ניצול למידת מכונה מולטימודאלית לזיהוי מדויק של סיכון לאלימות בין בני זוג

מדוע סימני אזהרה נסתרים חשובים

אלימות במערכת יחסים רומנטית נשארת לעתים קרובות סודית, אפילו מפני הרופאים שרואים את הפציעות שהיא גורמת. עם זאת, רשומות רפואיות שומרות בשקט שנים של רמזים: ביקורי חירום חוזרים, דפוסים מסוימים של פציעות, והערות על כאב או חרדה. המחקר הזה בוחן האם מחשבים יכולים לקרוא את הרמזים הללו מוקדם יותר ובאופן מהימן יותר מאשר שאלות סקר פשוטות כיום, כך שנשים בסיכון לאלימות בין בני זוג יוכלו לקבל עזרה הרבה לפני נקודת משבר.

הפיכת הטיפול היומיומי למערכת אזהרה מוקדמת

החוקרים השתמשו ברשומות רפואיות אלקטרוניות משני בתי חולים גדולים בארה"ב, בהתמקדות בנשים שנרשמו לתכנית התערבות בהתעללות ביתית או נושאות אבחנות רפואיות הקשורות לאלימות בין בני זוג. עבור כל אחת מהנשים האלה הם בחרו חולות דומות באותו טווח גיל ורקע כללי שלא תועד לגביהן התעללות, וכך יצרו קבוצת השוואה מותאמת בקפדנות. מאז 2017, כל מפגש של המטופלות עם מערכת בית החולים סיפק נתונים — אבחנות, תרופות, בדיקות דימות, סימנים חיוניים, ביקורי חירום והערות קליניות כמו דוחות רדיולוגיה או סיכומי עובדת רווחה.

לימוד מחשבים לקרוא מספרים ונרטיבים

הצוות בנה שלושה סוגי מודלים חיזויים, כל אחד מותאם לרמת עושר נתונים שונה בקליניקות אמיתיות. מודל אחד השתמש רק במידע מובנה, כמו קודי אבחון, היסטוריות מרשמים וספירות של בדיקות דימות ספציפיות. מודל שני התבסס רק על הערות חופשיות, שהומרו לייצוגים מספריים באמצעות מודלי שפה רפואיים מודרניים שאומנו במקור על מיליוני משפטים קליניים. השלישי, מודל "מיזוג", שילב את שתי המקורות: זיקק דפוסים מתוך הטבלאות ומהנרטיבים, ואז הזין את המידע הממוזג למיין־לאף של למידת מכונה. כל המודלים אומנו לענות על שאלה יומית בכל מגע עם בית החולים: האם לחולה זה יש אינדיקציות לכך שהיא עשויה לחוות אלימות בין בני זוג?

עד כמה האותות הסיכון עבדו

כאשר נבחנו על נשים שלא נכללו באימון, שלושת המודלים הצליחו להפריד בין אלו עם התעללות ידועה לבין קבוצות ההשוואה בהתאמה גבוהה. הביצועים מתומחרים במטריקה הנקראת AUC, שבה 1.0 הוא מושלם ו-0.5 אינו טוב יותר ממקריות. המודל שהשתמש רק בטבלאי הגיע ל-AUC של כ-0.85, מודל ההערות בלבד כ-0.87, ומודל המיזוג המשולב כ-0.88. באופן מכריע, התוצאות האלה החזיקו גם כאשר המודלים הוטמעו בקבוצות חדשות: נשים שהצטרפו לתכנית ההתערבות בשנים מאוחרות יותר, נשים בבית חולים שני באותו רשת, ונשים שנשאבו אבחנות הקשורות להתעללות אך מעולם לא נכנסו לתכנית ייעודית. בכל המקרים נשאר מודל המיזוג מעל AUC של 0.8, מה שמרמז ששילוב מספרים וטקסט עושה את המערכת מדויקת ויציבה יותר בהקשרים שונים.

זיהוי דפוסים שנים לפני שנשים מחפשות עזרה

מעבר להבחנה בין מקרים לקבוצות בקרה, המודלים לעתים קרובות זיהו בעיות זמן רב לפני שנשים חשפו את ההתעללות למומחים. על ידי השוואת התאריך הראשון שבו המודל סימן סיכון גבוה לתאריך שבו אישה נכנסה לתכנית ההתערבות, החוקרים מצאו "תקופות הקדמה" ממוצעות של יותר משלוש שנים, עם מקרים רבים שסומנו ארבע או חמש שנים מראש. המודל המשולב זיהה חלק גדול יותר מהמקרים העתידיים מוקדם, בעוד שמודל הטבלאי בלבד לפעמים נתן הודעה מקדימה מעט ארוכה יותר עבור אלה שהוא גילה. ניתוח התכונות המבניות הדגיש דפוסי סיכון התואמים למחקרים קליניים מוקדמים: ביקורי חירום תכופים, בדיקות דימות של הגפיים העליונות מסוימות, שימוש גבוה בתרופות לכאב, אבחנות בתחום בריאות הנפש וסימני קושי חברתי — כולם נקשרו לסיכון גבוה יותר שחושב, בעוד שבדיקות מניעה שגרתיות כמו ממוגרפיה נטו להיות משויכות לסיכון נמוך יותר.

שימוש בציוני סיכון בלי לקיחת שליטה

המחברים מדגישים שהכלים האלה אינם נועדו "לאבחן" התעללות או להחליף את קולה של האישה. במקום זאת הם מדמיינים את המודלים פועלים בשקט ברקע של מערכות הרשומות האלקטרוניות, ומציעים לצוות המטפל ציון סיכון פרטי שיכול להניע שיחות עדינות ומודעות לטראומה והפניות בזמן לתמיכה חברתית ומשפטית. הם גם מזהירים שהנתונים משקפים רק נשים שהתעללותן תועדה או שביקשו עזרה, מה שאומר שקבוצות מסוימות נשארות תחת ייצוג. לפני פריסה רחבה, בתי החולים יצטרכו לבדוק ביצועים באוכלוסיות כלליות יותר, לפקח אחרי הטיות ולעצב אמצעי הגנה so שיובילו הציונים המסומנים להצעות עזרה רחומות — לא ללחץ או לאובדן אוטונומיה. בשימוש כזה, למידת מכונה מולטימודאלית יכולה להפוך מפגשי רפואה שגרתיים לשער מוקדם ומהימן יותר לבטיחות עבור אנשים המתמודדים עם אלימות ביתית.

ציטוט: Gu, J., Carballo, K.V., Ma, Y. et al. Leveraging multimodal machine learning for accurate risk identification of intimate partner violence. npj Womens Health 4, 15 (2026). https://doi.org/10.1038/s44294-025-00126-3

מילות מפתח: אלימות בין בני זוג, רשומות רפואיות אלקטרוניות, למידת מכונה, נתונים מולטימודאליים, זיהוי סיכון מוקדם