מהפכת הדאטה ברפואה – מאמר סקירה

מהפכת הדאטה והבינה המלאכותית אינה פוסחת על הבריאות, ולוקחת אותנו לעולם של רפואה 3.0. במאמר יפורטו הצירים המצויים בטבלה, האתגרים הסיכונים ותחזית (אופטימית יש לומר) של השלכות העולם הממהר על שוק הבריאות, וגם על בריאות הפרט:

המדינות המפותחות הגיעו לקצה יכולתן להשקיע ברפואה, כיוון שעלויותיה עולות מהר מהעלייה בתוצר. במקביל מתרחש ברפואה שינוי פרדיגמה, שמקורו בהפיכת העולם, והרפואה בתוכו, לדיגיטליים, ובמהפכת המידע והבינה המלאכותית ותחומי חדשנות נוספים (1). בסטנפורד פיתחו אלגוריתם המאבחן צילומי חזה טוב ממומחי רדיולוגיה (2), סין דיווחה על רובוט שראשון עבר את מבחני ההסמכה ברפואה, אחרי שהוזן בעשרות ספרי רפואה.

השינוי הינו חלק ממציאות שקלאוס שוואב, מייסד ה World Economic Forumכינה ה’מהפכה תעשייתית הרביעית’ (3). זו מתבטאת בקצבי שינוי הולכים וגוברים, ובכך שהטכנולוגיות מטשטשות את הקווים בין העולמות הפיסיקליים, הדיגיטליים והביולוגים, ובעתיד – את האנושיות שלנו.

העיתונאי תומס פרידמן בספרו “תודה שאיחרת” (4) מדבר על נהרות המידע, וממליץ “להתיישב” על נהרות המייצרים מידע אמין, ולתרום להם מידע ייחודי. תיאורים אחרים ממשילים דאטה ל’נפט החדש’.

למהפכת המידע והבינה המלאכותית השלכות רחבות: החל במקורות למידע, בדרכים לאיסופו, אכסונו, עיבודו, הפיכתו לתובנות, ועד הגדרת תפקידי הרופא והאחות והכשרתם. אפשר לקוות שבינה מלאכותית תאפשר מודלים כלכליים חדשים שיוכלו לגדר את העלויות המאמירות, ולתמוך את הצוותים הרפואיים הנתונים בעומס גובר.

מקורות המידע

בעידן הרפואה ה’ישנה’ המידע הרפואי התבסס על מספר מוגדר של מקורות: תיאור המחלה; ממצאי הבדיקה הפיסיקלית; ממצאי בדיקות המעבדה וההדמיה, הללו שולבו עם מידע מחקרי מהספרות המדעית. הרפואה החדשה צריכה להתייחס למקורות חדשים שנולדים יום יום, לדוגמה:

1. מידע אורכי/ לוניגיטודילי

מידע הנאסף 24/7 מהסלולרי: פעילות ותנועה, משך השינה, כמות ואיכות התקשורת, ועוד. מידע אורכי נאסף גם מ’לבישים’ Wearables, כגון שעונים חכמים, המספקים נתונים על דופק, לחץ דם, רוויון חמצן, רמת הזעה ועוד. מחקרים מראים שמידע מלבישים משפר הישרדות חולי סרטן (5). מידע בייצור עצמי אינו חדש – שעון הספורט פיטביט הפופולרי יצא לשוק כבר בשנת 2009, ומאז ישנה התפוצצות אקספוננציאלית של ‘לבישים’ לניתור עצמי, הכוללים שעונים, טבעות, שרשרות, חגורות, חולצות, נעלים, כרטיסים חכמים, חולצות ועוד. הפיתוחים הינם חלק ממגמת ה’כימות העצמי’ – Quantify Self.

במקביל עברו לייצור ‘בליעים’ Ingestibles דוגמת אלה של חברת פרוטאוס, הכוללים חיישן ומשדר לדווח על מצב התרופה בתוך הקיבה והמעי. בנובמבר 2017 FDA  אישר תרופה פסיכיאטרית חדשה. Abilify MyCite שתדווח על בליעתה לעד 4 אנשים לבחירת המטופל (6).

השילוב בין מידע סלולרי למידע מלבישים יכול לספק מדדים דומים לאלה הנאספים ביחידות לטיפול נמרץ, ולתמוך במגמה של מעבר הרפואה הביתה. ניתוח המידע האורכי יכול להתריע מראש על מצבים אקוטיים דבר הפותח אופקי מניעה וטיפול חדשים.

מספר קבוצות מו”פ עובדות על פיתוח על עור מלאכותי, ואחרות על ‘שבב אדם’ – יחידות אוספות מידע שתהפוכנה חלק מהגוף.

2. מידע מהאינטרנט והרשתות החברתיות

החיפוש הנפוץ ביותר בגוגל, אחד מכל 20 חיפושים, הוא של מונח בריאותי. כך ניתן כדוגמה, לחזות מגפות ברמת האוכלוסייה, ולהבין לעומק צרכי גולשים, ברמת הפרט – שיקום בעקבות אירוע לבבי, תזונה בעקבות הריון חדש, וכו’.

שכבה נוספת היא המידע ברשתות החברתיות. חברה ישראלית מצליחה לדוגמה למפות תופעות לוואי מתרופות על סמך הטקסטים הללו.

3. OMICS – שם החיבה של שלושה מקורות מידע חדשים – ריצוף גנום ומיקרוביום, והמטבולום

• ריצוף DNA בסיסי אנושי עולה כיום כ – 1000$ ולוקח פחות משתי יממות, המחיר ממשיך לצנוח וצפוי להגיע לכ 100$ בשנת 2018, ועד לעלות זניחה כשל בדיקת דם בהמשך.
• ריצוף המיקרוביום – שהשלכותיו על דיכאון, השמנה, ועוד מתפרסמות במחקרים, ויכולתו לחזות תגובה אינדיבידואלית של עליה רמת סוכר בעקבות אכילת מזונות שונים (7) היא הבסיס לחברת הסטארט-אפ DayTwo.
• דם לכימיה שמיפה בעבר כ 20 מרכיבים הפך ‘מטבולום’ הכולל כימות אלפי מרכיבים.

4. מידע קולי

בקול האנושי אצור מידע בעל אינספור יישומים. לדוגמה Beyond Verbal הישראלית מבוססת על אלגוריתמיקה המבצעת ניתוח רגשות דרך אינטונציות קוליות, ומזהה 400 סוגי רגשות בזמן אמת באמצעות טון הדיבור בלבד, ללא התוכן או הבעות. האלגוריתמיקה מבוססת על ממצאי 18 שנות מחקר, ב 70,000 נחקרים וב-30 שפות, וכעת מצויים במחקרים קליניים עם מאיו קליניק על יישומים רפואיים. דוגמה אחרת היא HealthmYse, סטארט-אפ ישראלי, פיתח אלגוריתם לאבחון החמרה בקולם של חולי COPD.

5. מידע סביבתי

למקורות החדשים נוסף המידע הסביבתי שיגבר ככל שהבית יהפוך חכם. חיישני נפח לדוגמה יכולים לאתר תנועה, כניסה ויציאה דרך הפתחים, ולהתריע על נפילות מבלי לפגוע בפרטיות.

המצלמה החכמה קינקט גם היא מקור מידע, ומאפשרת שיקום מטופלים מרחוק, כמו ב ReAbility Online פיתוח שנולד במכון גרטנר שבתל השומר .

הבית החכם יאסוף מידע גם מיישומים כאמזון אקו החמוש באלקסה, הנמכרת במיליוני עותקים, ועל התשתית שלה פותחו מספר אפליקציות בריאות. כן פותח WIFI המסוגל למדוד קצב נשימה ודופק של 10 אנשים המצויים בחדר – בלא מגע ישיר בגוף. בית חכם ובו שלל חפצים מקושרים יהיה ספק נוסף של מידע, ושל פתרונות שיאפשרו לרפואה לעבור מבית החולים אל הבית.

בינה מלאכותית

קצב ייצור המידע עולה בצורה אקספוננציאלית, למקורות הללו מצטרפים עוד מקורות חדשים, דוגמת מידע של ננו חלקיקים מהאוויר הננשף. בחברת IBM מעריכים שרק 10% מהנתונים הנדרשים לקבלת החלטות רפואיות יגיעו מהקליניקה, והשאר מהמקורות החדשים. בחברה מעריכים שכל אדם ייצור במשך חייו מידע השווה ל 300 מיליון ספרים, בינה מלאכותית לחילוץ המידע הרלבנטי והפיכתו לתובנות תומכות החלטות הכרחית. עניינה של IBM  בנושא הוא בעקבות ווטסון, הבינה המלאכותית שלה, שזכתה בשנת 2011 במשחק הידיעה הכללית ג’יאופרדי, יודע שלושה דברים:

1. להבין שפה
2. להבין סיבה ותוצאה.
3. “ללמוד” מתוך מידע שמזינים אותו: ווטסון מעבד 2 מיליון עמודים ב- 3 שניות, מכונת “למידה עמוקה” מהירה הפועלת ללא הפסקה.

ווטסון לומד על בסיס הזנת כמויות נתונים, לדוגמה CT של איבר מסוים, עם פענוח של פתולוגיה ספציפית. לאחר הלמידה הוא מתחיל לספק פענוחים, שהולכים ומשתפרים ברמת הדיוק. כדי לאמן את ווטסון יצרה החברה שותפות עם בית החולים ממוריאל סלון קיטרינג שמספקת לווטסון דאטה ספציפי יחד עם הפענוחים מהרדיולוגים של בית החולים, וכך הוא לומד תחום אחר תחום בהדמיה.

מעבר להדמיה ציר נוסף הוא ללמד את הבינה המלאכותית לפענח גנום, וציר שלישי הוא אבחון משטחים בפתולוגיה. אנשי IBM יצאו למסע ארוך כשחזונם הוא ליצור חיבור יכולות ניתוח משולבות: מידע הדמייתי + מידע גנומי + מידע פתולוגי, שייתן מערכת אובייקטיבית, מהירה וסקיילבילית לניתוח נתונים ותמיכה בקבלת החלטות בתחומים כגון אונקולוגיה. ‘להיות קטליסט לשיפור בריאות ורפואה דרך תובנות קוגניטיביות’, אומרים בחברה. ומוסיפים: “הרובוט יקבל אותך עכשיו” בפראפראזה על הספר The Patient Will See You Now (8).

ווטסון הוא דוגמה לבינה מלאכותית מהגל השני, כפי שמגדירה דארפ”א סוכנות הביטחון האמריקאית, שהקימה, כדוגמה, את רשת האינטרנט בסוף שנות ה–60. בסרטון דארפ”א מגדירה את שלבי התפתחות הבינה המלאכותית בשלושה גלים (9):

הגל הראשון של הבינה המלאכותית – ידע מתוכנת

מערכות שפותחו סביב בעיות מוגדרות לגמרי, שלפתרונן קיימים כללים הגיוניים וברורים. האלגוריתמים הממוחשבים תוכנתו על בסיס הידע שקיים בידי מומחים, והוזנו בהקשרי סיבה תוצאה. מערכות בינה מלאכותית המתבססות על הגל הראשון אחראיות על מרבית המוצרים הממוחשבים כיום: חלונות של מיקרוסופט, אפליקציות בסלולר, וכו’.

הגל השני של הבינה המלאכותית: למידה סטטיסטית

הגל השני של בינה מלאכותית עוסק בבעיות פחות מוגדרות, שאין כללים מדויקים לפתרונן. במקרים הללו מהנדסים מפתחים מודלים סטטיסטיים עבור תחום מסוים של בעיה, ואז מאמנים את מערכת הבינה המלאכותית על כמויות רבות של נתונים. הן מושתתות על למידה עמוקה באמצעות ‘רשתות עצבים עמוקות’. המדובר בשכבות חישוביות, שבכל אחת מהן מתבצעת פעולה של עיבוד המידע, ותוצאותיה מועברות לשכבה הבאה לעיבוד נוסף. מלאכת האימון דורשת מהרשתות לחזור על ניתוח המידע עשרות-אלפים פעמים, כדי להגיע לשיפור קטן.

בינה מלאכותית המבוססת על למידה עמוקה מגיעה לתוצאות מרשימות בתחומים כמו עיבוד ראייה או תמלול ותרגום דיבור אנושי. היא מאפשרת זיהוי טון הקול ואבחון רגשות, זיהוי פנים אנושיות וקיבוצן לפי שמות בסלולרי. הדוגמאות של פריצות דרך בתחומי ההדמיה רבות (10), חברת זברה הישראלית, כדוגמה, פיתחה אלגוריתמים המחשבים צפיפות עצם ב CT, מסייעים בפענוח כבד שומני ב CT, מאבחנים רמת ההסתיידויות בעורקים הכליליים ב CT עם חומר ניגוד ועוד. שותפות חדשה נוצרת בין אדם למכונה, האלגוריתמים מסייעים לרדיולוגים אחרי שאומנו באמצעות כמויות נתונים.

הוכח שבינה מלאכותית מנבאת סיכון הפרט להתקף לב או אירוע מוחי בעשור הבא טוב יותר מהכלים שפיתחו טובי הרופאים והמובילים שבארגונים. במחקר בו נוסו 4 סוגי AI מהגל השני התוצאות של כולן היו טובות מאלה של הרופאים (11), עקב היכולת להתייחס למאות משתנים מורכבים. הבינה המלאכותית אינה יכולה עדיין ללמד אותנו את הפרמטרים, אך כן יכולה לחסוך חיי אלפי אנשים.

כלים אחרים נגישים לציבור הרחב, כמו צילום כלל גופי בסלולר, והשוואה לאורך ציר זמן של נגעים עוריים וסימון שינויים החשודים למלנומה באפליקציית Derma-Compare של חברת אמרלד, או צילום וגינלי של צוואר הרחם באמצעות אביזר המחובר לסלולרי ב Mobile ODT, ועוד.

בניגוד למערכות הגל הראשון מערכות הגל השני אינן נסמכות על לוגיקה וכללים מדויקים, (בדומה למוח האנושי. בני אדם יכולים להשליך כדור ולנבא היכן הוא עומד ליפול מבלי לחשב משוואות מורכבות). לכן קשה להסיק על סיבתיות, אלא על ‘מה שעובד מספיק טוב, מספיק מהפעמים’. הן גם אינן מצליחות להעביר ידע מתחום אחד למשנהו באופן יעיל.

עם הגל השני נולדות בעיות חדשות, מקרים של בוטים שיצאו משליטה – החל מכאלה שלמדו  לקלל, ודרך מקרה בו שני בוטים פיתחו שפה חדשה לצורך משימתם, יעילה מזו שהוזנה להם על ידי המפתחים. במערכות מהגל הראשון ניתן לחזות במדויק כיצד יפעלו, במערכות הגל השני בהן לא ניתן להתחקות באופן מדויק אחר סיבתיות, לא ברורה הדרך המדויקת בה קלט הופך לפלט, ומידע מתורגם להחלטה.

הן מערכות הגל הראשון והן השני הן לא בעלות מוטיבציה משל עצמן, אין להן מוסר, והן לא יכולות להחליף את משרותיהם של רוב העובדים.

טבלה 2 – גלי הבינה המלאכותית

*נטילת ידע הקים בידי המערכת ויישומו באופן שונה.

** הבנת יחסי סיבה תוצאה

לפי דארפ”א מערכות הגל שלישי כבר תוכלנה לגלות את הכללים וההיגיון שמאחורי הפעילות, וכך לנמק את התשובות, להסביר, לדוגמה, מדוע הממצא בצילום חזה הינו דלקת ריאות ולא גידול. הן אפילו תוכלנה לאמן את עצמן ולשפר שוב ושוב את המודלים שבאמצעותם הן מגיעות לתובנות.

מערכות כאלה תוכלנה לעשות אינטגרציה בין מקורות המידע הרבים, ולגבש תובנות והמלצות טיפוליות אופרטיביות. הן תבאנה לכדי מימוש את החיבור הפרקטי בין מידע מהפרט, מהבית החכם מהמחשוב הלביש ומהחיפושים באינטרנט, מריצופי גנום מיקרוביום, תוך יצירת אינטגרציה בין מקורות המידע למתן תובנות ייחודיות, (בהנחה שתיפתרנה הבעיות המורכבות של יצירת קישורים בין כל המידעים הללו).

אכסון, מזעור, וצירי שינוי נוספים

לצירי השינויים של היווצרות מקורות חדשים, עליה אקספוננציאלית בכמויות המידע שנוצר, וגלי הבינה המלאכותית נוסף ציר שינוי נוסף הכולל מזעור בצד קיטון העלויות. בשנת 1965 חזה גורדון מור מנכ”ל אינטל שצפיפות הטרנזיסטורים במעגלים משולבים, קרי עוצמת המחשוב ליחידות נפח, תוכפל כל שנתיים. ‘חוק מור’ הפך מפת דרכים לתעשייה וגרם למוטיבציה להמשיך במזעור ובהורדת העלויות.

הירידה בעלות ריצוף DNA כבר עוברת את הצפוי לפי חוק מור! העולם התמלא בצ’יפים זולים, פרובים המתחברים למכשיר הסלולרי בעלות של 50-200$ ומאפשרים פעולות כגון אקו לב, אק”ג, ושלל בדיקות דם ונוזלי גוף.

ציר שינוי נוסף הוא ביצרני ומחזיקי המידע. ברפואה הישנה המידע מוזמן, מיוצר ומוחזק בידי רופאים וארגוני הבריאות, כיום יותר ויותר מהמידע נוצר על ידי הצרכנים בסלולרי שלהם, וכמובן אצל ענקי אינטרנט.

סיכונים ואתגרים

השינויים הללו מעלים אתגרים וכמה סיכונים ממשיים:

העדר אינטר-אופרביליות/קישוריות: חסם מרכזי לפריצת דרך הוא העובדה שהמידע מצוי במקטעים שונים בידי גופים עסקיים, רפואיים, והפרט עצמו, כשאין קישור בין המידעים מהמקורות השונים. פיצול המידע הוא מציאות מורכבת ובעייתית.

הבעלות על המידע: קיימת מחלוקת על הסוגיה מי צריך להחזיק את המידע, שכאמור מפוזר בין הגורמים השונים. גופי הבריאות הם בעלי המידע הרפואי ה’קלאסי’, לענקיות האינטרנט בעלות על המידע שלהן, וכל אפליקציה מנסה לבנות לעצמו בעלות על מה שיותר נתונים – כבסיס למודל העסקי שלה.

השאלה היא פרקטית, וגם אתית ופילוסופית. הגנטיקאי הקרדיולוג ומוביל החדשנות הד”ר אריק טופול ערך טבלה של מעל 20 נימוקים מדוע המידע צריך להיות בידי הפרטים, בין נימוקיו – הגוף הוא של הפרט, הפרט שילם על המידע (בזמן או כסף), הפרט יוצר חלקים גדולים מהמידע, המידע ממילא נמכר או נגנב, ולתפיסתו אם הפרטיות הרפואית חשובה הדרך היחידה להגן על המידע היא בדה צנטרליזציה.

גורמי הבריאות ימשיכו לטעון שאי אפשר שאדם יגלה שחלה בסרטן בלא תיווך רפואי, והתאגידים יאחזו בחוזים הארוכים עליהם החתימו את המשתמשים (שלרוב לא קראו אותם). אך הקרב הזה יוכרע. כבר כיום מרבית המידע הרלבנטי לא מוחזק בידי מוסדות הבריאות, והרגולטורים מתעוררים לפעולה לאור הסיכונים בענקיות האינטרנט. במקביל למציאת פתרונות לאינטגרציה בין השכבות השונות, חייבת להיות מעוגנת זכותו של כל פרט לקבוע היכן יוחזק המידע שלו, היכן יעובד, ובמה הוא משתף את רופאיו או גופים דוגמת חברת הביטוח שלו.

אבטחת המידע : אין ספק כי הרגע שימצא פתרון לקישוריות יידרשו במקביל גם פתרונות שישמרו על אבטחת המידע. יתכן שהן יבואו מטכנולוגיות כמו בלוקצ’יין, שיוכלו לשמור על המידע מאובטח בצורה לא מרוכזת, או מטכנולוגיות שטרם שמענו עליהן…

ממידע לתובנות: אתגר מרכזי הוא מעבר מכמויות מידע לתובנות מעשיות שיביאו את הפרט לשינוי אורחות חיים, או יסייעו לרופא והמטופל בקבלת החלטות רפואיות. קרי נדרש תרגום מכמויות של נתונים להשפעה על הבריאות – ברמת מניעה, טיפול או שיקום.

מעבר למצגים הקבועים של הנתונים, אותם מאפשרות לדוגמה, האפליקציות התומכות בבריאות (עם או בלי לבישים), נדרשת גם ‘התאמה אישית’ של הדש-בורד לכל מטופל ברמת בריאות ואורחות חיים, תוך התייחסות לגורמי הסיכון, העדפות האישיות, וכמובן למידע בספרות.

דבר דומה נדרש גם עבור הרופא על מנת לא להציף רופאים בכמויות מידע. המיקוד איננו בנתונים, אלא בסוג ההחלטה שנדרש לקבל עבור כל מטופל. כל החלטה צריכה לגזור את שדות המידע הנדרשים עבורה. כך למשל פועל הסטארט אפ MEDecide, התומך במנתחים בקבלת החלטות על כמה עשרות ניתוחים אלקטיביים, מתוך מטרה למנוע ניתוחים מיותרים.

מידע לא מהימן: גורמי בריאות מוחים, בצדק, על כך שהמידע ברשת לא תמיד מהימן, והסיכון הינו שצריכת מידע כזה מביאה להחלטות ולטיפולים שגויים. גם כאן נכנסים יזמים המפתחים אפליקציות לקבלת מידע מבוסס ראיות. הסטארט-אפ הישראלי CureFacts מנסה לספק למשתמש הקצה מידע מבוסס ראיות; החברה הישראלית Medivizor מספקת למטופלים ורופאים סקירות של המאמרים העדכניים והרלבנטיים ביותר עבורם; פיתוחים כגון אלה יצמצמו פגיעות בעקבות מידע לא מקצועי, טיפולים מיותרים ואף מזיקים. במקביל חשוב להדגיש לציבור את חשיבות מקורות המידע המהימנים.

הטמעת AI במערכות הבריאות: קצב ואיכות ההטמעה נגזר משני כוחות הפוכים: ההתפתחויות הטכנולוגיות מחד; וחסמי המערכות מנגד. המפץ הזה גוזר שינויים שנוגעים בזהות, בהגדרת תפקידי הרופא והאחות וכיוצא מזה – בהכשרתם.

התנגדויות יכולות להיות של המשתמשים – רופאים, בתי חולים, מבטחים. התנגדויות נובעות משיקולי תקציב, מרצון להגן על המטופלים מסיכונים, מהצפה בפניות, משמרנות ושנאת סיכון. בנוסף קיימים חסמים רגולטורים של הFDA וגופים מקבילים. העולם הממהר מציב אתגרי מדיניות ורגולציה גדולים. על הרגולטור להיערך בחכמה אך במהירות לשינויים הדרמטיים, תוך שמירה על בטיחות המטופל.

אתגר בהטמעה בישראל: ישראל היא מעצמת חדשנות ברמת הפיתוח, אך כיוון שהשוק הישראלי קטן מרבית היוזמות המפותחות כאן אינם מגיעות לציבור הישראלי, אלא יוצאות לשווקי העולם. פורום ריבוט להטמעת חדשנות רפואית בת קיימא בישראל עוסק ההתמודדות עם בעיה זו.

מבט אופטימי לעשורים הקרובים

מהפכת המידע כבר הביאה לשינוי במֶרכָּזִיוּת החולה – מעבר מהמקום היררכי בו הרופא מחזיק בידע ובכוח, לנקודה יותר שוויונית. ‘החולה במרכז’ משמעו שינוי תפיסתי הן של רופאים והן של המטופלים. הטכנולוגיה היא קטליזטור לשינוי.

נגישות המידע בכף היד של כל אדם הופכת את המטופלים לשותפים המובילים בטיפול. ניתן למדוד כמעט כל משתנה פיזיולוגי, כמו כמה שעות שינה ממוצעות, דופק ממוצע במנוחה, רוויון חמצן בדם, כך המטופל יודע מה הסימפטומים, קרא על המחלה, ומחזיק מידע רלבנטי מהסלולרי, השעון החכם או כל סנסור אחר. סטטיסטית – ככל שהמטופלים צעירים יותר כך הם באים מצוידים ביותר מידע, באים למפגש עם שאלות רלבנטיות, והופכים את מערכת היחסים שלהם עם הרופא ליותר שוויונית.

מרכזיות הפרט משמעה גם התמקדות במניעת תחלואה ובשמירת הבריאות, מעבר לטיפול בחולי. היא גוזרת מעורבות המטופל בתהליכי האבחון והטיפול, וכמובן טיפול רפואי מותאם אישית לפרט, העדפותיו, הגנטיקה שלו, חיידקי גופו וכך הלאה.

ניתן להעריך ש’מניעה מותאמת אישית’ תוכל, בצד השיפור בבריאות הציבור, לסייע בריסון העלויות העולות של הרפואה. לכך לדוגמה מכוון הסטארט אפ הישראלי DayTwo, שעוסק בריצוף גנטי של המיקרוביום במטרה להתאים תזונה אישית לכל אדם, למנוע השמנה, סכרת ותחלואה.

רתימת מהפכת הדאטה הכרחית על מנת להמשיך לספק בריאות ולשמור על מסגרת תקציבית מגודרת. ה – NHS, סוכנות הבריאות הלאומית בבריטניה, כבר הצהירה על אסטרטגיה המשלבת דאטה טכנולוגיה ודיגיטל ופרסמה ‘מדריך למפת דרכים דיגיטלית מקומית’, והיא גם מממנת טכנולוגיות ב’סל הבריאות’ שלה.

ערך נוסף הוא תמיכה בצוותים הרפואיים, הכורעים תחת ריבוי כמויות המידע והעליה בפרסומים האקדמיים (42,000 בסוכרת בשנת 2016 כדוגמה) אין די שעות ביממה להתעדכן כראוי במאמרים, לעבור על נתוני החולים במטרה לעבוד בצורה מבוססת עובדות וראיות. שותפות בין רופאים לבינה מלאכותית תסייע בכריית המידע על המטופל, בשליפת המאמרים העדכניים מהספרות ועוד. בזירת הסטארטאפים כבר ישנם פיתוחים ישראלים המסייעים לצוותים, דוגמת Medaware הישראלית המאתרת ומתריעה על טעויות במתן תרופות באמצעות בינה מלאכותית.

מנהלי בתי חולים חכמים כבר נמנעים מלהוציא סכומי עתק על רכישה והטמעת מערכות מידע חדשות, וממתינים לפתרונות חדשים שיגיעו. הצורך הוא בפתרונות ‘משבשים’, שיתייחסו לשלל הסוגיות שהוצגו: קישוריות, רגולטוריות, טכנולוגיות, ומוסריות. אין ספק כי מערכת שתצליח להחליף את שלל המערכות היקרות והחלקיות המיושמות כיום לא תהייה אוסף פתרונות צרים ואינקרימנטליים אלא תפעל באינטגרציה ‘אנד טו אנד’, עבור הלקוחות המשלמים והלא משלמים כאחת. אפשר להעריך בזהירות שחידושים כמו בלוקצ’יין, והממשקים בין רפואה לסייבר סקיוריטי יאפשרו פריצות דרך טרנספורמטיביות בעשור או שניים הבאים, קרי מוצרים שיהיו טובים יותר פי 50-100, ויעלו הרבה פחות.

Medicine Is Becoming A Software Profession

הוא משפט מעניין לחשוב עליו, ואני מקוה שלא יתממש…..

ובכל מקרה מזכירה לעצמי את חשיבות השמירה על אורח חיים בריאים, את זה בינה מלאכותית לא יכולה לעשות עבורנו.

גילוי נאות: עד כה כתבתי על חשבוני וזמני, הפעם היה לי זמן לתחקיר המעמיק הודות לחסות מכון תנובה למחקר, שנתנו מימון צנוע ולא התערבו בכתיבה.

איתכם ובשבילכם

ד”ר מיכל חמו לוטם

דצמבר 2017

הערה: הביקורת וההמלצות באתר אינן מהוות תחליף לייעוץ מקצועי ורפואי מותאם אישית. לתקנון האתר

מראי מקום

1. Eric J. Topol, The creative destruction of medicine: How the digital revolution will create better health care, 2013.
2. CheXNet: Radiologist-Level Pneumonia Detection on Chest X-Rays with Deep Learning, The open-access, scientific preprint website arXiv. Nov. 14 2017
3. Klaus Schwab, The Fourth Industrial Revolution, 2017
4. Thomas L. Friedman, Thank You for Being Late: An Optimist’s Guide to Thriving in the age of accelerations, 2016
5. Eric J. Topol. Landmark Digital Medicine Trial: Patient-Generated Data Improve Cancer Survival – Medscape – Jun 07, 2017.
6. FDA News Release – FDA approves pill with sensor that digitally tracks if patients have ingested their medication, November 13, 2017
7. Niv Zmora, David Zeevi, Tal Korem, Eran Segal, Eran Elinav. Taking it Personally: Personalized Utilization of the Human Microbiome in Health and Disease, Cell Host@microbe, Volume 19, Issue 1, 13 January 2016, Pages 12-20
8. Eric J. Topol. The patient will see you now: the future of medicine is in your hands, 2016 – books.google.com
9. A DARPA Perspective on Artificial Intelligence
10. Jha S, Topol EJ. Adapting to artificial intelligence radiologists and pathologists as information specialists. JAMA. 2016 Nov 29.
11. Stephen F. Weng, Jenna Reps, Joe Kai, Jonathan M. Garibaldi, Nadeem Qureshi, Can machine-learning improve cardiovascular risk prediction using routine clinical data? PLOS ONE, April 4, 2017