בדיקת MALDI‑TOF כבר נמצאת במעבדות רבות ומשמשת לזיהוי מהיר של מיקרואורגניזמים. הרעיון במחקר החדש היה מפתה: לקחת את אותו ספקטרום שממילא מופק בבדיקה, ולתת ל־AI לחפש בו גם סימנים לעמידות לתרופות נגד פטריות — בלי להמתין לבדיקת רגישות נפרדת.

במחקר הוכחת־היתכנות שפורסם ב־Annals of Laboratory Medicine נבנו מודלים על ספקטרומים של 240 בידודי Aspergillus משלושה מינים. לאחר מכן הם נבדקו על קבוצת ולידציה של 70 בידודים, מול ארבע תרופות: voriconazole, posaconazole, itraconazole ו־amphotericin B.

ברמת הספקטרום, המודלים נראו מבטיחים. אבל כשעברו לשאלה הקלינית החשובה — האם בידוד מסוים רגיש או עמיד — התמונה השתנתה. בשבעה צירופים של מין ותרופה שיעור ההתאמה הקטגורית הממוצע היה 56% בלבד. שיעורי הטעות החמורה מאוד והטעות החמורה היו גבוהים, והרגישות והסגוליות השתנו מאוד בין הצירופים.

זהו שיעור חשוב ב־AI רפואי. מודל יכול להפריד יפה בין דפוסים בתוך הדאטה שעליו אומן, ועדיין לא להיות אמין בהחלטה שמשפיעה על טיפול. במקרה הזה, טעות אינה רק עניין סטטיסטי: החמצת עמידות עלולה להוביל לבחירת תרופה שאינה מתאימה.

המחקר כן מראה שיש אות כלשהו בספקטרומים השגרתיים, ולכן הכיוון אינו חסר ערך. מאגרים גדולים ורב־מרכזיים, כיול טוב יותר ולידציה חיצונית עשויים לשפר את הביצועים. אבל נכון לעכשיו, המערכת אינה תחליף לבדיקת רגישות אנטי־פטרייתית ואינה מוכנה לשימוש קליני.

השורה התחתונה: שימוש חוזר בדאטה מעבדתי קיים הוא יעד חכם ל־AI, אבל מבחן האמת אינו כמה טוב המודל נראה על המסך — אלא כמה מעט טעויות מסוכנות הוא עושה על בידוד חדש.