בינה מלאכותית יוצרת רפואה מסוג חדש

האמנם החל התהליך שבמסגרתו AI יחליף את העוסקים במקצועות הקליניים – רופאות ורופאים, אחיות, אחים
ומרפאים מסוגים שונים? מצד אחד התשובה כביכול ברורה – לא, מצד שני כאשר מסתכלים אחורה, ובוחנים
את השאלה בדבר דיוק בקבלת החלטות נראה, שכבר בשנות ה 50 וה- 60 של המאה ה 20 הגיעו חוקרים כגון ג'ון מיל, דניאל כהנמן ועמוס טברסקי למסקנה שאלגוריתמים פשוטים מנבאים תוצאים קליניים ואבחנות רפואיות באופן עקבי ומדויק יותר מבני אדם (1).
מן הצד השני חלפו מעל 70 שנות מחקר ופיתוח, ואנחנו עדיין לא בתחילתו של תהליך החלפה משמעותי של בני אדם במקצועות הרפואה בקבלת החלטות רפואיות. מה כן? מחשבים וטכנולוגיה מהווים כיום חלק בלתי נפרד ממקצוע הרפואה, ומסייעים רבות לאנשי הרפואה בשטח בקבלת החלטות, ביצוע משימות, והתמודדות עם אתגרי מערכת הבריאות (2). לאלגוריתמים השונים, וליכולות המחשוב המתקדמות ישנה תרומה מכרעת לעולם הרפואה, ובמאמר זה נדון בשאלות הנוגעות לאינטליגנציה מלאכותית AI – Artificial Intelligence והשפעתה על הרפואה כיום ובעתיד.

מהי אינטליגנציה מלאכותית?

אינטליגנציה מלאכותית ( AI ) הינו מושג ותיק, המתייחס ליכולת של מערכות ממוחשבות לבצע פעולות מחשבתיות, אשר נחשבות ייחודיות לבני אדם כגון: חשיבה הגיונית, מציאת משמעות, הכללה ולמידה מתוך ניסיון עבר. האיש שהמציא את המושג, ג'ון מקארתי, תיאר זאת: "אינטליגנציה מלאכותית זה המדע וההנדסה ליצירת מחשבים אינטליגנטיים, בעיקר תוכנות אינטליגנטיות" (3).
ניתן לחלק את התחום במגוון חתכים. לצורך מאמר זה נגדיר AI על פי שלוש הגדרות משמעותיות:
1. מערכות מומחה: זהו AI במובנו הצר, בו מלמדים מערכת מחשב לתת תשובות צרות מבוססות אלגוריתם ועצי החלטות, המתארות חשיבה מותנית ) If-then ( ומבוססות על מאגר ידע רחב בנושא הספציפי עצמו. מערכות אלה נפוצות ברפואה, בשל היכולת שלהן לתת תשובות ודיאגנוזה על בסיס מאגר בעל נתונים רבים בתחום בצורה יעילה ומהירה (4).
2. למידת מכונה מודרכת: למידת מכונה מודרכת מייצגת יכולת של מחשבים ללמוד על בסיס דוגמאות ופידבק אנושי ומידע שפירשו עבורה, ולהכיר כך את המצב הבא ללא עזרה. קרי אם נראה מגוון תפוחים ונאמר כל פעם למכונה שזהו תפוח, היא תדע לזהות תפוח בצורה מעולה (5).
3. למידת מכונה לא מודרכת: זוהי למידת מכונה, בה המכונה אינה מקבלת סיוע, אלא רק מאגר נתונים, והיא מחלצת ממנו הקשרים, תיוגים והגדרות בעצמה. כך למשל נראה לה סרטונים רבים של חתולים, ולאחר שלמדה מהו חתול, ללא הדרכה תוכל לזהות חתול בהמשך. מודלים אלה הלכו והתפתחו, ומהווים כלי משמעותית בהתפתחות של יכולות רפואיות וטכנולוגיות אדירות (5).
זווית נוספת לבחינת מודלים של אינטליגנציה מלאכותית זו ההבחנה בין מודלים מבדילים Discriminative לבין מודלים יוצרים Generative. המודלים המבדילים יודעים להבחין במשהו מתוך הרבה הקשרים, לנבא מה יקרה בעתיד, ולבצע ניבוי סטטיסטי בצורה טובה מאוד. מערכות גנרטיביות יודעות על בסיס המידע שלמדו,
בסדר גודל אדיר, ליצור מידע חדש, המבוסס על מה שלמדו, על בסיס ניבוי המילה הבאה באופן סטטיסטי (6).
המודלים הגנרטיביים דוגמת ChatGPT טובים מאוד בזיהוי מהיר והבנה של תוכן, גם אם לא למדו אותו מוקדם יותר, וביכולות תקשורת פשוטות ואינטואיטיביות. מאז שמודלים אלו נכנסו לחיינו, בסוף שנת 2022 , השימוש בהם מתקדם בקצב מאריכי, תוך הרחבת היכולות לקבלת מידע במגוון צורות קלט – כתיבה, דיבור, תמונה ווידאו. תוספות אלו מעצימות עוד יותר את התחושה האנושית שחווים המשתמשים באינטראקציה עמם (7).

שימוש ב- AI ברפואה

מרחב ההשפעה של טכנולוגיות אלה ברפואה הוא נרחב ביותר, ובכל התמחות או תת נושא רפואי ומדעי ניתן לראות שינוי או אפשרות לשינוי. ניתן להבחין בכך, כאשר בוחנים את מספר האישורים אשר נתנה רשות המזון והתרופות האמריקאית ) FDA ( למוצרים רפואיים בהם מעורב AI – מ 12 אישורים בשנה בשנת 2012 ל 139 אישורים שניתנו בשנת 2023 (8).
כעת נבחן מגוון תחומים מרכזיים, בהם יכולות מחשוב אלה, המבוצעות על נתונים מספריים, שפה חופשית, תמונות ונתונים אחרים, משנות ומאפשרות יכולות מהפכניות בעולם הרפואה. יש לציין כי ההשפעה של מערכות מבוססות בינה מלאכותית רק יגברו, ומספר האפשרויות הינו כמעט בלתי מוגבל.

AI וביצוע החלטות קליניות

אחד התחומים, בהם קיים פוטנציאל נרחב, שכבר מתממש בשנים האחרונות, הוא סיוע של AI בקבלת החלטות קליניות, וניבוי מצבו של המטופל. יכולתם של אלגוריתמים חכמים לסרוק במהירות כמויות עצומות של מידע קליני כגון בדיקות דם, אבחנות, נתוני בדיקות אחרות, לבצע אינטגרציה של המידע, ולנבא את מגמת התוצרים, מאפשרת לתת לרופאים כלים לבצע החלטות קליניות מבוססות יותר, ואף להקדים ולמנוע את ההתדרדרות של המטופל (9).
מבחינת ידע רפואי, הכניסה של מודלים כגון Chat GPT שדרגו את היכולות של מודלים ממוחשבים להתמודד עם שאלות ידע רפואיות.
מחקר ישראלי שפורסם בתחילת 2024 מצא כי בהשוואה למתמחים ברפואה בישראל במגוון תחומי הרפואה כגון רפואה פנימית, כירורגיה, גינקולוגיה ופסיכיאטריה, ביצועי Chat GPT בגרסה 4 היו דומים לציוני החציון של המתמחים במרבית ההתמחויות. בפסיכיאטריה המודל הצטיין, וקיבל ציונים טובים מ 74%- מהמתמחים, בעוד שבהתמחות בילדים וגינקולוגיה המודל קיבל ציונים נמוכים ממה שהשיג בהתמחויות אחרות (10). מחקרים נוספים נעשו בתחום, ובדוח של אוניברסיטת סטנפורד מצוין, כי הציונים במבחן ידע רפואי שעוצב לבחון את הידע הרפואי הנקרא MedQA הציונים השתפרו פי 3 מאז שהחל השימוש במדד ב 2019- והגיעו לציון 90.2% . מחקרים אלה מראים כי מבחינת הידע עצמו והיכולת להחיל אותו על שאלות קליניות הוא שווה ערך או טוב יותר מבני אדם (8), אך זה עדיין לא פותר את השאלה בדבר היכולת להיות רופא.
ברמה הפרקטית של שימוש בכלים אלה ביום-יום הקליני, ישנן אלפי דוגמאות של כלים בעולם, המשתמשים ביכולות שונות של .AI נפנה לשתי דוגמאות ישראליות. האחת היא כלי לזיהוי הסיכון לסרטן המעי הגס מתוך בדיקת דם רגילה. יכולת זו פותחה בחברת Medial Earlysign בשיתוף מכבי שירותי בריאות, החברה קיבלה מסד נתונים ענק של בדיקות דם של מטופלים, וכן את התוצאה הקלינית לגבי גילוי סרטן המעי הגס. באמצעות למידת מכונה, ופיתוח של אלגוריתמים, הם מצאו כי ניתן לראות את תחילת המחלה מוקדם יותר באמצעות שינויים קטנים בתוך טווח הנורמה של רמת ההמוגלובין, ולהתריע מוקדם הרבה יותר על הסיכון למחלה. כלי זה מאפשר כיום לאבחן אנשים בסיכון לסרטן המעי, בעיתוי מוקדם יותר, ולנסות ולמנוע את מחלה חמורה (11).
דוגמא נוספת ליכולת לייצר אלגוריתמים, המאפשרים לאתר את מי שנמצאים בסיכון גבוה למחלה, ולמקד משאבים במניעת התדרדרותה, היא השימוש באלגוריתמים במהלך מגפת הקורונה.
שירותי בריאות כללית פיתחו באותה עת אלגוריתם שאפשר לסרוק את התיקים הרפואיים של מטופלים, ולפנות באופן אקטיבי רק לאלו שלהם היה סיכון גבוה לסיבוכים מהקורונה, ולבצע התערבות טיפולית ובדיקות באופן ממוקד. בהמשך האלגוריתם אפשר גם חלוקה נכונה של תרופות המונעות סיבוכים. באופן זה ניתן היה למקד משאבים באוכלוסייה הנכונה, ולמנוע בזבוז משאבים משמעותי בהתערבויות לא אפקטיביות (12).
דוגמאות אלו מאפשרות להבין כיצד היכולת למצוא תבניות וטרנדים בתוך מידע רפואי רב מאפשרת לספק לצוות הרפואי בסיס לקבלת החלטות קליניות מדויקת יותר ובמשאבים יעילים יותר. באופן כזה ניתן גם להגביר את ההתאמה האישית של הטיפול למטופל, שכן ניתן לראות ולבחון את נתוניו האישיים, ולהמליץ על אבחנות מסוימות.
בצורה זו ישנם כיום כלים רבים, שנועדו לתמוך באנשי הצוות הרפואי למתן רפואה מדויקת יותר ולהתמודד עם עומס המידע הרפואי.

AI לשיפור אבחנה באמצעות צילומי דימות

תחום הדימות הינו אחד התחומים בהם נכנסה יכולת של למידת מכונה באופן משמעותי ביותר. היכולת של אלגוריתמים לפענח תמונות, הביאה לשיפור משמעותי, הן ברמת המשאבים, והן ברמת הדיוק של פיענוח צילומי הדימות של מטופלים. מכונות מצליחות לבחון פרטים בתמונה באופן טוב יותר מאשר בני האדם, ולכן
כאשר מלמדים אותן לבחון קבצים של דימות (רנטגן CT MRI) הן מסוגלות למצוא ולסמן ממצאים שעשויים לברוח מעינו העייפה של רדיולוג. את העניין והחשיבות של השימוש ב- AI בתחום הדימות ניתן לראות גם דרך הגידול בכמות המחקרים בפקטור של פי 10 בין השנים 2007-2017 (13).
גם כאן, יש מגוון רחב של אפליקציות, העוסקות במגוון תחומי פעילות ואבחנות בעולמות הדימות. כך למשל, חברת AIDOC הישראלית פיתחה מערכת לפענוח צילומי רנטגן ו CT המאפשרת לסייע לרדיולוג לאבחן מגוון בעיות בתחום הקרדיולוגיה, נוירולוגיה ורדיולוגיה כללית.
המערכת למדה רבות ממאגרי מידע ענקיים, וכיום מסוגלת לסרוק את הצילומים, ולהציג נקודות וממצאים חשודים, הקשורים לאבחנה בה חושדים הרופאים. יכולות אלה משפרות גם את הדיוק באבחנה, אבל לא פחות מכך, את היעילות בשימוש במשאב הזמן היקר של הרדיולוג, בשל הצורך המופחת בזמן הקריאה של הממצאים, ובהקפצת ממצאים חשודים הדורשים התערבות מהירה לראש התור של המפענח (14).

מחקר ישראלי שפורסם בתחילת 2024 מצא, כי בהשוואה למתמחים ברפואה בישראל במגוון תחומי הרפואה כגון רפואה פנימית כירורגיה, גינקולוגיה ופסיכיאטריה, ביצועי Chat GPT
בגרסה 4 היו דומים לציוני החציון של המתמחים במרבית ההתמחויות. בפסיכיאטריה המודל הצטיין, וקיבל ציונים טובים מ 74%- מהמתמחים, בעוד שבהתמחות בילדים וגינקולוגיה המודל קיבל ציונים
נמוכים ממה שהשיג בהתמחויות אחרות

תחום נוסף בו יש התפתחות מערכות המשתמשות ביכולות AI לפענוח תמונה, הוא תחום האבחון של סרטן השד. כאן השימוש בממוגרפיה הוא נפוץ וזוהי טכנולוגיה בעלת מגבלות, בעיקר אצל נשים בעלות רקמת שד צפופה יותר, המגבירה את אי הוודאות של הממצאים.
מזה שנים רבות, שמשתמשים בטכנולוגיות ממוחשבות על מנת לסייע בקריאה ובאבחון של צילומים אלו. חברת Mica AI הישראלית פיתחה אלגוריתמים, המסייעים באבחון ושיפור היכולות של צילום הממוגרפיה. כך למשל מוצר שלהם המבוסס על שימוש ב AI שיפר ב 24%את הדיוק של אבחון נגעים חשודים, וסייע להורדה של 40% בכמות הביופסיות שנעשו לנשים (15).
היכולות המוגברות של AI בתחום זה מעלות גם שאלות רבות לגבי הצורך ברופאים בתהליך הפענוח, ובאוטומציה המלאה של התהליך.
אלו שאלות ללא פתרון מלא, והן בעלות מאפיינים אתיים, טכנולוגיים ומעשיים מורכבים.

AI ברפואה מותאמת אישית

רפואה מותאמת אישית היא היכולת של המטפל לספק טיפול, המותאם באופן יותר מדויק למאפיינים הספציפיים של המטופל העומד לפניו, ובכך לשפר את הסיכוי לתגובה עדיפה וחסכון בסבל ומשאבים של
שימוש בתרופות וטיפולים שאינם מועילים. יכולת התאמה אישית זו נובעת ברובה מההתפתחות המשמעותית ביכולת הפיענוח של הגנום האנושי, ויכולת הניבוי על בסיס תוצרי הפיענוח של סוגי התרופות הרלוונטיות לאדם. התפתחות זו נתמכת באופן משמעותי ביכולותAI המאפשרות לנתח את המידע הרב, ולמצוא הקשרים ותובנות בו.
הנתונים הרבים מאפשרים פיתוח יכולות של ניבוי וחיזוי אפקטיביים, המאפשרים לאנשי מקצוע בתחום הרפואה לפתח תכניות טיפול ממוקדות ויעילות יותר עבור מטופלים בודדים (16).
לדוגמא מחקר שפורסם בירחון Cancer Communication הראה כי שימוש במודל AI בשילוב שיטות סטטיסטיות הסתברותיות, הצליח לזהות סמנים ביולוגיים גנטיים מרכזיים הקשורים לשרידות של חולות
בסרטן השחלות. באמצעות המודל ניתן היה למצוא שני סמנים גנטיים ספציפיים כמטרות טיפוליות פוטנציאליות, אשר אומתו באמצעות ניסויי מודל בעכברים. גישה משולבת זו עשויה להביא לפיתוח טיפולים
ממוקדים ואישיים יותר בתחום הסרטן (17).
דוגמא נוספת ומעניינת היא Curate AI שפותחה על מנת להשתמש במידע של המטופל על מנת לאפשר בחירה של טיפול ומינון אופטימלי באמצעות שימוש ב- AI . המודל מאפיין את התגובה של המטופל מתוך למידה של המידע על התרופה והמינון שהמטופל קיבל, ומאפשר אופטימיזציה ליצירת תגובה אופטימלית (18).
עוד דוגמא, היא מודל DietGPT בו ניסו חוקרים וחוקרות לפתח מודל מבוסס בינה מלאכותית שיוכל לאפשר עצות תזונתיות מותאמות אישית.
החוקרים עשו שימוש מתוחכם בשני אלגוריתמים של AI המזינים מידע למודל שפה גדול (סוג של (GPT האחד בוחן ומעבד את הנתונים האישיים של המטופל, שבמסגרת המחקר היו אלו נתונים שיוצרו משעונים חכמים, יומני תזונה ומידע נוסף. מודל ה AI השני עסק דווקא באיסוף מידע מחקרי כללי על מנת לייצר ולעדכן המלצות תזונתיות כלליות. שני אלה בתורם מזינים את מודל השפה הגדולה שמשמש כאינטגרטור וכשיחה ממש, המסוגל לעצב עצות מותאמות ומבססות למטופל. מדובר במחקר פיילוט ראשוני אך מעורר תקווה (19).
שילוב זה של בינה מלאכותית ברפואה מותאמת אישית הינו בעל פוטנציאל לשפר את התוצאות עבור המטופלים, להפחית את הסיכון לתגובות לוואי משימוש בתרופות ולייעל את ניצול המשאבים במערכת הבריאות.

AI בפיתוח תרופות

בנוסף ליכולת לבצע החלטות טיפוליות בהתבסס על AI המנתח מידע גנטי וביולוגי רחב, נולדה גם יכולת משמעותית לפתח ולבדוק מולקולות שונות לצורך פיתוח תרופות (19). תחום זה התפתח רבות
בשנים האחרונות ומאפשר לחברות התרופות ולמדענים ליצור מולקולות מותאמות לפעילות נגד מחלות, ואף לבדוק אותן באופן מהיר יותר בעזרת הדמיות של ניסויים מוקדמים, המבוצעים באמצעות AI (20). בתחום זה ראוי לציין את אחת ההתפתחויות המרשימות של שימש ב AI וזהו מנוע Alpha Fold שפותח על ידי גוגל, המאפשר לבצע הדמיה ופיתוח של קיפול תלת מימדי לחלבונים, והבנת צורתם באופן שלא ניתן היה קודם. מנוע זה מאפשר פריצות דרך ביצירה מלאכותית של חלבונים למטרות טיפוליות ואחרות באופן מהיר ומדויק הרבה יותר (21). כלים אחרים מאפשרים כיום יצירת מולקולות כימיות, המבוססות על כלי למידת מכונה ומודלים של שפה, המבינים את השפה של הכימיה באופן דומה לשפה כתובה, ויכולים לייצר באופן
יזום מולקולות חדשות שאינן קיימות בטבע, ולבחון את האפקטיביות הצפויה שלהן (22). כל אלה מאפשרים להאיץ באופן משמעותית את תהליך הפיתוח של תרופות. תהליכים שלקחו שנים רבות הפכו לתהליכים שניתן להשלים בחודשים ספורים (23).

AI לקידום הטיפול מרחוק והעצמת המטופל

טלה-רפואה וניטור מטופלים מרחוק לא הומצאו לאחרונה, אלא כבר לפני עשרות שנים. הצורך בניטור מטופלים מרחוק נובע מתוך ההבנה, כי הביקוש לשירותי בריאות נמצא בעליה מתמדת, בשל ריבוי והזדקנות האוכלוסייה (24).
מגפת הקורונה הדגישה את חשיבותם וערכם המשמעותי של הכלים לניטור וטיפול מרחוק ביכולת להתמודד עם מצבים מורכבים והגבלות בהגעה למרפאות ובתי חולים. האפשרות להשתמש בכלים וטכנולוגיות המונעות על-ידי בינה מלאכותית מילאו תפקיד מרכזי בתחום זה (25). מכשירים נישאים וכלים שונים, המכילים חיישנים רבים לניטור מרחוק, ומונעים על-ידי בינה מלאכותית, יכולים לאסוף ולנתח נתונים בזמן-אמת על מצבו הרפואי של החולה, ובכך לאפשר לאנשי-מקצוע בתחום להגיש טיפול מרחוק, מבוסס נתונים שהיו נאספים פעם רק במרפאות (24).
מודל טיפולי זה לימד גם את המטופלים, שניתן לאסוף נתונים על בריאותם, ולהעצים את היכולת שלהם לטפל בעצמם בביתם. החל מביצוע בדיקות קורונה עצמאיות ועד שימוש בכלי אבחנה מתקדמים יותר – כמו כלים לשמיעת הריאות, בדיקת אוזניים, בדיקות דם ביתיות ועוד. כל אלה מהווים בסיס ליכולת לבקש אבחנה מהבית. השילוב של אלגוריתמים ו AI מאפשר למטופלים גם לקבל פירוש מעודכן של מידע זה ולהגיע לשיחה הרפואית מוכנים יותר (26).
בתחום זה פותחו בשנים האחרונות גם יכולות לליווי תזונתי של מטופלים, ומתן כלים לניהול דיאטה. מדובר בכלים העושים שימוש באלגוריתמים לניתוח תמונה, באופן המאפשר למטופל בצילום פשוט להבין את ההרכב התזונתי של הצלחת שאכל, ולהתאים טיפול בסוכרת למשל, או לקבל הבנה אילו מרכיבי מזון צרך. אפליקציות אלה משלבות גם מודלים של בינה מלאכותית, אשר מסוגלת לתת עצות, ולאפשר תמיכה מרחוק למתמודדים עם צורך בשינוי ושמירה על תזונה (27).
גידול זה ביכולת לבצע רפואה מרחוק, מקבל אישוש גם ממחקר שבדק כמה מכשירים אישר ה- FDA לניטור מרחוק תוך שימוש ב- .AI נמצא כי בשנת 2023 אושרו לא פחות מ 47- מכשירים שונים. מתוך אלו, רוב המכשירים עסקו בניטור לבבי מרחוק, וחלק אחר בניטור מצב הנוזלים וסימנים חיוניים. המחקר מציין, כי יש מקום להרחבה משמעותית של ההיצע בתחום (24).
מחקר נוסף שסקר את הנושא טוען כי השילוב של בינה מלאכותית בניטור ובטיפול מרחוק בחולים מאפשר לשפר את הנגישות לשירותי בריאות, להמעיט באשפוזים חוזרים בבתי-חולים, לשפר את יכולות הטיפול והאבחון של הרופא, ולחזק את השתתפותם הפעילה של חולים בניהול מצבם הרפואי. עם זאת המחקר מתמודד גם עם קשיים בתחום ההטמעה של מערכות אלה, הצורך בחינוך והתאמה לתהליכי עבודה קיימים, והצורך המשמעותי עדיין בצוות הקליני להובלת התהליך (28).
כאמור, הטיפול הביתי חיזק את תפקיד המטופל במפגש הטיפולי. אך מעבר לטיפול מרחוק, האלגוריתמים עצמם מעצימים את המטופל. בייחוד, כניסתם של הכלים של בינה מלאכותית יוצרת, המאפשרים למטופלים חיזוק נרחב ליכולות לבצע בדיקת לאבחנה שקיבלו, סקירת בעיות רפואיות, סיכום ותמצות של המידע הרפואי שברשותם, כמו גם הכנה טובה יותר לטיפולים ושיחות עם הצוות המטפל (26).

אחת ההתפתחויות המרשימות של שימש ב- AI זהו מנוע Alpha Foldשפותח על ידי גוגל, המאפשר לבצע הדמיה ופיתוח של קיפול תלת מימדי לחלבונים, והבנת צורתם באופן שלא ניתן
היה קודם. מנוע זה מאפשר פריצות דרך ביצירה מלאכותית של חלבונים למטרות טיפוליות ואחרות באופן מהיר ומדויק הרבה יותר

כל אלו הינם רק תחילתה של מהפכה רחבה יותר, שהבינה המלאכותית היוצרת עתידה לייצר בתחום התקשורת עם המטופלים, וכן טיפולים ומידע מרחוק.
דוגמא מעניינת לעתיד זה הוצגה במאי 2024 על ידי חברת K health הישראלית. החברה פיתחה בעבר אלגוריתמים המאפשרים לתת מענה באמצעות צ'אט למטופל על מצבו הרפואי מתוך אבחון הסימפטומים שלו, כאשר בעצם האלגוריתם משווה את מצבו לחולים הדומים ממאגר הנתונים הענק, שהונגש לחברה על ידי מכבי שירותי בריאות. באמצעות שירות זה התאפשר לחברה להוות מעין שער מיון לטיפול הרפואי, ולהציע למטופל אבחנה משוערת, ודרכים להמשך טיפול, וחיבור לרופא מרחוק לאחר שכבר נשאלו מרבית השאלות.
כעת החברה מציגה שדרוג למוצר באמצעות שילוב של כלים של בינה מלאכותית יוצרת, שיאפשרו למטופל לקבל תשובות מבוססות גם על האלגוריתמים הקיימים, וגם יכולות נוספות המבוססות על תיקו הרפואי האישי, וכל זאת בשיחה טבעית ופשוטה. מוצר זה מייצג את השיפור המשמעותי בנגישות של כלים ומידע למטופלים, ומעצים באופן משמעותי את יכולתם לטפל בעצמם (29).

AI ברפואה – תהיות על רגולציה ואתיקה

הצמיחה המאריכית בשימוש בכלים ממוחשבים לסיוע ואף ביצוע החלטות רפואיות מייצר מורכבות רבה מבחינה אתית ורגולטורית.
השאלות המרכזיות אשר עולות הן בנושא שקיפות, אחריות, פרטיות, הטיה של התוצאות, ונגישות שוויונית לשירותים הללו. באופן עקרוני מתקשים הרגולטורים לעמוד בקצב ההתקדמות הטכנולוגית ולתת מענה ברור למה אפשרי ומה לא. לקושי זה שתי השלכות: התקדמות העלולה ליצור נזק, או עיכוב הנובע מחוסר הרצון לקחת סיכונים ללא גיבוי רגולטורי ברור (30).

פרטיות ואבטחת מידע
הסודיות הרפואית היא אבן יסוד בטיפול הרפואי, וזליגה או הפרה שלה פוגע אנושות באמון בין המטופל לבין מערכת הבריאות, ולכן הסיכונים בתחום זה צריכים להיות מנוהלים בקפידה. באופן כמעט מובנה השימוש בכלי AI אלו "מפזר" את המידע הרפואי של המטופל לעוד מקומות, ומעלה את הסיכון לחשיפתו. ככל שכמות המידע גדלה כך גדל הסיכון. מודלים של בינה מלאכותית, בעיקר אלו הפתוחים לקהל באופן פשוט, לרוב אינם מקפידים על הפרטיות הנדרשת למידע רפואי, ועל כן העברת מידע רפואי אליהם חושפת את המטופלים לסיכון. הרגולציה בתחום זה מתקדמת ויחסית סדורה יותר, אם כי ההטמעה שלה לטכנולוגיות חדשות היא תמיד אתגר. מצד שני העמסת רגולציה מכבידה מדי יכולה גם לעצור את ההתקדמות ולמנוע חלק מהיתרונות (31).

שקיפות ואחריות
כשאלגוריתם ממוחשב מקבל החלטה בעלת השפעה על חיי אדם, מיהו האחראי, וכיצד תיבחן ההחלטה אם תוביל לתוצאה בלתי רצויה?
הטכנולוגיה של למידת מכונה, בחלקה, מתנהגת כקופסה שחורה, אנחנו יודעים מה הכנסנו, יודעים מה הייתה השאלה ומה התוצאה, אך לא תמיד ברור לנו מהם הקריטריונים דרכם התקבלה ההחלטה, זה מובנה בסוג הטכנולוגיה. חוסר שקיפות זה מקשה מאוד על רגולטורים, וגם על משתמשים לבחון את הטכנולוגיה, ולדעת כיצד למנוע ממנה טעויות, או לחזור חזרה ולנתח, אם וכאשר תתבצע טעות. בנוסף, היא מקשה על השאלה של מי האחריות להחלטה – האם רופא, המסתמך על אלגוריתם בקבלת ההחלטה נושא באחריות בלעדית?
לאור זאת הרגולציה על מכשירים המבוססים על AI מגדירים סטנדרטים של שקיפות ויכולת לבחון את שרשרת ההחלטות, אך הטכנולוגיה מתקדמת והשאלות ממשיכות להיות פתוחות (30).

הטיה בקבלת החלטות
למרות שנראה כי מחשבים אינם לוקים ביכולת להיות גזענים, או בעלי דעה קדומה, הרי שבסוף אלגוריתמים לומדים את התבניות מהנתונים שאנו מזינים אותם. אחת התופעות הידועות, לא רק ברפואה, היא ההטיות הקיימות בנתונים עצמם. קשיים אלה מועצמים בעולמות הרפואה, ויכולים אף לסכן מיעוטים ו/או מטופלים אחרים. הטיות עלולות לקרות לאורך כל שרשרת הפיתוח וההטמעה של כלי AI החל מבעיות סטטיסטיות בנתונים, הטיות בתיוג הנתונים על ידי מומחים, הטיות באוכלוסייה שעליה מבוצעת הלמידה, הטיות התנהגותיות ועוד. המודעות לבעיות אלה גדלה בשנים האחרונות, וישנם דיונים משמעותיים כיצד ניתן לתקן את העיוותים הללו על מנת שהמודלים של הבינה המלאכותית אכן יממשו את ההבטחה שלהם לרפואה טובה יותר. היכולת לתקן את ההטיות נובעות מתכנון נכון, בחינה של הנתונים ומקור היווצרותם, גיוון בצוותים המפתחים, בחינה מעמיקה לפני הטמעה, בחינה לאחר הטמעה, גיוון בסיסי הנתונים ועוד (30).

הטיפול הביתי חיזק את התפקיד המטופל במפגש הטיפולי. אך מעבר לטיפול מרחוק, האלגוריתמים עצמם מעצימים את המטופל. בייחוד, כניסתם של הכלים של בינה מלאכותית יוצרת, המאפשרים
למטופלים חיזוק נרחב ליכולות לבצע בדיקת לאבחנה שקיבלו, סקירת בעיות רפואיות, סיכום ותמצות של המידע הרפואי שברשותם, כמו גם הכנה טובה יותר לטיפולים ושיחות עם הצוות המטפל

נגישות ושוויון
שוויון בקבלת שירותי בריאות הוא ערך יסוד בעולם כולו, ובישראל הוא מהווה ערך יסוד בחקיקה, המסדירה את שירותי הבריאות. עם זאת, וכפי שלמדנו בסעיף הקודם, הוא אינו מיושם במלואו מסיבות רבות. אחת הדאגות הקשורות ביישום כלים ממוחשבים היא שהיכולת לצרוך אותם דורשת משאבים, אוריינות טכנולוגית, נגישות לטכנולוגיה ומשאבים כספיים משמעותיים. כל אלו מהווים גורמים מדאיגים, בגינם כלים של בינה מלאכותית עשויים להגדיל את אי השוויון בבריאות בין אלו שיש להם לבין אלו שאין, ובשל פערי נגישות לגרום לפער באיכות הטיפול הרפואי המתקבל. גם כאן, נדרש הרגולטור, וכן הכוחות החברתיים השונים לעמוד על המשמר ולייצר פתרונות שיהיו נגישים, להגביר את האוריינות בקרב ציבור המטופלים, ולבחון שפריסת השירותים נעשית באופן שוויוני (30).

לסיכום
הפוטנציאל הגלום בשימוש בבינה מלאכותית ברפואה נמצא רק בתחילת דרכו, ועם זאת כבר מאפשר יכולות משמעותיות בשיפור בריאות וטיפול רפואי, לצד סיכונים לא מבוטלים. אנו צפויים לראות שינויים דרמטיים בדרכי הטיפול, קידום תרופות, דרכים להנגשת טיפול, ושינוי במאזן הכוחות במערכת הבריאות.
דרך מעניינת להסתכל על כך היא באמצעות הציטוט משנת 2013 של וינוד קוסלה, משקיע הון סיכון וממייסדי סאן מיקרוסיסטמס: " 80% מהרופאים יוחלפו על ידי מכונות", הגם שאין זה ברור, הרי שנראה כי 80% מעבודת הרופאים תוחלף בידי AI והמקצוע יעבור שינויים דרמטיים בתכולתו ( 32 ).