לא מזמינים בדיקה בתקווה שתצא חיובית
רופאה שמזמינה טרופונין לא שואלת "האם המטופל עובר התקף לב?" היא שואלת "עד כמה התוצאה הזאת צריכה לשנות את מה שאני חושבת?" ואלה שתי שאלות שונות.
עוד לפני ההזמנה יש לה הערכה. לגבר בן 62 עם כאב בחזה שמקרין ליד שמאל ועם הזעה יש הסתברות טרום-בדיקה גבוהה לתסמונת כלילית חריפה. אצל אישה בת 28 עם אותה תלונה עיקרית, אחרי שלוש כוסות אספרסו, ההסתברות נמוכה. אותה תוצאת טרופונין אומרת אצל כל אחד מהם משהו אחר. אצל הראשון, עלייה קלה רק מאשרת את מה שהרופאה כבר חשדה. אצל השנייה, אותה עלייה היא כנראה חיובי כוזב: הבדיקה אינה מושלמת, וכשמפעילים בדיקה לא מושלמת על מי שכנראה אינו חולה, החשבון עובד נגדך.
לכל בדיקה יש רגישות וסגוליות. הרגישות אומרת באיזו שכיחות הבדיקה מזהה את המחלה כשהיא אכן קיימת; הסגוליות אומרת באיזו שכיחות היא שוללת אותה נכון אצל מי שאינו חולה. אין בדיקה שמגיעה ל-100% באף אחד מהשניים. בדיקה ברגישות של 95% עדיין מחמיצה 5% מהמקרים האמיתיים, ובדיקה בסגוליות של 90% עדיין מסמנת בטעות 10% מהבריאים. אלה תכונות של הבדיקה, לא של המטופל. ומכאן שכל תוצאה טומנת בחובה אי-ודאות, שצריכה לשנות את מידת הביטחון שלך ולא לתפוס את מקומה.
זו כל מהותה של חשיבה בייסיאנית. מתחילים ממה שכבר ידוע על המטופל. מקבלים פיסת מידע חדשה. מעדכנים את ההערכה לפי מידת האמינות של המידע. ואז חוזרים על התהליך עם הפיסה הבאה.
רוב ה-AI הקליני עושה את ההפך
רוב מערכות ה-AI ברפואה פועלות לאחור. הן אוספות תוצאות, סימנים חיוניים, בדיקות מעבדה, אבחנות ותרופות, ומשוות אותן בדיעבד לדפוסים שלמדו מנתוני האימון. המערכת רואה קריאטינין של 1.6, רקע של סוכרת ומעכב ACE ברשימת התרופות, וקובעת "CKD סביר", כי הצירוף הזה חזר על עצמו פעמים רבות במקרים שעליהם אומנה.
נשמע סביר, עד שבודקים מה חסר. המערכת לא יודעת אם הקריאטינין עולה או יציב. היא לא יודעת אם מעכב ה-ACE ניתן להגנה על הכליות או לטיפול ביתר לחץ דם. היא לא יודעת שלפני שנתיים הקריאטינין היה 0.9 ומאז הוא מטפס בהתמדה. היא לא מביאה בחשבון שבאוכלוסייה הזאת בדיקת האלבומין בשתן נותנת 15% תוצאות חיוביות כוזבות. היא רק משווה את תמונת המצב לדפוסים מן העבר ומדביקה תווית.
רופאה שבוחנת את אותו מטופל הייתה מסיקה קדימה. נקודת המוצא שלה הייתה ההסתברות המוקדמת ל-CKD לפי גילו, מינו וגורמי הסיכון שלו. את הקריאטינין היא הייתה מכניסה לחשבון, אבל במשקל שתואם את מידת האמון שלה במדידה בודדת. היא הייתה מסתכלת על המגמה ולא רק על הערך של היום. את מעכב ה-ACE היא הייתה שוקלת, אבל קודם הייתה שואלת למה נרשם, ורק אז סופרת אותו כראיה למחלת כליות. כל ראיה מזיזה את ההסתברות, וכל אחת נשקלת לפי מידת האמינות שלה.
הגישה הרטרוספקטיבית שואלת: למה זה דומה? הגישה הפרוספקטיבית שואלת: לאור כל מה שידוע עד עכשיו, מה מלמד אותנו המידע החדש, ועד כמה אפשר לסמוך עליו?
לראות את המטופל, לא רק את התוצאות
אחד הדברים הראשונים שלומדים בהכשרה הקלינית: מטפלים בחולה, לא בבדיקה. אשלגן של 5.8 בדגימה המוליטית אינו אומר דבר. לחץ דם של 160 אצל מטופל שרץ כדי להגיע בזמן לתור אינו יתר לחץ דם. ההקשר קובע אם תוצאה היא אות או רעש, וכדי להבין את ההקשר צריך להכיר את המטופל מעבר למה שכתוב בתיק היום.
AI כללי מעבד תוצאות. הוא קורא מספרים, רשומות ואבחנות מקודדות, ומפיק תשובה לפי דפוסים בטקסט. בזה הוא מצטיין. הוא מסכם מכתב שחרור מהר מכל אדם, ומחלץ נתונים מובנים גם מטקסט קליני מבולגן. אבל הוא קורא את התיק כמו שקוראים תיאור מקרה בספר לימוד: בדיעבד.
רופאה שרואה מטופל בזמן אמת עושה משהו אחר. היא חושבת בתנאי אי-ודאות, קדימה בזמן. כל פיסת מידע חדשה מעדכנת את הערכתה, וכל פיסה נשקלת לפי מידת האמון שהיא רוחשת לה. היא יודעת ש-D-dimer חיובי אצל מטופל בסיכון נמוך הוא כנראה חיובי כוזב, ושצילום חזה תקין אינו שולל דלקת ריאות בשלב מוקדם. ההסתברות המוקדמת נמצאת אצלה בראש, והיא מכווננת אותה עם כל ממצא, לא במידה שווה, אלא לפי הערך האבחוני של כל ממצא.
כשבנינו את Chroneme רצינו שהמערכת תחשוב כמוה, ולא כמו מנוע חיפוש. קדימה, לא לאחור. שתעדכן הסתברויות עם כל ראיה חדשה, וכל ראיה תקבל משקל לפי מידת האמינות האמיתית שלה.
איך זה נראה בפועל
גבר בן 58 עם סוכרת מסוג 2 מגיע לבדיקות דם שגרתיות. ההסתברות הבסיסית שלו למחלת כליות כרונית, לפי גיל, מין ואבחנת הסוכרת, נמצאת ברמה מסוימת. לא אפס, כי סוכרת היא הגורם המוביל ל-CKD. גם לא גבוהה, כי אין לו תסמינים ואין לו ממצאים כלייתיים קודמים.
הקריאטינין שלו חוזר 1.2. מבחינה טכנית הערך תקין, אבל גבוה מהקודם. המערכת מעדכנת את ההערכה, אך רק במעט: לעלייה קלה בבדיקה בודדת יש ערך אבחוני צנוע, והרגישות והסגוליות של קריאטינין בודד ל-CKD אינן גבוהות במיוחד כשלעצמן.
כעבור עשרה חודשים הקריאטינין מגיע ל-1.4, וה-eGFR יורד מתחת ל-60. הפעם העדכון גדול יותר, כי ל-eGFR מתחת ל-60 יש ערך אבחוני גבוה בהרבה ל-CKD. אבל המערכת רואה גם את מה שמודל סטטי אינו מסוגל לראות: את המסלול. הקריאטינין לא רק גבוה; הוא עולה בקצב שאם יימשך, יביא אותו לטווח מדאיג.
שנה לאחר מכן מופיעה פרוטאינוריה, וההסתברות כבר מצדיקה פעולה. אבל מה שחשוב קלינית הוא שהמערכת סימנה את המטופל חודשים לפני שהפרוטאינוריה הופיעה. לא בוודאות, אלא בהסתברות שעלתה באופן שראוי היה לשים אליו לב. הרופאה שעוברת על התיק רואה כל עדכון, רואה מה הוביל אליו, ומחליטה אם היא מסכימה. אם לדעתה מעכב ה-ACE ניתן בגלל לחץ הדם ולא בגלל הכליות, היא יכולה לייחס לגורם הזה משקל אחר בשיקול דעתה. המערכת מציגה את ההיגיון שלה, והרופאה מפעילה את שלה.
המסלול עצמו הופך לראיה, בלי קשר לשום מספר בודד.
למה זה חשוב לאמון
כשרשת נוירונים קובעת "73% סיכוי ל-CKD", אי אפשר לשאול למה. המספר עולה ממיליוני פרמטרים שאין להם מקבילה במושגים קליניים. רופאה לא יכולה להגיד לו "את החלק של הקריאטינין אני מקבלת, אבל נראה לי שאתה מגזים במשקל של ההיסטוריה התרופתית". אין שם חלק של קריאטינין, ואין חלק של תרופות. יש רק מספר.
כשמערכת בייסיאנית אומרת 73%, הרופאה יכולה לשאול למה. היא רואה אילו ראיות הזיזו את ההסתברות ובכמה, יכולה לחלוק על גורם מסוים ולהפעיל את שיקול דעתה. השיחה הזאת היא הדרך שבה AI קליני באמת משנה את הטיפול. בלעדיה, הפלט הוא קביעה; איתה, הוא טיעון.
נפרולוג שהצגנו לו את המערכת המחיש את הנקודה היטב. הוא עבר על שרשרת הראיות של אחד המטופלים, אמר שהוא מסכים עם רובה, אבל טען שגורם אחד מקבל משקל מופרז, כי נסיבות המרשם היו שונות ממה שהמערכת הניחה. הוא צדק. ועצם היכולת שלו להעיר את ההערה, להצביע על הגורם המסוים ולהביא לידי ביטוי את המומחיות שלו, היא בדיוק מה שמערכת תומכת החלטה קלינית צריכה לאפשר. קופסה שחורה הייתה מציגה לו אותה הסתברות, בלי שום אפשרות לנהל את השיחה הזאת.
המגבלות, בגלוי
היסק בייסיאני מניח שהראיות בלתי תלויות זו בזו בהינתן המחלה (אי-תלות מותנית). ברפואה הקלינית ההנחה הזאת לא מתקיימת לעיתים קרובות: קריאטינין ופרוטאינוריה, למשל, נעים יחד ב-CKD. זו מגבלה ידועה, ופתרון מלא שלה הוא עדיין בעיה פתוחה בתחום.
איכות התוצאה תלויה באיכות המשקלות שניתנים לראיות. חלקם מבוססים היטב בספרות, ואחרים הם קירובים שאנחנו משפרים תוך כדי תיקוף. הכיול נמשך, ואנחנו לא מעמידים פנים שהוא הושלם.
היסק בייסיאני מתאים היטב לראיות מובנות וכמותיות: בדיקות מעבדה, סימנים חיוניים, תרופות, אבחנות מקודדות. ברשומות קליניות חופשיות ובתסמינים שהמטופל מדווח הוא חלש יותר. לכן אנחנו משתמשים בגישות שונות לסוגים שונים של נתונים קליניים, ובוחרים את הכלי לפי הבעיה.
בחרנו בהיסק בייסיאני כי כך רופאים כבר חושבים. המערכת נותנת צורה מפורשת למה שקלינאי טוב עושה מתוך אינטואיציה, ועושה את זה בקנה מידה רחב, אצל כל מטופל, בלי הפסקה. זה הכול. אין כאן קסם, רק המתמטיקה שמאחורי החשיבה הקלינית, על השולחן.