ה-AI שיפר חיזוי סיבוכי הריון כבר בשליש הראשון - אך יצר התרעות שווא רבות

כבר בשליש הראשון להריון ניתן להשתמש במידע רפואי ודמוגרפי שגרתי כדי לחזות מי נמצאת בסיכון מוגבר לסיבוכים אצל האם או היילוד - טוב יותר מהערכות הסיכון המקובלות כיום, אך עדיין רחוק מדיוק שמאפשר שימוש עצמאי. כך עולה ממחקר רב-מרכזי חדש שהתבסס על 771,101 הריונות בשבדיה, צ'ילה וסינגפור.

החוקרים פיתחו מודלים נפרדים לכל אחת משלוש האוכלוסיות, תוך שימוש רק במידע שהיה זמין עד השבוע ה-14 להריון. בשבדיה נכללו 727,354 הריונות, בצ'ילה 5,934 ובסינגפור 37,813. מספר המשתנים נע בין 20 ל-36 וכלל גיל, מדד מסת הגוף, מספר לידות קודמות, מחלות רקע, טיפולי פוריות, עישון, הכנסה, מוצא ובדיקות מעבדה - בהתאם לזמינות המידע בכל מדינה.

התוצאה הייתה טובה יותר - אבל לא טובה מאוד

בשבדיה השיגה הערכת הסיכון המקובלת AUC של 0.53, לעומת 0.65 במודל LightGBM. בצ'ילה נרשם שיפור מ-0.52 ל-0.65, ובסינגפור מ-0.56 ל-0.60. בכל שלוש המדינות היתרון היה מובהק סטטיסטית.

AUC של 0.5 משקף הבחנה שאינה טובה בהרבה מניחוש אקראי, בעוד 1.0 משקף הפרדה מושלמת. לכן 0.60-0.65 מייצג שיפור אמיתי, אך עדיין ביצועים בינוניים.

גם החוקרים עצמם כותבים שהמודלים השיגו "moderate discrimination" - יכולת הבחנה מתונה - ולא רמת דיוק שמתקרבת לאבחון ודאי.

המחיר הופיע כשניסו לבחור סף מעשי

הפער בין AUC לבין שימוש קליני מתברר כאשר בוחנים סף החלטה. כאשר החוקרים קבעו שיעור חיוביים כוזבים של 30%, המודלים זיהו 50.38% מההריונות שבהם הופיעה התוצאה המשולבת בשבדיה, 55.38% בצ'ילה ו-44.75% בסינגפור.

ערך הניבוי החיובי באותו סף היה 16.31% בשבדיה, 34.53% בצ'ילה ו-22.32% בסינגפור. כלומר, בשבדיה למשל, מבין כל הנשים שהמערכת הייתה מסמנת כבעלות סיכון מוגבר, רק בערך אחת מכל שש הייתה מפתחת בסופו של דבר אחת מהתוצאות שנכללו במדד.

ומה קרה אם דרשו רגישות גבוהה יותר

כאשר החוקרים הסכימו לשיעור חיוביים כוזבים של 50%, הרגישות עלתה לכ-69% בשבדיה ובצ'ילה ולכ-65% בסינגפור. אבל אז כמחצית מההריונות שלא פיתחו את התוצאה המשולבת היו מסומנים בכל זאת כבעלי סיכון.

זהו בדיוק האיזון שמקשה על הטמעה: מערכת רגישה יותר מפספסת פחות נשים שבאמת יפתחו סיבוך, אך שולחת הרבה יותר נשים ללא סיבוך למעקב נוסף.

לא חזו מחלה אחת - אלא סל רחב של תוצאות

התוצאה המרכזית במחקר הייתה מדד משולב של סיבוכים אצל האם או היילוד. בצד היילוד נכללו בין היתר לידה לפני שבוע 37, משקל לידה מתחת ל-2.5 ק"ג, לידת מת, ציון אפגר נמוך מאוד, הנשמה או טיפול נמרץ ליילוד ופגיעה היפוקסית-איסכמית.

בצד האימהי נכללו דימום של יותר מ-1,500 מ"ל, רעלת הריון עם פרכוסים, היפרדות שליה, תסחיף, קרע ברחם ואשפוז בטיפול נמרץ או ביחידה לטיפול מוגבר.

השכיחות של המדד המשולב הייתה שונה מאוד בין המדינות: 10.40% בשבדיה, 21.94% בצ'ילה ו-16.25% בסינגפור.

בשבדיה רוב האות הגיע מהתוצאות אצל היילוד

כאשר החוקרים הפרידו בין סיבוכים אימהיים לבין תוצאות אצל היילוד, התברר שבשבדיה הביצועים של המדד המשולב הונעו במידה רבה מהיכולת לחזות תוצאות אצל היילוד.

AUC לחיזוי התוצאה הנאונטלית בלבד היה 0.64, לעומת 0.61 לתוצאה האימהית בלבד. בסינגפור, לעומת זאת, ה-AUC האימהי דווקא הגיע ל-0.64 לעומת 0.60 לנאונטלי.

הדבר מדגיש שאין כאן "מודל אוניברסלי של הריון בסיכון", אלא ביצועים שתלויים מאוד באוכלוסייה ובסוג התוצאה.

המצב החברתי נכנס לתוך התחזית

אחד הממצאים המעניינים היה שמידע רפואי לבדו לא שלט בתחזית. בשבדיה ובסינגפור הופיעו בין המשתנים החשובים ביותר גם גיל, מדד מסת הגוף, מספר לידות קודמות, מוצא ובשבדיה גם הכנסת משק הבית.

בצ'ילה בלטו יותר משתנים רפואיים ומיילדותיים, ובהם שימוש בתרופות נגד יתר לחץ דם ורמת גלוקוז בשליש הראשון.

החוקרים מפרשים זאת כתמיכה באפשרות ששילוב גורמים חברתיים, דמוגרפיים והתנהגותיים משפר את הערכת הסיכון.

אבל זה גם פותח שאלה רגישה: אם המודל משתמש במוצא או בהכנסה כדי לקבוע מי "בסיכון", צריך לוודא שהמערכת אינה משמרת אי-שוויון שכבר קיים במערכת הבריאות.

קשר חברתי אינו סיבתיות

העובדה שמשתנה חברתי מקבל משקל גבוה אינה אומרת שהוא גורם לסיבוך. הכנסה נמוכה יכולה למשל לשקף נגישות שונה לטיפול, מחלות שלא אובחנו, תזונה, תנאי עבודה או גורמים אחרים.

גם מוצא יכול לשקף שילוב של גורמים גנטיים, חברתיים, סביבתיים ומערכתיים. לכן אין לקרוא את דירוג החשיבות של המודל כראיה רפואית לכך שהמשתנה עצמו יוצר את הסיכון.

לא נבנה מודל אחד שעבד בשלוש מדינות

זו אולי ההסתייגות החשובה ביותר מהכותרת "מחקר רב-מדינתי". החוקרים לא אימנו מודל בשבדיה והוכיחו שהוא עובד בצ'ילה ובסינגפור.

לכל אוכלוסייה נבנה ואומת מודל משלה. החוקרים אף כותבים שההבדלים הגדולים בין המדינות מחזקים את הצורך במודלים מותאמים לאוכלוסייה, ולא במערכת עולמית אחת.

המשמעות היא שהמחקר מוכיח שניתן להפיק תחזית מקומית מנתוני השליש הראשון - לא שהאלגוריתם כבר ניתן להעברה לישראל.

האימות היה פנימי בלבד

המחקר חולק בכל מדינה לנתוני אימון ונתוני מבחן. בשבדיה למשל אומן המודל על כ-582 אלף הריונות ונבדק על כ-145 אלף נוספים. בסינגפור הוא אומן על כ-30 אלף ונבדק על 7,563.

זה טוב יותר מבדיקה על אותם נתונים ששימשו לאימון, אבל עדיין אינו אימות חיצוני אמיתי.

אימות חיצוני מחייב להביא את המודל למערכת בריאות אחרת, לבית חולים חדש או לאוכלוסייה שלא השתתפה כלל בפיתוח.

בסינגפור הביצועים היו החלשים ביותר

המודל הסינגפורי הגיע ל-AUC של 0.60 בלבד. החוקרים מציינים כמה הסברים אפשריים: רק 20 משתנים היו זמינים שם, האוכלוסייה הייתה הומוגנית יותר והנתונים הגיעו ממרכז יולדות שלישוני יחיד.

גם שיעורי הסיבוכים היו שונים מאוד בין המדינות. לדוגמה, לידה מוקדמת הופיעה ב-5.89% מההריונות בשבדיה, 15.32% בצ'ילה ו-7.74% בסינגפור.

לכן גם ההקשר הקליני שבו מודל מפותח משנה מאוד את הביצועים.

בצ'ילה הייתה בעיית כיול

יכולת הבחנה אינה הדבר היחיד שחשוב במודל סיכון. צריך גם שהסיכון שהוא נותן יתאים לסיכון בפועל.

בשבדיה ובסינגפור התקבל כיול סביר, ואילו בצ'ילה שיפוע הכיול היה בערך 1.45 - סימן לכך שהמודל היה "חסר ביטחון" ולא תרגם היטב את הציון להסתברות מוחלטת.

החוקרים עצמם מסיקים שבשלב זה נכון לראות במערכת כלי לסיווג יחסי של סיכון יותר מאשר מחשבון הסתברות מדויק.

ההשוואה לטיפול הקיים אינה ניסוי

גם כאשר המודל עקף את הערכת הסיכון המקובלת, צריך להיזהר בפרשנות. החוקרים השוו בדיעבד בין התחזית של המודל לבין פרוקסי לשיטות הקליניות הנהוגות בכל מדינה.

זו אינה הקצאה אקראית שבה מחצית מהנשים מנוהלות לפי AI ומחצית לפי רופא.

אישה שהוגדרה בזמן אמת כבעלת סיכון גבוה יכולה כבר לקבל טיפול, מעקב או לידה מתוכננת מוקדם יותר - ובכך לשנות את התוצאה שהמחקר מנסה לחזות.

אף מערכת כזאת עדיין לא הוכחה בניסוי אקראי

המחברים כותבים זאת בצורה מפורשת: עד היום שום מערכת בינה מלאכותית להערכת סיכון בהריון לא נבדקה באופן קפדני מול הטיפול הסטנדרטי בניסוי קליני אקראי, ואף אחת אינה מוכנה לשילוב שגרתי בטיפול מיילדותי. זהו פער משמעותי.

מודל יכול להראות AUC טוב יותר ועדיין לא לשפר אף תוצאה רפואית.

כדי להצדיק הטמעה צריך להראות שהשימוש בו מוביל לפחות לידות מוקדמות, פחות סיבוכים חמורים או שימוש יעיל יותר במשאבי מעקב.

ישראל היא סביבה מעניינת במיוחד לבדיקת גישה כזאת משום שכבר בתחילת ההריון מצטבר מידע רב במערכות הממוחשבות של קופות החולים ובתי החולים.

גיל, מחלות רקע, טיפולי פוריות, בדיקות דם, הריונות קודמים ומאפיינים דמוגרפיים נמצאים ברובם במערכת עוד לפני השבוע ה-14.

תאורטית, מודל ישראלי יכול להשתמש במידע שכבר נאסף בלי להוסיף בדיקות חדשות.

אבל המחקר החדש דווקא מדגים מדוע אי-אפשר לקחת מודל שוודי ולהפעיל אותו כאן: ההבדלים בין שלוש המדינות היו כה גדולים, עד שהחוקרים עצמם פיתחו מודל נפרד לכל אחת.

התרעות השווא אינן עניין טכני בלבד

בהריון, סיווג כוזב כ"סיכון גבוה" יכול להשפיע גם על הטיפול וגם על החוויה של האישה.

הוא עלול להוביל ליותר בדיקות, יותר אולטרסאונד, מעקב במרפאת הריון בסיכון, הפניות נוספות ואולי גם חרדה.

מצד שני, החמצת אישה שבאמת תפתח רעלת הריון, לידה מוקדמת או סיבוך חמור יכולה להיות מסוכנת.

לכן השאלה אינה רק איזה AUC גבוה יותר, אלא איזה סף יוצר את האיזון הנכון בין זיהוי מוקדם לבין טיפול יתר.

לא כל "AI" היה טוב יותר

החוקרים בחנו גם TabPFN, מודל מבוסס טרנספורמר לנתונים טבלאיים, וגם שיטות למידת מכונה מסורתיות יותר.

באופן מעניין, שיפור הביצועים מהמודלים המורכבים היה צנוע מאוד. בשבדיה למשל מודל TabPFN בסיסי השיג AUC של 0.60, בעוד LightGBM ומודלים משולבים הגיעו ל-0.65. בצ'ילה כמעט כל השיטות נשארו סביב 0.65.

כלומר, עצם השימוש בארכיטקטורת AI מתקדמת לא יצר קפיצה דרמטית בביצועים.

גם ChatGPT שימש להכנת המאמר

המחברים דיווחו כי השתמשו ב-ChatGPT, בגרסת GPT-5.5, באופן מוגבל לצורך שיפור ניסוח ועריכה לשונית של כתב היד. הם מדגישים שכל המחברים בדקו את המאמר ונושאים באחריות מלאה לתוכנו.

אין לכך משמעות לתוצאות המחקר עצמן, אבל זו דוגמה נוספת לשקיפות הגוברת לגבי שימוש בבינה מלאכותית גם בתהליך הכתיבה המדעית.

שיפור אמיתי - אבל עדיין לא כלי קליני

המחקר מראה שאפשר להפיק מהמידע שכבר קיים בשליש הראשון תחזית טובה יותר מההערכה הקלינית הנהוגה כיום בשלוש מערכות בריאות שונות.

זה הישג מעניין, בעיקר משום שלא נדרשו בדיקות חדשות.

אבל ההישג עדיין מתון: AUC סביב 0.60-0.65, אימות פנימי בלבד ושיעורים גבוהים של חיוביים כוזבים כאשר מנסים לזהות חלק משמעותי מהמקרים.

השלב הבא אינו רק לבנות מודל עם מספר גדול יותר, אלא לבדוק אותו באוכלוסייה חיצונית ובניסוי שבו השימוש בתחזית באמת משנה טיפול ותוצאות.