מעוצב כעוזר שקט, לא כתחליף לשיקול דעת אנושי. ככל שהשיחה נמשכת, הוא יעדכן באופן רציף אות סיכון שהמוקדן יוכל לראות, יחד עם הסברים פשוטים על אילו ביטויים אחרונים הניעו את האיתות. ההקשר הזה עשוי להפוך את האזהרות לנוחות יותר לאמון מאשר אזעקות קופסא-שחורה של מודלים ישנים, ועלול לעודד שאלות ממוקדות יותר או הנחיות מוקדמות ללחיצות חזה כשכל שנייה חשובה. המחקר הוצא לפועל על שיחות בקוריאנית ממדינה אחת ולא נבדק עדיין בזמן אמת, אך הוא מציע שמערכות שמודעות לשיחה עשויות לשפר באופן מהותי את הזיהוי המוקדם של דום לב ולשפר בסופו של דבר את ההישרדות.

ציטוט: Choi, HJ., Hwang, M., Cho, S. et al. Deep language model-based early recognition of out-of-hospital cardiac arrest from real-time emergency calls. npj Digit. Med. 9, 307 (2026). https://doi.org/10.1038/s41746-026-02498-5

מילות מפתח: דום לב, שיחות חירום, בינה מלאכותית, מודלי שפה, CPR בסיוע מפעיל