בעידן שבו רופאים נדרשים להיצמד להנחיות קליניות מבוססות ראיות, שילובן במערכות AI נותר אתגר גדול. מחקר חדש מציג את CPGPrompt – מערכת אוטומטית שממירה הנחיות נרטיביות לעצי החלטה מובנים, אותם מודלי שפה גדולים (LLM) מנווטים באופן דינמי להערכת מקרים רפואיים. הגישה הקודמת של מערכות מבוססות חוקים סבלה מחוסר פרשנות, אי עמידה בהנחיות והתאמה מוגבלת לתחומים ספציפיים. CPGPrompt מבטיחה שינוי משמעותי בתמיכה בקבלת החלטות רפואית.
CPGPrompt פועלת בשני שלבים עיקריים: תרגום ההנחיות הקליניות (CPGs) לעצי החלטה מובנים, ולאחר מכן שימוש ב-LLM לניווט בעץ בהתאם למקרה חולה ספציפי. החוקרים יצרו סצנות סינתטיות בשלושה תחומים: כאבי ראש, כאבי גב תחתון וסרטן הערמונית, מחולקות לארבע קטגוריות לבדיקת תרחישי החלטה שונים. הביצועים נבחנו בשני משימות: החלטת הפניה לבדיקה מומחית דיכוטומית, וסיווג מסלולים מפורט יותר.
במשימת ההפניה הדיכוטומית, CPGPrompt השיגה ביצועים מצוינים בכל התחומים, עם ציון F1 של 0.85-1.00 ודיוק גבוה במיוחד (recall של 1.00 ± 0.00). לעומת זאת, בסיווג מסלולים רב-מעמדי, הביצועים היו נמוכים יותר עם שונות בין-תחומית: כאבי ראש (F1: 0.47), כאבי גב תחתון (F1: 0.72) וסרטן הערמונית (F1: 0.77). ההבדלים משקפים את מבנה ההנחיות בכל תחום.
ההנחיה לכאבי ראש הדגישה אתגרים בטיפול בהכחשות (negation handling), בעוד הנחיה לכאבי גב דרשה חשיבה זמנית (temporal reasoning). לעומת זאת, בסרטן הערמונית, מסלולים מבוססי בדיקות מעבדה כמותיות אפשרו החלטות אמינות יותר. ההבדלים הללו מדגישים את הצורך בגישות מותאמות אישית לכל תחום רפואי, כאשר מבנה ההנחיה משפיע ישירות על יעילות ה-LLM.
למנהלי בריאות ועסקים בישראל, CPGPrompt מציעה הזדמנות לשפר את קבלת ההחלטות הרפואית באמצעות AI, להפחית טעויות אנוש ולהאיץ טיפול. עם זאת, יש להתמודד עם אתגרים כמו טיפול בשפה מורכבת. המחקר קורא לפיתוח נוסף להרחבה לתחומים נוספים, מה שיכול לשנות את עתיד הרפואה הדיגיטלית.