השוואת ביצועים בין מודלים לשוניים גדולים ומכונה בלמידה חישובית בחיזוי סיבוכים אחרי קיפופלסטיה פרקוטנית לשברים דחיסה חולייתיים אוסטאופורוטיים

מדוע זה חשוב לאנשים עם עמוד שדרה שביר

ככל שאוכלוסיית העולם מזדקנת, שברי עמוד שדרה כואבים הנובעים מדלדול עצם הופכים לשכיחים. טיפול נפוץ בשם קיפופלסטיה פרקוטנית יכול להקל במהירות על הכאב, אך עלול לגרום גם לתופעות לוואי לא רצויות. במחקר זה נשאלה השאלה האם כלי בינה מלאכותית מודרניים, כולל מודלים לשוניים גדולים הדומים לצ'אטבוטים פופולריים, יכולים לסייע לרופאים לחזות אילו מטופלים סביר שיפתחו סיבוכים לאחר הטיפול.

הבעיה בגב והטיפול השכיח

שברי דחיסה חולייתיים אוסטאופורוטיים מתרחשים כאשר עצמות מוחלשות בעמוד השדרה קורסות, לעיתים אחרי נפילה קלה או אפילו מפעילויות יומיומיות פשוטות. קיפופלסטיה פרקוטנית מיועדת לייצב את העצמות השבורות על ידי הכנסת בלון ומילוי החלל במלט עצם, מה שבדרך כלל מקל על הכאב ומשיב חלק מגובה החוליה הקרושה. עם זאת, המלט עלול לדלוף מחוץ לעצם, ובחודשים שלאחר מכן עלולות להופיע שברים חדשים במפלסים אחרים של עמוד השדרה. סיבוכים אלה עלולים לגרום לבעיות חמורות, כולל פגיעה בעצב, בעיות ריאתיות וכאב ממושך, ולכן הרופאים מעוניינים בכלים שיזהו מטופלים בסיכון גבוה לפני הניתוח.

מודלים ממוחשבים ישנים ושיקול דעת אנושי

לפני עליית המודלים הלשוניים הגדולים, חוקרים פיתחו מערכות למידת מכונה מסורתיות שלמדו דפוסים מרשומות מטופלים וסריקות. מערכות אלה יכולות להעריך את הסיכוי לדליפת מלט או שברים חדשים על ידי שילוב פרטים רבים, כגון גיל, צפיפות עצם, צורת השבר ואופן פיזור המלט. במקביל, מנתחי עמוד שדרה מנוסים בונים את שיקול דעתם שלהם לאחר סקירת אותן מידע. אמנם המודלים הממוחשבים הישנים לרוב מופיעים בביצועים טובים, הם דורשים אימון קפדני, מומחיות טכנית ומשאבי מחשוב, מה שיכול להגביל את השימוש בהם בבתי חולים יום‑יומיים.

להעמיד את הצ'אטבוטים למבחן

במחקר זה אספו החוקרים נתונים מיותר מאלף מטופלים שטופלו בקיפופלסטיה בבית חולים גדול בבייג'ינג. עבור כל מטופל רושמו מידע קליני ותמונתי סטנדרטי, ולאחר מכן ביקשו משני מודלים לשוניים גדולים, מקבץ של מודלי למידת מכונה מסורתיים ושני מנתחי עמוד שדרה לחזות האם מלט העצם ידלוף והאם יופיעו שברים חדשים מאוחר יותר. הצ'אטבוטים נבחנו בשתי דרכים. בסביבת zero shot הם קיבלו פשוט את פרטי המקרה וביקשו חיזוי. בסביבת few shot הוצגו להם קודם מספר קטן של מקרים לדוגמה עם תוצאות ידועות, כדי לבדוק האם לימוד מהמקרים הללו ישפר את תשובותיהם.

מה המחשבים והמנתחים עשו נכון או לא נכון

בחיזוי דליפת מלט מיד לאחר הניתוח, המודלים הלשוניים הגדולים ביצעו די היטב. תוצאותיהם היו דומות לאלה של המודלים הממוחשבים המסורתיים הטובים ביותר ולטובה במקצת משיקול דעת המנתחים שעבדו לבדם. כאשר מדובר בחיזוי שברים חדשים חודשים לאחר מכן, עם זאת, הצ'אטבוטים התקשו. הניסיונות הראשוניים שלהם היו גרועים והוטו באופן משמעותי להניח שכמעט כולם יסבלו משבר חדש. הצגת מקרים לדוגמה שיפרה במידה מסוימת את הביצועים, אך למידת מכונה מסורתית, ובמיוחד מודל הנקרא Support Vector Machine, עדיין הופיעה מהימנה יותר. כמו כן הצ'אטבוטים נכשלו כאשר התבקשו לזהות תת‑סוגים ספציפיים של סיבוכים, כגון היכן בדיוק המלט נדלף או איזו חוליה תישבר כעת.

עזרה לרופאים, אך עדיין לא כלי עצמאי

ממצא מעניין אחד היה שמנתחים לעיתים נהנו מהסברים של הצ'אטבוטים, אך רק במשימות שבהן המודלים כבר התפקדו די טוב. כאשר החיזויים הבסיסיים היו חלשים, כמו במקרה של שברים לטווח הארוך, ההסברים לא שיפרו את החלטות הרופאים. באופן כללי, המחקר מראה שמודלים לשוניים גדולים נוכחיים יכולים להציע תמיכה שימושית בסיכונים לטווח הקצר אחרי קיפופלסטיה, אך הם עדיין אינם מהימנים מספיק כדי להחליף מודלים ממוחשבים קיימים או שיקול דעת מומחה. נכון לעכשיו, יש לראותם כעוזרים ראשוניים שדורשים כיוון נוסף, אימון טוב יותר על נתונים רפואיים ושילוב הדוק יותר עם כלי הדמיה לפני שיוכלו להנחות טיפול עמוד שדרה בעולם האמיתי בבטחה.

ציטוט: Wang, T., Chen, R., Liang, M. et al. Comparative performance of LLMs and machine learning in predicting complications after percutaneous kyphoplasty for osteoporotic vertebral compression fractures. npj Digit. Med. 9, 401 (2026). https://doi.org/10.1038/s41746-026-02588-4

מילות מפתח: שברים בחוליות בשל אוסטאופורוזיס, קיפופלסטיה פרקוטנית, מודלים לשוניים גדולים, למידת מכונה ברפואה, חיזוי סיכונים כירורגיים