שבע בדיקות קרישה, בממוצע, כדי להגיע בסוף לתשובה אחת: שלילי. זה מה שקרה ברוב הגדול של 7,454 הבירורים שבדקנו לזיהוי לופוס אנטי-קואגולנט. למעשה, כמעט 90% מהם הסתיימו ללא זיהוי של הממצא שחיפשנו. המספר הזה גרם לנו לעצור ולשאול: האם באמת חייבים לבצע את כל סדרת הבדיקות כמעט בכל פעם מחדש? ומה אם אפשר להשתמש במידע שכבר מתקבל בתחילת הבירור כדי לזהות מראש דגימות שסביר מאוד כי יתבררו כשליליות?
לפני שמגיעים לתשובה, צריך להבין מה בכלל מחפשים. לופוס אנטי-קואגולנט הוא חלק חשוב מהבירור המעבדתי של תסמונת אנטי-פוספוליפידית (APS). הבירור נועד לזהות השפעה אופיינית של נוגדנים עצמיים על מערכת הקרישה.
גלריה
המחקר בוחן כיצד מידע מבדיקות שגרתיות עשוי לצמצם בדיקות מיותרות ולקצר את זמן ההמתנה לתוצאות
(צילום: Shutterstock)
תסמונת אנטי-פוספוליפידית היא מחלה אוטואימונית שבה מערכת החיסון מייצרת נוגדנים עצמיים נגד פוספוליפידים, שהם מרכיבים חשובים בקרומי התאים בגופנו. הנוגדנים האלה עלולים לשבש את פעילותה התקינה של מערכת הקרישה. אצל חלק מהחולים התוצאה עלולה להיות נטייה מוגברת להיווצרות קרישי דם, ואלה עלולים לגרום לפקקת ורידים, לתסחיף ריאתי או לשבץ מוחי. אצל נשים התסמונת עשויה להיות קשורה גם להפלות חוזרות ולסיבוכי היריון, ובהם רעלת היריון.
הבעיה היא שאין בדיקה יחידה שמספקת מיד תשובה פשוטה וברורה. בניגוד לבדיקות דם רבות, שבהן מבצעים מדידה אחת ומקבלים תוצאה, בירור של לופוס אנטי-קואגולנט מחייב בדרך כלל סדרה של בדיקות קרישה. לעיתים יש צורך גם בבדיקות חוזרות ובשילובים שונים ביניהן.
ד"ר בנצי כץצילום: מירי גטניו, דוברות איכילובכל זה דורש זמן, חומרים ייעודיים וצוות מעבדה מיומן. גם לאחר שכל הבדיקות הושלמו, הפרשנות הסופית עשויה להיות מורכבת. בינתיים זמן ההמתנה לתוצאה מתארך, והעלויות הישירות והעקיפות של ביצוע פאנל מלא לכל נבדק גדלות.
לחפש פחות, לדעת יותר
מכאן יצאנו למחקר שנערך במעבדה ההמטולוגית במרכז הרפואי האוניברסיטאי תל אביב ע"ש סוראסקי (איכילוב). את המחקר הובלתי יחד עם ד"ר חן חרמש, מנהל היחידה לבדיקות קרישה, ובשיתוף יניב אלון ופרופ' מור סבאן מאוניברסיטת תל אביב.
המחקר התבסס על 7,454 בירורים של לופוס אנטי-קואגולנט שנאספו לאורך כמה שנים בבית החולים. כשבחנו את התוצאות, התברר שכמעט 90% מהבירורים הסתיימו בתוצאה שלילית. במילים אחרות, ברוב הגדול של המקרים בוצע תהליך מעבדתי מורכב, שכלל בממוצע כשבע בדיקות קרישה שונות, עד שהתברר כי לופוס אנטי-קואגולנט לא נמצא.
כלי דם שנחסם בקריש. סיבי הקריש עלולים להיווצר בעקבות פעילותם של נוגדני לופוס אנטי-קואגולנט
(גרפיקה שנוצרה באמצעות AI)
זה היה הרגע שבו השאלה המעשית הפכה למוקד המחקר: האם אפשר לזהות חלק גדול מהמקרים השליליים עוד לפני שמסיימים את כל סדרת הבדיקות? כדי למצוא תשובה לא חיפשנו מכשיר חדש או בדיקה חדשה, אלא הסתכלנו מחדש על מידע שכבר היה בידינו. מצאנו שסימן חשוב מסתתר בתוך שתי גרסאות של בדיקת קרישה שכבר נמצאות בשימוש שגרתי במעבדה.
שתי הבדיקות מודדות את זמן הקרישה, אבל עושות זאת בתנאים שונים. ההבדל ביניהן הוא בכמות הפוספוליפידים - אותם מרכיבים שומניים שממלאים תפקיד מרכזי בתהליך הקרישה ומהווים מטרה לנוגדנים הפתולוגיים.
טביעת האצבע של הדגימה
כאן נכנסה הבינה המלאכותית לתמונה. באמצעות מודל של בינה מלאכותית מצאנו שהיחס בין התוצאות של שתי הבדיקות משקף היטב את מידת השפעתם של הנוגדנים הפתולוגיים על תגובות קרישה התלויות בפוספוליפידים. במילים פשוטות, בתוך שתי בדיקות הקרישה הראשוניות הסתתרה מעין "טביעת אצבע" של תגובת הדגימה לפוספוליפידים. המודל סייע לזהות את טביעת האצבע הזאת ולהשתמש בה כשכבת סינון מוקדמת, עוד לפני ביצוע הפאנל המלא.
המטרה לא הייתה לבטל את הבדיקות הקיימות, וגם לא לקבוע באמצעות המודל בלבד מי חיובי. המטרה הייתה ממוקדת וזהירה הרבה יותר: לזהות את הדגימות שבהן הסבירות לתוצאה שלילית גבוהה מאוד. התוצאות היו מעודדות. כאשר המערכת סיווגה דגימה כבעלת סבירות גבוהה להיות שלילית, התחזית הייתה נכונה בכ-98% מהמקרים.
הבינה המלאכותית אינה מחליפה את שיקול הדעת הרפואי, אלא מסייעת להשתמש במידע הקיים בצורה חכמה ויעילה יותר
(צילום: Shutterstock)
אבל הנתון הזה אינו אומר שכל דגימה יכולה להיעצר בשלב מוקדם. להפך: כל מקרה שאינו מזוהה בביטחון גבוה כשלילי ממשיך לעבור את כל מערך הבדיקות המקובל. כך קורה גם כאשר הדגימה חשודה כחיובית וגם כאשר התוצאה אינה ברורה.
לכן הבינה המלאכותית אינה מחליפה כאן את שיקול הדעת הרפואי ואינה מבטלת את הבדיקות הקיימות. תפקידה הוא לסייע לזהות את המקרים שבהם הסיכוי למצוא לופוס אנטי-קואגולנט נמוך מאוד, ובכך לאפשר לצמצם בדיקות מיותרות בלי לוותר על הבירור המלא במקרים שמחייבים אותו.
אם הגישה תוכיח את עצמה גם בהמשך, עשויה להיות לה משמעות מעשית גדולה בעבודת המעבדות. היא יכולה להפחית את מספר הבדיקות המורכבות, לקצר את זמני ההמתנה ולפנות כוח אדם ומשאבים לדגימות שדורשות בירור מעמיק יותר.
המחקר ממחיש גם דרך נוספת לחשוב על שילוב בינה מלאכותית ברפואה. לא תמיד צריך להתחיל במכשור חדש ויקר. לפעמים אפשר למצוא ערך חדש דווקא בתוך תוצאות של בדיקות שגרתיות שכבר מבוצעות ממילא, ולהשתמש במידע הקיים בצורה חכמה ויעילה יותר. השלב הבא יהיה לבחון את הגישה במעבדות נוספות ובמערכות בדיקה שונות, לקראת הטמעתה בעבודה השגרתית.
המאמר מבוסס על מחקר שראה אור בכתב העת Digital Medicine מקבוצת Nature
הכותב הוא ד"ר בנצי כץ, מנהל המעבדה ההמטולוגית במרכז הרפואי איכילוב. במחקר השתתפו גם אירנה שלו, טניה בדלבייב, ד"ר ורדה דויטש, ד"ר יפעת אלקלעי, ד"ר איליה קירז'נר וד"ר רועי גת, והוא נערך בסיועם של פרופ' עירית אביבי וחיליק אביבי.
