מודל הישרדות מבוסס למידת מכונה למניעה מותאמת אישית של קרישי דם הקשורים לקטטר בחולי גידולים

מדוע המחקר הזה חשוב לחולי סרטן

רבים מהחולים בסרטן מסתמכים על צינורות פלסטיק דקים שמוכנסים לוורידים גדולים כדי לקבל כימותרפיה וטיפולים אחרים בלי דקירות חוזרות במחט. הקווים המרכזיים האלה משפרים את הנוחות אך עלולים גם לגרום לקרישי דם מסוכנים סביב הקטטר. כיום לרופאים יש מעט כלים מהימנים להעריך אילו מטופלים בסיכון גבוה או מתי הבטוח ביותר להסיר את הקטטר. במחקר זה מוצג מודל מונחה נתונים שמטרתו לחזות גם מי צפוי לפתח קריש הקשור לקטטר וגם מתי הסיכון בשיאו, כדי להתאים את הטיפול לכל אדם בצורה טובה יותר.

מאגר גדול של מידע קליני מהעולם האמיתי

כדי לבנות את כלי החיזוי שלהם, החוקרים אספו נתוני קטטר מ-30,947 מבוגרים עם סרטן שטופלו בארבעה בתי חולים בסין. לכל הנבדקים היה גידול ממאיר מאומת ועמידה לפחות בבדיקת אולטרסאונד אחת לאחר הכנסת הקו המרכזי. עבור כל הכנסת קטטר צברו החוקרים 47 מאפייני בסיס הכוללים גיל, מין, מדד מסת גוף, הרגלי עישון ושתייה, מחלות רקע כמו לחץ דם גבוה או קרישים קודמים, סוג ובשלב הגידול, פרטים על הקטטר עצמו וערכי בדיקות דם נפוצות. הם גם רישמו אילו תרופות כימותרפיות וטיפולים ממוקדים התקבלו בזמן שהקטטר היה במקום, ובדיוק כמה זמן נשאר כל קטטר לפני הסרתו או הופעת קריש.

ללמד מודל לעקוב אחר הסיכון לאורך זמן

במקום לשאול שאלה בינארית האם קריש יתרחש אי פעם, הצוות השתמש בגישת מודל הישרדות הכוללת את הזמן מהכנסת הקטטר עד יצירת הקריש או הסרת הקטטר. אומנו והושוו מספר מודלים של הישרדות בלמידת מכונה. המודל הסופי, שנקרא SM CRT, משתמש בשיטת בוסטינג מתקדמת כדי לייצר שני סוגי פלט לכל מטופל: ציון סיכון יחיד המדורג מאנשים בסיכון נמוך לגבוה, ועקומה מלאה שמציגה כיצד סיכון הקרישה של אותו אדם עולה ויורד יום־יום בזמן שהקטטר במקומו. המודל אותחל ונבדק באמצעות ולידציה מצולבת קפדנית ולאחר מכן הוערך על שלוש קבוצות בדיקה בלתי תלויות, כולל אחת שעקבה אחרי מטופלים לאורך זמן, כדי להפחית את הסיכוי שהתוצאות נובעות מיתר־התאמה (overfitting).

מי בסיכון גבוה ומתי השיא

מודל SM CRT הראה יכולת טובה להבחין בין מטופלים שיפתחו קרישי דם הקשורים לקטטר לאלה שלא, עם ערכי קונקורדנציה סביב 0.7 בכל קבוצות המבחן. הניתוח חשף מספר דפוסי סיכון ברורים. סוגי קטטר מסוימים, במיוחד קווים שהוכנסו דרך הווריד הפמורלי, נקשרו לסיכון קרישה גבוה יותר, בעוד שקפיצות מושתלות (implanted ports) וכמה קווים המוצבים בזרוע היו מגינים יותר כאשר הם היו ממוקמים כראוי. מיקום הגידול גם הוא היה חשוב: גידולים בחזה, כגון אלו הקרובים לוריד הנבוב העליון שבו יושבים לעתים קרובות הקטטרים, נשאו סיכון גדול יותר מאשר גידולים בבטן או באגן, ככל הנראה בשל לחץ מקומי וגורמי קרישה שמשתחררים בקרבת קצה הקטטר. מבין הטיפולים, מחלקות כימותרפיה מסוימות, ובמיוחד סוכנים אלקיליים כמו תרופות פלטינום, וכן תרופות נוגדות-אנגיוגנזיס בלטו כסיכון גבוה, בעוד שלב הגידול ורבים מהסמנים הדם השגרתיים היו פחות אינפורמטיביים.

להפוך חיזויים להחלטות תזמון

חידוש מרכזי בעבודה זו הוא השימוש בעקומת הסיכון המלאה לאורך זמן במקום רק ציון יחיד. עבור כל מטופל מעריך המודל עקומת הסתברות המראה את סיכוי הקרישה בכל יום לאחר ההכנסה. החוקרים שטחו את העקומות הללו והגדירו חלון סיכון גבוה אישי כתקופות שבהן הסיכון החזוי עלה על חצי מערך השיא האישי. ימים לפני חלון זה סווגו כסיכון נמוך וימים לאחריו כטווח ארוך. כאשר השוו לתוצאות הממשיות, קטטרים שהוסרו בתקופות שהוגדרו על ידי המודל כסיכון נמוך או כטווח ארוך היו עם הרבה פחות אירועי קרישה ליום קטטר מאשר אלה שהוסרו במהלך תקופת הסיכון הגבוה החזויה, אפילו לאחר התחשבות בהבדלים בין מטופלים. שילוב ציון הסיכון הכולל עם חלונות התזמון אפשר קיבוץ מדויק יותר שמסייע להבחין בין מטופלים שמסוכנים בעקביות לאלה שסכנתם מוגבלת לפרק זמן קצר.

מה זה יכול להציע לטיפול היומיומי

להבנה הציבורית, המסר המרכזי הוא שהמחברים בנו כלי שלא רק מעריך עד כמה סביר שיהיו קרישי דם הקשורים לקטטר עבור מטופל סרטן נתון, אלא גם מדגיש מתי הסיכון חזק במיוחד. בעתיד, אם מודל כזה יאומת בניסויים התערבותיים וישולב בתהליכי מרפאה, רופאים עשויים להשתמש בו כדי לבחור את סוג הקטטר הבטוח ביותר, לתזמן בדיקות אולטרסאונד ממוקדות בימים החזויים כסיכון גבוה, להתאים תרופות מדללות דם או לתכנן הסרה מוקדמת יותר של הקטטר כאשר הסיכון מצטבר. למרות שיש צורך בבדיקות נוספות לפני שיוכל להנחות פרקטיקה שגרתית, מחקר זה מראה כי למידת מכונה מבוססת הישרדות יכולה להפוך מאגרי נתונים גדולים של בתי חולים לתובנות מעשיות ורגישות לזמן שעשויות לסייע בהפחתת סיבוכים עבור אנשים הנמצאים בטיפול בסרטן.

ציטוט: Ge, H., Liu, Q., Xie, J. et al. Machine learning survival model for personalised prevention of catheter-related thrombosis in tumour patients. Commun Med 6, 304 (2026). https://doi.org/10.1038/s43856-026-01561-2

מילות מפתח: קרישת קטטר, חולי סרטן, למידת מכונה, חיזוי סיכון, קטטר ורידי מרכזי