שימוש בלמידת מכונה כדי לשפוך אור על מידת היעילות של מערכות הטריאז'

שיתוף פעולה רב לאומי במרכז החדשנות הרפואית Eitri בברגן, נורבגיה, השתמש במודלים של למידת מכונה כדי לזהות קבוצות חולים בסיכון להתעללות.

הרופאים חייבים לעשות החלטות קשות מדי יום במחלקה לרפואה דחופה (המכונה לעתים קרובות ED או ER). בדרך כלל יש להם מערכת שעוזרת להם לקבל את רמת הטיפול הנכונה למטופלים, הנקראת טריאג'.

מערכות טריאז' עוזרות לרופאים לקבוע מתי מטופל עומד בפני חירום רפואי אמיתי וזקוק לטיפול מיידי, או מתי זה כנראה בטוח לדחות את הטיפול. ובכל זאת, טעויות יכולות לקרות, ולפעמים חולים לא מקבלים את העזרה שהם צריכים".

ד"ר סייג וויאט בפקולטה לרפואה, אוניברסיטת ברגן, נורבגיה

אין מערכת טריאז' אוניברסלית, ויכול להיות קשה להעריך עד כמה מערכות שונות פועלות.

כעת, צוות אקלקטי של חוקרים נורבגיים וגרמנים מהמגזר האקדמי, התעשייה והרפואה השתמש בלמידת מכונה כדי לשפוך אור על מידת היעילות של מערכות הטריאז' בברגן וטרונדהיים, נורבגיה.

שיתוף הפעולה צץ מתוך "Datathon" בחממה הרפואית Eitri, ברגן בשנת 2022, בפיקוח ד"ר כריסטופר סאואר, אונקולוג מהמכון לבינה מלאכותית ברפואה מאסן, גרמניה. פרויקט זה הוביל בסופו של דבר לפרסום ב-
כתב עת לחקר אינטרנט רפואי.

המחבר הראשון, ד"ר סייג וויאט, מגן על הערך של שימוש בלמידת מכונה לניתוח נתונים רפואיים:

"במסגרת זו, שיטות למידת מכונה אפשרו לנו לשקול את החשיבות של גורמים רבים ומורכבים המשפיעים על סיווג הטריאג' בו-זמנית, ומספקות תוצאות ניואנסיות יותר משיטות קונבנציונליות", היא אומרת.

התוצאות היו מפתיעות

מדעני הנתונים בצוות של וויאט רצו לברר אילו סוגי מטופלים נכשלו על ידי מערכת הטריאג', כמו מטופלים שקיבלו עדיפות נמוכה אך שמתו מאוחר יותר או הועברו ליחידה לטיפול נמרץ (תת טריאז') או מטופלים שקיבלו עדיפות גבוהה שלא לצורך (טריאג' יתר).

למרבה המזל, ניסוי שגוי היה נדיר מאוד, והשפיע על פחות מאחוז אחד מהחולים.

חברי צוות מדעי הנתונים עם הכשרה בתעשייה השתמשו במודלים של למידת מכונה כדי לקבוע את החשיבות של מאפיינים רבים של מטופלים שונים בו-זמנית, שיטה חדשה שלא הייתה בשימוש בסביבה זו בעבר.

מודלים של למידת מכונה דירגו את החשיבות של משתנים במערך הנתונים לפי מדד המכונה "ערכי SHAP".

"SHAP הוא מדד מתורת המשחקים והוא דרך לכמת כמה משתנה תורם לחיזוי", מסביר וויאט.

כאשר הם יישמו את השיטות הללו על נתוני המיון, התוצאות היו מפתיעות:

"מחקר קודם שעשה שימוש בשיטות קונבנציונליות בברגן הראה ש-overtriage היה נפוץ ביותר בחולים מתחת לגיל 18, מה שמרמז שגיל הוא אחד המשתנים החשובים ביותר שתורמים ל-overtriage", אומר וויאט.

"עם זאת, הבחירה האוטומטית של משתנים המבוססת על ערכי SHAP במחקר שלנו גילתה כי ייתכן שגיל אינו המאפיין החשוב ביותר התורם לטריאג' יתר בברגן, כפי שאולי הייתה הנחה במחקר שנערך על ידי ידע בתחום."

תיקון הנחות

ב"ידע תחום" מתייחס Wyatt לידע הנגזר מחוות דעת מומחים של רופאים המשתמשים במערכת. וויאט אומר שאולי יש לזה חסרונות לבסס מחקר על חוות דעת מומחים בלבד:

"אמנם חשוב לשמוע דעות מאנשים שמכירים את מערכות הטריאז' בצורה הטובה ביותר, אבל מידע זה יכול להתבסס גם על עמדות והנחות שאינן קשורות לכלי עצמו", אומר וויאט וממשיך:

"עם התמקדות רבה בחברה בשוויון מגדרי, שהוא נושא חשוב לדיון, רופאים ומטופלים עשויים להניח שניסויים שגויים יכולים לנבוע גם מהטיה מגדרית", היא אומרת.

המחקר הקודם מצא שמגדר החולה היה גורם חשוב, עם זאת, כפי שמסביר ד"ר וויאט:
"במקום זאת, עם שיטות למידת מכונה, זיהינו שמחלקת ההפניות הקליניות והקודים האבחוניים הם גורמים חשובים יותר הקשורים ל-overtriage במערך הנתונים של ברגן."

"AI יכול לספק נקודות מבט חדשות במדע"

בעוד ששיטות למידת מכונה ובינה מלאכותית אינם כלים מושלמים, וויאט מקווה שניתן להשתמש בכלים הללו כדי לספק נקודות מבט חדשות במדע.

"לצורך שימוש מיטבי, יש להתאים שיטות מתאימות להקשר המחקרי הספציפי, ולהימנע ממלכודות נפוצות", היא אומרת ומסכמת:

"דרוש מחקר נוסף בעתיד על מערכות טריאז' ויישומים חדשים של שיטות למידת מכונה, כגון מערכות סיווג טריאז' אוטומטיות".