AI על אק״ג עשוי לזהות דפוסים שמקדימים הפרעת קצב חדרית או מוות לבבי פתאומי — אבל סקירה שיטתית חדשה מראה שהמרחק מביצוע מרשים במחקר לכלי קליני עדיין גדול.
מה נכלל בסקירה
החוקרים חיפשו ב־PubMed, Embase ו־Scopus עד 3 באוקטובר 2025 ומצאו 13 מחקרים על מודלי AI לחיזוי מוות לבבי פתאומי או הפרעות קצב חדריות ממאירות. במקום לאחד תוצאות שונות מאוד למספר אחד, הם הגדירו מראש תתי־קבוצות לפי סוג הנתונים וטווח החיזוי.
רק חמישה מחקרים דיווחו גם על AUROC וגם על רווח סמך של 95% בתוך תת־קבוצה מתאימה. בכל אחת מתתי־הקבוצות האלה היה מחקר יחיד בלבד, ולכן אי אפשר לפרש את המספרים כהשוואה ישירה בין שיטות.
ביצועים גבוהים — עם בסיס צר
מודל למידה עמוקה על אק״ג אמבולטורי חד־ערוצי הציג AUROC של 0.948 לחיזוי קרוב של הפרעת קצב חדרית. מודלים על אק״ג של 12 ערוצים הגיעו ל־AUROC של 0.820 בחיזוי ארוך טווח של מוות לבבי פתאומי.
אלה מדדי הבחנה: הם מתארים עד כמה המודל מפריד בין קבוצות, לא האם הסיכון שחושב לכל אדם מכויל היטב ולא האם שימוש במודל מונע אירועים.
הבעיה המרכזית הייתה איכות המחקרים
לפי כלי PROBAST+AI, שבעה מתוך 13 המחקרים — 54% — דורגו בסיכון גבוה להטיה. הסיבות כללו הסתמכות על אימות צולב בלבד, בעיות ביחידת הניתוח, מעט אימות חיצוני ודיווח חסר על כיול.
השונות בין סוגי הנתונים, טווחי הזמן והגדרות התוצאה גם מנעה מטא־אנליזה. לכן AUROC גבוה במחקר אחד אינו מוכיח שהמודל ישמור על ביצועיו בבית חולים אחר או ישפר החלטות טיפול.
השורה התחתונה
AI על אק״ג מציג אות מבטיח לחיזוי הפרעות קצב מסוכנות, במיוחד בטווחים קצרים. כרגע הראיות עדיין אינן אחידות או חזקות מספיק לשימוש שגרתי: נדרשים אימות חיצוני, דיווח כיול ומחקרים שיבדקו השפעה על תוצאות המטופלים — לא רק דיוק חיזוי.
שינויים קטנים ועקביים בהרגלי התזונה וההתאוששות עשויים להיות משמעותיים לאורך זמן. מומלץ לבחון אותם לצד מדדים אישיים ובהתייעצות מקצועית כשנדרש.