כתב אורח: נדב טל ישראל – הכותב הוא שותף-מייסד ומנהל טכנולוגי בחברת הסטארטאפ Edgify, המתמקדת בלמידת מכונה על מכשירי קצה
פרשת מתקפת הכופר על בית החולים הלל יפה העלתה לכותרות את אחת הסוגיות הכואבות ביותר בסקטור הבריאות. המידע של המטופלים פרטי ורגיש מדי מה שדורש רמת אבטחה גבוהה במיוחד ומה שבתורו אומר שהסקטור הרפואי בהכרח נשאר מאחור בכל הנוגע לאימוץ טכנולוגיות מתקדמות כמו בינה מלאכותית, טכנולוגיה המתבססת על שליחת דאטה לענן לצורך אימון מודלים.
באופן פרדוקסלי, דווקא סקטור הבריאות, ובכלל זה המטפלים והמטופלים כאחד, עשויים להרוויח רבות מאימוצה של הטכנולוגיה המתקדמת. מפתחים רבים ניסו לפתור את הבעיה, למשל באמצעות אנונימיזציה של הדאטה לפני העלאתה לענן, אבל זה לא מספיק. דאטה אנונימית לא מאפשרת התבוננות בתמונה המלאה ש-AI זקוק לה על מנת לקבל החלטות מדויקות יותר. כדי להסיר את הדאגות סביב אבטחת המידע, איכות הדאטה והאפקטיביות של ה-AI, יש צורך בחשיבה מחודשת לגבי הטכנולוגיה הזו וכיצד היא מסוגלת לשרת את הסקטור הזה.
מצד אחד, ברור שקיים צורך לשמור את הנתונים הפרטיים בארגון, בתוך הבניין הנתון (וגם אז הסכנה לתקיפת סייבר קטנה משמעותית אך לא מתבטלת לחלוטין), אך יחד עם זאת, יש צורך להכשיר ביעילות את מודלי ה- AI על מנת שיהיו מסוגלים לנהל את האתגרים הייחודיים הקיימים בתחום זה. עם מערכי הנתונים הזמינים, מודלי ה – AI יאומנו לזהות נורמליות ואבנורמליות בפרוצדורה רפואית ספציפית, כגון צילומי חזה. התהליך הזה יחזור על עצמו פעם אחר פעם, והאלגוריתם ייעשה מדויק יותר ויותר עם כל מקרה נוסף שייבחן. על ידי זיהוי מצבים נורמליים ולא נורמליים בצילומי חזה, האלגוריתם ילמד לזהות פתולוגיות ספציפיות ולתייג אותן. אימון מודל ה- AI בתוך בית החולים יאפשר למודל לשקלל באבחנות שלו גם נתוני רקע נוספים כגון גיל המצולם והיסטוריה רפואית.
על ידי הדגשת התהליכים האלה תוכל הבינה המלאכותית לסייע לצוות בית החולים לבצע את הפרוצדורות האלו. למשל, מודל AI מאומן יעזור לרופאים לתעדף חולים בעלי דחיפות גבוה יותר ולהגיש טיפול רפואי מדויק יותר. נקיטת הגישה הזו תסייע גם בחיסכון כספי לבית החולים שינצל את מכשירי הקצה, התוכנות והרשת שכבר ברשותו, ותאפשר ל-AI להיות קרוב לדאטה.
בטווח הקצר, ה- AI יתמקד בניתוח הדאטה מבית חולים אחד, אך המבחר המצומצם של מערכי דאטה יגביל את היכולת של האלגוריתם לייצר מודל רחב. פיתוח שיטה שתאפשר קבלת דאטה ממספר בתי חולים לפרוצדורה ספציפית תשפר את המודלים המתקבלים ואף יותר מכך, מרגע שנוצר מודל המסוגל לזהות תבניות בצורה יעילה, ניתן להוציאו מבית החולים בו נוצר ולהשתמש בו במוסדות רפואיים אחרים בשילוב עם מודלים שנוצרו במקומות נוספים. כך, למשל, חולה שעבר MRI בבית חולים אחד ובדיקת XRay בבית חולים אחר, מכונה לומדת תוכל לבצע אבחון מדויק יותר, המסתמך על שני הדימותים שהתקבלו ללא צורך בהוצאת המידע לענן.
חשוב להבין שלבינה מלאכותית הפוטנציאל להפוך לכלי יעיל בידי צוותים רפואיים. היא לא תחליף את הצורך והניסיון של איש הרפואה אך היא יכולה לייעל את הזמן הנגזל במשימות אדמיניסטרטיביות, לשפר איכות של פרוצדורות כגון סריקה וצילומי רנטגן ולפנות לרופאים יותר זמן לטיפול בחולים ולמחקר.
הענן יכול להיות הפתרון המתאים לתעשיות רבות באימון מודלים של בינה מלאכותית, אך בתחום הבריאות מדובר בפתרון מאתגר מאוד. עכשיו, נוכח האירועים האחרונים ועם היכולת לאמן מודל במסגרת מוסד רפואי אחד ועדכון של האלגוריתם בממצאים שנאספו בבתי חולים אחרים, לתחום הבריאות יש סוף סוף הזדמנות לנצל בצורה מיטבית את הטכנולוגיה הזו מבלי לסכן את פרטיות המידע של המטופלים.