מחשב-העל שמנסה לשנות את עולם הרפואה

מחשבי העל של IBM, תאגיד הענק שהוקם לפני יותר ממאה שנה, התמודדו עם אתגרים לא פשוטים. במהלך שנות התשעים ניצח המחשב "כחול עמוק" את אלוף העולם בשחמט באותה תקופה - גארי קספרוב.

אחריו הגיע ווטסון, מחשב משוכלל יותר אשר נקרא על שם מייסד החברה - תומאס ווטסון. בשנת 2011 התחרה ווטסון בשעשועון הטלוויזיה ג'פרדי (שמוכר בישראל בתוך "מלך הטריוויה") וניצח שני אלופים בשר ודם. בהמשך הדרך הפך ווטסון ל"שף" שיוצר מתכונים בעזרת בינה מלאכותית. IBM, שמנוהלת על ידי ג'יני רומטי, נסחרת לפי שווי של כ-150 מיליארד דולר.

בשנים האחרונות ווטסון מסייע גם לרופאים ולמדענים לערוך ניסויים קליניים. ניסוי קליני (בבני אדם), הוא תהליך יקר וארוך אשר כפוף למגבלות אתיות שונות. התפיסה הרווחת, עד היום, היא שמדובר בתהליך חסר תחליף אולם ב-IBM מעריכים שהשימוש בביג דאטה עשוי לשנות את המצב.

ד"ר מיכל רוזן-צבי, מנהלת בכירה של תחום הניתוח האנליטי במעבדות המחקר של יבמ בחיפה, מאמינה שטכנולוגיית הביג דאטה של החברה, אשר מוטמעת בין השאר בווטסון, יכולה להוביל ליצירת שיטות טיפול חדשניות.

בתקופה האחרונה התמודד ווטסון עם מגוון אתגרים - הוא סייע להחליט איזה תרופות לתת לחולי איידס, עזר לאתר חולי אפילפסיה שאינם מרוצים מהטיפול שלהם ועזר לחולי סכיזופרניה להימנע ממאסר.

ניסוי קליני קלאסי דורש חלוקה של קבוצת נבדקים לשניים, וחלוקת שני סוגי טיפול (או טיפול וטיפול-דמה) ביניהן, סוג שונה לכל קבוצה.

כדי לנסות ולבודד את השפעת הטיפול, יש להפוך את הקבוצות להומוגניות ככל האפשר. לשם כך מסירים מן הניסוי את כל החולים ה"מורכבים", אולם מכיוון שבחיים האמיתיים כולנו מורכבים, הרי שהגישה הזו עלולה להיות מטעה. אלו רק חלק מן הבעיות בניסוי קליני קלאסי.

רוזן-צבי מציעה במקום זאת לחזור לניסוי הרטרוספקטיבי, כלומר "בראיה לאחור". הכוונה היא שהחוקרים, לא מנסים לשלוט בנתונים, ולחלק טיפולים שונים לקבוצות שונות באופן מבוקר, אלא מביטים על העולם האמיתי, ומנסים לאתר בו משתנים הקשורים זה בזה.

מי שתומך בניסויים קליניים צפוי לטעון שגישה זו תוביל למציאת קשר פיקטיבי בין משתנים שאינם באמת קשורים, אלא הקשר ביניהם נובע מגורם שלישי או ממקריות, ולהסיק כך מסקנות מוטעות לגמרי. אולם כאשר משתמשים בכלים של ביג דאטה, הניסוי הפרוספקטיבי הרבה יותר מורכב ועשיר במידע, וניתן גם לתקף את מסקנותיו באופן מחקרי, כדי לוודא שהקשרים שהתגלו אינם מקריים.

סיוע לחולי איידס

רוזן-צבי מציעה דוגמא: בין השנים 2005-2008 אספה החברה נתונים מ-65 אלף חולים שקיבלו טיפול באיידס, ובסך הכל 160 אלף טיפולים, שחלקם הצליחו וחלקם נכשלו.

המטרה הייתה להתאים את קוקטייל התרופות הנכון לחולה הנכון. המערכת השוותה בין הרצף הגנומי של הווירוסים שאותרו אצל אותם חולים, לבין קוקטייל התרופות שהתגלה בסופו של דבר, בדיעבד, כמוצלח עבורם.

"כשהרופאים רשמו את הטיפולים במקור, הם לא ידעו מה הטיפול המתאים לגנומיקה של הווירוס", מדגישה רוזן-צבי, "הם פעלו לפי ניסוי וטעיה". בגרסאות מתקדמות יותר הקוקטייל הותאם גם לגנומיקה של הווירוס וגם למאפיינים אחרים של החולה.

המערכת פיתחה אלגוריתם אשר מחשב עבור כל וירוס וחולה, מהו הקוקטייל המתאים להם. כעת ניתן לבחון את הצלחת השיטה על ידי טיפול בחולים חדשים - זה יהיה ניסוי פרוספקטיבי, כלומר במבט לעתיד. אולם, זו לא הדרך היחידה לתקף את הנתונים. ניתן גם לאסוף נתונים חדשים מחולים שטופלו בעבר, לנבא אילו קוקטיילים הם צריכים לקבל, ולראות האם מי שקיבלו בפועל (במקרה, שכן המערכת לא הייתה קיימת אז) את הקוקטייל המנובא, גם החלים בהסתברות גבוהה יותר ממי שקיבל קוקטייל אחר ממה שייבאה המערכת. התנאי היחיד לביצוע תיקוף כזה הוא שהנתונים עליהם מבצעים את התיקוף הם נתונים "בתוליים", ולא אותם נתונים מהם הופק האלגוריתם מלכתחילה.

מערכת הניבוי שמתאימה קוקטייל לחולי איידס, כבר פעילה בעולם הקליני. זו מערכת חינמית שמציעה יבמ לכל דכפין, ורופאים משתמשים בה במקרים של חולים מורכבים, שלא ברור מהי התרופה המתאימה להם. היא מתעדכנת כל חצי שנה, ובעתיד תתעדכן באופן שוטף.

דוגמא נוספת היא מתחום האפילפסיה. גם בתחום זה קיימות כ-30 תרופות שונות, אז איך יודעים איזו היא הטובה ביותר וכיצד להתאים לכל חולה את התרופה המיטבית עבורו? במקרה הזה כבר אספה החברה נתונים על כ-400 אלף חולים, אך השאלה הייתה - איך מגדירים "טיפול טוב".

רופאים יגדירו טיפול טוב ככזה שהפחית את מספר ההתקפים של המטופל, אולם נתונים טובים על מספר ההתקפים שחווה כל אחד מאותם 400 אלף חולים, לא היו בנמצא.

ההברקה הייתה לומר כי מי שמטופל היטב, כנראה נשאר עם התרופה שלו ומי שלא - כנראה יחליף תרופה, ואת הנתונים על החלפת התרופות ניתן יהיה להשיג. "זו גישה מאוד לא מסורתית לנסות לבצע כזו בדיקה בלי להגיע למידע על ההתקפים, אולם בסופו של דבר אולי זו הדרך הטובה יותר, כי ידוע שהחולים בעצם לא כל כך מדייקים לגבי מספר ההתקפים וחומרתם, אז אין בעצם דרך לדעת משהו מדויק יותר מאשר עד כמה החולה חש באופן כללי שטוב לו עם התרופה", אומרת רוזן-צבי.

בדיקה אמפירית בקבוצת חולים קטנה יותר הראתה כי אכן חולים שמרגישים טוב יותר נוטים יותר שלא להחליף את הטיפול התרופתי שלהם. בעתיד, הכוונה היא לטייב את המערכת על ידי מתן אפשרות לחולים לתעד את ההתקפים שלהם באמצעות הסלולרי.

"במקרה הזה המערכת לא הפיקה אלגוריתם שיש להשתמש בו כל פעם שמקצים תרופה לחולה, אלא חילקה את קהל היעד לכמה קבוצות וקבעה איזו תרופה טובה לכל קבוצה. המערכת עזרה לחברת התרופות להבין לאיזה קהל יעד עליה לפנות. אם רופא יראה שהתרופה נכשלת ב-2-3 חולים, הוא כבר לא ישתמש בה. בזכות המערכת החברה יכולה להגיד לו למשל: 'תשתמש בה רק בעבור נשים בנות 50 פלוס', ואז הרושם הראשוני שלו יהיה טוב".

לדברי רוזן-צבי, כל חברות התרופות הגדולות, הקימו צוותים לביצוע ניתוחים של נתוני העולם האמיתי של התרופות שלהם, כדי לצפות מראש תופעות לוואי, לשפר את השיווק לפלחי שוק שונים, לאתר מקרים שבהם חולים אינם נוטלים את התרופה ולנסות להבין מדוע, ועוד.

דוגמא נוספת היא של חברת אוטסוקה היפנית, שביקשה למנוע השלכות שליליות של מחלות נפש. רוזן-צבי: "הם הבינו שחולים במחלות נפש חמורות, שמפסיקים את הטיפול התרופתי וחווים בעקבות זאת נסיגה, לעיתים קרובות הופכים אבודים למערכת: הם יהפכו להומלסים או ייכנסו לכלא או למוסד, יצאו ממעגל העבודה ולעיתים גם לא יהיו מוכנים לקבל טיפול נוסף".

עתיד הרפואה

אז איך תופסים את החולים רגע לפני שהם נופלים מן המעגל הטיפולי? בניסוי שבוצע יחד עם מדינת מיאמי בארה"ב (לשם מגיעים הרבה חולי נפש שנפלטו מן המערכת, משום שזהו מקום חם), התקבלו ממערכת הבריאות ומבתי הכלא נתונים לגבי אלפי חולים. המטרה הייתה לראות האם ביום שבו המטופל נכנס לכלא בפעם הראשונה, ניתן יהיה לנבא האם הוא ייצא מן הכלא לחיים בקהילה, או שמא חלילה יחזור לכלא, יתאבד, יהפוך להומלס או יכנס לאשפוז ממושך. מבין הנתונים האלה הושם דגש על חזרה לכלא, כי בנושא זה הנתונים היו הכי מדויקים.

המערכת הצליחה לנבא זאת, וגם להראות כי החולים שחזרו לכלא היו כאלה שלא קיבלו טיפול מערכתי טוב, לעומת אלה שהצליחו להשתקם. טיפול מערכתי טוב היה כזה שבו היה תיאום מרבי בין כל הגורמים המטפלים - בית החולים, העובד הסוציאלי והמטפל בקהילה.

עוד הצליחה המערכת להראות לאיזה מן המאושפזים מתאים איזה סוג של מוסד או גורם ריפוי. "יש מוסדות מתאימים לנוער ולמבוגרים, לנשים או לגברים, למי שבוגר כלא ולמי שאינו בוגר כלא", אומרת רוזן-צבי. בעתיד, המטרה תהיה לבחון כיצד ניתן לתמרץ את החולים לקבל את הטיפול.

"הדרך שבה משתמשים היום בנתונים רפואיים מאוד לא יעילה", היא אומרת, "כנראה הגרועה מכל התעשיות. אנחנו חלק מפרויקט אירופאי גדול בשם Wecare, שנועד לבחון איך אמורה מערכת הבריאות להיראות בעוד 20 שנה, ואנחנו בוחנים זאת מנקודת המבט של המידע הרפואי".

אפל תאסוף נתונים, יבמ תנתח

ישנן מגוון דוגמאות לפרויקטים מעניינים שניתן לבצע באמצעות שימוש בביג דאטה, אשר אינם קשורים לניסויים קליניים והתאמת טיפול. כך למשל, אצל מושתלי כליה מחפשים לרוב תרומות אצל בני משפחה או חברים קרובים, אבל לא תמיד נמצאת התאמה. האם היה ניתן ליצור 'חילופי זוגות' או אפילו מעגלי תורמים שבהם קרובו של א' תורם ל-ב', קרובו של ב' תורם לג' וקרובו של ג' תורם בחזרה ל-א'? "המסקנה שלנו היא שזה אפשרי, אבל בעתיד הרחוק, כי הנתונים עדיין לא מספיק טובים", אומרת רוזן-צבי.

מוצרים נוספים מבית היוצר של ווטסון הלת' הם מערכת להנחיית רופאים בטיפול בסרטן, שנמכרת במקומות שבהם הרופאים חשים שאין להם מספיק מומחיות; מערכת להתאמת חולים לניסויים קליניים ומוצר שעוזר לצרכנים למצוא את ביטוח הבריאות האידאלי שלהם. כל הדוגמאות לעיל, למעט המוצר לסרטן, פותחו על ידי מדעני יבמ במעבדות החברה בחיפה.

לאחרונה חתמה יבמ על שיתוף-פעולה מתוקשר עם חברת אפל, אשר מטרתו לשפר את כמות המידע הזמין למערכות הרפואיות. אפל תאגד את הנתונים הרפואיים שהמשתמשים במכשיריה השונים אוספים לגבי עצמם, באופן אנונימי, ותאפשר ליבמ לנתח את המידע הזה. בעתיד, אם המטופלים יסכימו שהמידע יהיה מסומן במספר זיהוי ויצטרף אליו גם המידע הגנומי, אומרת רוזן-צבי, הדבר יוביל לשינוי דרמטי באופן שבו אנחנו מנהלים את הבריאות שלנו.