רפואת המחר בעידן כריית הנתונים וה-Big Data

תועפות הנתונים שהצטברו אודות מטופלים מאפשרים לשנות גישה ברפואה בכלל וברפואה הגריאטרית בפרט * היכולות הגבוהות החדשניות מאפשרות זיהוי ואיתור מחלות בשלביהן הראשוניים * ד"ר אירית גולדמן הרצתה על הדברים בכנס עולמות ה-Big Data והתבונה המלאכותית שהתקיים בשבוע שעבר

לפי ד"ר אורית גולדמן, התבונה המלאכותית מאפשרת לחזות קשישים הצפויים להתדרדר כדי למקד את הטיפול בהם. תמונת אילוסטרציה. מקור: U.S. Air Force photo.
לפי ד"ר אורית גולדמן, התבונה המלאכותית מאפשרת לחזות קשישים הצפויים להתדרדר כדי למקד את הטיפול בהם. תמונת אילוסטרציה. מקור: U.S. Air Force photo.

התבונה המלאכותית מאפשרת לחזות קשישים הצפויים להתדרדר כדי למקד את הטיפול בהם, כך אמרה ד"ר אורית גולדמן מהמכללה האקדמית לישראל ברמת גן והקריה האקדמית אונו במפגש משותף של החוג למערכות מידע במכללה האקדמית תל אביב יפו והלשכה לטכנולוגית המידע, שעסק בעולמות הביג דטה והתבונה המלאכותית, אשר התקיים בשבוע שעבר (ה').

לדבריה, "אוכלוסיית ישראל מזדקנת במהירות. לפי הערכות ארגון ה-OECD, בשנת 2030 יהיו בישראל כמעט 1.5 מיליון קשישים. כחצי מיליון יותר מאשר היום. תוחלת החיים עולה, אבל איתה גם מספר החולים הכרוניים, ובפרט אלו הסובלים מכמה מחלות במקביל".

ד"ר גולדמן, שעבדה עד לפני שנה במכון המחקר של שירותי בריאות כללית, מכנה את המצב: "כישלון ההצלחה". התייעלות הטיפולים בשנים האחרונות במחלות מסוימות, בעיקר באי-ספיקת לב ובסוגים שונים של סרטן, מפחיתה את התמותה, אבל גורמת לכך שיהיו הרבה יותר חולים כרוניים. גם אורח החיים המערבי מעלה את מספר הלוקים במחלות הנובעות מתזונה עתירת שומנים, מהיעדר פעילות גופנית, מלחץ בעבודה ועוד.

ההיבט הכלכלי של תופעה זו הוא שיותר אנשים זקוקים לאשפוזים ולתרופות ונדרשים ליציאה ממעגל העבודה. הדבר משפיע על מערכת הבריאות שנדרשת לטיפול ביותר חולים ובטיפולים יקרים יותר, וכן על החברה שכן אוכלוסיה רחבה של חולים יוצאת ממעגל העבודה וזקוקה לשיקום.

המגמה היא לעבור מחולים המבקשים טיפול לאחר פרוץ המחלה, לטיפול במחלה כאשר היא עדיין בשלביה הראשונים. "אם נצליח לזהות מצבי טרום-מחלה נוכל למנוע את המחלה או לפחות לדחות אותה משמעותית. מכיוון שאי-אפשר לטפל בכל החולים בעלי גורמי סיכון כלשהם, עלינו לזהות חולים בסיכון גבוה במיוחד ואז נוכל לכוון את המשאבים המוגבלים למי שזקוק להם ביותר.

אפשר, לדוגמה, לעשות צילום חזה לכל האוכלוסייה ולמצוא למי יש סימנים לסרטן ריאות, אבל זה לא מעשי, ולכן מצמצמים את הפעולה למבוגרים בני חמישים ומעלה, שמעשנים. וכך גם ההזמנה של כל האוכלוסייה לבדיקות קולונוסקופיה לאיתור סרטן המעי הגס. במקום לפנות לכולם – לפתח מודל שיצמצם את הקבוצות הללו ולהזמין לסקר רק את מי שהסיכון שלו לחלות הוא הגבוה ביותר.

ד"ר אירית גולדמן. צילום: מוטי סדובסקי.
ד"ר אירית גולדמן. צילום: מוטי סדובסקי.

התשובה נמצאת בעולמות כריית הנתונים ובאלגוריתמים חכמים. ארגונים רבים צוברים כמויות עצומות של נתונים במערכות התפעוליות שלהם. יש צורך במודלים אנליטיים של כריית נתונים, שיחפשו תבניות בנתונים. הנתונים מגיעים בצורות רבות: מהרשתות החברתיות, מהררי המיילים שנשלחים כל יום, ישנו זינוק בהיקף נתוני הווידיאו שנוצרים על ידי משתמשי טלפונים חכמים, נתוני מיקום מה-GPS, מידע המועבר מחיישנים. כריית נתונים אינה דבר חדש, אבל הטכניקות המסורתיות, אפילו המתוחכמות שבהן, נשענות על כך שהאנליסט יודע מה לחפש בנתונים, ומריץ את השאילתה המתאימה", כך אמרה ד"ר גולדמן לקהל שומעיה בכנס.

לדבריה, בשנים האחרונות התפתחו מושגים שלא היו קיימים קודם: למידה עמוקה, ומדען נתונים שמנתח את המערכת ובעזרתה מגיע לתובנות לא צפויות.

"היכולת המחשובית עולה. בזיהוי תמונות לא היה שינוי גדול מ-1998 עד 2012. פתאום יש לנו אפשרות לאחסן המון נתונים ולאמן רשתות נוירונים עם הרבה שכבות. המחשב מנתח היום צילומי רנטגן ולומד תבניות בכדי לספק המלצות לרנטגנאים בצילומים הבאים. ב-יבמ (IBM) הצליחו לאתר מגיפות שפעת מנתונים הזמינים ברשתות החברתיות בזכות הלמידה העמוקה. כריית נתונים ברפואה וניתוחם באמצעות למידה עמוקה מאפשרים להגיע לתובנות על הסיבות והמסובבים ברפואה, איתור קבוצות בסיכון גבוה למחלה לצורך מניעה ממוקדת, וזאת באמצעות ניתוח מודלים של כריית נתונים לחיזוי התופעה".

לפי ד"ר גולדמן, "בשירותי בריאות כללית קיים כבר מ-2004 מודל חיזוי התדרדרות קשישים בכדי להתערב ולבצע טיפולים מונעים. לרוב הקשישים יש יותר ממחלה כרונית אחת. אנחנו רוצים לזהות כאלה כשהם שבריריים – אם נתערב נוכל לעזור ולסייע".

לדברי ד"ר גולדמן, שכאמור עבדה בשירותי הכללית עד לפני כשנה, המערכת עוברת כל הזמן שדרוגים שיאפשרו להתאים אותה לעולמות הביג דטה וליכולות כריית הנתונים.

ראו עוד בנושא באתר הידען:

שיתוף ב facebook
שיתוף ב twitter
שיתוף ב linkedin
שיתוף ב whatsapp
שיתוף ב email
שיתוף ב print

3 תגובות

  1. חבר שלי בא מתחום ההנדסה, ועובר לביו-רפואה. לומדת אתי פיזיקאית שמפתחת אלגוריתמים פיננסיים. אני נשארתי בתחום ההנדסה אך עושה שימוש בבינה מלאכותית.

  2. לאחרונה קיבלתי מחשב גיימרים המשמש לחישובי בינה מלאכותית. הוא נותן ליישומי בינה מלאכותית בערך גס פי 1000 יותר כוח ממחשב רגיל, בגלל כרטיס שעולה 1000 ש"ח. פשוט ניצול הליבה יותר יעיל.
    תוצאות השימוש מצדיקות להערכתי את ההבדל.
    חבר שלי שחוקר בבר-אילן מבצע מחקר גנומיקה בדיוק כמו שמתואר בכתבה, עושה זאת עם 2 שרתים בעלי 48 ליבות, זיכרון של 50 טרה-בייט. אמנם נשמע יקר, אבל מאפשר מה שבעבר לא היה אפשרי: מיפוי גנים וחלבונים למחלות. זה יוצר להערכתי שינוי קפיצה ביכולות הרפואה והמחקר הביולוגי. שום דבר שהיה קודם. קודם היה קופקסון מקושר חלבון למחלת MS. השינוי יהפוך גילויים כאלה לשגרתיים יותר.

כתיבת תגובה

האימייל לא יוצג באתר.

This site uses Akismet to reduce spam. Learn how your comment data is processed.

דילוג לתוכן