גלובס - עיתון העסקים של ישראלאתר נגיש

חוקר במעבדת ביוטכנולוגיה בארה"ב עובד במסגרת חיפוש אחר חיסון לנגיף הקורונה / צילום: Jessica Hill, Associated Press

ניהול משבר הקורונה מצריך בראש ובראשונה איסוף וניתוח של מידע רב. עבור מחקר רפואי, נדרש מידע על אופי התסמינים של המחלה ותגובות החולים לטיפולים שונים, והרצתם במודלים מורכבים שדורשים כוח חישוב אדיר. עבור ממשלות נדרשים נתונים על דפוסי התפשטות המחלה, וכן דפוסי התגובה שלה למהלכים מדיניים שונים, כמו החמרות במגבלות תנועה ואף סגר.

פעמים רבות מדובר בניטור אחרי אוכלוסיות שלמות, וכדי לנתח את המידע הזה נדרשים כלי ניתוח אוטומטיים, שיכולים להתמודד עם כמויות דאטה עצומות ולהפיק מהם מסקנות אמינות ואיכותיות - שעל בסיסן יהיה ניתן לקבוע מדיניות. בכל המקרים הללו, טכנולוגיות עמוקות ומורכבות הן שעומדות בחזית. הנה כמה מהן:

1. מודלים של חיזוי 

החל מאפריל תהפוך לזמינה לבכירים בערים ומדינות בארה"ב, ללא עלות, מערכת בינה מלאכותית, שנועדה לסייע לקובעי מדיניות לחזות את השפעות המדיניות שלהם על התפשטות הקורונה. לפי דיווח ב"וול סטריט ג'ורנל", המערכת, שפותחה על ידי חוקרים מאוניברסיטת וירג'יניה, יכולה לחזות כמה הדבקות ומקרי מוות צפויים בכל עיר וכן כמה מיטות וציוד רפואי יהיה דרוש על מנת לטפל בחולים. החוקרים ממשיכים לפתח את המערכת, כך שתוכל לחזות גם השפעות כלכליות של מדיניות בכל אזור ואזור.

המערכת נבנתה על בסיס הפלטפורמה לחיזוי התפשטות מחלות של המכון הביוקומפלקסיטי באוניברסיטה והיא עברה התאמות מיוחדות לחיזוי נגיף הקורונה. המערכת פועלת על בסיס נתונים ממשלתיים על המבנה הגיאוגרפי של ערים בארה"ב, כולל מבנים של מוסדות ציבור ובתי עסק, תנועה של תחבורה ואינטראקציות של אזרחים. המערכת יוצרת העתק דיגיטלי של המידע הזה וכן מתבססת על בסיס מידע על המחלה המגיע מארגוני בריאות. המידע מוזן לאלגוריתמים של למידת מכונה, שמריצים תרחישים על המודל הדיגיטלי וחוזים את תוצאותיהם. באמצעות שימוש בבינה מלאכותית, המערכת לומדת מדפוסים של התפרצויות קודמות, ויכולה להשתמש בהם כדי לחזות כיצד ייראו דפוסי התפשטות הקורונה בתרחישים שונים.

בחודש שעבר פורסם ב"בלומברג" כי חברת הסייבר ההתקפי הישראלית NSO מפתחת גם היא מערכת דומה. המערכת של NSO לא מייצרת תחזיות, אלא מזהה מוקדי הדבקה גיאוגרפיים, ובמקביל בודקת את המגע שהתקיים בין אנשים שאובחנו כחולים בקורונה לבין אנשים שלא אובחנו, כדי לזהות מדביקים פוטנציאלים שאינם מאובחנים. המטרה של שימוש במערכת כזו, היא היכולת לקבוע מדיניות של סגר והגבלות תנועה באופן נקודתי על אדם או על עיר או שכונה, ובמקביל - המשך פעילות של יתר המשק. המערכת לא אוספת מידע אלא מנתחת מידע שמוזן אליה, שצריך לכלול את מיקומם של כלל אזרחי המדינה בה היא פועלת בכל רגע נתון, ואת החולים המאובחנים. 

המערכת הזו היא המוצר הראשון והיחיד של החברה שלא נועד לשימושים ביטחוניים, ומעלה שאלות אודות השימוש האזרחי במוצר של חברה ביטחונית ושנויה במחלוקת. הוא מיישם טכנולוגיה של ניתוח נתוני עתק, אשר לפי גורמים שנחשפו למערכת בימים האחרונים, שימשה את NSO במוצרים ביטחוניים, והומרה לצורך שימוש בה במוצר אזרחי. לפי הדיווח ב"בלומברג", המערכת כבר הותקנה לצורך ניסויים בכתריסר מדינות. בשבוע שעבר פורסם כי משרד הביטחון רוצה להשתמש במערכת של NSO גם בישראל, אך המהלך עדיין דרוש אישור של הגורמים הרלוונטיים.

2. המתמטיקה שתזניק את כמות הבדיקות

אומרים שאי אפשר לאכול את העוגה ולהשאיר אותה שלמה, אבל זה בדיוק מה שמנסים לעשות קבוצת האלגוריתמאים "Stardat", מקבוצת UST, חברת אנליטיקה המפתחת פתרונות אלגוריתמיים ללקוחות עסקיים בארה"ב בתחומי הרפואה והקמעונאות.

לנוכח מחסור בערכות בדיקת הקורונה, פעל צוות בראשות מדענית הנתונים דינה ברנבאום וסמנכ"ל הטכנולוגיות של הקבוצה, מאור איבגי, על פיתוח שיטה מתמטית שתאפשר להגדיל באופן משמעותי את כמות הבדיקות שניתן לבצע באמצעות כמות נתונה של ערכות. הכוונה היא שבמקום שכל ערכת בדיקות תשמש לביצוע בדיקה אחת - כל ערכה תשמש לביצוע מספר רב של בדיקות.

השיטה הזו, שנקראת "פולינג", מבוססת על הסתברות ועל כך שלפחות בשלב זה, רק אחוז קטן של האוכלוסייה נגוע בקורונה. הרעיון הוא שאם למשל רק אחד מכל 20 אזרחים נגוע במחלה - אין טעם לבזבז 19 ערכות יקרות על אזרחים בריאים. אז מה עושים? מערבבים. הרעיון שעומד מאחורי הפולינג, הוא למצוא דרך לערבב כמה דגימות יחד ולבדוק אותן באותה ערכה וכך לחסוך את בזבוז ערכות.

איך זה עובד? נניח שבערכה אחת נבדקות חמש דגימות שנלקחו מחמישה אנשים. אם תוצאת הבדיקה שתתקבל עבור כל חמש הדגימות תהיה שלילית, משמעות הדבר היא שכל חמש הדגימות שליליות. החיסכון נובע מכך שהצלחנו להשתמש בערכה אחת בלבד, במקום בחמש ערכות. אך מה קורה אם תוצאת הבדיקה של חמש הדגימות חיובית? במקרה שכזה מסיקים שלפחות אחת מבין חמש הדגימות היא חיובית, וממשיכים לבדוק.

כדי לאתר את הדגימה או הדגימות החיוביות מבין החמש, מחלקים את הדגימות לקבוצות של 2 ו-3 (סך הכל 5) ובודקים אותן בנפרד. אם הבדיקה לאחת הקבוצות הללו יוצאת שלילית, הבדיקה "מזכה" את כל יתר הדגימות שנבדקו איתה יחד ואפשר לסמן עוד ניצחון בדרך לחיסכון. את החלק הנגוע ממשיכים לחצות - עד שמבודדים את כל הבדיקות החיוביות.

נשמע פשוט? תיאורטית כן, בפועל מדובר עדיין במודל שלא מיושם בשטח. מעבדות שונות עובדות עם מכשור שונה והיישום בפועל של השיטה תלוי באופן שהמכשור הזה עובד. היכולת לערבב כמה דגימות יחד מבלי לפגוע ביכולת לתת תוצאה מדויקת גם היא אתגר טכני לא פשוט. ערבוב דגימות תלוי גם ביכולת לבצע אוטומציה באמצעות רובוטים בשל רמת הסיכון הגבוהה שבעיסוק בנגיף.

בשיחה עם "גלובס" הסביר פרופ' קישוני כי לא מעט קבוצות כמו סטארדאט עובדות על מענה מתמטי בנושא, וסיפר על ההתקדמות שהושגה בחלק המעשי במחקר, בשיתוף פעולה של הטכניון עם בית החולים רמב"ם: "הראינו, ניסיונית, שניתן לערבב במעבדה הרבה דוגמאות במבחנה אחת, ועדיין לזהות דוגמית חיובית גם כשהיא מעורבבת עם הרבה דוגמאות שליליות - עד אפילו 64 דוגמאות שליליות. התובנה הזו פותחת את האפשרויות להגדיל את נפח הבדיקות כך שאפשר יהיה לעשות 30-50 בדיקות במבחנה אחת".

פרופ' קישוני הסביר כי את הפיתוחים הללו אפשר יהיה למשל ליישם במקומות שבהם אחוז הנדבקים עדיין נמוך. כך למשל בצה"ל אפשר יהיה לדגום באופן זה יחידות שלמות, שבין כה וכה מבודדות, ורק לוודא שהן לא נגועות, וזאת מבלי לבזבז ערכות יקרות שייתכן שנדרשות יותר במקומות אחרים.

ולאן הולך הפיתוח עכשיו? הקבוצה פרסמה את הנוסחה לשימוש חופשי לתועלת הציבור וללא כל מטרה מסחרית, אומר נציג UST בישראל יובל וולמן, לשעבר מנכ"ל המשרד לענייני מודיעין. עד כה, לדברי וולמן, יצרו קשר עם הקבוצה כדי ללמוד על המודל נציגים מממשלות רומניה, דנמרק ופרו, כמו גם גופים רשמיים בישראל.

3. מחשבי-על ובניית מודלים מורכבים

לפני מעט יותר מחודש פורסמו תוצאות מחקר של המעבדה הלאומית של מחלקת האנרגיה הפדרלית בארה"ב, Oak Ridge, שבמסגרתו מחשב העל החזק בעולם, Summit, שימש חוקרים לזיהוי 77 תרכובות שעשויות להוות בסיס להמשך מחקר למציאת תרופה לקורונה. הם הצליחו לעשות זאת לאחר שבדקו יותר מ-8,000 תרכובות שונות, בחיפוש אחר אלה שיש להן את הסיכוי הגבוה ביותר להיקשר לחלבון המרכזי של הקורונה, ובכך למנוע ממנו להדביק את התאים המארחים.

המחקר התבסס על בנייה של מודל ממוחשב של החלבון הזה ועל הרצה של סימולציות כימיות שונות על גבי המודל. זהו חישוב מורכב ביותר, שבאמצעות מחשבים רגילים היה אורך חודשים, אך בזכות השימוש במחשב העל ארך כיומיים בלבד, לפי החוקרים. כעת, הם מנסים להריץ את החישובים שלהם שוב, על גבי מודל מדויק יותר של החלבון שהתפרסם בכתב עת מדעי מסין.

4. המודלים שיפתרו את הסיבוכים 

מי יהיה בסיכון לסיבוכים ולמוות? המתמטיקה מגויסת גם כדי לחזות אצל מי מהחולים עלולה הקורונה להסתבך ולהביא את החולה למצב קשה או למוות. "אנשים נבדלים בנתונים כמו גיל מין ומחלות רקע ואז חווים מהלך מחלה קל או חמור יותר", מתאר פרופ' אורי שליט מהטכניון שבחיפה, "אנחנו, כמו בשאר העולם, מנסים להבין את מהלך המחלה ומנסים לאפיין את כל מסלולי ההתפתחות האפשריים. הדבר נועד לתכנן את העומסים הצפויים, וגם כדי להחליט, למשל, מי צריך רק השגחה, לעומת מי שצריך טיפול אגרסיבי יותר; להחליט מי יכול לשהות במלונית, ומי זקוק לאשפוז בבית חולים. ואם אין מודלים שינחו אותנו אז אנו מפתחים אותם".

על רקע מיעוט הדאטה על הקורונה והמידע הדל שהגיע מסין, החוקרים יצרו 'מודל קורונה ישראלי מקורב'. המודל מבוסס על נתונים ומודלים של שרותי בריאות כללית על מחלת השפעת, אותו שילבו החוקרים "עם נתונים גסים שיצאו מסין בכל מיני מאמרים", כהגדרת הסביר פרופ' שליט.

פרופ' שליט סיפר עוד כי "קולגות מאיטליה סיפרו לנו עד כמה הם מתקשים לאסוף נתונים מכל האזורים. הנתונים מפוזרים בין בתי החולים וכך פשוט אי אפשר לעשות להם אגרגציה. גם בישראל נעשים מאמצים דומים בישראל להביא את הנתונים למקום אחד, וגם הם עדיין לא נשאו פרי".

5. הסטארט-אפ שיזהה מהומות בסופר

לא רק בשל העברת וירוסים, בתקופת משבר התקהלויות פתאומיות עלולות סימן מקדים לסכנה. יישום טכנולוגיות של זיהוי תמונה המסוגלות לספור בני אדם המופיעים על המסך, עשויות לספק אתראה, אך עלולות במקרים רבים לספק אתראת שווא, במקרים שבהם אירעה התקהלות תמימה.

על מנת להפחית למינימום אתראה על מעשים תמימים, הסטארט-אפ וייסייטס פיתח מערכת זיהוי וידאו מבוססת בינה מלאכותית לסקטור הביטחוני, שמסוגלת לספק אתראה על התהוות אירועים אלימים - על בסיס ניתוח מורכב של התנהגות המצולמים. המערכת יודעת למשל להבחין בין התנועות השונות של המצולמים, כך שתינתן אתראה רק במקרים שהתנועות מצביעות על כך שמדובר באירוע אלימות ולא באירוע תמים. המערכת מסוגלת לזהות אירועים כמו זריקת אבנים, חסימות צמתים, תאונות דרכים, שימוש בכיסוי פנים, ונשיאת נשק.

מנהלת הפיתוח העסקי בווייסייטס, מאיה שייר, סיפרה כי הנסיבות הביאו את החברה להתאים את המערכת גם לזיהוי סיטואציות, שמשבר הקורונה הפכו לכאלה שמחייבות אכיפה, כמו למשל שמירה על מרחק בין אזרחים, חבישת מסכה, או אי שימוש בחליפת מגן בבתי אבות, למשל. בנוסף, היא מציעה דאטה עבור גופים שזקוקים לו לשם חיזוי מוקדי התפרצות. "התקווה שלי שדרך מצב החירום נצליח לפתוח את עצמנו לעוד מקומות, שאחרת היה לוקח לנו הרבה זמן להיכנס אליהם", אמרה שייר.

ארגון סטראט-אפ ניישן השיק מאגר של חברות שנאבקות בקורונה

ארגונים וחברות רבות משתתפים בימים אלה באופן מלא או חלקי, עסקי או התנדבותי, במאבק בקורונה, בניסיון לסייע להפחית את העומס על מערכות הבריאות ולצמצם מגע ישיר עם חולים פוטנציאליים. סטארט-אפ ניישן סנטרל, ארגון ללא מטרות רווח, התגייס למשימה של ריכוז המידע על אותם גופים והקים מאגר מידע מקיף עם למעלה מ-80 חברות ישראליות בעלות פעילות בנושא. המאגר מכיל חמש קטגוריות בעולם הטכנולוגי-רפואי:

1. ניטור מרחוק (Remote Monitoring). הרשימה כוללת חברות המאפשרות ניהול אבחון החולים והחשודים כחולים מרחוק, תוך צמצום החשיפה של הצוותים הרפואיים ותעדוף הטיפול בחולים.

2. אבחון ותמיכה בקבלת החלטות (Diagnostics and Decision Support). קטגוריה שכוללת חברות המאפשרות, למשל, זיהוי חולים על פי דגימות קול שלהם, על פי תסמינים שונים ולפי נתונים המוזנים למערכת על חולים סימפטומטיים, המצויים בסיכון גבוה יותר מלכתחילה.

3. חיזוי ומניעה (Prediction and Prevention). הרשימה כוללת למשל חברה שפיתחה טכנולוגיה ליצירת בדים המגנים על הלובשים מהידבקות בנגיף.

4. היבטים חברתיים ונפשיים (Social and Mental Aspects). הרשימה כוללת חברות שמטפלות בנושאים כמו למשל בדידות בגיל השלישי.

5. טיפול בחולים (Treatment). הרשימה כוללת, למשל, חברות המטפלות באמצעות חלבונים המצויים בפלסמה אנושית.

את רשימת החברות המתעדכנת ניתן למצוא תחת תגית coronavirus# באתר Start-Up Nation Finder.