בינה מלאכותית כבר משמשת בתחומים רבים ברפואה, מדימות רפואי ועד גילוי תרופות. אחד השימושים הפחות מוכרים עשוי להיות חשוב לא פחות: שימוש ב-AI עוד לפני שניסוי קליני מתחיל.
ניסויים קליניים הם יקרים, ארוכים ומלאי אי ודאות. החוקרים צריכים להחליט אילו מטופלים לגייס, אילו תוצאות למדוד, כיצד לבנות את קבוצות הטיפול, כמה זמן יימשך המחקר ואיזו שיטה סטטיסטית מתאימה. החלטות כאלה יכולות להשפיע על היכולת של הניסוי לספק תשובה משמעותית.
QuantHealth הישראלית מפתחת כלי סימולציה מבוססי AI שנועדו לאפשר לחברות תרופות וביוטכנולוגיה לבדוק חלק מההחלטות האלה באופן וירטואלי לפני התחייבות לניסוי בפועל.
הרעיון מושך, אבל דורש פרשנות זהירה. מטופל מדומה אינו מטופל אמיתי, ותוצאה חזויה של ניסוי אינה הוכחה לכך שתרופה פועלת.
מה פירוש לדמות ניסוי קליני?
סימולציה של ניסוי קליני משתמשת במודלים מתמטיים וחישוביים כדי להעריך מה עשוי לקרות תחת תכנוני מחקר שונים.
נניח שחברת תרופות מתכוננת לניסוי בטיפול חדש. לפני תחילת הגיוס, הצוות עשוי לרצות לדעת אם שינוי בקריטריוני הקבלה ישפיע על אוכלוסיית המחקר, אם מדד תוצאה אחר יהיה אינפורמטיבי יותר, או אם לוח טיפול שונה ישנה את הסיכוי לזהות השפעה.
באופן מסורתי, החלטות כאלה מבוססות על מחקרים קודמים, היגיון ביולוגי, מודלים סטטיסטיים ושיקול דעת מקצועי. בינה מלאכותית מוסיפה שכבה נוספת באמצעות ניתוח כמויות גדולות של מידע קליני וביולוגי והפקת תחזיות למספר רב של תרחישים.
QuantHealth מסבירה שהמערכת שלה מאפשרת לצוותי פיתוח לשנות משתנים בפרוטוקול ולבחון השפעות חזויות על תוצאות, היתכנות, עלויות ושיקולים נוספים. מי שרוצה להבין את הגישה יכול לעיין בתהליך הסימולציה של QuantHealth לפיתוח קליני.
המילה החשובה היא "חזויות". מדובר במודל, לא בתוצאה קלינית.
למה חברות תרופות מתעניינות בתחום
ניסוי שתוכנן בצורה חלשה עלול לבזבז שנים וסכומי כסף גדולים.
לכן קיים תמריץ משמעותי לזהות בעיות לפני שהמטופל הראשון מגויס. אם סימולציה מצביעה על כך שאוכלוסיית מחקר מסוימת כנראה לא תספק תשובה שימושית, או שמדד התוצאה אינו מתאים להשפעה הצפויה של הטיפול, ניתן אולי לשנות את התכנון מוקדם יותר.
הערך האפשרי רחב יותר מחיזוי הצלחה או כישלון. סימולציה יכולה לשמש כלי תומך החלטה שמאפשר להשוות מבני ניסוי, הנחות גיוס, תתי אוכלוסיות ופרוטוקולים.
העניין בתחום גדל במקביל להשקעות של תעשיית התרופות בבינה מלאכותית. באוגוסט 2026 הודיעה QuantHealth על גיוס Series B של 45 מיליון דולר בהובלת Qumra Capital ובהשתתפות משקיעים ובהם Pitango HealthTech ו-Sanofi Ventures. דיווחים ישראליים עצמאיים אישרו את סבב הגיוס.
הגיוס הופך את החברה לדוגמה ישראלית עדכנית למגמה רחבה יותר: AI עובר משלב גילוי התרופות גם אל ההחלטות המתקבלות במהלך הפיתוח הקליני.
אי אפשר לדלג על שאלת הראיות
התועלת של כל סימולציה תלויה באיכות המודל שמאחוריה.
אם הנתונים חלקיים, לא מייצגים או מוטים, גם מודל מתוחכם עלול להפיק תוצאה מטעה. ברפואה הבעיה רגישה במיוחד, משום שגיל, מין, גנטיקה, שלב המחלה, טיפולים קודמים ומשתנים נוספים עשויים להשפיע באופן מהותי על התוצאה.
מודל שעובד היטב בסביבה אחת לא בהכרח יעבוד באותה רמה בסביבה אחרת.
QuantHealth מפרסמת דוגמאות לאימות ומדווחת שהפלטפורמה שלה שימשה לסימולציה של מאות ניסויים. עם זאת, נתוני ביצועים כאלה צריכים להיות מוצגים כטענות של החברה כל עוד לא שוחזרו או אומתו באופן עצמאי במחקר חיצוני נגיש.
ההבחנה הזו חיונית בכל דיון ב-AI רפואי.
גם הרגולטורים שואלים האם המודל אמין לשימוש הספציפי
מינהל המזון והתרופות האמריקאי, ה-FDA, פיתח מסגרת להערכת מודלים של AI המשמשים בפיתוח תרופות ומוצרים ביולוגיים. אחד העקרונות המרכזיים הוא "הקשר השימוש".
בפשטות, השאלה אינה רק האם המודל מדויק באופן כללי. צריך להבין איזו החלטה הוא אמור לתמוך בה, על אילו נתונים הוא נבנה, איך הוא נבדק ומה הסיכון אם התוצאה שלו שגויה.
זו דרך טובה להבין גם סימולציה של ניסוי קליני. מודל שנועד לעזור לצוות לחקור תכנוני מחקר חלופיים אינו בהכרח ממלא אותו תפקיד כמו מודל שפלט שלו משפיע ישירות על החלטה רגולטורית.
ככל שהשימוש משמעותי יותר, כך נדרשות ראיות חזקות יותר.
סימולציה אינה מחליפה ניסוי קליני
זו המגבלה החשובה ביותר וגם אחת הקלות ביותר להבנה שגויה.
AI יכול לדמות תוצאות אפשריות. הוא אינו יכול להוכיח שתרופה ניסיונית בטוחה ויעילה בבני אדם רק משום שהמודל חוזה זאת.
הביולוגיה האנושית מורכבת, והאפשרות לתוצאות בלתי צפויות היא אחת הסיבות לכך שניסויים קליניים קיימים.
לכן התפקיד הסביר יותר של AI בטווח הקרוב הוא לשפר החלטות סביב הניסוי, לא לבטל את הניסוי עצמו. אם מודל מסייע לזהות תכנון חלש מוקדם יותר, הוא עשוי לחסוך זמן ומשאבים. אם הוא מאפשר לבחון אוכלוסיות או מדדי תוצאה בצורה שיטתית יותר, הוא עשוי לשפר החלטות לפני הגיוס.
אבל כל זה אינו מבטל את הצורך באימות, בביקורת עצמאית ובפיקוח רגולטורי מתאים.
סיפור ישראלי עם שאלה עולמית
QuantHealth מעניינת כמקרה מבחן משום שהיא נמצאת בצומת שבין AI ישראלי, מחקר תרופות, מידע קליני ורפואה חישובית.
השאלה הרחבה אינה האם פלטפורמה אחת יכולה לחזות כל ניסוי. השאלה היא האם פיתוח תרופות יכול להפוך לחזוי יותר לפני שחברות חושפות מטופלים והון להחלטות שקשה לשנות.
מערכות AI מסוגלות לעבד יותר משתנים מכפי שצוות אנושי יכול לבחון אחד אחד. יש בכך פוטנציאל אמיתי. אבל הרפואה מלמדת שוב ושוב שגם תחזית מרשימה צריכה לעמוד במבחן המציאות.
לכן נכון לראות בסימולציה של ניסויים קליניים כלי נוסף בתוך המדע הקליני, לא קיצור דרך שעוקף אותו. אם הטכנולוגיה תתפתח לצד אימות אמין ומגבלות ברורות, היא עשויה לשנות את הדרך שבה מתכנני ניסויים ניגשים לחלק מההחלטות היקרות ביותר בתהליך.
העיקרון צריך להישאר פשוט: ככל שההחלטה חשובה יותר, כך נדרשות ראיות חזקות יותר כדי לסמוך על המודל שמסייע לקבל אותה.
