ד"ר רולנד אילינג הוא בריטי גבוה ונעים הליכות, שהוא מנהל תחום הרפואה הגלובלי בחטיבת שירותי הענן של אמזון, AWS, הוא גם בוגר האימפריאל קולג' בכירורגיה, ודוקטור לרפואה מאוקספורד בהתמחות ברדיולוגיה קלינית פולשנית, מרצה לרפואה ביוניברסיטי קולג' בלונדון וחבר פאנל המומחים של ארגון הבריאות העולמי לרפואה דיגיטלית. בכנס של AWS בווגאס, ישבנו איתו לשיחה על עתיד הרפואה, ואיך הבינה המלאכותית משנה אותה כבר עכשיו, ואיך אפשר להביא את השינוי הזה למדינות ואוכלוסיות שאינן מדינות המערב.
ד"ר אילינג למעשה אחראי על שתי תעשיות משיקות אך שונות אחת מהשניה: רפואה (כלומר, טיפול ישיר בחולים כמו מרפאות ובתי חולים), ומדעי החיים, שכוללים חברות תרופות, מחקר גנטי ועוד. על אף ששתי התעשיות משיקות זו לזו, רמת האימוץ שלהן של חדשנות, מסתבר, מאוד שונה. בשעה שתחום הרפואה הקהילתית ובכלל, איטי מאוד באימוץ כלים טכנולוגיים (ובאופן כללי, לבתי חולים וקופות חולים יצא שם רע בתחום הסייבר ואבטחת המידע), חברות התרופות, ארגונים שלא למטרות רווח בתחום הבריאות וחברות רפואה ממהרות לאמץ את קדמת הבינה המלאכותית ובהתלהבות מרובה.
"לתשע מתוך עשר חברות התרופות הגדולות בעולם יש פלטפורמות מחקר וגילוי שבנויות על AWS", מספר אילינג. "אנחנו שמחים לתמוך בפייזר, ג'ונסון אנד ג'ונסון ואחרות בתחום הזה. באמג'ן גילו למשל 17 מקרי משתמש שונים לתגלית חדשה. כמובן, כל גילוי כזה כולל גם ערימה של ניסויים שבאה ביחד איתו. פייזר מעריכים שהם יחסכו בזכות זאת 750,000 מיליון עד מיליארד דולר בשנה", אומר הדוקטור.
שלושה מיליארד חלבונים
ולמה אילינג מתכוון? חברות התרופות בעצם מריצים מודלים ועושים מחקר בעזרת בינה מלאכותית שבעצם "משחקת" עם חלבונים ומולקולות ואתרי קשירה של חומרים פעילים כדי לגלות תרופות חדשות, מה שנקרא גם עיצוב חלבונים חישובי. האירוניה היא, שהמחשבים עושים את זה הרבה יותר מהר מאשר חוקרים בשר ודם, וזה חוסך לחברות התרופות כסף גדול בפיתוח, שזו ההוצאה העיקרית שלהן.
אילינג מביא כדוגמה דווקא חברה בשם Evolutionary Scale. מה שהחברה הזו מפתחת הוא מודל למידה גדול בשם ESM3, שמאפשר למדענים "לשחק" עם מבנה של חלבונים וליצור רצפי חלבונים חדשים, מעוצבים מלאכותית, שאחרת היו לוקחים מאות מיליוני שנים להיווצר. אם 20 חומצות האמינו הבסיסיות הן "אותיות", הרי שהמודל הזה מאפשר למדענים וחוקרים ליצור "מילים" ו-"משפטים" חדשים, ועם תחביר מקורי. ואיך "לימדו" את ESM3 על האפשרויות הקיימות במבנים של חלבונים? הזינו לתוכו מגוון של קרוב לשלושה מיליארד חלבונים שקיימים באורגניזמים שונים ובביומים שונים בטבע על פני כדור הארץ.
"מה שהם עשו", מסביר ד"ר אילינג, "זה לקחת את האתר הפעיל של מולקולה ולהנדס לאחור". הם זיהו חלבון שגורם לזוהר ירוק פלורסנטי, שיש למעשה רק מקרה אחד שלו בטבע. הם כולם נראים אותו דבר. ואז הם השתמשו בו כבסיס כדי להנדס לאחור מולקולה עם אותן תכונות - אבל שחולקת רק 57 אחוזים מהמידע הגנטי של כל החלבונים הירוקים זוהים בטבע. זה למעשה לעשות "קצר" ל-500 מיליון שנה של אבולוציה", הוא מסביר בהתלהבות.
"זו היכולת ליצור בעזרת בינה מלאכותית חלבון שמתקפל אחרת. איך הוא מתקפל? איך הוא נראה? מה זו המולקולה הזו ואיך היא נראית? אנחנו רואים בום של מקרי שימוש לבינה מלאכותית מחוללת בתחום הבריאות.
להתמודד עם מידע מעשר מערכות שונות
כאמור, לתחום הרפואה יצא שם רע בתחום הסייבר, בעיקר בגלל מתקפת "מיראי" מלפני כמה שנים שפגעה אנושות בבתי חולים בבריטניה, ולמעשה שיתקה למשך כמה ימים את כל מערכת הבריאות הבריטית הממלכתית. בפועל, זו הייתה אולי קריאת הההשכמה שהתעשיה הזו הייתה צריכה כדי לעבור לענן, ואילינג מספר שעכשיו אנחנו רואים מוסדות בריאות שלמים שמעבירים את כל הפעילות שלהם לענן - בגלל האבטחה המובנית, מה שמוריד מהם את הצורך להתעסק איתה, ולהתמקד בטיפול בחולים.
המידע שמאוחסן, לצורכי טיפול ומחקר הוא מגוון: מידע גנטי, מידע רפואי קליני, מידע על פתולוגיות, וחלק מהחוכמה היא לדעת לברור את המוץ מהתבן, ולשלב בין מאגרי המידע השונים, שלרוב לא "מדברים" זה עם זה. אילינג מציין שאמזון עובדים בדיוק על העניין הזה עם ממשלת ישראל, במיוחד שאצלנו המידע מפוזר בין קופות החולים והבעיה של רשומה רפואית לאומית, טרם נפתר.
דוגמא מעניינת היא Health Scribe, ו-Health Lake שבעצם מאגמות מידע מסוגים שונים כמו צילומי דימות או הקלטות קול בסביבה רפואית כדי לאחד ולחבר בין הנתונים השונים כך כל המידע יהיה זמין לרופאים מתחת ליד, במקום שיצטרכו לבדוק ולחפש בכמה מערכות שונות, וגם - הבינה המלאכותית יודעת לנתח את המידע הרב, ולתת לרופא תובנות בעצמה או להאיר דברים שהוא צריך לשים אליהם לב. למתמחה במחלקה או במיון שנכנס לשעת העבודה ה-26 שלו - כלי כזה יכול להיות חיוני.
כך למשל, חברה ישראלית בשם aidoc, מציעה בעצם פיתרון ניהול ומידע מבוסס בינה מלאכותית מקצה לקצה, שמחבר בין כל המערכות בבית החולים או בארגון הבריאות, שמשפר את זרימת הטיפול, קבלת ההחלטות על ידי הרופאים, וניהול של מסע החולה.
"אני חושב שאנחנו הולכים לראות הרבה מהכלים האלה במסע החולה", אומר אילינג. "החל מטיפול בקהילה שימנע ממנו להגיע לבית חולים, וכל המערכת כולה תהיה חכמה יותר. חולים יוכלו לקבל גישה לטיפול מהר יותר. לכלים האלה יש את היכולת לעשות את "הרמת המשקל הכבד" בעבודה של הרופא".
"כשאני למשל רואה חולים, הרבה מהזמן אני מבלה בהקלדה, ואני לא מסתכל או משיב מבט, וזה מפחית מאיכות הטיפול ויחסי רופא-מטופל", הוא מסביר. "אם הטכנולוגיה יכולה להיכנס ברקע ולחסוך לרופא את ההקלדה, מערכת היחסים בין הרופא לחולה יכולה להתחזק. זה יועיל לכולם. מרופא זה נוטל את העבודה הפקידותית, ומצד החולה - הוא ירגיש חיבור טוב יותר למטפל".
"אתגר אחר שחלק מלקוחות הקצה שלנו מתמודדים איתו כרגע, זה כמות המידע שזמין לרופא. למשל, באבחון של סרטן. מספר המערכות שבהן הרופא צריך לבדוק מידע הוא גדול, מעל לעשר מערכות שונות, ורופא צריך להבין איפה כל המידע נמצא. אחת היכולות החזקות של הבינה המלאכותית היא סינתזה של המידע, ולנהל אותו במקום אחד". אילינג בהקשר הזה מביא גם דוגמא של פיתוח אחר, שבו בינה מלאכותית כותבת עבור הרופא את מכתב השחרור מבית החולים והסיכום של כלל הפעולות הרפואיות שנעשו, והרופא צריך רק לקרוא, לערוך אם צריך ולחתום - במקום לכתוב הכל בעצמו. יש סיכוי שרופאים עמוסים במיון יראו בזה ברכה...
בנקים ביולוגיים
אבל חשוב לדבר גם על הפערים. כל הטוב הזה שתיארנו עד עכשיו, לא מחולק באופן שיוויוני בעולם, וברור שמערכות רפואה במדינות מפותחות, נהנות מהכלים יותר מאשר מדינות מתפתחות או מדינות עולם שלישי שבהן אפילו קשה להרים תשתית שתתמוך בבינה מלאכותית מחוללת, וזה חלק מהשינוי שאילינג מוביל או מה שהוא מכנה "דמוקרטיזציה של התהליך" והוא אומר שהעתיד כבר כאן - הוא פשוט לא מחולק שיוויונית.
ובמה דברים אמורים? חטיבת שירותי הענן של אמזון, AWS, מארחת בין השאר כמה וכמה בנקים ביולוגיים. אלה בנקים ששומרים מידע דנא, והם פועלים ברמה המדינתית, בין השאר, הבנק הביולוגי של ישראל רץ על הפלטפורמה. אבל רוב הבנקים של המדינות המפותחות, באופן טבעי, מחזיקים בעיקר מידע גנטי של אנשים לבנים. AWS עובדים עם גופים שונים כדי לבנות בנקים ביולוגיים גם במדינות של גזעים שונים, מתוך הבנה שלאסייאתים או לכהי עור יש גם מחלות גנטיות שונות, ויש שונות בין בני האדם כשזה מגיע לטיפול רפואי. כך למשל, פרויקט בשם Genomics England, לימד את הבינה המלאכותית קלוד "לקרוא" את הספרות הרפואית הרלוונטיות תוך התאמה להתייחסות גנטית, וכך למשל איתר 20 גנים בעייתיים הגורמים לבעיות מולדות הקשורות בליקויי למידה.
דוגמא אחרת, היא חברה בשם HeronAI, שניתחה את מסלולי הטיפול בבתי חולים בארצות הברית. מן הסתם, במדינות אפריקה אין את אותה תשתית רפואית או מערכת הבריאות המתקדמת של ארצות הברית. מודל הבינה המלאכותית של החברה ידע לקחת את המידע הזה, ולבנות מסלולי טיפול מותאמים לחולים תוך התחשבות בתנאים ובגישה שיש לאנשים לטיפול רפואי ולמרפאות שם, כמו גם לרמת הידע וההבנה של החולים - ששונה מהותית ממדינה מערבית.
"אני למשל, משמש כסוכן תרגום עבור המשפחה שלי", צוחק אילינג. "אני קורא בשבילם תוצאות של בדיקות ומפרש להם אותן". מה שסוכני בינה מלאכותית מחוללת יכולים עכשיו לעשות, הוא לקחת את המידע הרפואי ו-"לתרגם" אותו עבור החולה, בצורה שהם יכולים להבין. אני חושב שדמוקרטיזציה של גישה למידע רפואי עבור יחידים, הוא כלי עצמתי מאוד", הוא מסכם.
גילוי נאות: הכותב היה אורח AWS בכנס החברה בלאס ווגאס