הבינה המלאכותית מבצעת משימות רבות בעולם הרפואה, שפעם היו ידניות לחלוטין. כאשר אתם עושים צילום רנטגן, CT או MRI, מודלים סטטיסטיים מנתחים את התמונה – ומסיקים ממנה מסקנות שמוגשות לטכנאי או לרופא.
המסקנות האלו מבוססות על מעבר על המון דוגמאות היסטוריות ועל המסקנות שהוסקו עליהן, ועל פיתוח יכולת ניבוי לדוגמאות עתידיות. באופן דומה, מודלים יכולים לנבא את הסיכוי לתמותה או את הסיכון לחלות במחלות מסוימות בעתיד, על בסיס בדיקות דם והיבטים קליניים אחרים. בדיקה והתאמה של תרופות למטופלים עוברות גם הן דרך מסננת של מודלים סטטיסטיים, שיכולים לסווג את החולים לקבוצות שונות אליהן מתאימות תרופות מסוגים שונים, ובכך להעלות את אפקטיביות הטיפול ולהפחית תופעות לוואי.
המודלים הקיימים כיום כבר מסוגלים לפתור את מבחני בתי הספר לרפואה ברמה שקולה לסטודנטים מצטיינים, כשבכל חודש יוצא מודל גדול יותר עם יכולות מרשימות יותר של ניתוח מידע רפואי.
אבל לפני שאתם מבטלים את החברות בקופת החולים שלכם, צריך להכיר במגבלות של מודלי השפה – ולקחת אותם בחשבון. המודלים הם נטולי ניסיון "אמיתי", כזה שרופאים צוברים במהלך שנות ההתמחות והעשייה שלהם במרפאות ובבתי החולים.
בשנים האלה, הרופאים לומדים כיצד לקבל החלטות המבוססות על האינטראקציה עם המטופלים, החששות והתחושות שלהם. כתוצאה מכך, מורכבות תהליך קבלת ההחלטות של רופא קשה עד בלתי אפשרית לחיקוי על ידי מודל סטטיסטי. אם לא די בכך, מודלי השפה לעיתים מפרשים את הטקסטים על בסיסם נבנו בצורה לא נכונה, מה שגורם, בין היתר, להדפסת מידע שגוי. למודלי השפה קשה להגיד שהם "לא יודעים", והנטייה שלהם היא פשוט להמציא: סגנון הכתיבה הרהוט והמנומק שלהם יכול להיות משכנע מאוד, גם כאשר הוא מבוסס על עובדות שגויות לחלוטין.
זמן עבודת הרופא יקוצר
האתגר הנוכחי של המערכת הרפואית הוא להצליח לשלב בתוך המערכות שלה מודלי שפה, ובכך לשפר ולהעצים את חוויית המטופל, וזאת תוך כדי שמירה על רמה גבוהה של דיוק והימנעות מטעויות שעלולות לעלות בחיי אדם. כל שילוב של מודלים בתוך המערכת הרפואית צריך להיות תחת רגולציה שתשמור על פרטיות המידע של המטופל, ועם יכולת הסבר מעמיקה של החלטות המודל, שתהיה נגישה לרופא.
האתגר הוא גדול, אבל הערך הפוטנציאלי שלו גדול אף יותר. שילוב של מודלי שפה עם מודלים סטטיסטיים אחרים יוכל לאפשר לרופאים לקבל אבחון ראשוני ממודל השפה, המתבסס על מסקנות מודלים סטטיסטיים אחרים עליו הם יכולים לעבור באופן ביקורתי. תהליך זה יקצר את זמן העבודה של הרופא וימקד אותו במקרים המאתגרים יותר. המודלים יכולים גם להאזין למהלך הביקור של המטופל בקליניקה ולסכם בשניות את השיחה בין הרופא למטופל, כולל את ההמלצות שניתנו. מדובר בחיסכון זמן אדיר שיאפשר לרופא לשפר את איכות הטיפול שלו.
באמצעות התיווך של המודלים, התקשורת בין הרופא למטופליו תוכל להמשיך גם מחוץ לקליניקה, בכך שהם ינטרו בזמן אמת את מצבו הקליני של המטופל, וידעו לתקשר את מצבו הרפואי גם עבורו וגם עבור הרופא המטפל, ובמידת הצורך אף להקפיץ התראה שיכולה להציל חיי אדם.
דוגמה לכך ניתן למצוא בחברת Hello Heart, חברת סטארט-אפ בתחום ה-Digital Health, המתמקדת באופן אקסקלוסיבי במחלות לב, גורם התמותה הגדול בעולם המערבי. אפליקציית החברה מבוססת על בינה מלאכותית ולמידת מכונה, אשר מנהלת מעקב אחר מדדים רפואיים הקשורים לבריאות הלב. דרך השימוש באפליקציה, יוצרים המשתמשים שינוי אקטיבי באורח חייהם.
האפליקציה מגיעה עם מד לחץ דם דיגיטלי ומאפשרת לאנשים המשתמשים בה לעקוב בצורה נוחה אחר משתנים כגון לחם דם, דופק, משקל, התרופות שהם לוקחים, בדיקות מעבדה ופעילות ספורטיבית. באמצעות התראות חכמות, המשתמשים מצליחים להבין את המידע הרפואי הנוגע לבריאות הלב שלהם, מקבלים מידע בזמן אמת במצבים מסכנים חיים – ואף מגיעים לרופא בזמן.
הכותב הוא VP Data & AI בחברת Hello Heart