הערכת בריאות לבבית בסביבות ובמכשירים שונים באמצעות מודל יסוד מולטימודלי שאומן מראש על נתונים מ-1.7 מיליון אנשים

מדוע נתוני פעימות הלב שלך חשובים

ממתקני ניטור בבית החולים ועד לשעונים חכמים — יותר ויותר היבטים של חיינו נמדדים באמצעות אותות חשמליים ואופטיים זעירים מהלב. הקלטות אלה יכולות לזהות הפרעות קצב מסוכנות, לאמוד לחץ דם ללא שרוול ואפילו להצביע על סיכונים לבביים עתידיים. אך מכיוון שהמכשירים וההקשרים מגוונים מאוד, האלגוריתמים הקיימים לעתים קרובות עובדים היטב רק במצבים הצרים שאליהם הם תוכננו. מחקר זה מציג סוג חדש של מודל "יסוד" לאותות לב, שמטרתו להבין את הבריאות הקרדיאלית על פני מספר גדול של מכשירים, מדינות ושימושים בו‑זמנית.

דרכים רבות להקשיב ללב

רופאים ומכשירים יכולים להקשיב ללב בכמה דרכים. המבחן הקלאסי בבית חולים הוא אלקטרוקרדיוגרמה (ECG) ב-12 נחשים, עם מדבקות המונחות על החזה והגפיים כדי להקליט את הפעילות החשמלית של הלב מזוויות שונות. מחלקות טיפול נמרץ משתמשות לעתים קרובות בפחות נחשים בצירוף חיישן אופטי הנקרא פוטופלתיysmוגרף (PPG), שמאיר אור בעור כדי לעקוב אחרי פעימות הדם בכלי הדם. בבית, שעונים חכמים וטלאים עשויים להקליט רק ערוץ ECG יחיד או רק PPG. כל אחת מההגדרות הללו מייצרת אותות בצורות, אורכים ומספר ערוצים שונים, מה שהקשה על בניית מודל אחד שיעבוד בכל מקום. גישות מסורתיות בדרך כלל מאמנות אלגוריתמים מותאמים נפרד לכל מכשיר ולכל משימה, והן מתקשות כאשר מעבירים אותן לסביבות או אוכלוסיות חדשות.

מוח יחיד לאיתור אותות לב רבים

החוקרים תכננו מודל יסוד לחישה קרדיאלית (CSFM) שישמש כמוח משותף לכל האותות הללו. במקום ללמוד ממסד נתונים אחד מסודר, ה-CSFM אומן על אוסף עצום ומבולגן: כ-1.7 מיליון הקלטות לב ממספר בתי חולים ומדינות, כולל הן גלומות ECG והן PPG וכן דוחות טקסטואליים שרופאים או מערכות כתבו לגביהן. המודל מחלק אותות לקטעים קצרים, ממיר גם את האותות וגם את המילים לטוקנים ומזין אותם לטרנספורמר — ארכיטקטורת למידה עמוקה שעמדה מאחורי התקדמויות אחרונות בהבנת שפה ותמונה. במהלך האימון מכסים באופן מכוון חלקים גדולים מן הטוקנים, והמודל לומד לשחזר את החלקים החסרים. אימון מסוג "הסתרה" זה מדחיק את ה-CSFM ללכוד את הדפוסים המהותיים המשותפים למכשירים, לנחשים ולשפות תיאור שונות.

מדרך אבחון ועד לחץ דם ומעבר לו

לאחר האימון, ניתן להסתגל ל-CSFM למגוון משימות קונקרטיות באמצעות מערכי נתונים מתויגים יחסית קטנים. הצוות בחן אותו במיון קצב הלב ומיון מחלות באמצעות ECG סטנדרטי ב-12 נחשים, ECG נלבש בערוץ יחיד ו-PPG משעונים חכמים. הוא לא רק השווה אלא לעתים עקף רשתות עמוקות חזקות המותאמות למשימה ספציפית. ה-CSFM גם סייע באמידת גיל, מין ומדד מסת גוף ישירות מקטעי ECG ו-PPG קצרים, מה שמראה שהוא ספג רמזים עדינים על האדם, לא רק על פעימות הלב. בניסוי נוסף הפך המודל ECG ו-PPG לגלי לחץ דם רציפים ואז לערכי סיסטולי ודיאסטולי, וייצר הערכות לחץ דם ללא שרוול מדויקות יותר מאשר שיטות מתחרות.

עבודה על פני מכשירים ומילוי חסרים

מבחן חשוב במיוחד היה האם ה-CSFM יוכל להתמודד עם מצבים שבהם זמינה רק תת‑קבוצה של המידע הרגיל. החוקרים הראו שמודלים שמותאמים מ-CSFM עבדו היטב בין אם הם ראו את כל 12 הנחשים, שישה נחשים, שני נחשים נפוצים או אפילו נחש יחיד. הם גם בדקו שילובים של קלטים של ECG בלבד, PPG בלבד ו-ECG פלוס PPG. בכל ההגדרות הללו, מערכות מבוססות CSFM נשארו חזקות בעוד שמודלים קונבנציונליים התדרדרו ביתר חדה. הייצוגים הפנימיים של המודל ניתנו אף הם לשימוש כמאפיינים מוכנים לכלים פשוטים כמו עצי גרדיאנט משופרים, והשיגו לעתים ביצועים דומים לאלו של רשתות עמוקות המותאמות באופן מלא. לבסוף, באמצעות הוספת ראש רגרסיה, ה-CSFM יכול לייצר סוג אחד של אות מתוך אחר — למשל לייצר ECG אמין מעקבות PPG, או לשחזר ECG מלא ב-12 נחשים מנחש יחיד — מה שפותח פתח להגדלת נתונים ולשיפור ניתוח כאשר הקלטים האידיאליים אינם זמינים.

מה זה יכול להציע למטופלים

עבור לא מומחים, המסר המרכזי הוא שמודל אחד כללי יכול כעת להבין הקלטות לב שונות לחלוטין ועדיין לספק תשובות מדויקות ושימושיות קלינית. במקום לבנות אלגוריתם שביר לכל מכשיר ולכל בית חולים, ה-CSFM מציע יסוד משותף שניתן להתאים בקלות לצרכים מקומיים — החל בזיהוי קצבים מסוכנים על שעון חכם ועד לחיזוי מי מהמטופלים נמצא בסיכון גבוה יותר למות בתוך שנה. המחברים מכירים בבעיות פתוחות, כגון הקלת פרשנות ההחלטות של המודל לרופאים והפחתת דרישות המחשוב שלו. אף על פי כן, התוצאות מציעות שמודלי יסוד לאותות לב עלולים לסייע להביא ניטור לב מתקדם וחיזוי סיכון ליותר אנשים, ביותר מקומות, באמצעות המכשירים שכבר יש ברשותם.

ציטוט: Gu, X., Tang, W., Han, J. et al. Cardiac health assessment across scenarios and devices using a multimodal foundation model pretrained on data from 1.7 million individuals. Nat Mach Intell 8, 220–233 (2026). https://doi.org/10.1038/s42256-026-01180-5

מילות מפתח: מודל יסוד לבבי, אלקטרוקרדיוגרמה, פוטופלתיysmוגרפיה, קרדיולוגיה דיגיטלית, ניטור לב נלבש