הבינה המלאכותית פסלה מטופלת זכאית כי לא הבחינה בין צנתור לב לקו ורידי
המטופלת הראשונה שאיבדנו — איבדנו אותה בגלל מילה.
מחקר נוגדי-קרישה בשלב III שהרצנו בו פיילוט הוציא מכלל השתתפות כל מי שעבר "צנתור לב". סביר — זהו הליך לבבי עם סיכון לדימום, בדיוק סוג ההיסטוריה הרפואית שפוסלת אדם ממחקר של מדללי דם. מערכת ההתאמה שלנו סימנה מועמדת כלא-זכאית והמשיכה הלאה. נקי. בטוח. שגוי.
המטופלת מעולם לא עברה צנתור לב. בתיק הרפואי שלה הופיעה הערה על "החדרת צנתר ורידי מרכזי" — עירוי שהושחל לווריד ביחידה לטיפול נמרץ כדי שתוכל לקבל תרופות. הליך אחר. חלק אחר בגוף. פרופיל סיכון שונה לחלוטין. עבור אחות, אין שום אפשרות לבלבל בין השניים. עבור הבינה המלאכותית שבנינו, "צנתר" בתוספת "ורידי" בתוספת הקשר שנשמע קרדיווסקולרי קיבלו ניקוד של כמעט-התאמה, ואישה זכאית נשרה בשקט מן המשפך.
אני רוצה לספר לכם כיצד הגעתי לבלות את מרבית השנה שקוע באובססיה סביב אותה מטופלת בודדת שהושמטה, משום שהיא לימדה אותי את הדבר שאף אחד שמוכר בינה מלאכותית לגיוס למחקרים קליניים לא רוצה לומר בקול: הבעיה בהתאמת מטופלים מעולם לא הייתה מציאת מספיק אנשים. הבעיה היא שהמכונות המבצעות את ההתאמה קוראות מילים, וזכאות למחקר עוסקת במושגים רפואיים — ואלה אינם אותו הדבר.
80% מהמחקרים מחמיצים את לוחות הזמנים שלהם לגיוס. התעשייה ממשיכה להתייחס לכך כאל בעיית היצע. זו בעיית דיוק.
הטעות שעשיתי בהתחלה
אני אקח על עצמי אחריות על כך מלכתחילה, כי כאן מסתובב כל הסיפור. כשהתחלנו, השתייכתי למחנה שהאמין שזה בעצם כבר פתור.
ההיגיון היה כזה. במשך שנים, התאמת מחקרים התבססה על חיפוש מילות מפתח — גס, שביר, עלוב. ואז הגיעו מודלי שפה גדולים, ולפתע התוכנה יכלה לקרוא הערת רופא לא-מובנית כמו שאדם קורא. הסתכלתי על זה והסקתי שהחלק הקשה מאחורינו. ניקח מודל חזק, נזין לו קריטריוני זכאות ורשומות מטופלים, נכוונן את ההנחיות, וההתאמה פשוט תעבוד. טענתי בעד זה. אמרתי לצוות שלי שהפער שנותר לסגור קטן, עניין של אחזור טוב יותר והנחיות זהירות יותר.
בנינו את המערכת הזאת. היא הדגימה יופי. במקרים הקלים — המטופלת שברור שיש לה סרטן שד בשלב II, הקריטריון שאומר במפורש "ללא כימותרפיה קודמת" — היא הייתה טובה באמת. המספרים שאתם רואים במצגות של ספקים מגיעים בדיוק מהמקרים האלה. Tempus, לאחר שרכשה את Deep 6 AI בתחילת 2025 והתרחבה ליותר מ-750 אתרי ספקים, מדווחת שסוכן Patient Query שלה מגיע לדיוק של 94.39% על פני מערך שאילתות שהוערכו. המספר הזה אמיתי. אני מאמין לו. הוא גם מודד את המקרים שמעולם לא היו הבעיה.
מטופלת הצנתור הייתה הרגע שבו הגרסה שלי למערכת מתה. ישבתי שם ועקבתי אחר הסיבה שבגללה היא הושמטה, וציפיתי למצוא באג. לא היה שום באג. המערכת עשתה בדיוק את מה שדמיון וקטורי עושה — נתנה ניקוד לשתי מחרוזות לפי כמה קרוב הן יושבות במרחב הסמנטי — ושני הליכים שחולקים את המילה "צנתר" יושבים אכן קרוב מאוד. שום כמות של הנדסת הנחיות לא הייתה מלמדת אותה שאחד שוכן תחת "הליך על הלב" והאחר תחת "צנתור של ורִיד". לא היה לה מושג של הלב. היו לה רק מילים על הלב.
מדוע מודלי שפה מבלבלים בין מונחים רפואיים?
הנה ההבחנה שאִרגנה מחדש את האופן שבו אני חושב על כל התחום הזה.
כשקלינאי קורא "החדרת צנתר ורידי מרכזי", הוא לא מעבד חמישה טוקנים. הוא מאחזר מושג — צומת ספציפי בהיררכיה עצומה ומובנית של ידע רפואי, עם הורים וילדים ואחים, עם מקום מדויק שאומר זהו הליך לגישה כלי-דמית, לא הליך לבבי. ההיררכיה הזאת קיימת ממש, באופן פורמלי, כאונטולוגיה קלינית בשם SNOMED-CT. בתוכה, צנתור לב הוא מושג בעל מזהה 41976001, מסווג תחת הליכים על הלב. צנתור ורידי מרכזי הוא 392230005, מסווג תחת צנתור של ורִיד. שני ענפים שונים של העץ. מערכת שמנמקת מעל העץ אינה יכולה לבלבל ביניהם. מערכת שמנמקת מעל קרבת-מילים מבלבלת ביניהם ללא הרף.
זו אינה תמיהה שנתקלתי בה לבדי. הערכות שפורסמו תיעדו מודלי בינה מלאכותית שעושים בדיוק את הטעות הזאת של "צנתור לב שווה דיקור ורידי מרכזי" (Fierce Biotech, 2025). זה מייצג מחלקה שלמה של כשלים — בכל מקום שבו הליכים, מצבים או תרופות חולקים אוצר מילים אך מתפצלים מבחינה רפואית. אנגיוגרפיה כלילית ואנגיוגרפיה היקפית. הן חולקות "אנגיוגרפיה". האחת היא הליך לבבי; האחרת היא גישה כלי-דמית. מודל שפה נותן להן ניקוד של בני-דודים. האונטולוגיה יודעת שהם זרים.
כעת הכפילו זאת בכמות הקריטריונים של פרוטוקול שלם, על פני תיק שלם של מחקרים, ואין לכם מקרה קצה. יש לכם דליפת זכאות שיטתית שרצה בשקט ברקע של כל מנגנון התאמה הסתברותי בתעשייה.
מודל שפה יודע ש"צנתר" מופיע ליד "לבבי". אין לו מושג שאחד הוא הליך לבבי והאחר הוא עירוי. הפער הזה הוא המקום שבו מטופלים זכאים נעלמים.
סעיפי החריגים ששברו הכול פעמיים
ברגע שהתחלתי להסתכל, הפער בין מילה למושג התברר כרק הסדק הראשון.
עוד אחד שוכן בדקדוק של הזכאות עצמה. פרוטוקולים אמיתיים אינם אומרים "הוציאו יתר לחץ דם". הם אומרים "הוציאו מטופלים עם יתר לחץ דם אלא אם כן הוא מאוזן היטב על תרופה יציבה במשך שלושה חודשים או יותר". המשפט הזה אינו מילת מפתח — הוא תנאי עם חלון זמן קבור בתוכו. ראיתי את המערכת המוקדמת שלנו מטפלת בסעיף הזה בשתי דרכים, שתיהן שגויות. לפעמים היא ראתה "יתר לחץ דם" והוציאה את המטופל, ואיבדה מישהו שבעצם עמד בתנאים. לפעמים היא העבירה אותו הלאה ודילגה לגמרי על בדיקת שלושת החודשים. היא מעולם לא עשתה באופן מהימן את מה שרכזת עושה בלי לחשוב: להחזיק את החריג, ואז לאמת את משך הזמן.
זה חשוב יותר בכל שנה, כי הפרוטוקולים נעשים בָּרוֹקיים. חציון קריטריוני הזכאות בפרוטוקולים אונקולוגיים גדל בערך מ-17 לפני דור ל-27 בקבוצה העדכנית יותר, ומספר ההליכים לכל פרוטוקול עלה ב-139% מאז 2005 (IQVIA). כל "אלא אם" וכל "למעט" וכל "בתוך שישה חודשים" הוא מקום שבו מנגנון התאמת-מילים מנחש בשקט. וכשמגיעים תיקונים — התיקון הממוצע לוקח כיום 260 ימים ליישום (Applied Clinical Trials, 2025) — כל ניחוש צריך להיות מנוחש מחדש.
הכשל שבאמת הפחיד אותי, לעומת זאת, היה שונה — הוא חתך אל השאלה אם אני יכול לעמוד מאחורי העבודה הזאת מול רגולטור בכלל. הריצו את אותו מטופל דרך מנגנון התאמה מבוסס-מודל-שפה פעמיים, עם הקשר סובב שונה במקצת, ואתם יכולים לקבל שתי תשובות שונות. עבור רוב התוכנות, מעט אי-דטרמיניזם נסבל. עבור מחקר קליני, זה פוסל. רגולטור אינו רוצה הסתברות שמטופל היה זכאי. הוא רוצה את הסיבה המדויקת והניתנת-לשחזור שבגללה כל אדם נכלל או הוצא — שובל שהוא יכול לקרוא שורה אחר שורה. מערכת שעשויה להחליט אחרת ביום שלישי אינה יכולה לייצר את השובל הזה.
מה שהייתי צריך לבנות בפעם הראשונה
הבנייה מחדש לא הייתה עדינה. הפסקנו לנסות לגרום למערכת הסתברותית להתנהג באופן דטרמיניסטי, ובנינו מערכת שהיא דטרמיניסטית מעצם המבנה שלה.
עמוד השדרה שלה הוא האונטולוגיה. אנחנו ממפים כל מונח ברשומת המטופל וכל מונח בקריטריוני הזכאות למושג ה-SNOMED-CT שלו — כך שמנגנון ההתאמה משווה צמתים בהיררכיה רפואית, לא מחרוזות. צנתור לב וצנתור ורידי מרכזי חדלים להיות שכנים והופכים למה שהם: קרובי משפחה רחוקים על ענפים נפרדים. מטופלת הצנתור, כשמריצים אותה דרך זה, חוזרת כזכאית. נכון. בכל פעם.
על גבי האונטולוגיה הנחנו לוגיקה מפורשת לחלקים שמודלי שפה מגמגמים בהם — ה"אלא אם", ה"למעט", ה"בתוך שלושה חודשים". סוג כזה של הנמקה הוא בעצם שני תחומים התפורים יחד: לוגיקה דאונטית כדי לדגמן את מבנה החובה-והחריג של סעיף "אלא אם", והנמקת מרווחי זמן כדי להעריך "בתוך שלושה חודשים" מול התאריכים בפועל ברשומה. אף אחד מהם אינו ניתן להתאמת-תבניות; את שניהם צריך לדגמן במפורש. ומכיוון שכל החלטה היא שרשרת של צעדים מפורשים על מושגים בעלי-שם, המערכת פולטת בדיוק את התוצר שהרגולטורים רוצים: נתיב ביקורת ניתן-לשחזור המראה במדויק איזה מושג התאים לאיזה קריטריון ומדוע מטופל נחת במקום שבו נחת.
אני מקפיד לומר נוירו-סימבולי, לא "זרקנו את מודלי השפה". לא זרקנו. הם מצוינים בשלב הראשון והמבולגן — קריאת הערה קלינית מפותלת ושליפת משמעות מובנית מתוך פרוזה. אנחנו נותנים להם לעשות את זה. אנחנו פשוט לא נותנים להם להיות השופט של הזכאות. הקריאה היא הסתברותית; ההנמקה היא דטרמיניסטית. חלוקת העבודה הזאת היא כל התכנון.
זו המערכת שאנחנו בונים כיום עבור נותני-חסות פארמצבטיים, ארגוני מחקר קליני (CROs) ומרכזים רפואיים אקדמיים, וזה מה שעבודת הבינה מלאכותית לגיוס למחקרים קליניים שלנו מאורגנת סביבו — התאמה מותאמת אישית המנמקת מעל גרפי אונטולוגיית SNOMED-CT עם לוגיקה דטרמיניסטית, במקום עוד מנגנון ניקוד הסתברותי אחד.
מדוע הפלטפורמות הגדולות פשוט לא בנו את זה?
זו השאלה שאני מקבל מכל נותן-חסות, והיא הוגנת. Tempus, IQVIA, Medidata, ConcertAI, TriNetX — אלה חברות רציניות עם כמויות עתק של נתונים. מדוע אף אחת מהן פשוט לא בנתה את הגרסה המעוגנת-אונטולוגיה?
חלק מהתשובה הוא שהן ממטבות משהו אחר, וזה משהו סביר. IQVIA חשפה את IQVIA.ai, פלטפורמה סוכנותית מאוחדת שנבנתה עם NVIDIA, במרץ 2026, היושבת על יותר מ-250 מיליון רשומות מטופלים. TriNetX מפעילה רשת מבוזרת בקנה מידה דומה לעבודת היתכנות וקוהורטות. ConcertAI השיקה את פלטפורמת Accelerated Clinical Trials הסוכנותית שלה בפברואר 2026, בטענה לקיצור לוחות זמנים של 10 עד 20 חודשים. AI Study Build של Medidata מחברת התאמה אל מערכת ה-Rave שלה ללכידת נתונים אלקטרונית על פני מאות מחקרים. כל אחת מאלה אמיתית וטובה במה שהיא מכוונת אליו — רוחב, קנה מידה, זרימת עבודה מקצה לקצה.
יש פער שקט יותר שמתחת לכולן, גם כן. אפילו כשפלטפורמה מתאימה היטב, הפלט בדרך כלל נוחת כרשימה שרכזת אז מקלידה מחדש אל מערכת ניהול המחקר הרשמית — Rave, Veeva Vault, Oracle Clinical One. ההתאמה והמערכת שמריצה את המחקר לא באמת מדברות ביניהן, כך שהעברה ידנית נשמרת בדיוק במקום שבו הייתם רוצים שהאוטומציה תהיה ההדוקה ביותר.
אבל רוחב ועומק אונטולוגי מושכים לכיוונים מנוגדים. פלטפורמה המשרתת כל תחום טיפולי בקנה מידה של 250 מיליון רשומות בנויה להיות טובה באופן גנרי, וטובה באופן גנרי היא בדיוק המקום שבו שוכנת מחלקת הטעויות מסוג הצנתור. ההנמקה העמוקה ומודעת-הענפים שפרוטוקול אונקולוגי מורכב, מחלה נדירה או פרוטוקול של מערכת העצבים המרכזית זקוקים לה יקרה לבנייה ויקרה לתחזק — SNOMED מתעדכן פעמיים בשנה, מילון תופעות-הלוואי MedDRA מתעדכן רבעונית, ושמירה על אונטולוגיה עדכנית היא כוח-אדם קבוע, לא פרויקט חד-פעמי. זהו סוג ההנדסה הלא-זוהרת ולעולם-לא-גמורה שפלטפורמה הרצה לעבר רוחב נוטה לדחות.
הפלטפורמות אינן טועות. הן פותרות עבור קנה מידה. דיוק אונטולוגי הוא בעיה אחרת, והוא זה שמכריע אם המטופלים הזכאים שלכם אכן נמצאים.
התשובה הכנה האחרת היא כובד-נתונים. כמה מהפלטפורמות האלה מתאימות בצורה הטובה ביותר בתוך הרשת שלהן עצמן — הנתונים שלהן, האתרים שלהן. אם המטופלים שלכם חיים ברשומה הרפואית האלקטרונית שלכם, מאחורי חומת האש שלכם, זו פריסה אחרת לגמרי. והרבה נותני-חסות ובתי חולים, מסיבות HIPAA טובות מאוד, לא ישלחו רשומות מטופלים אל הענן של מישהו אחר כדי שיותאמו.
העלות שאף אחד אינו שם על השקופית
הרשו לי להמחיש את הסיכון, כי קל להפשיט את הצדדים האנושי והכספי של זה.
מבחינה כספית: יום של עיכוב במחקר עולה כ-800,000$ במכירות מרשם אבודות (Tufts CSDD), ולחלק מהתחומים הטיפוליים זה גרוע בהרבה — עיכובים קרדיווסקולריים מגיעים לכ-1.4 מיליון דולר ביום. כל כישלון סינון עולה בממוצע כ-1,200$, ושיעורי כישלון הסינון נעים בכל מקום בין 20% ל-80% בהתאם להתוויה, ומגיעים עד ל-88% במחקרי אלצהיימר. מטופלת הצנתור — הזכאית שהשמטנו — היא בזבוז טהור במתמטיקה הזאת: אדם שהיה צריך להתקדם, לא התקדם, ומישהו שילם כדי לסנן אותה אל תוך "לא".
אבל העלות שלא הערכתי עד שישבתי עם צוות האתר היא אנושית, והיא מצטברת. רכזים מלהטטים בין חמישה או שישה מחקרים בו-זמנית ומבלים 40 עד 60% מזמנם בסינון מוקדם. כשכלי התאמה פולט תוצאות חיוביות שגויות מעל כ-30%, הם מפסיקים לבטוח בו — והם נוטשים אותו, לעיתים קרובות בתוך שלושה חודשים. ראיתי את זה קורה לנו לפני הבנייה מחדש. רכזת באתר פיילוט פשוט הפסיקה לפתוח את ההתראות שלנו. לא מתוך רשעות — מתוך תיעדוף. הכלי זעק "זאב" מספיק פעמים עד שבדיקתו הייתה איטית יותר מסקירת התיקים שלה עצמה. מנגנון התאמה שמכרסם באמון של האדם היחיד שצריך לפעול על פיו אינו כלי פרודוקטיביות. הוא עוד לשונית דפדפן שהיא למדה להתעלם ממנה.
זו הסיבה האמיתית שדיוק מנצח היקף. זה לא רק המטופלים הזכאים שאתם מאבדים לתוצאות שליליות שגויות. זה שכל תוצאה חיובית שגויה מבזבזת את המשאב הנדיר ביותר בכל המפעל — תשומת ליבה של רכזת שחוקה — וברגע שזה נגמר, רשת הנתונים הטובה בעולם עדיין מגיעה למבוי סתום אצל רכזת שהפסיקה להסתכל.
"האם זה לא בדיוק מה ש-FHIR ואינטגרציה עם Epic נועדו לו?"
אנשים שואלים אותי את זה הרבה, אז הרשו לי להתמודד עם ההשגות חזיתית.
נתחיל מהשגת תקני-הנתונים: בוודאי ש-FHIR ו-Epic פותרים את בעיית ההתאמה? הם פותרים את בעיית הצנרת, שהיא הכרחית ואינה מספקת. FHIR ואינטגרציה עם Epic מזרימים נתונים נקיים ומובנים — אבל השגת הנתונים היא החלק שלפני החלק הקשה. עדיין צריך להנמיק לגבי מה שהנתונים אומרים, וזה בדיוק המקום שבו האונטולוגיה עושה את עבודתה. וגם הצנרת אינה טריוויאלית: הסמכת App Orchard של Epic היא סקירת אבטחה של שישה עד שנים-עשר חודשים לפני שאתם נוגעים בתיק אחד. כל מי שמבטיח התאמת EHR מהירה ועמוקה או שכבר שילם את העלות הזאת או שעדיין לא עמד בה.
אחר כך יש את הדאגה הרגולטורית: האם מערכת דטרמיניסטית ועתירת-כללים אינה נחשבת למכשיר רפואי מפוקח, על כל הנטל שזה מרמז עליו? כאן הנחיה עדכנית באמת עוזרת. הנחיית תמיכת ההחלטות הקלינית המעודכנת של ה-FDA, שפורסמה בינואר 2026, הבהירה אילו פונקציות CDS נופלות מחוץ להגדרת המכשיר — והתאמת רשומות מטופלים מול קריטריוני זכאות למחקר יכולה להיחשב CDS שאינו-מכשיר. מסגרת ינואר 2025 של אותו גוף הציגה הערכת מהימנות בת שבעה שלבים לבינה מלאכותית בפיתוח תרופות. מערכת שההנמקה שלה שקופה וניתנת-לשחזור קלה בהרבה לעבור דרך המסגרת הזאת ממערכת שההיגיון שלה הוא התפלגות הסתברות.
והגרסה הבוטה ביותר: האם משהו מכל זה מהיר יותר מסתם לשכור עוד בני אדם? נתוני הביצועים אומרים בהחלט כן — כשההתאמה אמינה. סינון מבוסס בינה מלאכותית שדוּוח עליו הפחית שיעורי כישלון סינון ב-73% בפריסה אחת, מ-54% ל-14% (Trially), וצמצם שעות סקירת תיקים ידניות בכ-90%. הקאץ' הוא שהרווחים האלה מתממשים רק אם הרכזים מאמינים לפלט מספיק כדי לפעול על פיו. מהירות הבנויה על תוצאות חיוביות שגויות אינה מהירות. היא דרך מהירה יותר לאבד את הקהל.
מה שהמטופלת שהושמטה באמת לימדה אותי
אני חוזר אליה שוב ושוב, האישה עם העירוי שאלגוריתם בלבל בינו לבין הליך לבבי. היא הייתה זכאית כל הזמן. המחקר היה זקוק לה. היא ישבה שם ממש בתוך הנתונים. ואיבדנו אותה לא משום שהטכנולוגיה הייתה חלשה אלא משום שהיא כוונה אל הבעיה הלא-נכונה — קריאת פני השטח של השפה כשהמשימה הייתה הנמקה על הרפואה שמתחתיה.
כל התחום בילה חמש שנים בהחלפת חיפוש מילות מפתח במודלי שפה והכריז שבעיית ההתאמה טופלה. היא לא טופלה. היא מוקמה מחדש. החלפנו התאמת-מילים גסה בהתאמת-מילים מתוחכמת, והמקרים שמכריעים אם מחקר מגייס בזמן — סעיפי החריגים, ההליכים בעלי אוצר-המילים המשותף, הקריטריונים שדורשים שרגולטור יוכל לקרוא מדוע — מעולם לא עסקו במילים כלל.
אם אתם מריצים מחקרים ואתם מעריכים בינה מלאכותית לגיוס, השאלה שהייתי מציב לספק אינה מספר הדיוק הכותרתי שלו, כי המספר הזה נמדד על המקרים שמעולם לא עמדו להיות מוחמצים. בקשו מהם להעביר צנתור לב וקו ורידי מרכזי דרך מנגנון ההתאמה שלהם ולהראות לכם, לפי מושג, מדוע אחד מוציא והאחר לא. התשובה לשאלה האחת הזאת אומרת לכם אם קניתם מערכת שקוראת, או מערכת שבאמת מבינה. בחרנו לבנות את הסוג השני — הבינה מלאכותית לגיוס למחקרים קליניים המנמקת מעל האונטולוגיה — כי הסוג הראשון כבר עלה לנו במטופלת שלא יכולנו להרשות לעצמנו לאבד.
