האם בינה מלאכותית יכולה
לתקן רשומות רפואיות?

בחור צעיר, נניח שקוראים לו רוג'ר, מגיע לחדר המיון ומתלונן על כאבי בטן ובחילות. בדיקה גופנית מגלה שהכאב ממוקד בצד הימני-תחתון של הבטן שלו. הרופאה חוששת שמדובר בדלקת התוספתן (אפנדיציטיס). אך עד שמתקבלות תוצאות הדימות רוג'ר כבר מרגיש טוב יותר והתוספתן שלו נראה תקין בסריקה. הרופאה פונה אל המחשב כדי לרשום לו שתי תרופות: משהו נגד בחילות ומשכך הכאבים טיילנול, ולבסוף משחררת אותו לביתו.

זה תרחיש אחד בשורה של סיפורים בדויים שהוצגו ל-55 רופאים בארצות הברית במסגרת מחקר העוסק בשימושיות של רשומות רפואיות ממוחשבות. כדי לרשום מרשמים, רופא צריך למצוא אותם במערכת הממוחשבת. בבית חולים אחד חיפוש פשוט של טיילנול מציג רשימה של יותר משמונים אפשרויות. רוג'ר הוא גבר בן 26, אך הרשימה כוללת טיילנול לילדים ותינוקות, כמו גם טיילנול לכאבי מחזור. הרופאה מנסה לצמצם את הרשימה על ידי הקלדת המינון הרצוי – 500 מיליגרם – בחלונית החיפוש, אך מקבלת אפס תוצאות. אז היא חוזרת לרשימה הראשית ובסוף בוחרת את אופציה מספר 68 – טיילנול מחוזק (500 מ"ג), שהוא המינון הנפוץ ביותר של התרופה.

משימה פשוטה לכאורה בזבזה דקות יקרות ודרשה הרבה יותר מדי טרחה ומחשבה. זוהי דוגמה אחת מיני רבות לתסכולים המייסרים שרופאים חווים באופן יומיומי כשהם משתמשים בעבודתם בתוכנות מעקב ותיעוד.

הרשומות הרפואיות הממוחשבות האלה – הגרסה הדיגיטלית של תיקי הקרטון שבהם רופאים תיעדו פגישות עם מטופלים, תוצאות של בדיקות מעבדה ומידע רפואי חשוב אחר – היו אמורות לשנות את ענף הרפואה. חוק טכנולוגיות המידע הרפואי לבריאות כלכלית וקלינית שהתקבל בארצות הברית בשנת 2009, הקציב תמריצים כספיים בסך של 36 מיליארד דולר כדי לעודד בתי חולים ומרפאות לעבור מתיקי קרטון לתיעוד ממוחשב. נשיא ארצות הברית דאז ברק אובמה אמר שהמעבר "יקצץ בפסולת, יבטל בירוקרטיה מיותרת ויצמצם את הצורך לחזור על בדיקות רפואיות יקרות". הוא הוסיף שהדבר "יציל חיים על ידי הפחתת מספר הטעויות הרפואיות הקטלניות הניתנות למניעה שקיימות במערכת הבריאות שלנו".

עבר זמנם של תיקיות הקרטון | אילוסטרציה: Science Photo Library

כשהחוק נכנס לתוקף, 48 אחוז מהרופאים בארצות הברית השתמשו בתיעוד ממוחשב. ב-2017 מספרם כבר האמיר ל-85 אחוז, אך המהפכה המובטחת מהשימוש ברשומות רפואיות ממוחשבות טרם התחוללה. רופאים מתלוננים על ממשקים מסורבלים ועל הזמן הרב שהם מבזבזים על הזנת נתונים. סקרים מעידים שהם משקיעים יותר זמן בהתעסקות עם התיק של המטופל מאשר במטופל עצמו. התוצאה היא שחיקה גוברת. אפילו אובמה זיהה שההשקה לא הלמה את הכוונות הטובות. "התברר שזה יותר מסובך מכפי שציפינו", אמר לחדשות Vox ב-2017.

עם זאת, לדברי רופאים ומדעני נתונים, לרשומות רפואיות ממוחשבות יש פוטנציאל של ממש לספק תובנות ולייעל תהליכים. בינה מלאכותית המבוססת על למידת מכונה – טכנולוגיה שמאפשרת למחשבים לזהות דפוסים במאגרי נתונים ולהסיק מסקנות בכוחות עצמם – עשויה לעזור להתגבר על מכשולים הנלווים לתיעוד רפואי ממוחשב ולמצות את הפוטנציאל שיש לרשומות הללו להפקת תחזיות ולשיפור הטיפול בחולים.

כישלון דיגיטלי

בשנת 2016 חבר איגוד הרפואה האמריקאי לעמותת שירותי הבריאות MedStar Health המפעילה עשרה בתי חולים באזור בולטימור ווושינגטון, כדי לבחון את מידת השימושיות של שתיים ממערכות הרשומות הרפואיות הממוחשבות הגדולות ביותר. המערכות הללו פותחו בידי חברת קרנר (Cerner) מנורת' קנזס סיטי במיזורי וחברת אֶפִּיק (Epic) מהעיר ורונה בוויסקונסין. שתיהן יחד מחזיקות ב-54 אחוז משוק שירותי הרפואה הדחופה.

הצוות גייס רופאים לרפואה דחופה מארבעה בתי חולים הציג להם נתונים בדויים של חולים ושישה מצבים, כולל סיפורו של רוג'ר שבא עם מה שנראה כמו דלקת תוספתן. במצבים האלה התבקשו הרופאים לבצע מטלות שגרתיות כמו הפקת מרשמים והזמנת בדיקות. החוקרים העריכו כמה זמן נדרש לרופאים למלא כל מטלה, כמה הקשות על העכבר ולאיזו רמת דיוק הגיעו בעבודתם.

ממצאיהם היו מאכזבים. הזמן ומספר הקשות העכבר שנדרשו השתנה מאוד מאתר לאתר ואפילו בין אתרים שהשתמשו באותה מערכת. חלק מהמטלות, כגון הפחתת המינון של תרופה סטרואידית, נמצאו מורכבים במיוחד לכולם. רופאים נאלצו לחשב בעצמם את המינונים המופחתים, דבר שדרש בין שתי דקות לשלוש ו-42-20 הקשות על העכבר.

פגמי העיצוב האלה לא היו קטנים. הרופאים הרבו לטעות במינונים. באחד האתרים שיעור השגיאות הגיע עד כדי חמישים אחוז. "ראינו שמטופלים נפגעו ואף מתו בעקבות שגיאות או גורמים אחרים שנובעים מיעילות השימוש במערכת", אומר ראג' רטוואני (Ratwani), מנהל המרכז הלאומי לגורמים האנושיים בשירותי הבריאות ב-MedStar Health.

עדיין רחוקים מהחזון של מערכת מחשוב יעילה ומיידית | אילוסטרציה: Science Photo Library

אך ממשקים מסורבלים הם רק פן אחד של בעיית הרשומות הרפואיות הממוחשבות. מכשול נוסף בדרך הוא שהמידע עדיין לא זורם בקלות בין הספקים. למערכת חסרה "היכולת לספק מידע בצורה חלקה ואוטומטית בזמן ובמקום שבהם הוא דרוש, בתוך רשת בטוחה ונטולת חסמים פוליטיים, טכניים או כלכליים", קבע בשנת 2018 דו"ח של האקדמיה הלאומית לרפואה בארצות הברית. אם מטופלת מחליפה רופאים, מגיעה לחדר מיון או עוברת דירה למקום אחר, אין דרך להבטיח שהתיק הרפואי שלה ימשיך איתה. "שירותים מחוברים הם היעד; שירותים מנותקים הם המציאות", כתבו המחברים.

במרץ 2018 ערכה חברת "האריס סקרים" (Harris Poll) סקר אינטרנטי עבור בית הספר לרפואה של אוניברסיטת סטנפורד, במטרה לבחון את היחס של רופאים לרשומות רפואיות ממוחשבות. התוצאות היו מאלפות. רופאים דיווחו שהם מקדישים בממוצע כחצי שעה לכל מטופל. יותר מ-60 אחוז מהזמן הזה מוקדש להתמודדות עם הרשומה האלקטרונית של המטופל. מחצית מרופאי המשפחה הפרטיים חשים ששימוש בתיעוד רפואי ממוחשב פוגע בפועל ביעילות השירות הרפואי שהם נותנים למטופלים. מדען המחשב אייזק כהן (Kohane), העומד בראש המחלקה לאינפורמטיקה ביו-רפואית בבית הספר לרפואה בהרווארד, אומר זאת בבוטות: "הרשומות הרפואיות הן על הפנים".

אך למרות המגבלות המשמעותיות של מערכות התיעוד הרפואי הדיגיטלי הקיימות, רוב הרופאים מודים שתיקים אלקטרוניים הם שיפור עצום לעומת רשומות כתובות על נייר. המחשוב של נתונים המטופלים מנגיש אותם להערכה באמצעות משאבי הבינה המלאכותית. "יש פוטנציאל ענק לשימוש בבינה במלאכותית ולמידת מכונה כדי לפתח מודלים לניבוי וכדי לשפר את יכולתנו להבין ממצאים רפואיים", אומר רטוואני. "ברור לי ששם טמון העתיד".

במידה מסוימת זה כבר קורה. בשנת 2015 החלה אֶפִּיק להציע ללקוחותיה מודלים של למידת מכונה. כדי לפתח אותם, מדעני מחשבים יוצרים אלגוריתמים התחלתיים ומאמנים אותם בעזרת דוגמאות מהשטח שממצאיהן ידועים כבר. לדוגמה, אם המטרה היא לחזות אילו מטופלים נמצאים בסיכון גבוה לפתח אלח דם, שהוא מצב מסכן חיים שנוצר בעקבות זיהום, האלגוריתם עשוי לכלול נתונים שנאספים באופן שגרתי ביחידה לטיפול נמרץ, כגון לחץ דם, דופק וטמפרטורה. ככל שהנתונים איכותיים יותר, כך גם המודל ישתפר.

לאֶפִּיק יש כיום ספרייה של מודלים שלקוחותיה יכולים לקנות. "יותר מ-300 ארגונים מריצים כיום או מטמיעים מודלים מהספרייה שלנו", אומר מנהל האנליטיקה ולמידת המכונה בחברה, סת' היין (Hain). אחד הפופולריים שבהם הוא מודל החיזוי של אלח דם של החברה, שעוקב אחרי נתוני המטופלים פעם ברבע שעה ומנטר יותר משמונים משתנים שונים.

התפתחות עצמה במחשוב | צילום: Science Photo Library

מערכת הבריאות נורת' אוקס (North Oaks) בהמונד שבלואיזיאנה הטמיעה את המודל ב-2017. אם הציון של מטופל עובר רף מסוים, הרופאים מקבלים התרעה שמאותתת להם לעקוב אחריו בקפידה ולתת לו אנטיביוטיקה במקרה הצורך. מאז שהמודל נכנס שם לשימוש, התמותה מאלח דם פחתה ב-18 אחוז.

אך הבנייה וההטמעה של מודלים כאלה היא עניין מסובך יותר ממה שאולי נדמה במבט ראשון. רובם מסתמכים רק על הנתונים המובנים בתיעוד הרפואי הממוחשב הקיים – נתונים שנאספים באותה שיטה ונשמרים באותו פורמט. הנתונים האלה יכולים לכלול קריאות של לחץ דם, תוצאות של בדיקות מעבדה, אבחונים או מידע על אלרגיה לתרופות. אך הרשומות הממוחשבות כוללות גם מגוון רחב של נתונים קשים לפענוח, כמו הערות שכתבו רופאים במהלך בדיקה, הודעות דואר אלקטרוני וצילומי רנטגן.

"המידע נמצא, אבל קשה מאוד למחשב לשלוף אותו", אומרת מדענית המחשב פינלה דושי-ולז (Doshi-Velez) מאוניברסיטת הרווארד. התעלמות מהטקסט החופשי הזה עולה באובדן מידע יקר ערך, למשל על שיפור שחל במצבו של המטופל. "אין ממש קוד שאומר 'מרגיש טוב יותר", היא אומרת.

כמו כן, רטוואני מציין שבגלל שימושיות ירודה, נתונים מתועדים לא פעם במקום שגוי. לדוגמה, אלרגיה לתותים עשויה להירשם בהערות הקליניות במקום בתיבת האלרגיות. במקרים כאלה, מודל שמחפש אלרגיות רק בסעיף האלרגיות במאגר הנתונים הממוחשב "מתבסס על נתונים לא מדויקים", הוא מוסיף. "זה כנראה אחד מהאתגרים הגדולים ביותר שאנחנו מתמודדים איתם כיום".

ליאו אנת'וני סלי (Celi), מומחה לטיפול נמרץ ומנהל המחקר הרפואי במעבדה לפיזיולוגיה חישובית במכון הטכנולוגי של מסצ'וסטס (MIT), מסכים. רוב הנתונים הנמצאים ברשומות רפואיות ממוחשבות אינם מוכנים להכנסה לאלגוריתם. קודם צריך לקודד מחדש חלק ניכר מהתוכן.

נניח לדוגמה שאתם רוצים לתכנן אלגוריתם שיעזור למנוע ירידה משמעותית של רמות הגלוקוז בדממם של מאושפזים ביחידות לטיפול נמרץ. מדובר בבעיה שכיחה. זה נשמע פשוט, אומר סלי. אך מתברר שיש כמה דרכים למדוד סוכר בדם נמדד, והדם נלקח מהאצבע בדקירה או מהווריד. גם אינסולין יש כמה וכמה דרכים לתת. כשסלי ועמיתיו בחנו את הנתונים על אינסולין ועל הסוכר בדם של מטופלים בבית חולים אחד, "היו אלפי דרכים שונות שבהן הכניסו אותם למערכת הרשומות הרפואיות הממוחשבות". את הנתונים האלה צריך למיין ידנית ולסווג לסוגים עוד לפני שאפשר יהיה לשקול בכלל לתכנן עבורם אלגוריתם. "נתונים רפואיים הם כמו נפט גולמי", אומר סלי. "אין להם ערך עד שמזקקים אותם".

תיקון חכם

החסרונות הנוכחיים של המערכת האלקטרונית מסכלים את המאמצים להשתמש בבינה מלאכותית כדי לדלות תובנות חשובות. אולם בינה מלאכותית עשויה לספק בעצמה פתרון אפשרי. רופאים מציינים שאחד החסרונות העיקריים של המערכות הדיגיטליות הקיימות הוא הזמן שנדרש כדי לתעד בהן ביקור – החל בתלונה של המטופל וכלה באבחון ובהמלצות הרופא.

הרופאים ממתקשים לא פעם עם הממשק המסובך | צילום: Science Photo Library

לדברי כהן, רופאים רבים סבורים שחלק משמעותי מהערך הטיפולי של הביקור אצל רופא טמון בתקשורת ביניהם. אך רשומות רפואיות ממוחשבות "הפנו את מבטו של הרופא מהמטופל למחשב, פשוטו כמשמעו". רופאים צריכים להקליד את סיכום הביקור שלהם, אך הם מכניסים מחדש הרבה מהמידע שכבר כתבו גם כשהם מזמינים בדיקות מעבדה, רושמים מרשמים לתרופות או מכניסים קודי חיוב, אומר פול בריאנט (Brient), מנהל מוצר ראשי בחברת Athenahealth, העוסקת גם היא בתחום הרשומות הרפואיות הממוחשבות. העבודה הכפולה הזאת מתסכלת את הרופאים ומגבירה את השחיקה שלהם.

כפתרון ביניים, יש בתי חולים שמעסיקים כיום רשמים שיושבים בפגישות ייעוץ של רופאים עם מטופלים כדי לתעד את מהלכן בזמן שהרופא או הרופאה מתמקדים במטופל. אולם כמה וכמה חברות פועלות לייצר רשמים דיגיטליים, אלגוריתמים של למידת מכונה שיכולים לקחת שיחה בין רופא ומטופל, לנתח את התמליל ולהשתמש בו להשלמת המידע הנחוץ בתיק הרפואי האלקטרוני של המטופל.

כמה מערכות כאלה באמת כבר זמינות. חברת הזנק בשם סייקארה (Saykara), הפועלת בסיאטל, השיקה בשנת 2017 עוזרת וירטואלית בשם קארה. האפליקציה מותאמת למערכת ההפעלה של אפל ומשתמשת בלמידת מכונה, זיהוי קול ועיבוד שפה כדי לקלוט שיחות בין מטופלים ורופאים ולהמיר אותן להערות, אבחונים והזמנות במערכת הממוחשבת. גרסאות קודמות של האפליקציה חייבו הנחיות מהרופא – בדומה לסירי של אפל – אך את הגרסה הנוכחית אפשר להפעיל ב"מצב סביבה", שבו היא מקשיבה לכל השיחה ובוררת מתוכה את המידע הרלוונטי. לדברי כהן, רשומות רפואיות ממוחשבות הפכו את הרופאים ללבלרים רושמי נתונים. אך אפליקציות כמו קארה יוכלו למלא תפקיד של עמיתים נבונים ומשכילים.

סייקארה היא רק חברת הזנק אחת מיני רבות שמפתחות כלים כאלה. אפליקציית הטלפון החדשה ביותר של Athenahealth מאפשרת לרופאים להכתיב את מהלך הבדיקה. לאחר מכן האפליקציה מתרגמת את הטקסט לקודי החיוב ולקודי האבחון המתאימים. אולם "איך שלא תסתכל על זה, זה לא מושלם", אומר בריאנט. הרופא עדיין צריך לוודא שלא נפלו שגיאות. עם זאת, האפליקציה אכן מפחיתה את עומס העבודה. המערכות שראה ראש החוג לרפואה של אוניברסיטת קליפורניה בסן פרנסיסקו, רוברט וכטר (Wachter), "כנראה לא מוכנות לגמרי לעלות על הבמה המרכזית", כלשונו, אך סביר להניח שיגיעו ליעד בתוך כמה שנים.

בינה מלאכותית גם עשויה לעזור לאנשי רפואה לקבל החלטות טובות יותר ומתוחכמות יותר. "אנחנו מתייחסים לתמיכה בקבלת החלטות במערכת ממוחשבת כמעין התרעה", אומר הרופא ג'ייקוב ריידר (Reider), מנכ"ל ההתאחדות לרפואה טובה יותר, שהיא גוף של שירותי בריאות בניו יורק שפועל למען שיפור מערכת הבריאות בקהילה. ההתרעה עשויה להיות הודעה קופצת שמזהירה מפני אלרגיה לתרופות. אך מערכת מתוחכמת יותר אולי תפרט את הסיכונים לתופעת לוואי בשימוש בתרופה א' לעומת תרופה ב' וגם תשווה בין מחיריהן. מנקודת מבט טכנולוגית, פיתוח התכונה הזאת "אינו שונה מזה שאמזון מעלה פרסומת או מיידעת אותך על הזדמנויות קורצות לקנייה", הוא אומר.

וכטר רואה לפחות סימן מעודד אחד לכך שההתקדמות כבר ניצבת בפתח. בשנים האחרונות פיתחו ענקיות הטכנולוגיה גוגל, אמזון ומיקרוסופט עניין גובר והולך בשירותי בריאות. לדוגמה, גוגל חברה לחוקרים מאוניברסיטאות קליפורניה סטנפורד ושיקגו במטרה לפתח מודלים שנועדו לחזות אירועים רלוונטיים למאושפזים, כגון מוות או אשפוז חוזר לא מתוכנן.

כדי להתמודד עם בעיית הבלגן בנתונים, החוקרים תרגמו תחילה נתונים משתי מערכות של תיעוד ממוחשב והעבירו אותם לפורמט תקני שנקרא משאבי תִּפְעוּלִיּוּת בֵּינִית רפואיים מהירים (Fast Healthcare Interoperability Resources). ואז, במקום ללקט בפינצטה קבוצת משתנים כמו לחץ דם ודופק, הם הניחו למודל לקרוא את הגיליונות המלאים של המטופלים כפי שהתפתחו עד למועד האשפוז. הנתונים נפרשו ל-46,864,534,945 נקודות נתונים, כולל הערות רפואיות.

"מה שמעניין בגישה הוא שכל חיזוי משתמש באותם נתונים בדיוק כדי להגיע לחיזוי", אומר הרופא וחוקר הבינה המלאכותית אלווין ראג'קומר (Rajkomar) מגוגל, שהוביל את המהלך. המרכיב הזה גם מפשט את הכנסת הנתונים ובמקביל משפר ביצועים.

האם מחשבים יקבלו החלטות במקומנו? | אילוסטרציה: טים ורנון, Science Photo Library

אך המעורבות של תאגידי ענק גם מעוררת חששות כבדים מפני פגיעה בפרטיות. באמצע נובמבר 2019 דיווח העיתון וול סטריט ג'ורנל שגוגל, דרך שותפות עם אסנשן (Ascension), מערכת שירותי הבריאות השנייה בגודלה בארצות הברית, קיבלה גישה לגיליונות הרפואיים של עשרות מיליוני אנשים ללא ידיעתם או הסכמתם. החברה התכוונה להשתמש בנתונים כדי לפתח כלים של למידת מכונה כדי להקל על רופאים את הגישה לנתוני המטופלים.

סוג כזה של שיתוף נתונים אינו חסר תקדים וגם לא בלתי חוקי. נשיא שירותי הענן של גוגל למוצרים ופתרונות תעשייתיים טריק שוּקָט (Shaukat) כתב שהנתונים "יכולים לשמש אך ורק למתן השירותים שאנחנו מציעים תחת ההסכם, והנתונים של מטופלים לא יכולים להשתלב וגם לא ישולבו בפועל עם הנתונים הצרכניים של גוגל". אך ההבטחות האלה לא מנעו ממחלקת הבריאות ושירותי האנוש של ארצות הברית מלפתוח בחקירה שתקבע אם גוגל/אשסנשן עומדים בדרישות חוק היבילות והנשיאה באחריות בביטוחי בריאות. נכון למועד סגירת הגיליון בינואר 2020, החקירה עדיין בעיצומה.

אך לדברי ריידר, שיקולי פרטיות לא אמורים לעצור את החיפוש אחרי גיליונות רפואיים ממוחשבים טובים יותר, חכמים יותר ומגיבים יותר. יש דרכים לפתח מערכות כאלה שישמרו את הפרטיות ואת דרישות האבטחה, הוא אומר.

בסופו של דבר, שינוי מהותי בענף הרפואה עשוי לדרוש מעבר לסוג חדש לגמרי של רשומות רפואיות ממוחשבות, שלא יהיו רק תיקיות קבצים דיגיטליות. כל הרשומות הממוחשבות המרכזיות מבוססות על תבניות של מסדי נתונים בנות 20 עד 30 שנה, מציין ריידר. "אלה שורות ועמודות של מידע".

את המערכות האלה הוא מדמה לתוכנת ניהול מלאי בחנות ספרים: "היא תדע איזה ספרים היא קנתה, והיא תדע אילו ספרים היא מכרה". עכשיו תארו לעצמכם את אמזון משתמשת באלגוריתמים כדי לחזות מה צרכן יקנה מחר ולחזות את הביקוש. "הם הנדסו את המערכות שלהם כך שיוכלו ללמוד בדרך הזאת, ואז הם יכולים לנקוט בפעולות עצמאיות", אומר ריידר. שירותי הבריאות זקוקים לסוג דומה של קפיצה פורצת דרך.

פורסם במקור בגיליון מיוחד של כתב העת סיינטיפיק אמריקן בשיתוף נייצ'ר, שהוקדש לקשרים בין בינה מלאכותית לרפואה, פברואר 2020