פיתוח מערכת AI לחיזוי סיכון למחלות
בדיקות סקר סטנדרטיות מפספסות עד 40% מהמקרים בשלבים מוקדמים — מטופל עם שלושה גורמי סיכון מקבל התערבות כאשר המחלה כבר התפתחה.
אנחנו בונים מודלים של AI שמנתחים היסטוריה רפואית, גנטיקה ואורח חיים: המערכת מצביעה על סיכון 2–5 שנים לפני ביטויים קליניים.
לסיכון קרדיווסקולרי, המודל משיג AUC 0.86 — גבוה ב-15% מ-SCORE2 הקלאסי, ובזכות כיול, ה-Brier Score יורד ב-20%.
רפואה מונעת מפסיקה להיות אבסטרקציה — עבור 100 אלף מטופלים, המערכת יכולה לזהות עד 2,000 individuals בסיכון גבוה ולמנוע מאות אשפוזים, ולחסוך סכום שנתי המחושב לאחר ביקורת.
משימות חיזוי סיכון למחלות
סקר אוכלוסייה — זיהוי individuals בסיכון גבוה בכל האוכלוסייה המשויכת. מקרי שימוש: סוכרת סוג 2, CVD, אונקולוגיה, מחלת כליות כרונית. חיזוי אינדיבידואלי — סיכון ל-10 שנים לאירוע קרדיווסקולרי.
מודלים של ML עולים על ציוני סיכון קלאסיים (Framingham, SCORE2) ב-15–20% ב-AUC (מטא-אנליזה עדכנית) בשל אינטראקציות לא-לינאריות ומספר גדול יותר של מנבאים. התקדמות המחלה — מטופל עם שלב מוקדם: מתי זה יתקדם לחמור?
אנחנו משתמשים במודלים של הישרדות (Cox PH, Random Survival Forest, DeepHit) עם נקודות קצה של זמן-עד-אירוע.
כיצד מודל AI מתחשב בנתונים גנטיים?
נתונים גנומיים — SNPs עבור ציוני סיכון פוליגניים. ציון סיכון פוליגני (PRS) הוא סכום משוקלל של אלפי SNPs. משימת ה-ML: שקלול אופטימלי עבור אוכלוסייה ספציפית. בפרויקטים שלנו, אנחנו משלבים PRS עם נתוני EHR: מודל מולטימודלי מניב שיפור AUC של 5–8%.
מדוע כיול חשוב יותר מדיוק?
ציון סיכון של "68%" צריך להיות בדיוק הסתברות של 68%. לאחר האימון, אנחנו מיישמים Platt scaling או isotonic regression. Calibration plot (reliability diagram) הוא מדד חובה. ללא כיול, מודל יכול לטעות בביטחון, וזה מסוכן מבחינה קלינית.
אילו מקורות נתונים משמשים?
- נתוני EHR מובנים: אבחנות (ICD-10), בדיקות מעבדה (גלוקוז, HbA1c, שומנים), מרשמי תרופות, סימנים חיוניים, דמוגרפיה.
- נתונים גנומיים: SNPs עבור ציונים פוליגניים. BRCA1/2, ApoE4, PCSK9.
- גורמי אורח חיים וחברתיים: עישון, BMI, תזונה, לחץ, רמת השכלה. מ-EMR, שאלונים, מכשירים לבישים.
| סוג נתונים | דוגמאות | תפקיד במודל |
|---|---|---|
| EHR | אבחנות, בדיקות מעבדה, מרשמים | מנבאים עיקריים, דינמיקה זמנית |
| גנומי | SNPs, PRS | אות נוסף לסיכונים תורשתיים |
| אורח חיים | עישון, BMI, פעילות | גורמים ניתנים לשינוי, משפרים כיול |
כיצד אנחנו בונים מודלים: סטאק וגישה
- עיבוד מקדים: השלמת ערכים חסרים, קידוד אבחנות, אגרגציה של סדרות זמן.
- הנדסת תכונות: יצירת תכונות משולבות (למשל, Charlson comorbidity index, חלונות זמן של ערכי מעבדה).
- אימון: XGBoost או LightGBM — עבור נתונים טבלאריים עם פרשנות SHAP. עבור סדרות זמן — מודלים מבוססי Transformer (BEHRT, Med-BERT) עם אימון מקדים על EMR.
- כיול: Platt scaling או isotonic regression.
- ולידציה: פיצול זמני וולידציה חיצונית על נתונים ממרפאה אחרת.
השוואה: XGBoost + SHAP נותן שיפור AUC של פי 1.5 בהשוואה לרגרסיה לוגיסטית על אותם נתונים, ובזכות כיול, ה-Brier Score יורד ב-20%.
מודלים וולידציה
פרטי ולידציה טכניים
עבור נתוני EHR טבלאריים, אנחנו משתמשים ב-XGBoost ו-LightGBM — הם שולטים בנתונים רפואיים מהעולם האמיתי. יתרונות: טיפול בערכים חסרים, פרשנות דרך SHAP, יעילות על מדגמים קטנים. עבור סדרות זמן — מודלים מבוססי Transformer (BEHRT, Med-BERT). אימון מקדים על בסיסי נתונים של EMR → כיוונון עדין למשימות סיכון ספציפיות.מדדי הערכה
| מדד | משמעות קלינית |
|---|---|
| AUC-ROC | אבחנה: מפריד בין חולים לבריאים |
| AUC-PR | תחת חוסר איזון חזק בין מחלקות (אירועים נדירים) |
| Brier Score | דיוק כולל של תחזיות הסתברותיות |
| Net Benefit / Decision Curve | תועלת קלינית בהחלטות סף |
| NRI, IDI | שיפור לעומת ציון סיכון קיים |
ולידציה חיצונית על נתונים ממרפאה אחרת היא חובה לפני יישום. יישום בבריאות אוכלוסייה: ריבוד לפי ציון סיכון — סיכון גבוה → פנייה אקטיבית (שיחה, הזמנה לסקר). ב-EMR, הציון מוצג עם הסבר SHAP: "סיכון CVD: 23% (גבוה).
גורמים: יתר לחץ דם, דיסליפידמיה, עישון." השפעה כלכלית: באוכלוסייה של 100 אלף אנשים, אנחנו מזהים 1,500–2,000 individuals בסיכון גבוה → התערבות מונעת 200–400 אשפוזים, ומניבה חיסכון שנתי נטו המחושב לאחר ביקורת.
מה כלול בעבודה
- ניתוח הנתונים של המרפאה ומבנה ה-EMR.
- פיתוח מודל חיזוי (XGBoost/Transformer) עבור תוצאה ספציפית.
- כיול וולידציה חיצונית.
- אינטגרציה של ציון הסיכון ב-EMR (REST API + ווידג'ט SHAP).
- תיעוד, הדרכת רופאים, תמיכה של 6 חודשים לאחר שחרור.
הניסיון של הצוות שלנו — 5+ שנים ב-AI רפואי, 30+ פרויקטים בחיזוי ועיבוד EHR. אנחנו מבטיחים קפדנות מתודולוגית: כל המודלים עוברים ולידציה חיצונית וכיול.
קבלו ייעוץ על יישום: נשלח דוגמאות של מערכות ציון סיכון שיושמו תחת NDA. צרו קשר כדי להעריך את הפרויקט שלכם.