התמודדות עם אובדן נתונים בזיהוי מחלות בסנסורים לבישים באמצעות השלמה מבוססת GAN

מדוע אובדן נתונים ממכשירים לבישים חשוב

צמידי כושר ושעונים חכמים מציעים הבטחה מפתה: מה אם הם יוכלו להזהיר אותנו מפני זיהום ימים לפני שנרגיש חולים? בחלקים רבים של העולם, במיוחד באזורים כפריים עם מעט מרפאות ומעבדות, אזהרה מוקדמת כזו יכולה להכריע בין מחלה קלה לסכנת חיים. אבל במציאות אנשים שוכחים לענוד את המכשירים, הסוללות נגמרות וחיבורי האינטרנט נקטעים. המחקר בוחן שאלה פשוטה אך קריטית: האם ניתן להציל זרמי נתונים שבורים דיים כדי עדיין לזהות סימנים מוקדמים של מחלה?

להפוך רווחים לאות שימושי

החוקרים התמקדו בנתוני קצב לב ממכשירים שעל פרקי כף היד, מכיוון שקצב לב מנוחה לילי נוטה לעלות בעדינות לפני הופעת התסמינים. במקום לזרוק לילות עם קריאות חסרות, הם השתמשו בסוג של אינטליגנציה מלאכותית שנקרא רשת סותרת מייצרת (GAN) כדי למלא את החללים. חשבו על ה‑GAN כמנחש מיומן מאוד שלמד דפוסי קצב לב יומיים טיפוסיים ויכול לשחזר מה ככל הנראה קרה בשעות החסרות, ובמקביל לאפשר שינויים לא שגרתיים שנגרמים על ידי זיהום.

בדיקת הרעיון בשתי מחלות שונות מאוד

כדי לבדוק האם הגישה עובדת בשדה, הצוות חקר שתי קבוצות גדולות של אנשים. אחת הייתה קוהורטת COVID‑19 בארצות הברית עם למעלה מ‑3,000 משתתפים שהיו בדרך כלל בעלי נתוני לב לבישים אמינים. השנייה הייתה קוהורטת מלריה קטנה בהרבה במערב קניה הכפרית, שם רק בערך חצי מהקריאות המצופות של קצב הלב נרשמו בפועל בגלל בעיות טעינה, קישוריות ואתגרי זמן נשיאה של המכשיר. באופן מרשים, ה‑GAN אומן רק על נתוני ה‑COVID‑19, ועדיין הצליח לשחזר דפוסי קצב לב אמינים בקבוצת המלריה ללא אימון חוזר.

מציאת זיהומים נסתרים בקניה הכפרית

במחקר המלריה בקניה, 300 מבוגרים לבשו צמידים בזמן שעובדי שטח בדקו אותם באופן קבוע למלריה ואספו יומני תסמינים. המחברים שילבו את קצבי הלב הליליים המשוחזרים על ידי ה‑GAN עם מערכת פשוטה מבוססת חוקים שמחפשת עליות ממושכות מעל הקו הבסיסי הרגיל של כל אדם. מתוך 161 זיהומי מלריה, המערכת שלהם העלתה התראות מוקדמות ב‑100 מקרים, וב‑42 מתוך אלה לא הייתה כל התראה לולא מילוי הנתונים החסרים. בממוצע, התראות אלו הופיעו כ‑12 ימים לפני הדיווח על תסמינים, קרוב לזמן הידוע שלוקח לפרזיטים של המלריה להצטבר בדם. גם עם אובדן נתונים כבד, ההתרעות נטו להופיע בערך 3.5 ימים ברצף במהלך חלון הזיהום, מה שהגדיל את הסיכוי שעובדי בריאות יבחינו ויפעלו.

איזון בין דיוק, בהירות ומעשיות

הצוות השווה את ה‑GAN לשיטות מילוי רווחים מקובלות, מטכניקות פשוטות כמו העברת הערך האחרון עד גישה סטטיסטית מתקדמת יותר. בשתי קבוצות המחלות, ה‑GAN בדרך כלל הפיק את השחזורים המדויקים ביותר ושמר טוב יותר על דפוסי יום–לילה טבעיים של קצב הלב, אפילו כאשר יותר מ‑70 אחוז מהנתונים היו חסרים. כאשר אותות משופרים אלה הוזנו למודלים אוטומטיים לזיהוי זיהום, גם הרגישות (לכידת מקרים אמיתיים) וגם הדיוק (הימנעות מהתרעות שווא) השתפרו. באותו זמן, ה‑GAN עוצב להיות קל משקל ומהיר, כך שיוכל בסופו של דבר לפעול על מחשבים בסיסיים או התקני קצה באזורים עם חשמל וקישוריות מוגבלים.

מה זה יכול לשנות בטיפול השגרתי

ללא‑מומחים, המסקנה המרכזית היא שנתונים חסרים ממכשירים לבישים אינם סתם רעש שניתן לזרוק. עם סוג נכון של שיקום אינטיליגנטי, ניתן להפוך את אותם רווחים חזרה לאות אזהרה משמעותי. המחקר מראה שמודל AI שאומן על מחלה אחת (COVID‑19) יכול לסייע בזיהוי אחרת (מלריה) בהקשר שונה לחלוטין, ולספק לעובדי בריאות קהילתיים שבוע או יותר של הודעה מקדימה במקרים רבים. אם ייושם בצורה בטוחה ואתית, מערכות כאלה יכולות לסייע לעובדי בריאות בקהילה להחליט את מי לבדוק, מתי לבקר וכיצד להקצות משאבים נדירים, ולהעביר טיפול ממצב תגובתי למחלה מלאה לכיוון של זיהוי שקט של זיהומים בזמן שעדיין יש אפשרות להתערב.

ציטוט: Wallner, J., Berbuir, S., Birner, L. et al. Overcoming Data Loss in Wearable Disease Detection with GAN-Based Imputation. npj Digit. Med. 9, 275 (2026). https://doi.org/10.1038/s41746-026-02518-4

מילות מפתח: חיישנים לבישים, זיהוי מחלות זיהומיות, מלריה, השלמת נתונים חסרים, בריאות דיגיטלית בהגדרות בעלות משאבים מוגבלים