מחלת קרוהן ושחפת מעי עלולות להיראות דומות בתסמינים, באנדוסקופיה ובהדמיה — אבל הטיפול בהן שונה מאוד. מחקר חדש בדק אם מודל למידת מכונה, שהוטמע באפליקציה בשם Crohn’s Aid, יכול לסייע לרופאים להבחין ביניהן בזמן אמת. הביצועים בקבוצת האימות היו חזקים, אך עדיין מדובר בכלי מסייע שנבדק בסביבה אחת, לא בתחליף לאבחנה קלינית.

איך נבנה הכלי

החוקרים השתמשו במאגר מתוחזק פרוספקטיבית של 1,066 מטופלים במרכז שלישוני בהודו: 650 עם מחלת קרוהן ו־416 עם שחפת מעי. שלושים משתנים קליניים, אנדוסקופיים ורדיולוגיים שימשו לאימון כמה מודלים, ובהם רגרסיה לוגיסטית, יער אקראי ו־CatBoost. המודל המוביל, CatBoost, שולב באפליקציה לנייד.

באימות הפנימי החוזר המודל הגיע ל־AUROC ממוצע של 0.886, עם רגישות של 76.0% וסגוליות של 84.1%. החוקרים השתמשו גם ב־SHAP כדי להציג אילו נתונים תרמו לתוצאה. בין המשתנים הבולטים היו משך התסמינים, כיבים רוחביים, גרנולומות, מעורבות הרקטום והסיגמה ומחלה פריאנלית.

המבחן הפרוספקטיבי

לאחר הפיתוח נבדקה האפליקציה בקבוצה פרוספקטיבית של 121 מטופלים מאותו מרכז. שם היא הגיעה ל־AUROC של 0.921, לעומת 0.750 בשיטת הייחוס הבייסיאנית ששימשה להשוואה. בסף שנבחר התקבלו רגישות של 86.4% וסגוליות של 85.5%.

המספרים מצביעים על יכולת הבחנה טובה בקבוצה שנבדקה. היתרון המעשי האפשרי הוא אריזה של כמה סוגי מידע לכלי זמין בנקודת הטיפול — במיוחד באזורים שבהם שחפת שכיחה והדילמה האבחנתית חוזרת.

מה עדיין חסר

למרות הכותרת הפרוספקטיבית, גם קבוצת האימון וגם קבוצת האימות הגיעו מאותו מרכז. לכן לא ידוע כיצד המודל יתפקד בבתי חולים אחרים, באוכלוסיות שבהן שכיחות המחלות שונה, או כאשר איסוף הנתונים והפרשנות האנדוסקופית נעשים אחרת.

AUROC גבוה גם אינו מבטיח תועלת קלינית. המחקר לא הראה שהשימוש באפליקציה קיצר את זמן האבחון, הפחית טיפול שגוי או שיפר תוצאות למטופלים. בנוסף, חלק מהקלטים דורשים בדיקות ומומחיות; זו אינה אבחנה שמופקת מצילום סמארטפון או משאלון קצר בלבד.

השורה התחתונה

Crohn’s Aid מציגה דוגמה מבטיחה לתרגום מודל חיזוי לכלי נייד עם אימות פרוספקטיבי. הצעד הבא צריך להיות אימות חיצוני רב־מרכזי וניסוי שבודק כיצד רופאים משתמשים בתוצאה ומה קורה למטופלים בעקבותיה. עד אז, האפליקציה יכולה להיחשב תמיכה בהחלטה — לא פסק דין אבחנתי.