MAI-DxO: מחקר של מיקרוסופט בוחן את מסלול האבחון ועלותו
מחקר על MAI-DxO בוחן אילו שאלות ובדיקות לבחור בדרך לאבחנה ובאיזו עלות. התוצאות מצביעות על יתרון בסביבת ההערכה, אך לא מוכיחות יתרון בטיפול בחולים.
מערכת AI רפואית יכולה לזהות את האבחנה הנכונה ועדיין לבחור מסלול בירור יקר או לא מתאים. ב־22 באוקטובר 2026 הודיעה Microsoft על פרסום מחקר ב־Science, בהמשך לעבודתה על MAI-DxO ו־SDBench, שבוחן גם את הדרך לתשובה: אילו שאלות לשאול, אילו בדיקות לבחור ובאיזו עלות. התוצאות מצביעות על יתרון בסביבת ההערכה, אך אינן מוכיחות יתרון בטיפול בחולים אמיתיים.
מה נבדק: אבחון כתהליך ולא כשאלת מבחן
מבחן רפואי רגיל יכול להציג תיאור מקרה ולבקש אבחנה. ברפואה, לעומת זאת, חלק מרכזי מהעבודה הוא להחליט איזה מידע חסר ואיך להשיג אותו. שאלה על תסמין נוסף, בחינה של ההיסטוריה הרפואית או בחירת בדיקה עשויות לשנות את כיוון הבירור. לכן, הערכה של תשובה סופית בלבד אינה מספרת את כל הסיפור על איכות ההחלטות.
זהו מוקד המחקר המתואר על MAI-DxO: אבחון מדורג, שבו נבחנת בחירת הצעדים לאורך הדרך. SDBench מופיע בפרסום כחלק מקו העבודה המחקרי הזה. החשיבות אינה רק בשאלה אם המערכת מזהה מחלה, אלא אם היא יודעת לבחור מידע מועיל במקום להסתמך על כך שכל הפרטים הרלוונטיים כבר הונחו לפניה.
הוספת העלות להערכה משמעותית גם היא. בדיקה יכולה לתרום לאבחנה, אבל אין פירוש הדבר שכדאי להזמין אותה בכל מקרה. מסגרת שבוחנת גם שאלות, בדיקות ועלויות מאפשרת לשאול שאלות מעשיות יותר על התנהגות המערכת. עם זאת, עצם מדידת העלות אינה מוכיחה חיסכון בפועל, ואין בתחקיר נתון שמאפשר לכמת חיסכון כזה.
התוצאות: פערים גדולים בשתי הערכות שונות
Microsoft דיווחה על תוצאות בשתי קבוצות מקרים. חשוב להציג אותן בנפרד: מדובר במקורות שונים של מקרים ובקבוצות השוואה המתוארות באופן שונה. חיבור המספרים לציון אחד, או הצגתם כמדד כללי ליכולת רפואית, יטשטשו את ההבדלים שעליהם נשענת משמעות התוצאה.
- מקרי מיון ממאגר MIMIC-IV-ED: המערכת השיגה 80% דיוק, לעומת 47% אצל הרופאים שנבדקו.
- מקרים מורכבים מ־NEJM: המערכת השיגה 83% דיוק, לעומת 36% אצל רופאים שנעזרו במקורות עזר.
- מושא ההערכה היה גם תהליך האבחון, לרבות בחירת שאלות ובדיקות ועלותן, ולא רק שם האבחנה הסופית.
אלה פערים שמצדיקים תשומת לב מחקרית. אבל הביטוי המדויק הוא יתרון על קבוצות ההשוואה בתנאים שנבדקו, ולא עליונות על רופאים באשר הם. כדי להבין עד כמה ההשוואה משקפת עבודה קלינית, צריך לבחון את המידע שהיה זמין לכל צד, את מגבלות המשימה ואת אופן קביעת ההצלחה. המספרים לבדם אינם עונים על השאלות האלה.
80% ו־83% הם שיעורי דיוק בסביבות ההערכה המתוארות. הם אינם שיעורי הצלחה בטיפול בחולים, אינם מדד לבטיחות קלינית ואינם בסיס להסתמכות עצמאית על AI לצורך אבחון.
מה עדיין מפריד בין benchmark למחלקת מיון
בסביבת הערכה אפשר להגדיר משימה ולבדוק תשובה מול אבחנה ידועה. בטיפול אמיתי יש גם מידע חלקי, שינויים במצב המטופל ותלות בביצוע הבדיקות ובפענוחן. לכן, היכולת לבחור צעד נכון בתרחיש מחקרי היא ממצא חשוב, אך אינה שקולה להוכחה שהמערכת תפעל בבטחה בתוך רצף טיפול שלם.
גם דיוק כולל אינו מתאר את כל הסיכונים. טעות באבחנה של מצב דחוף אינה בהכרח שקולה לטעות במצב שאינו דחוף. בבחינת מערכת לשימוש קליני צריך לשאול אילו מקרים הוחמצו, האם היא יודעת לבטא אי־ודאות ומתי היא מפנה את ההחלטה לבעל מקצוע. אלה שאלות להמשך בדיקה, ולא יכולות שהנתונים שסופקו מוכיחים.
השאלה אינה רק אם ה־AI הגיע לאבחנה הנכונה, אלא אם הדרך שבחר מתאימה לחולה, לזמן ולמשאבים הזמינים.
יש גם הבדל בין הצלחה במשימת אבחון לבין שיפור בתוצאה רפואית. אבחנה היא רכיב מרכזי בטיפול, אך אחריה מגיעות החלטות נוספות. כדי לטעון לתועלת בעולם האמיתי יידרשו ראיות מתוך שימוש קליני מתאים, עם מדדי בטיחות ותוצאות רלוונטיות למטופלים. הפרסום המתואר אינו מספק בסיס לדלג על השלב הזה.
המשמעות לישראל: לבדוק התאמה לפני שמדברים על הטמעה
עבור בית חולים או קופת חולים בישראל, השאלה המעשית אינה רק איזה ציון קיבלה המערכת, אלא אם דרך האבחון שלה מתאימה לעבודה המקומית. הערכה ישראלית צריכה להביא בחשבון תיעוד בעברית, קיצורים ומונחים באנגלית, זמינות של בדיקות ונהלים מקומיים. אין בתחקיר תיאור של אימות כזה בישראל.
למשל, כהמחשה ולא כתוצאה מהמחקר, המלצה על בדיקה עשויה להיות סבירה בבית חולים אחד ופחות שימושית במוקד שבו אינה זמינה. גם משמעות העלות תלויה במסגרת שבה מתקבלות ההחלטות. לכן אי אפשר להסיק ישירות מביצועים במאגר נתונים מסוים שהמערכת תקצר תורים או תפחית הוצאות במערכת הבריאות הישראלית.
למפתחים ישראלים בתחום הבריאות הדיגיטלית יש כאן לקח מתודולוגי ברור: כדאי להעריך את רצף ההחלטות, ולא להסתפק בהתאמה בין תשובת המודל לאבחנה בתיק. תכנון בדיקה מקומית צריך לכלול גם בחינת טעויות, גבולות אחריות והגנה על מידע רפואי. הצלחה ב־benchmark חיצוני אינה מחליפה אף אחד מאלה.
מה הלאה: להוכיח שהדרך משפרת גם את התוצאה
התרומה המעניינת של המחקר היא הרחבת השאלה המחקרית: לא רק מה המערכת יודעת, אלא איך היא פועלת כדי לצמצם אי־ודאות. זהו כיוון שימושי למחקר רפואי ב־AI, משום שהוא מאפשר לבחון החלטות ביניים שאפשר להחמיץ כאשר מודדים רק את התשובה האחרונה.
השלב הבא שיש לחפש בפרסומים עתידיים הוא ראיות לשחזור התוצאות, לניתוח מפורט של כשלים ולהערכה קלינית בתנאים מתאימים. נכון לתחקיר של 26 באוקטובר 2026, המסקנה ממוקדת: MAI-DxO הציגה תוצאות בולטות בהערכת אבחון מדורג. ההוכחה שהיא משפרת טיפול בחולים, ובפרט בישראל, היא שאלה נפרדת שעדיין דורשת מענה.
שאלות נפוצות
מהי מערכת MAI-DxO של Microsoft?
MAI-DxO היא מערכת AI שנחקרת בהקשר של אבחון רפואי מדורג, הכולל בחירת שאלות ובדיקות בדרך לאבחנה. המחקר המתואר בוחן לא רק את התשובה הסופית, אלא גם את תהליך האבחון ואת עלותו.
האם MAI-DxO מאבחנת טוב יותר מרופאים?
בהערכות שדיווחה Microsoft המערכת השיגה דיוק גבוה יותר מקבוצות הרופאים שנבדקו: 80% לעומת 47% במקרי מיון, ו־83% לעומת 36% במקרים מורכבים. אלה תוצאות בתנאי הערכה מוגדרים, ולא הוכחה לעליונות בטיפול בחולים בעולם האמיתי.
האם תוצאות MAI-DxO תקפות גם לבתי חולים בישראל?
התחקיר המצורף אינו מתאר אימות קליני בישראל. כדי להעריך התאמה לשימוש מקומי יש לבחון את המערכת על מקרים מייצגים, תוך התייחסות לעברית רפואית, לזמינות בדיקות ולתהליכי העבודה המקומיים.
דרגו את הכתבה
הדירוג עוזר לנו לדעת מה שווה לכם.
תגובות