מחקר ישראלי: בינה מלאכותית נמנעת לרוב מבדיקות מיותרות, אך מתקשה בשתי החלטות רפואיות

שישה מודלים מסחריים של בינה מלאכותית זיהו בדרך כלל מתי בדיקה או טיפול רפואי אינם נחוצים, כך עולה ממחקר ישראלי שפורסם ב-20 באוקטובר בכתב העת Annals of Internal Medicine. רוב הקשיים התרכזו בשתי החלטות: הפניה לאולטרסאונד בעקבות קשריות קטנות שהתגלו באקראי בבלוטת התריס, וביצוע אק"ג שגרתי למבוגרים בסיכון נמוך. המחקר בחן תשובות לתרחישים כתובים; לא השתתפו בו מטופלים ולא ניתן במסגרתו טיפול.

צוות ישראלי בחן גם התערבות וגם הימנעות

במחקר השתתפו דין אריאל משירותי בריאות כללית ומאוניברסיטת תל אביב, גיא לבן מאוניברסיטת בן-גוריון בנגב וסתיו אנדלמן מבית החולים בילינסון שבמרכז הרפואי רבין ומאוניברסיטת תל אביב. הצוות התמקד בבעיה מעשית: האם מערכת יכולה לזהות מתי התערבות נוספת תורמת מעט, ובמקביל להמליץ על טיפול כאשר הוא נחוץ.

האיזון הזה נבנה לתוך הניסוי. מערכת שתדחה כל בדיקה מוצעת תצליח בחלק מהשאלות, אך עלולה לסכן מטופלים במקרים אחרים. לכן החוקרים מדדו בנפרד המלצות להתערבות מיותרת והמלצות להימנע מהתערבות מוצדקת, באמצעות מקרים מאותו תחום רפואי שחייבו החלטות שונות.

כך הפכו 225 תרחישים ל-4,050 תשובות

החוקרים בחרו 15 המלצות מיוזמת Choosing Wisely של קרן המועצה האמריקנית לרפואה פנימית, שנועדה לעודד שיחה על טיפול מיותר. לכל המלצה נכתבו 10 תרחישים שבהם נכון להימנע מהתערבות וחמישה שבהם נדרשת פעולה. בסך הכול נבנו 225 תרחישים.

שישה מודלים של OpenAI, אנתרופיק וגוגל השיבו לכל תרחיש שלוש פעמים דרך ממשקי התכנות המסחריים שלהם בפברואר ובמרץ 2026. כך נאספו 4,050 תשובות. ההנחיות נוסחו מנקודת מבטו של רופא, והתשובות סווגו באמצעות מודל שופט לצד הכרעה רפואית. שיטת הסיווג היא חלק מהמסגרת שבה נמדדו הביצועים.

רוב הטעויות התרכזו בשתי המלצות

שיעור ההמלצות להתערבות מיותרת עמד על 5.4%. בשמונה מתוך 15 קבוצות ההמלצות לא הוצעה אף התערבות מיותרת. הימנעות שגויה מפעולה מוצדקת הופיעה ב-0.6% מהתשובות, ולא הופיעה כלל ב-11 קבוצות. השיעור הגבוה ביותר של הימנעות שגויה היה 3.3%, בבדיקת סקר לאנטיגן הספציפי לערמונית, PSA.

הקשיים הגדולים יותר היו דווקא בבדיקות היתר: המודלים המליצו על אולטרסאונד מיותר של בלוטת התריס ב-42.8% מהתשובות הרלוונטיות, ועל אק"ג שגרתי ב-28.3%. לריכוז הזה יש משמעות רפואית: ממוצע כולל מעודד יכול להתקיים לצד המלצות פחות אמינות בשאלה מסוימת שעולה במרפאה.

כשהרפואה עצמה אינה מסכימה

אוניברסיטת בן-גוריון הסבירה כי התוצאות בנושא בלוטת התריס משקפות גישות שונות של איגוד בלוטת התריס האמריקני ושל הקולג' האמריקני לרדיולוגיה לגבי קשריות קטנות שהתגלו במקרה. בתרחישי האק"ג, אזכור של דפיקות לב הקשה על ההחלטה, משום שהתסמין עשוי להצדיק בירור בהקשר רפואי מתאים.

לבן הצביע גם על פערים בין המודלים עצמם. בחלק מהמקרים השנויים במחלוקת, מודל אחד המליץ על בדיקה מיותרת בפחות מ-10% מהתשובות, ואחר עשה זאת ב-80%. לפי האוניברסיטה, השונות הזאת מראה שתשובה רהוטה מצ'אטבוט יכולה להסתיר מחלוקת ניכרת בין מערכות שניזונו ממידע רפואי.

מדוע נבחרה יוזמת Choosing Wisely

קרן ABIM השיקה את Choosing Wisely ב-2012 על בסיס המלצות של איגודים רפואיים מקצועיים. המטרה הייתה לסייע לרופאים ולמטופלים לדון בתועלת של התערבות מוצעת בנסיבותיו של האדם המסוים. היוזמה התייחסה לבדיקות מיותרות כסוגיה של איכות טיפול, בין היתר בשל הנזק שעלול להיגרם מבירורים נוספים בעקבות ממצאים אקראיים.

על הרקע הזה נבנו במחקר זוגות של מקרים. אותה בדיקת הדמיה, תרופה או בדיקת סקר עשויה להיות מוצדקת כשמשנים פרט בהיסטוריה הרפואית. בחינת המעבר הזה מאתגרת יותר מבקשה לדקלם הנחיה מבודדת, וגם חושפת מקומות שבהם ההנחיות מאפשרות שיקולים מתחרים.

המבחן הבא: שיחה אמיתית

בריאיון לג'רוזלם פוסט ב-31 באוקטובר אמר אריאל שהמודלים נבדקו באנגלית בלבד, ושנדרשת עבודה נוספת לפני תיקוף השימוש בהם במרפאה. המחקר השתמש בפנייה אחת ללא שיחה מתמשכת, ולכן לא בדק אם המערכת תתמיד בהמלצה נכונה מול מטופל מודאג שמתעקש על בדיקה נוספת.

החוקרים סימנו את האינטראקציה הזאת כשאלה להמשך. מחקר קליני פרוספקטיבי יצטרך לבחון גם תוצאות אצל מטופלים ואמצעי הגנה מעשיים, ולא להסתפק במספר הבדיקות שנחסכו. בשלב זה המחקר מספק תמונה מפורטת של ההחלטות שבהן המודלים הפגינו ריסון, של המקרים שבהם מנעו טיפול נחוץ ושל השאלות הרפואיות שהמשיכו להקשות עליהם.