אבחונים בעזרת בינה מלאכותית, מעבדות ביו-ביטחון, ושאיפה למדוד את הדברים החשובים ברפואה
MAI-DxO של מיקרוסופט משיגה דיוק אבחוני של 83%, בריטניה ממנת מעבדת AI לביו-ביטחון, ומנהיגי בריאות דורשים מדדי תוצאות.
By Dr. Asher Knippel
כותרות חדשות הבריאות של בינה מלאכותית השבוע מתכנסות סביב מתח אחד: הבינה המלאכותית מוכחת ביכולתה, אך העבודה הקשה יותר — פריסתה בבטיחות, רגולציה הוגנת ומדידה כנה — כמעט ולא החלה.
MAI-DxO של מיקרוסופט עולה על רופאים באבחון מצבים מורכבים
במחקר שפורסם ב-Science, מנצ'ח MAI-DxO (Medical AI Diagnostic Orchestrator) של מיקרוסופט, שנבנה על GPT-5, השיג דיוק של 83.2% בבנצ'מרק שנלקח ממקרים מורכבים מארכיון ה-New England Journal of Medicine. בהשוואה, רופאים כלליים קיבלו 36.1% על אותם מקרים.
הפער מרשים, אך מיקרוסופט הייתה זהירה בניסוח. MAI-DxO מתוכנן לתפקד כשכבת הנמקה המתאמת מספר מודלים של בינה מלאכותית — איסוף היסטוריה רפואית, ביצוע בדיקות וסינתז ממצאים — ולא כתחליף ישיר לרופאים. ניסויים קליניים ב-Beth Israel Deaconess Medical Center בבוסטון צפויים להתחיל בקרוב, שם יוערך המערכת במפגשים אמיתיים עם מטופלים ולא על ארכיוני מקרים סטטיים.
מה שהופך תוצאה זו משמעותית מעבר למספר הכותרת הוא טבע הבנצ'מרק: מקרי NEJM קשים בכוונה, לעיתים כוללים מצגות נדירות או שילובים חריגים של ממצאים שמבלבלים אפילו קלינאים מנוסים. ציון של 83% על אותו תת-קבוצה אומר לנו משהו מהותי לגבי מה שמודלי שפה גדולים יכולים לעשות כאשר ניתן להם גישה מובנית לזרימות עבודה של הנמקה קלינית. האם ביצועים אלה נשמרים בתנאים הרועשים יותר של טיפול קליני חי — זו השאלה הפתוחה שניסוי בוסטון מתוכנן לענות עליה.
בריטניה משיקה מעבדת בינה מלאכותית לביו-ביטחון בשווי 300 מיליון ליש"ט
משרד הממשלה הבריטי הכריז על הקמת מעבדת בינה מלאכותית חדשה לביו-ביטחון, בגיבוי 100 מיליון ליש"ט של מימון ציבורי ועד 200 מיליון ליש"ט בזיכויי מודל שהתחייבו OpenAI ו-Anthropic. המשימה המוצהרת של המעבדה מקיפה שתי עדיפויות: זיהוי מוקדם של איומים ביולוגיים — כולל פתוגנים מהונדסים — ותאוץ פיתוח חיסונים ואמצעי נגד כשאיום חדש עולה.
העיתוי משקף הערכה מחודשת של תשתית הביו-ביטחון הלאומית לאחר המגפה. מערכות ניטור מסורתיות הן איטיות; התיאוריה כאן היא שמודלי בינה מלאכותית שאומנו על נתונים גנומיים, אפידמיולוגיים וקליניים יכולים לזהות אותות חריגים הרבה יותר מוקדם מניטור בריאות הציבור המסורתי. המבנה של זיכויי המודל מ-OpenAI ו-Anthropic גם ראוי לציון — הוא מרמז שחברות הטכנולוגיה רואות בביו-ביטחון גם טוב ציבורי אמיתי וגם תחום שבו הדגמת פריסה אחראית בונה אמון עם ממשלות.
מבקרים יציינו שזיהוי מוקדם שימושי רק כמו כוח התגובה שמאחוריו. המעבדה מתמודדת עם בעיית החישה; אילוצי שרשרת האספקה והייצור שהאטו את הפצת חיסוני COVID-19 היו בעיה מסוג שונה לגמרי. ובכל זאת, כיכולת מחקרית, מדובר בהתחייבות משמעותית.
AstraZeneca ו-Oracle מביאות בינה מלאכותית לניסויים קליניים גלובליים
שהוכרז בפסגת הבריאות העתידית של אבו דאבי, AstraZeneca ו-Oracle שותפות להחיל בינה מלאכותית ונתוני עולם אמיתי על פעולות ניסויים קליניים. שיתוף הפעולה מכוון לשלושה שימושים ספציפיים: התאמת מטופלים לניסויים ביעילות רבה יותר, אפשרות אבחון מוקדם יותר של מצבים כמו יתר לחץ דם, וניטור אותות בטיחות תרופות באוכלוסיות לאחר שיווק.
הגיאוגרפיה של ההכרזה — אבו דאבי — היא עצמה אות. השותפות כוללת תוכניות הרחבה ברחבי ארה"ב, אירופה והמזרח התיכון, מה שמצביע על כך ששתי החברות רואות בשווקים מתפתחים כחיוניים להרחבת מחקר קליני ולא מטפלות בהם כאזורי פריסה משניים.
התאמת מטופלים-ניסויים היא בעלת ביצועים כרוניים נמוכים. ניסויים רבים נכשלים בגיוס בזמן, מה שמעלה עלויות ומעכב גישה לטיפולים חדשים. אם בינה מלאכותית תוכל לצמצם משמעותית פער זה על ידי זיהוי מטופלים כשירים מוקדם יותר והפחתת כישלונות סקרינג, ההשפעה הנמשכת על לוחות זמנים של פיתוח תרופות עשויה להיות משמעותית. מקרה השימוש ביתר לחץ דם מעניין מסיבה שונה: הוא מרמז שהשותפות חושבת על הזזת האבחון במעלה הזרם, לפני שמטופלים מגיעים לנקודה של הצגה עם סיבוכים.
ה-FDA וה-MHRA ממפות מסגרות רגולטוריות למכשירי AI גנרטיבי
בכנס MedTech, ה-FDA וה-MHRA הבריטי (Medicines and Healthcare products Regulatory Agency) העבירו אותות מקבילים לגבי לאן הרגולציה על בינה מלאכותית גנרטיבית מתפתחת. ה-FDA ציין שהנחיות טיוטה למכשירים רפואיים המאופשרים על ידי בינה מלאכותית גנרטיבית מגיעות בקרוב — צעד שהתעשייה ציפתה לו כאשר יצרני מכשירים מנסים לתכנן מפות דרכים של מוצרים סביב אי-ודאות רגולטורית.
תוכנית ה-Pioneer של FDA-MHRA, שמקימה עמדות קישור הדדיות בין שתי הסוכנויות, מתוכננת להבטיח שהיישור הבין-לאומי יתרחש מוקדם ולא לאחר שמסגרות שונות כבר הוטמעו. ה-AMA שקלה בנפרד, וקראה לכל מסגרת רגולטורית לכלול תקני ביצועים בהובלת רופאים ומנגנוני אחריות ברורים ליצרנים כאשר מערכות בינה מלאכותית מתפקדות בצורה ירודה או גורמות נזק.
עמדת ה-AMA ראויה לתשומת לב רצינית. בנצ'מרקים של דיוק למכשירי בינה מלאכותית נקבעים כיום בעיקר על ידי מפתחים. רופאים שמשתמשים בכלים אלה בפועל — ושנושאים באחריות המקצועית והמשפטית על החלטות קליניות — יש להם אינטרס לגיטימי בעיצוב מה שביצועים טובים בעצם אומרים בהקשר קליני. מסגרת רגולטורית שמדירה את תשומתם מסתכנת באופטימיזציה עבור תוצאות שגויות.
פורום AI של HIMSS: הפסיקו למדוד דיוק, התחילו למדוד תוצאות
בסן דייגו, פורום HIMSS AI בבריאות הוציא תסכול שהתגבש בקרב מנהיגים קליניים מזה מספר שנים: המדדים המשמשים להערכת בינה מלאכותית ברפואה אינם המדדים החשובים למטופלים או למערכות הבריאות.
ציוני דיוק על בנצ'מרקים מוקפדים — הסוג שיוצר הודעות לעיתונות — מספרים לך משהו על יכולת המודל בתנאים מבוקרים. הם אומרים מעט על האם הבינה המלאכותית אכן מאומצת על ידי קלינאים, האם היא משנה התנהגות קלינית בדרכים שמועילות למטופלים, האם היא מפחיתה את הנטל האדמיניסטרטיבי, או האם עלויותיה מוצדקות על ידי התוצאות שהיא מייצרת.
מחקר HIMSS חדש שהוצג בפורום מראה שהנלהבות מבינה מלאכותית ברפואה נשארת גבוהה בכל הסקטור, אך מחסומי אימוץ נמשכים: שילוב זרימת עבודה קשה, אמון קלינאים מחולק באופן לא שווה, ומדידת תוצאות לא בשלה. המנהיגים בפורום טענו לטובת מעבר להערכת השקעות בינה מלאכותית על בסיס תוצאות מטופלים, שיעורי אימוץ קליני וביצועים תפעוליים — מדדים שדורשים אופקי זמן ארוכים יותר וייחוס מורכב יותר מדיוק בנצ'מרק, אך שבסופו של דבר קובעים האם הכלים הללו שווה לבנות.
האירוניה לא נעלמת מעיניים שבאותו שבוע שבו MAI-DxO יצרה כותרות עבור ציון הבנצ'מרק שלה, ועידת הפרקטיקאים של קהילת בינה מלאכותית הרפואית טענה שדיוק הבנצ'מרק אינו המדד הנכון. שני הדברים יכולים להיות נכונים: 83% על מקרי NEJM המורכבים מרשים ממש, ואינו ראיה מספקת שהמערכת תשפר את טיפול המטופלים. הניסוי הקליני בבוסטון הוא, במובן זה, בדיוק סוג הבדיקה שדוברי HIMSS ביקשו.
סיפורי השבוע, נלקחים יחד, מרמזים שהבינה המלאכותית ברפואה עוברת נקודת מעבר. שאלות היכולת הופכות לניתנות לתשובה יותר ויותר — מערכות מבצעות ברמות שהיו נראות לא סבירות לפני חמש שנים. השאלות הקשות יותר, על ממשל, מדידה, אימוץ ואחריות, הן שם שמרוכז העבודה האמיתית כעת.