לא רק הפסקות נשימה: בינה מלאכותית מצאה בבדיקות שינה סיכונים שהמדד המקובל החמיץ

המחקר במספרים

• 10,000 - מספר בדיקות השינה במאגר המקורי
• 9,608 - מספר הבדיקות שנותרו לאחר בקרת האיכות
• 9,297 - מספר המטופלים שנכללו בחלוקה לקבוצות
• 9,203 - מספר הבדיקות ששימשו לאימון המודל
• 5 - מספר קבוצות הסיכון
• 2.71 - הסיכון היחסי לתמותה בקבוצה העליונה לעומת התחתונה
• 67% - העלייה היחסית בסיכון לאי-ספיקת לב בקבוצה העליונה
• יותר מ-6,000 - מספר המשתתפים במאגר האימות החיצוני
• 2022-2012 - השנים שבהן נערכו בדיקות השינה בקליבלנד קליניק
• 0 - מספר הניסויים שהוכיחו כי שימוש במודל משפר את בריאות המטופלים

בדיקת שינה מלאה מתעדת במשך לילה שלם את פעילות המוח, הלב, השרירים, הנשימה ורמת החמצן בדם. אף על-פי כן, חלק גדול מן המידע המורכב הזה מצטמצם כיום לכמה מספרים מסכמים - ובראשם מספר הפסקות הנשימה והירידות בעוצמת הנשימה בכל שעת שינה.

מחקר חדש מצא כי בינה מלאכותית יכולה לחזור אל האותות הגולמיים שנאספו בבדיקה ולזהות בהם דפוסים הקשורים לסיכון ארוך טווח לתמותה, לאי-ספיקת לב ולמחלות נירולוגיות. חלק מן המטופלים שסווגו בסיכון גבוה לא הוגדרו כבעלי דום נשימה חמור לפי המדד המקובל.

המחקר פורסם ב-3 באוגוסט 2026 בכתב העת Nature Communications ונערך בידי חוקרים מ-IBM, מקליבלנד קליניק, מאוניברסיטת ייל ומאוניברסיטת וושינגטון. החוקרים בחנו בדיקות שינה שנערכו בקליבלנד קליניק בשנים 2022-2012 וקישרו אותן לתיקים רפואיים ולנתוני תמותה לאורך שנים.

לילה שלם מצטמצם למספר אחד

המדד המרכזי המשמש כיום לקביעת חומרת דום הנשימה הוא מדד הפסקות הנשימה והנשימות המופחתות לשעה. לפי התוצאה, המטופלים מחולקים בדרך כלל למי שאינם סובלים מדום נשימה ולדרגות קלות, בינוניות וחמורות של המחלה.

המדד חשוב לאבחון, אך הוא מתאר בעיקר את תדירות הפרעות הנשימה. הוא אינו משקלל במלואה את תגובת הלב לכל אירוע, את מבנה השינה, את פעילות המוח, את עומק הירידה בחמצן או את האופן שבו מערכות הגוף מתאוששות לאחר כל הפרעה. החוקרים מצאו שהחלוקה לפי המדד המקובל סיפקה הפרדה מוגבלת ולא עקבית בין מטופלים מבחינת הסיכון העתידי.

המודל החדש בחן במקביל אותות של גלי מוח, תנועות עיניים, מתח שרירים, פעילות חשמלית של הלב, זרימת אוויר, תנועות בית החזה והבטן, נחירות, פחמן דו-חמצני וריווי החמצן. כל מקטע של 30 שניות חולק למקטעים בני שלוש שניות, כדי שהמערכת תוכל ללמוד את יחסי הגומלין המשתנים בין המערכות לאורך הלילה.

חמש קבוצות במקום ארבע דרגות מחלה

המאגר המקורי כלל 10,000 בדיקות שינה של 9,661 מטופלים. לאחר סינון ובקרת איכות נותרו 9,608 בדיקות של 9,297 מטופלים, ו-9,203 מהבדיקות שימשו לאימון המודל. המערכת אומנה לזהות שלבי שינה, אירועי נשימה וירידות בריווי החמצן, ומתוך כך למדה ייצוג מתמטי רחב של הפיזיולוגיה הלילית.

לאחר שלב האימון החוקרים לא הורו למודל לחפש מחלה מסוימת, אלא השתמשו בדפוסים שלמד כדי לחלק את המטופלים לחמש קבוצות. ככל שהקבוצה הייתה גבוהה יותר, כך עלה באופן מדורג הסיכון לתמותה ולכמה תוצאות לבביות ונירולוגיות.

הקבוצה החמישית, בעלת הסיכון הגבוה ביותר, לא הייתה פשוט הקבוצה שבה נרשם המספר הגדול ביותר של הפסקות נשימה. מטופלים שסווגו בה נמצאו בכל דרגות החומרה המקובלות, ולכן חלקם היו עלולים שלא לקבל תשומת לב מיוחדת על סמך מדד דום הנשימה לבדו.

פי 2.71 בסיכון לתמותה

לאחר התאמה לגיל ולמגדר, הסיכון לתמותה מכל סיבה בקבוצה החמישית היה גבוה פי 2.71 לעומת הקבוצה הראשונה, בעלת הסיכון הנמוך ביותר. טווח הביטחון עמד על 1.93 עד 3.81, והקשר היה מובהק סטטיסטית.

גם הסיכון לאי-ספיקת לב היה גבוה יותר. בקבוצה החמישית הוא היה גבוה פי 1.67 - עלייה יחסית של 67% - לעומת הקבוצה הראשונה. נוסף על כך נמצאו הבדלים בסיכון לאירועים לבביים, להפרעות בקצב הלב, לפגיעה קוגניטיבית ולאפילפסיה.

המספרים אינם מאפשרים לקבוע מהו הסיכון המוחלט של אדם מסוים. הם משווים בין קבוצות שנוצרו בידי המודל ואינם אומרים שכל מי שנמצא בקבוצה העליונה יחלה או ימות בתקופת המעקב.

הממצא חזר במאגר עצמאי

כדי לבדוק שהמערכת לא למדה רק את מאפייני המטופלים של קליבלנד קליניק, החוקרים הפעילו אותה על מאגר עצמאי ממחקר בריאות הלב והשינה, שכלל יותר מ-6,000 משתתפים מן האוכלוסייה הכללית. הבדיקות במאגר זה היו בעלות רזולוציה נמוכה יותר וכללו פחות ערוצי מידע, אך המודל עדיין הצליח להפריד בין קבוצות בעלות סיכון שונה.

במאגר החיצוני היה הסיכון לתמותה בקבוצה החמישית גבוה פי 1.58 מן הקבוצה הראשונה. הסיכון לאי-ספיקת לב היה גבוה פי 2.13. העובדה שהקשרים חזרו באוכלוסייה אחרת מחזקת את האפשרות שהמודל זיהה דפוס פיזיולוגי ממשי ולא רק מאפיין מקרי של המאגר הראשון.

עם זאת, גם האימות החיצוני היה תצפיתי. הוא מלמד שהסיווג חוזר במאגר אחר, אך אינו מוכיח ששימוש בו במסגרת טיפול רפואי ישפר את מצב המטופלים.

לא אבחון של מחלה עתידית

המערכת אינה אומרת למטופל איזו מחלה יתפתח אצלו ומתי. היא גם אינה מחליפה בדיקת לב, בירור נירולוגי או הערכה רפואית. היא מסווגת דפוסים פיזיולוגיים לקבוצות שבהן נצפתה תחלואה גבוהה או נמוכה יותר לאורך זמן.

מבחינה מעשית, מטופל שסווג בקבוצה העליונה עשוי בעתיד להיות מועמד למעקב לבבי הדוק יותר, לבדיקת גורמי סיכון נוספים או לבירור נירולוגי מוקדם. אך החוקרים מדגישים שנדרשים ניסויים עתידיים כדי לבדוק אם הפניה כזאת אכן מונעת מחלה או מאריכה חיים.

גם לא ברור עדיין אילו מרכיבים באותות גרמו למודל להציב אדם בקבוצה מסוימת. ניסויי רגישות הראו שגלי המוח ופעילות הלב תרמו לחלוקה, וכי המודל לא הסתמך על הנשימה בלבד, אך התוצאה הסופית נוצרת משילוב מורכב של נתונים.

אותה בדיקה - מידע רפואי נוסף

יתרונו האפשרי של המודל הוא שאין צורך בבדיקה נוספת. המידע כבר נאסף במהלך בדיקת השינה, והמערכת חוזרת אל האותות המלאים במקום להסתפק בדוח המסכם.

הדבר עשוי לשנות את תפקידה של מעבדת השינה. במקום לשאול רק אם המטופל סובל מדום נשימה ובאיזו חומרה, ניתן יהיה בעתיד לבחון אם דפוסי הלילה שלו מצביעים גם על צורך בבירור של הלב, המוח או חילוף החומרים.

המחקר גם הראה שמדדים רגילים כגון זמן השינה הכולל, שיעור שלבי השינה, ריווי החמצן ומספר היקיצות לא הצליחו לשחזר במלואה את החלוקה לחמש הקבוצות. המשמעות היא שהמידע אינו טמון במספר יחיד נוסף, אלא בקשרים המשתנים בין כמה מערכות לאורך הלילה.

המשמעות האפשרית בישראל

בדיקות שינה מלאות נעשות גם בבתי חולים ובמעבדות שינה בארץ, ובהן נאספים אותות דומים של מוח, לב, שרירים, נשימה וחמצן. אם המודל יאומת באוכלוסיות נוספות ויותאם לציוד המקומי, ניתן יהיה עקרונית להפיק מידע נוסף מבדיקות שכבר בוצעו, בלי להכביד על המטופל בבדיקה נוספת.

האפשרות מעניינת במיוחד אצל מטופלים שמדד דום הנשימה שלהם נמוך או בינוני, אך בדיקתם מכילה דפוס רחב יותר של הפרעה פיזיולוגית. עם זאת, אין כיום בסיס להשתמש במודל כדי להפנות מטופלים בישראל או לשנות טיפול, והוא עדיין אינו מערכת מאושרת לשימוש רפואי שגרתי.

המחקר שונה ממיזם SleepFM שפורסם בתחילת 2026. SleepFM נועד לחזות סיכון ליותר ממאה אבחנות מתוך בדיקת שינה אחת, ואילו המחקר הנוכחי התמקד בזיהוי קבוצות פיזיולוגיות בעלות מסלולי תחלואה ותמותה שונים.

מחקר למפרע עם מידע חסר

המחקר התבסס על תיקים רפואיים קיימים ולא על מעקב שתוכנן מראש לצורך בדיקת המודל. משום כך הוא אינו מוכיח שהדפוסים שנמצאו גורמים למחלות, וייתכן שחלקם משקפים מחלה שכבר הייתה קיימת אך טרם אובחנה.

לא היו לחוקרים נתונים מלאים על היענות לשימוש במכשירי לחץ אוויר, והשימוש בתרופות לא תועד באופן שיטתי. האבחנות התבססו בחלקן על קודים רפואיים, העלולים לכלול טעויות וסיווגים חסרים, אף שבדיקת החוקרים הגיעה ליותר מ-90% התאמה.

החוקרים גם לא כללו דיווחי מטופלים על עייפות, איכות שינה ותסמינים במהלך היום. מידע כזה עשוי לשפר בעתיד את יכולת הסיווג ולסייע להבין אם הקבוצות שהמודל מצא שונות גם מבחינת חיי היום-יום.

הקוד המלא אינו פתוח

הקוד ששימש לאימון ולהפעלת המודל פותח במסגרת השותפות בין IBM לקליבלנד קליניק ואינו זמין לציבור בשל זכויות קניין רוחני ותלות בתשתיות פנימיות. החוקרים מסרו כי תסריטי הניתוח המעובדים, ששימשו לשחזור הניתוחים הסטטיסטיים והתרשימים המרכזיים, זמינים בפנייה למחבר המתאים.

חלק מן החוקרים קיבלו תמיכה מתוכנית המחקר המשותפת של קליבלנד קליניק ו-IBM, ואחרים נתמכו במענק של המכון הלאומי האמריקני ללב, לריאות ולדם. במאמר לא דווח על ניגודי עניינים אישיים.

המסקנה הזהירה

המחקר מראה שבדיקת שינה מכילה כנראה מידע רפואי רב יותר מזה שמופיע בדוח המקובל. מודל הבינה המלאכותית הצליח לזהות קבוצות בעלות סיכון שונה לתמותה, לאי-ספיקת לב ולתחלואה נירולוגית, גם כאשר מדד הפסקות הנשימה לא הבחין ביניהן היטב.

אולם המודל עדיין אינו כלי אבחון או בסיס להחלטת טיפול. לפני שימוש רפואי יהיה צורך לבדוק אותו באוכלוסיות נוספות, להבין טוב יותר מה הוא מזהה ולהוכיח שהפעולות הננקטות בעקבות הסיווג מועילות למטופלים.