למידת מכונה חוזה מסלולי הידרדרות בספסיס

מדוע זה חשוב עבור מטופלים ובני משפחה

ספסיס הוא סיבוך שכיח ולעתים קטלני של זיהום ביחידות טיפול נמרץ, ומהלך המחלה יכול להשתנות במהירות. משפחות ורופאים מתקשים לדעת אילו חולים יתאוששו ואילו מועדים לכשל מערכות מסכן חיים. המחקר בוחן האם אלגוריתמים ממוחשבים יכולים לזהות תבניות בנתוני המיטה כדי לחזות לאן המחלה של החולה מתפתחת שעות לפני שזה נהיה ברור, ולפתוח חלון להתערבות מוקדמת וממוקדת יותר.

מסלולים שונים של החלמה והידרדרות

החוקרים ניתחו רשומות של כמעט 48,000 מבוגרים עם ספסיס שטופלו ביחידות טיפול נמרץ בסין ובמאגרי מידע גדולים של בתי חולים בארצות הברית. הם בדקו כיצד ציון תפקוד האיברים והערכים החיוניים השתנו לאורך זמן, במקום תמונות בודדות ברגע נתון. באמצעות כלים סטטיסטיים הם גילו שהחולים נוטים לעקוב אחרי שלושה מסלולים עיקריים לאחר הגעתם ל-ICU: החלמה מהירה, החלמה איטית, או הידרדרות קלינית מתמשכת. מסלולים אלה לא היו רק תוויות; הם השתקפו בהבדלים ברורים בגיל, במחלות רקע, בנזק לאיברים ובתמותה. החולים במסלול ההידרדרות היו מבוגרים יותר, סבלו ממחלות כרוניות מרובות והציגו עלייה בציוני כשל האיברים וצורך גובר במכונות הנשמה ותרופות להעלאת לחץ דם.

צפייה בקצב הגוף

מעבר לערכים ממוצעים כמו לחץ דם או קצב לב, הצוות התרכז עד כמה אותות אלה משתנים לאורך זמן. הם גילו שה"מתרוננות" בקצב הלב, הידועה כשונות קצב הלב, נושאת איתה רמזים חשובים. חולים בהם דפוס קצב הלב הפך יציב מדי, עם תנודתיות טבעית מועטה, היו יותר מפעם וחצי עד פעמיים סבירות למות בתוך 28 יום לעומת אלו ששמרו על קצב גמיש יותר, גם לאחר התאמה לגיל וחומרת המחלה. השפעות דומות, אם כי קטנות יותר, נצפו בתנודות בלחץ הדם ובקצב הנשימה. ממצאים אלה תומכים ברעיון כי גוף בריא מאופיין בקצבים עשירים וגמישים, ואובדן מורכבות זו עלול להזהיר על קריסה מתקרבת לפני שהסימנים המסורתיים מופיעים.

לימוד מכונות לזהות סכנה מוקדם

כדי להפוך את התבניות לכלי מעשי, בנו החוקרים מודל מבוסס אנסמבל של למידת מכונה, סוג של תוכנה מתקדמת שמשלבת מספר שיטות חיזוי. המודל השתמש גם במידע בסיסי, כגון גיל וסוג הזיהום, וגם בתכונות דינמיות כמו מגמות, שיפועים ותנודתיות של המדדים החיוניים ובדיקות מעבדה. המודל אומן בבית חולים אחד, ואז נבדק בקבוצת חולים אחרת ובהמשך בשני מאגרי ICU ציבוריים גדולים. הוא הבחין בדיוק בין חולים שהתדרדרו לאחר מכן לאלה שלא, עם ביצועים חזקים ברחבי בתי חולים שונים, סוגי זיהומים וקבוצות גיל. בממוצע הוא הזהיר לגבי הידרדרות כ-18 שעות לפני שהתרחשה, והערכות הסיכון שלו התאימו היטב לתוצאות הממשיות.

השפעה על הטיפול במציאות הקלינית

הצוות הטמיע את המודל במערכת תמיכה בהחלטות ליד המיטה שממיינת חולים לקבוצות סיכון נמוך, בינוני וגבוה על סמך המסלול החזוי שלהם. הרופאים פעלו לפי תוכניות תגובה סטנדרטיות לכל רמה, כגון ניטור צמוד יותר או טיפול אגרסיבי יותר עבור אלה שסומנו כסבירים להתדרדרות. לאחר התאמה להבדלים בין המטופלים, אלו שטופלו בעזרת המערכת שהו כמעט יום-יים פחות ביחידת הטיפול הנמרץ, נזקקו להנשמה מכנית ככחצי עד יומיים פחות, והיה להם סיכוי נמוך ב-5.7% למות בתוך 28 יום בהשוואה לחולים דומים שטופלו לפני השימוש במערכת. התועלות היו הגדולות ביותר עבור החולים בקבוצת "ההחלמה האיטית" שבמראה נראה שהיתה להם האפשרות הגדולה ביותר להסיטם מהידרדרות על ידי פעולה מוקדמת.

מה משמעות הדבר להמשך

המחקר מציע שמעקב אחרי האופן שבו מצב חולה בספסיס משתנה לאורך זמן, ובפרט כיצד הקצבים של הלב והמחזור מאבדים גמישות, יכול לסייע למחשבים לחזות מי נוטה להידרדר. בשילוב עם נוהלי טיפול ברורים ליד המיטה, תחזיות אלה נוקשרו לשהיות קצרות יותר ב-ICU, פחות זמן על מכונות הנשמה ופחות מקרי מוות. למרות שהעבודה דורשת עדיין בדיקות בניסויים אקראיים ובמערכות בריאות נוספות, היא מצביעה כלפי עתיד שבו כלי ניטור חכמים ושקופים יעזרו לרופאים לעבור מתגובה למשברים לצפייה ומניעה שלהם.

ציטוט: Zhang, R., Long, F., Zhao, Z. et al. Machine learning predicts sepsis deterioration trajectories. npj Digit. Med. 9, 385 (2026). https://doi.org/10.1038/s41746-026-02565-x

מילות מפתח: ספסיס, למידת מכונה, ניטור טיפול נמרץ, שונות קצב לב, הידרדרות קלינית