כיצד גישה מונעת בינה מלאכותית עזרה למייסד טכנולוגי לנצח סרטן נדיר

כשקנו כריסטו (Conno Christou), יזם המקפיד על אופטימיזציה בריאותית, אובחן עם צורה אגרסיבית של לימפומה לא-הודג'קין, הוא סירב להשאיר את הישרדותו למקריות. על ידי התייחסות למאבקו הרפואי כאל סטארט-אפ בעל סיכון גבוה, הוא מינף נתונים ממכשירים לבישים ו-LLMs כדי לנווט בנוף בריאותי מורכב.

הישרדות מבוססת נתונים אל מול מחלה נדירה

האבחנה של כריסטו הייתה אנומליה סטטיסטית: מסה בגודל 11x11x8 סנטימטרים מאחורי עצם החזה, שנגרמה כתוצאה ממוטציה גנטית אקראית. עבור מצב המשפיע על אדם אחד מכל 420,000, הפרוטוקול הרפואי הסטנדרטי היה לעיתים קרובות בלתי מספיק לרמת הדיוק לו הוא נזקק. לאחר שקיבל המלצות טיפול מנוגדות לחלוטין משני מומחים — האחד הציע משטר עם שיעור הצלחה של 60% והשני נתיב אגרסיבי עם שיעור הצלחה של 85% — כריסטו פנה לאגרגציית נתונים.

הוא לא הסתפק רק בחוות דעת שנייה; הוא אסף 12 כאלו. על ידי התייחסות לתהליך ההחלמה שלו כאל "מרתון של ספרינטים", הוא השתמש במכשיר הלביש Whoop שלו כדי לחזות קריסות של מערכת החיסון וניהל יומן תסמינים קפדני באמצעות תמלול קולי. איסוף נתונים מפורט זה אפשר לו לנטר שינה, תזונה וחוסן פסיכולוגי באותה הקפדה שבה השתמש כדי להצמיח את החברות שלו.

שימוש ב-LLMs כדי לגשר על פער הידע הרפואי

נקודת המפנה המשמעותית ביותר במסעו של כריסטו הייתה השימוש שלו ב-Claude, מודל שפה גדול (LLM) שפותח על ידי Anthropic. בעוד שמומחים רפואיים כמו דניאל ביטרמן מ-Mass General Brigham מזהירים שצ'אטבוטים לשימוש כללי טרם אושרו לאבחנות מותאמות אישית, כריסטו מצא להם תועלת בדרך אחרת: שימוש בבינה מלאכותית כדי לשאול שאלות טובות יותר.

עבור לימפומה נדירה, אונקולוג אנושי עשוי להיתקל במקרה ספציפי רק פעם בשנה. לעומת זאת, LLM "ספג" את גוף הספרות הרפואית העולמית העצום. כריסטו הזן למודל את תוצאות בדיקות הדם שלו, נתוני סריקות, פלטי מכשירים לבישים ורישומי יומן, ובכך הפך נתונים גולמיים לתובנות מעשיות שעזרו לו לנהל שיחות עם מומחים ברמה עולמית.

הימנעות מטיפול מיותר באמצעות זיהוי תבניות בבינה מלאכותית

הכוח האמיתי של הבינה המלאכותית בא לידי ביטוי במהלך סריקת ה-PET האחרונה של כריסטו, שהניבה תוצאות מעורפלות. האונקולוג שלו הציע לעבור לקו טיפול שני, הכולל הקרנות (radiotherapy) שעלולות להיות מסוכנות בקרבת הלב והריאות שלו.

עם זאת, כריסטו זיהה סטטיסטיקה קריטית: שיעור הפוזיטיב השגוי (false-positive) בסריקות PET בסיום טיפול במצבו הספציפי יכול להגיע עד ל-60%. הוא הזן את סריקות ה-PET ונתוני ה-MRI שלו ל-Claude, שסימן תופעה קלינית ספציפית: "thymus rebound". המודל הציע כי אצל מטופלים מתחת לגיל 40, בלוטת תימוס שפעלה מחדש יכולה לחקות מחלה פעילה בהדמיה. הבינה המלאכותית העריכה את ההסתברות להסבר זה בכ-90%. לאחר שביקש אימות נוסף ממומחים, האבחנה אושרה — הוא היה נקי מסרטן, וההקרנות המיותרות נמנעו.

העתיד של סנגוריות חולים מותאמת אישית

סיפורו של כריסטו מדגיש מגמה צומחת של "סנגוריות חולים מונעת בינה מלאכותית". ככל ש-LLMs הופכים למתוחכמים יותר, הגבול בין מומחיות קלינית לבין ניתוח נתונים מונחה-מטופל מיטשטש. עבור מפתחים ומייסדים, זה מייצג הזדמנות עצומה בנקודת המפגש בין MedTech לבין Generative AI: יצירת כלים שאינם מחליפים רופאים, אלא מעצימים מטופלים לנווט במגבלות המערכת הרפואית.

נקודות מפתח

• קבלת החלטות מבוססת נתונים: כריסטו התייחס למסע הרפואי שלו כאל בעיה של מדע הנתונים, תוך שימוש במכשירים לבישים ובתיעוד קפדני כדי לנהל את מצבו הפיזי והנפשי.
• בינה מלאכותית כשכבת הסקה: במקום להשתמש ב-LLMs לאבחון ישיר, הוא השתמש ב-Claude כדי לסנתז נתונים מורכבים ולנסח שאלות ברמה גבוהה עבור הצוות הרפואי שלו.
• צמצום טעויות רפואיות: הבינה המלאכותית עזרה לזהות את תופעת ה-"thymus rebound" שמנעה הקרנות מיותרות ופולשניות, ובכך הוכיחה את ערכה של הבינה המלאכותית בזיהוי דפוסים קליניים שנסוגו מעיניים.