מחקר חדש בדק אם בינה מלאכותית יכולה לסייע בהערכת הסיכון למוות לבבי פתאומי בתוך ארבע שנים בעזרת הקלטת אק״ג של 24 שעות ומידע רפואי. החוקרים ניתחו נתונים של 730 חולי אי־ספיקת לב. המודל שהצליח ביותר במשימת החיזוי הזאת השיג מדד AUROC של 0.711 – יכולת הבחנה מוגבלת, שאינה מאפשרת לקבוע מי יחווה אירוע. לפי המחקר, השילוב לא הציג יתרון מובהק סטטיסטית על פני כל גישות הבסיס שנבדקו. זו תוצאה מחקרית, לא בדיקת סקר או כלי קליני מאושר.
חמש נקודות מרכזיות
- מחקר שפורסם ב־2026 בחן שילוב אק״ג הולטר של 24 שעות עם נתונים רפואיים כדי להעריך סיכון למוות לבבי פתאומי או מוות מאי־ספיקת לב בתוך ארבע שנים.
- בניתוח נכללו 730 מטופלים עם אי־ספיקת לב כרונית, ובהם 71 שמתו ממוות לבבי פתאומי ו־82 שמתו מהחמרת כשל הלב.
- המדד הטוב ביותר לחיזוי מוות לבבי פתאומי היה AUROC של 0.711, עם רווח סמך של 0.643–0.773. לא הודגם יתרון מובהק בכל ההשוואות מול מודלים פשוטים יותר.
- ייצוגים קליניים מובנים או טקסט שנוצר בשיטה קבועה הצליחו טוב יותר משימוש בהסברים חופשיים שנוצרו בידי מודל שפה.
- הבדיקה טרם הוכחה כיעילה לאבחון באוכלוסייה הכללית או כהנחיה לקבלת החלטות טיפול ללא בדיקה רפואית.
מה בדיוק בדקו החוקרים?
צוות חוקרים מארה״ב בחן אם מערכת בינה מלאכותית יכולה לשלב מידע משני מקורות: הקלטה ממושכת של הפעילות החשמלית בלב באמצעות הולטר אק״ג, ופרטים קליניים שכבר קיימים על המטופל. המטרה הייתה לבדוק עד כמה המערכת יכולה להבדיל בין מי שיחיו בלי מוות לבבי במהלך ארבע שנים, מי שימותו באופן לבבי פתאומי ומי שימותו מהחמרת כשל משאבת הלב. המחקר פורסם בכתב העת Intelligence-Based Medicine בגיליון נובמבר 2026. המחקר המדעי.
כמה אנשים נכללו ומה היה מצבם?
הניתוח התמקד ב־730 מטופלים מתוך קבוצת המחקר MUSIC, שנערכה בעבר בספרד בחולי אי־ספיקת לב כרונית. לפי המאמר, 577 לא מתו ממוות לבבי בתקופת המעקב שנבחרה, 71 מתו ממוות לבבי פתאומי ו־82 מתו מאי־ספיקת הלב עצמה. לחולים בוצעה הקלטת הולטר של 24 שעות, שבה ניתן לצפות בשינויים בקצב הלב ובתבניות המופיעות במשך שעות רבות. אלה אינם נתונים של אוכלוסייה בריאה, ולכן אין להשליך את התוצאות על כל מי שעובר אק״ג קצר במרפאה.
איך פעלה מערכת הבינה המלאכותית?
החוקרים השתמשו ברשתות ללמידת תבניות בזמן לצורך עיבוד מקטעים מהאק״ג, ובמקביל בחנו דרכים לייצג נתונים קליניים — כגון היסטוריה רפואית ומדדי תפקוד — כטבלה או כטקסט. חלק מהניסויים כללו טקסט שחובר בשיטה קבועה, וחלקם טקסט שנוצר בעזרת מודל שפה. לאחר מכן נבדק אם שילוב המידע משפר את ההבחנה בין התוצאות. המחקר בחן כמה ארכיטקטורות ולא הניח מראש שכל שימוש במודל שפה הוא הדרך הטובה ביותר להוסיף מידע קליני.
מה אומרת תוצאת AUROC של 0.711?
למודל ששילב אק״ג עם טקסט קליני שהוכן באופן דטרמיניסטי היה מדד AUROC של 0.711 לחיזוי מוות לבבי פתאומי בטווח של ארבע שנים. זהו מדד להבחנה בין שני מצבים על פני ספי החלטה שונים; הוא אינו אומר שהמערכת צודקת ב־71.1% מהמקרים בכל שימוש. התוצאה מציעה יכולת חיזוי מסוימת, אך רחוקה מהפרדה מושלמת. בחיזוי מוות מכשל משאבת הלב, דווקא המודל המבוסס רק על נתונים קליניים בטבלה הגיע ל־AUROC של 0.787, גבוה יותר מחלק מהשילובים שנבחנו.
האם מודל שפה כמו ChatGPT שיפר את החיזוי?
התשובה מורכבת. החוקרים בדקו ייצוגי טקסט שנוצרו באמצעות LLM והשוו אותם לנתונים מובנים ולייצוגים אחרים. חלק מהשילובים שיפרו תוצאות לעומת מודל טקסט בלבד, אך הגישות המבוססות על טבלאות או על טקסט קבוע היטיבו יותר במטרות שנבחנו. המסקנה החשובה היא שלא די לתת למודל שפה 'לקרוא תיק רפואי' כדי לקבל חיזוי מדויק. איכות הנתונים, צורת הייצוג, הבדיקה הסטטיסטית והדרך שבה מקבלים החלטות משפיעות לפחות באותה מידה. פירוט ההשוואה במאמר.
למה צריך להיזהר מכותרות שמבטיחות זיהוי של דום לב?
'דום לב' בשפה היומיומית מתאר אירוע חירום שבו הלב חדל לפעום ביעילות, בעוד שהמחקר מדד מוות לבבי פתאומי כתוצאה רפואית לאורך תקופה. המודל אינו מזהה בזמן אמת שאדם עומד לקרוס בעוד דקות, ואינו מחליף פעולת החייאה או הזעקת עזרה במקרה חירום. מטרתו המחקרית היא דירוג סיכון לטווח ארוך באנשים עם מחלת לב מוכרת. גם חיזוי סיכון מוגבר אינו מאפשר לקבוע בוודאות מי יחווה אירוע.
מהן מגבלות המחקר?
הנתונים נלקחו מקבוצה קלינית יחסית קטנה ובעלת מאפיינים מסוימים: חולי אי־ספיקת לב שטופלו בתחילת שנות ה־2000. החוקרים ביצעו הצלבה סטטיסטית בתוך המאגר, כולל הפרדה של מטופלים בין קבוצות אימון ובדיקה, אך לא מדובר בתיקוף חיצוני גדול על חולים חדשים מבתי חולים אחרים. ההקלטה הייתה של הולטר בן 24 שעות ולא בדיקה חד־פעמית קצרה. כמו כן, המדדים הסטטיסטיים אינם מספרים לבדם אם שימוש במערכת יפחית תמותה, יצמצם אשפוזים או ישנה החלטות על השתלת דפיברילטור.
מה יכול לקרות אם המחקר יאומת בהמשך?
במצבים רפואיים מסוימים רופאים נדרשים להעריך סיכון לאירוע לבבי מסכן חיים תוך שקלול בדיקות, תסמינים ותפקוד הלב. כלי חישובי אמין יכול בעתיד להיות שכבת מידע נוספת המסייעת לזהות מי זקוק למעקב קרוב יותר, אך רק אחרי שנבדק במרכזים שונים והוכיח תועלת בהשוואה למקובל. יש לבחון גם הוגנות בין קבוצות מטופלים, שיעורי התרעות שווא, שיקולי פרטיות והאם שינוי ההחלטות בעקבות האלגוריתם משפר בריאות.
הזווית הישראלית
גם בישראל הולטר ואק״ג משמשים בבירור הפרעות קצב ומחלות לב, ונתונים קליניים עוברים דיגיטציה בקופות ובבתי החולים. המחקר מצביע על כיוון אפשרי של שילוב מידע, אך אין פרסום מאומת שהמערכת המתוארת משמשת כיום כלי קליני שגרתי בישראל. אנשים עם מחלת לב צריכים להמשיך במעקב שהומלץ להם; אין מקום להסיק מתוצאות המחקר על סיכון אישי בלי התייעצות עם מומחה.
אחרי מה לעקוב?
מחקרי תיקוף חיצוניים, ניסוי שבו משתמשים במודל בזמן אמת לצורך קבלת החלטות, השוואה לשיטות דירוג סיכון קיימות ובדיקה אם הוא משפר תוצאות קליניות. רק אחרי אלה ניתן יהיה להעריך אם מדובר בכלי רלוונטי למרפאה או בתוצאה מחקרית מעניינת בלבד.
מקורות
- Intelligence-Based Medicine, מאמר המחקר, נובמבר 2026
- גרסת העבודה המעודכנת של המחקר, ספטמבר 2026
- PhysioNet: בסיס הנתונים MUSIC
צילום תצוגת אק״ג להמחשה; אינו מכיל נתונים של מטופלי המחקר. Photo by Joshua Chehov on Unsplash.