רק אחד מכל עשרה פרויקטי AI בבריאות מגיע ליישום נרחב - וזו הסיבה
נקודות עיקריות.כלכליסט AI
- רק כעשירית מפרויקטי הבינה המלאכותית בתחום הבריאות מגיעים ליישום רחב עקב קשיים בשילוב המערכות בשגרת העבודה של הצוותים הרפואיים.
- מודל ניבוי שהופעל בשירותי בריאות כללית הצליח לאתר נשאי הפטיטיס C ביעילות גבוהה פי מאה בהשוואה לשיטות הבדיקה המסורתיות.
- פרופ"ם בליצר טוען כי רגולציה חכמה חייבת להשוות את ביצועי הבינה המלאכותית למציאות הרפואית הקיימת ולא למודל תיאורטי מושלם.
רק קצת יותר מעשירית מפרויקטי הבינה המלאכותית (AI) בתחום הבריאות מגיעים בסופו של דבר ליישום בהיקף רחב. כך אמר היום פרופ' רם בליצר, ראש מערך החדשנות בשירותי בריאות כללית, בכנס ה-AI של האקונומיסט בלונדון. הנתון מבוסס על מחקרים של חברות ייעוץ גלובליות. הערכה ישראלית אין, אבל לדברי בליצר "אין סיבה להניח שמצבנו הרבה יותר טוב מהעולם".
ההסבר שלו לפער הפוך מהאינטואיציה: רוב הכישלונות אינם טכנולוגיים. האלגוריתם עובד. מה שלא עובד הוא המערכת שאמורה לקלוט אותו. בליצר מבחין בין שני סוגי כישלון, הראשון הוא כישלון חדשנותי: מודל שהפגין דיוק גבוה בפיתוח מגיע לחדר הרופא, ומתברר שחלק מהנתונים שעליהם נשען אינם זמינים בזמן אמת. "בעוד גוף האדם יחסית דומה מאדם לאדם, מערכות המידע מאוד שונות מארגון לארגון, ולפעמים בין מחלקות באותו ארגון", אמר בשיחה עם "כלכליסט". זה כישלון צפוי, ולדבריו שיעורו אינו שונה בהרבה משיעור התרופות שמצליחות במודלים ונופלות בגוף האדם.
הסוג השני, שלדבריו אחראי היום לרוב הכישלונות, הוא כישלון "טרנספורמציוני". המודל אפקטיבי גם בשטח, אבל הוא מחייב רופאים, אחיות ומנהלים לשנות את שגרת העבודה, מוסיף להם זמן ומורכבות, והם דוחים אותו. המסקנה של בליצר: לשלב את הצוותים כבר בשלב התכנון, כך שהכלי ייבנה סביב שגרת העבודה שלהם ולא יכביד עליה.
38 מתוך 500
הדוגמה החזקה ביותר שהציג נוגעת לגילוי הפטיטיס C, מחלה זיהומית שקטה שמתגלה לרוב רק כשכבר גרמה לאי-ספיקת כבד או לסרטן. לדבריו, כללית נהגה לבדוק מדי שנה כ-50 אלף איש, לפי הנחיות משרד הבריאות וה-CDC, כדי לאתר 38 חיוביים. מודל ניבוי שהופעל על נתוני הקופה איתר 38 חיוביים מתוך 500 נבדקים בלבד. במילים אחרות, אותה תפוקה במאית מהבדיקות.
המקרה הזה, שפורסם ב-New England Journal of Medicine, המגזין הרפואי החשוב בעולם, ממחיש את המעבר שבליצר מתאר: ממערכת בריאות מגיבה, שמגיעה אחרי שהנזק כבר נגרם, למערכת מנבאת ויוזמת, שמגיעה לפני שהוא הופך לבלתי הפיך. לדבריו, מעבר כזה אינו אפשרי בלי כלים ממוחשבים. בישראל יש לכך יתרונות מבניים: קופות חולים שמחזיקות נתונים על אוכלוסייה מגוונת לאורך שנים, ושילוב של קהילה ובתי חולים באותו ארגון.
בלמים כדי לנסוע מהר
הנושא השני היה רגולציה. כללית בנתה מנגנון ממשל פנימי ל-AI, הכולל רשימת תיוג בנוסח תעופתי שבה מעורבים כל אנשי המקצוע הרלוונטיים, ודירוג סיכונים מקדים לכל כלי שקובע את עוצמת הפיקוח עליו. כלי שלא עבר את הרשימה "לא נוגע בבני אדם". לדבריו, גם המסגרת הזאת פורסמה ב-NEJM, וארגון הבריאות העולמי (WHO) כלל אותה בפרסום האחרון שלו בין הסטנדרטים המובילים. לשאלה אם מנגנון כזה אינו מעכב חדשנות השיב בליצר במשל: המכוניות שנוסעות הכי מהר הן אלה עם הבלמים הטובים ביותר. מי שאינו בוטח בבלמים שלו - יתעכב כל הזמן.
הטיעון בעל המשקל הרב ביותר מבחינת מדיניות נגע לשאלה מול מה מודדים. כלומר, מה התקן כדי להבין מה אנו מרוויחים ומפסידים מאימוץ או דחייה של כלי AI בבריאות. בליצר סבור כי הדיון כעת עוסק כמעט רק בסיכונים של AI, ולא בסיכון שבאי-שימוש בו. "אם אתה משווה את זה למצב מושלם, אז ה-AI הוא לא מדויק ב-100% ואתה אומר, אני לא רוצה להשתמש בו", הסביר. אבל כשמודדים את המצב הקיים, לדבריו, מתברר בכל מדינה שהסטטוס קוו פחות טוב משמעותית ממה שה-AI מאפשר. "רגולציה חכמה צריכה להשוות את הכלי לחלופה האמיתית, הרפואה כפי שהיא נוהגת בפועל, ולא לחלופה התיאורטית. הבעיה היא שאת מחיר הסטטוס קוו כמעט אף אחד לא מודד, ולכן גם לא מרגיש", הוא סיכם.
