{"id":"cf906234-4fe5-4250-bf35-c601fad1bcbf","slug":"מודל-אקג-חדש-השיג-ביצועים-דומים-עם-83-1-עד-93-7-פחות-נתונים-מתויגים","title":"מודל אק״ג חדש השיג ביצועים דומים עם 83.1% עד 93.7% פחות נתונים מתויגים","excerpt":"מודל חדש נלמד מקריאות רופאים ולא רק מסימונים, והצליח לזהות מצבים לבביים עם הרבה פחות דוגמאות מתויגות, אך עדיין לא הוכח קלינית","content":"במקום להזין למחשב עוד ועוד אק\"ג מסומנים מראש, חוקרים בארצות הברית ניסו דרך אחרת: ללמד אותו לקשור בין אותות הלב הגולמיים לבין מה שהקרדיולוגים כתבו עליהם. לפי המחקר שפורסם בכתב העת *The Lancet Digital Health*, הגישה הזו הולידה את ECG-CLIP, מודל בינה מלאכותית חדש שהצליח לבצע טוב יותר ממודלים מקובלים, ובמקרים מסוימים נזקק לירידה של 83.1% עד 93.7% בכמות הנתונים המתויגים כדי להגיע לתוצאות דומות. עבור מערכת הבריאות, וגם עבור בדיקות אק\"ג שנעשות בהיקף רחב בישראל, השאלה החשובה היא האם אפשר לשפר אבחון לבבי בלי להישען על מאגרי ענק של סימונים ידניים. למחקר\n\n## למה אק\"ג עדיין חשוב כל כך\n\nבדיווח צוין שמחלות לב וכלי דם הן אחד הגורמים המרכזיים לתחלואה ולתמותה בעולם, וכי לפי דוחות בריאות הציבור הנוכחיים כ-20% מכלל מקרי המוות בארצות הברית קשורים אליהן. בתוך המציאות הזו, אק\"ג בן 12 לידים, הבדיקה הסטנדרטית שבודקת את הפעילות החשמלית של הלב מכמה זוויות, נחשב לאחד הכלים החשובים ביותר לאבחון מוקדם ולהכוונת טיפול.\n\nאבל דווקא בגלל שהבדיקה כל כך נפוצה, מתבררות גם המגבלות שלה. לפי הדיווח, יותר מ-300 מיליון אק\"ג מבוצעים בעולם מדי שנה, ובפועל לא תמיד יש לרופאים מספיק זמן, או חדות ראייה מספקת, כדי לזהות שינויים עדינים אבל חשובים. זו בעיה מוכרת גם במערכות בריאות עמוסות, שבהן בדיקות אק\"ג נבדקות לעיתים במהירות ובכמויות גדולות, ולא רק במרכזים מחקריים.\n\n## מה עשתה הבינה המלאכותית אחרת\n\nבמחקר ניסו לבנות מודל שמסתכל על אק\"ג כמו שרופאים מסתכלים עליו: לא רק כעל רצף מספרים וגלים, אלא כחלק מסיפור קליני רחב יותר. על פי המחקר, החוקרים השתמשו במאגר גדול של Scripps Health, שכלל יותר מ-1.7 מיליון אק\"ג היסטוריים, ולצדם דוחות שעברו בדיקה של קלינאים. על בסיס זה פותח ECG-CLIP, מודל רב-אופני, כלומר כזה שלומד משני סוגי מידע במקביל: האות הגולמי של האק\"ג והטקסט הרפואי שלו.\n\nעל פי המחקר, המודל לא רק נבנה על הנתונים האלה אלא גם עבר אימות חיצוני, כלומר נבדק מעבר למאגר הפיתוח עצמו. זה חשוב במיוחד, משום שמודלים רפואיים רבים נראים מצוין במאגר שממנו למדו, אבל נחלשים כשהם נבחנים בסביבה אחרת. כאן, לדברי החוקרים, ECG-CLIP הראה ביצועים טובים יותר ממודלים מפוקחים קונבנציונליים וגם ממודל בסיס אחר שאינו מבוסס אק\"ג, במגוון משימות.\n\nבין המשימות שנבחנו היו זיהוי אוטם שריר הלב החריף, סקר לקרדיומיופתיה, וגם חיזוי פרפור פרוזדורים בעתיד. לפי הדיווח, המודל הצטיין במיוחד כאשר רק מעט נתונים מתויגים עמדו לרשות החוקרים. במילים פשוטות, הוא למד טוב גם כשלא קיבל מאות או אלפי דוגמאות מסומנות לכל מצב רפואי.\n\n## הרבה פחות תיוג, אותה רמת ביצוע\n\nהנתון הבולט ביותר במחקר הוא לא רק שהמודל עבד, אלא כמה מעט נתונים הוא צריך. על פי המחקר, ECG-CLIP השיג ביצועים דומים למתחרים הטובים ביותר שאומנו על מערכי נתונים מלאים, אבל עם קיטון של 83.1% עד 93.7% בכמות הנתונים המתויגים, בהתאם למשימה.\n\nזהו הבדל משמעותי בעולם של בינה מלאכותית רפואית, שבו סימון ידני של נתונים הוא לרוב צוואר הבקבוק האמיתי. כדי ללמד מערכת לזהות מחלה באק\"ג, צריך שרופאים יסמנו דוגמאות רבות, תהליך יקר, איטי ותלוי מומחיות. אם מודל מסוגל להסתמך על הרבה פחות סימונים, הוא עשוי להיות נוח יותר להטמעה במקומות שבהם אין מאגר מתויג גדול, או שבהם הדאטה המקומי שונה מזה שעליו אומנו המודלים הקודמים.\n\nלדברי המחבר הבכיר ג'ורג'יו קוור, עוזר פרופסור לרפואה דיגיטלית ב-Scripps Research, האלגוריתם החדש \"צריך לראות בערך תריסר אק\"ג מאושרים של מחלה מסוימת כדי לזהות אותה בעתיד\". הוא הוסיף כי זה דומה לאופן שבו קלינאי לומד, לא ממיליון דוגמאות, אלא מהבנה של הפיזיולוגיה הכללית של האק\"ג ואז ממעט מקרים ספציפיים.\n\n## ההבטחה, והגבולות של המחקר\n\nלפי המחקר, ל-ECG-CLIP יש פוטנציאל לשמש מסגרת גמישה להפקת ייצוגים עשירים מאותות הלב, ואפילו ייתכן שימוש עתידי בסביבות עם מעט משאבים ובפלטפורמות לבישות. אבל כאן בדיוק מגיעה ההסתייגות המרכזית: החוקרים עצמם כתבו שנדרשת ולידציה פרוספקטיבית בכמה מרכזים לפני שאפשר יהיה לבסס את השימושים האלה קלינית.\n\nכלומר, זהו עדיין לא כלי שמחליף אבחון שגרתי, ולא הוכחה לכך שמודל אחד ישתלב מחר בבוקר במרפאות או בחדרי המיון. המחקר מראה שהגישה עובדת היטב בדאטה גדול ובהמשך גם מחוץ למאגר הפיתוח, אבל לא מדגים עדיין השפעה על תוצאות קליניות אמיתיות, כמו פחות אשפוזים, פחות סיבוכים או פחות תמותה. גם המימון או ניגודי העניינים לא פורטו בציטוטים שסופקו.\n\nהחשיבות של הממצא היא בעיקר עקרונית ומעשית כאחת. עקרונית, הוא מציע שכדי ללמד מכונה לקרוא אק\"ג לא חייבים להסתמך רק על אלפי תוויות מלאכותיות, אלא אפשר ללמד אותה מהשפה הקלינית שכבר קיימת בדוחות הרופאים. מעשית, אם הגישה תשרוד בדיקות נוספות, היא עשויה להקל על בניית כלי עזר לאבחון במקומות שבהם יש הרבה בדיקות אבל מעט זמן, או מעט מומחיות זמינה.\n\n## העמקה מדעית\n\nהמחקר, שפורסם בכתב העת *The Lancet Digital Health*, מתאר פיתוח ואימות חיצוני של foundation model מבוסס contrastive learning בשם ECG-CLIP. המודל אומן על נתוני Scripps Health GE MUSE, מאגר רטרוספקטיבי רחב היקף שכלל יותר מ-1.7 מיליון אק\"ג בני 12 לידים, כשהם מצומדים לדוחות clinician-overread. לפי החוקרים, המטרה הייתה להתגבר על המגבלה של גישות machine learning מסורתיות, שנשענות יתר על המידה על labels ייעודיים למשימה.\n\nבמבחני הביצוע, ECG-CLIP הראה עליונות עקבית על פני ארכיטקטורות supervised קלאסיות ועל פני מודל foundation שאינו אק\"ג, בכלל זה בזיהוי acute myocardial infarction, בסקר cardiomyopathy ובניבוי עתידי של atrial fibrillation. היתרון היה בולט במיוחד בתרחישי low-label regime, שבהם רק מעט דוגמאות מתויגות היו זמינות, והמודל השיג ביצועים דומים ל-best comparators שאומנו על datasets מלאים, תוך הפחתה של 83.1% עד 93.7% בכמות ה-labeled training data, לפי המשימה.\n\nהחוקרים מסכמים כי המודל עשוי להיות מתאים במיוחד להגדרות עם משאבים מוגבלים ולפלטפורמות wearable, אך מדגישים כי נדרשת prospective multisite validation לפני הטמעה קלינית.\n\n---\n\n## מקורות מאומתים\n\n- [Ko M et al., The Lancet. Digital health (2026)](https://pubmed.ncbi.nlm.nih.gov/42680677/), PMID 42680677","categoryId":"cat-201","healthWorld":null,"author":"מערכת קוד הבריאות","readTime":4,"imageUrl":"/objects/uploads/6f402357-c5fc-4897-9165-cb78064231a4","imageAlt":"מדען מעבדה עובד עם מיקרופיפטות","featured":false,"publishedAt":"2026-09-09","tags":[],"status":"published","seoMetaSweepAt":null,"headlineAutoExhaustedAt":null,"metaTitle":"מודל אק״ג חדש השיג ביצועים דומים עם 83.1% עד 93.7% פחות נתונים מתויגים | קוד הבריאות","metaDescription":"מודל חדש נלמד מקריאות רופאים ולא רק מסימונים, והצליח לזהות מצבים לבביים עם הרבה פחות דוגמאות מתויגות, אך עדיין לא הוכח קלינית","canonicalOverride":null,"articleType":"news","noindex":false,"hideFromHome":false,"includeInSitemap":true,"includeInNewsSitemap":true,"reviewerName":null,"reviewerTitle":null,"reviewerCredentials":null,"reviewerUrl":null,"reviewedAt":null,"sources":[],"faq":[],"shortAnswer":null,"keyTakeaways":[],"medicalDisclaimerEnabled":true,"pillarPage":null,"relatedArticles":[],"relatedEvergreenArticle":null,"ctaType":"none","ctaLabel":null,"ctaUrl":null,"ctaDescription":null,"imageCredit":"צילום: National Institutes of Health, נחלת הכלל, ויקישיתוף (Wikimedia Commons) - https://commons.wikimedia.org/wiki/File:Medical_Laboratory_Scientist_US_NIH.jpg","imageWidth":1200,"imageHeight":675,"videos":[],"newsSection":"חדשות הבריאות","newsSourceName":"מערכת קוד הבריאות","originalSourceUrl":null,"doi":null,"pmid":null,"sourcePublishedAt":null,"newsSitemapExpiresAt":"2026-09-11T00:00:00.000Z","isBreakingNews":false,"correctionNote":null,"correctionDate":null,"notificationTopics":["medical-news"],"createdAt":"2026-09-03T03:10:11.055Z","updatedAt":"2026-09-09T07:00:10.722Z","dateModified":"2026-09-03T03:10:12.112Z","summary":"מודל חדש נלמד מקריאות רופאים ולא רק מסימונים, והצליח לזהות מצבים לבביים עם הרבה פחות דוגמאות מתויגות, אך עדיין לא הוכח קלינית","readingTime":4,"featuredImage":"/objects/uploads/6f402357-c5fc-4897-9165-cb78064231a4","authorSlug":"מערכת-קוד-הבריאות","publishTime":"2026-09-09T07:00:00.000Z","url":"/news/מודל-אקג-חדש-השיג-ביצועים-דומים-עם-83-1-עד-93-7-פחות-נתונים-מתויגים","category":{"id":"cat-201","name":"חדשות הבריאות","slug":"health-news","icon":"Newspaper","color":"text-slate-600"}}