12 שנה לפני האבחנה: המודל הישראלי שיודע לחזות סוכרת

כתב העת המדעי Nature פרסם ביום רביעי מחקר על GluFormer, מודל בינה מלאכותית שפותח בשיתוף חוקרים ממרכז המחקר של אנבידיה בישראל, מכון ויצמן למדע, אוניברסיטת MBZUAI מאבו-דאבי והסטארט-אפ הישראלי Pheno.AI. המאמר, שעבר ביקורת עמיתים, מציג יכולת משופרת לחיזוי סיכון עתידי לסוכרת ולמצבים רפואיים נוספים, עד 12 שנה מראש, על סמך נתונים היסטוריים של ניטור רציף של רמות סוכר.

GluFormer הוא מודל בסיס המבוסס על ארכיטקטורת Transformer, אותה גישה חישובית שעומדת גם בבסיס מודלי שפה גדולים, אך במקרה זה הותאמה לניתוח רצפים פיזיולוגיים. המודל אומן על יותר מ-10 מיליון מדידות שנאספו ממערכות לניטור רציף של גלוקוז בקרב יותר מ-10,000 בני אדם, רובם ללא אבחנת סוכרת בעת איסוף הנתונים.

בניסויים שנערכו על נתונים שנמדדו עד 12 שנה לפני אבחון רפואי, הצליח המודל לזהות שיעור גבוה ממקרי הסוכרת החדשים ומקרי התמותה ממחלות לב וכלי דם בקרב קבוצות סיכון, בדיוק העולה על מדדים קליניים מקובלים כגון בדיקת HbA1c.

HbA1c היא בדיקת דם שגרתית המודדת את רמת הסוכר הממוצעת בדם לאורך כשלושה חודשים, והיא משמשת כיום כסטנדרט לאבחון סוכרת. עם זאת, מדובר במדד ממוצע שאינו משקף תנודתיות, פיקים או דפוסים יומיים, ואינו מספק תמונה על האופן שבו הגוף מתמודד עם עומסי סוכר בזמן אמת.

לא ערך בודד, אלא תגובת הגוף לאורך זמן

בשונה מבדיקות דם תקופתיות, GluFormer נשען על נתונים שנאספים באמצעות מערכות לניטור רציף של גלוקוז, חיישנים לבישים הקיימים כבר כיום במכשירים מסחריים של חברות כמו Dexcom ,Abbott ו-Medtronic. חיישנים אלה כוללים רכיב זעיר המוחדר מילימטרים ספורים מתחת לעור ומודד כל כמה דקות את ריכוז הגלוקוז בנוזל הבין-תאי, הנוזל המקיף את תאי הגוף, שרמות הסוכר בו עוקבות מקרוב אחרי רמות הסוכר בדם.

היתרון של מדידה זו אינו בעצם הערך הבודד, אלא הרצף. אצל אדם עם מטבוליזם תקין, רמת הגלוקוז עולה לאחר אכילה בצורה מתונה, יורדת חזרה בתוך זמן סביר ומתייצבת. אצל אדם שהוויסות המטבולי שלו מתחיל להיפגע, העלייה חדה יותר, הירידה איטית יותר, והמערכת מראה תנודתיות גבוהה לאורך היום והלילה. בשלב זה, בדיקות דם עשויות עדיין להיראות תקינות, אך הדינמיקה כבר מאותתת על עומס פיזיולוגי מתמשך.

המודל אינו מספק אבחנה רפואית ישירה, אלא מזהה מצבים פיזיולוגיים סמויים המעידים על איכות הוויסות של הגלוקוז בגוף. במילים אחרות, הוא בוחן לא רק כמה סוכר יש, אלא כיצד הגוף מצליח להתמודד איתו לאורך זמן.

כשהגוף הופך לשפה

כאן נכנסת ארכיטקטורת ה-Transformer. בדומה לניתוח שפה, שבו המשמעות של מילה נגזרת מהקשר למילים שסביבה, גם בנתונים פיזיולוגיים המשמעות אינה נמצאת במדידה בודדת אלא בקשרים בין מדידות עוקבות. המודל לומד לחזות את "הרגע הבא" ברצף, לא כמטרה בפני עצמה, אלא כדרך להבין את המבנה העמוק של הדינמיקה הפיזיולוגית.

מתוך ההבנה הזו, GluFormer אינו "מדלג" 12 שנה קדימה, אלא מזהה דפוסים יציבים של ויסות או דיסרגולציה שמאפיינים מסלולים בריאותיים ארוכי טווח. כפי שמודל שפה יכול לזהות כבר בתחילת טקסט אם מדובר בסיפור, מאמר או חוזה, כך המודל מזהה בשלב מוקדם לאיזה כיוון המערכת המטבולית נעה.

מסוכרת לניהול בריאות מבוסס נתונים

החשיבות של GluFormer אינה מסתכמת ביכולת לחזות סוכרת שנים מראש. המודל מדגים שינוי תפיסתי רחב יותר באופן שבו בינה מלאכותית עשויה להשתלב בניהול הבריאות, לא כתחליף לרופא או לאבחנה קלינית, אלא ככלי להבנת הגוף כמערכת דינמית לאורך זמן.

בעשור האחרון חלה התרחבות דרמטית בניטור הפיזיולוגי הדיגיטלי. שעונים חכמים וצמידים לבישים מודדים באופן רציף דופק, פעילות, שינה, רמות סטרס ולעיתים גם חום גוף וחמצן בדם. מערכות ניטור גלוקוז רציף הוסיפו ממד מטבולי עמוק, והפכו תהליך שבעבר דרש בדיקות דם נקודתיות לזרם נתונים רציף המתעד את הגוף בזמן אמת. כל אחד מהחיישנים הללו לבדו מספק תמונה חלקית, אך יחד הם מייצרים ייצוג עשיר של האופן שבו הגוף מגיב לאורח החיים היומיומי.

עד כה, רוב הנתונים הללו שימשו בעיקר להצגה גרפית או להתראות פשוטות. העלייה האמיתית ברמת המורכבות מגיעה כאשר מודלים מבוססי AI מתחילים לחבר בין הרצפים, לזהות קשרים סמויים ולתרגם אותם להבנה פיזיולוגית. GluFormer הוא דוגמה מוקדמת לכך, אך העיקרון רחב בהרבה. אותם מודלים שפותחו כדי להבין שפה, תמונות ווידאו, מתחילים להיות מיושמים על "שפת הגוף" - רצפים של מדידות שמספרים סיפור מתמשך על מצב בריאותי.

המעבר הזה מאפשר שינוי באופן שבו אנו מדברים על בריאות. במקום הבחנה בינארית של בריא או חולה, או רשימת כללים כלליים של מה מותר ומה אסור, מתאפשרת הבנה אישית ומדורגת של מסלולים פיזיולוגיים. כיצד הגוף מגיב לתזונה מסוימת, איך שינה משפיעה על ויסות מטבולי, ומה המשמעות ארוכת הטווח של סטרס כרוני או חוסר פעילות. לא כהמלצות כלליות, אלא כהשלכות הנגזרות מהתגובה האמיתית של הגוף.

עבור תעשיית הבריאות הדיגיטלית, זהו פתח להזדמנות משמעותית. מערכות ניטור לבישות, אפליקציות בריאות ופלטפורמות ניתוח נתונים עשויות להפוך מכלי מדידה פסיביים למערכות תובנה אקטיביות, המסוגלות להתריע מוקדם, ללוות תהליכי שינוי ולתמוך ברפואה מונעת. עם זאת, מדובר גם באתגר רגולטורי וקליני, שכן מעבר ממדידה להבנה מחייב זהירות, שקיפות והגדרה ברורה של תפקיד האדם בתהליך קבלת ההחלטות.

במובן זה, GluFormer מספק הצצה לא לעתיד רחוק, אלא לשלב הבא של הרפואה הדיגיטלית. עתיד שבו הנתונים שכבר נאספים סביבנו מתחילים לקבל משמעות עמוקה יותר, ו-AI מסייע לנו לא רק לדעת מה קורה בגוף ברגע נתון, אלא להבין לאן הוא הולך - ומה עוד ניתן לשנות בדרך.