כיצד סרטונים ביתיים קצרים של הילד עשויים לחולל מהפכה באבחון מוקדם של אוטיזם? נראה שהעתיד ממש מעבר לפינה.
עבור הורים רבים, החשש שמא ילדם נמצא על הקשת האוטיסטית הוא תחילתו של מסע ארוך, מפרך ומורט עצבים, המכונה לא פעם האודיסיאה האבחונית.
מרגע שעולה הדאגה הראשונית ועד לקבלת אבחנה רשמית, חולפים לעיתים קרובות חודשים ארוכים מאד.
תקופת ההמתנה הזו, המלאה בחוסר ודאות, מתנגשת חזיתית עם הידיעה המדעית הברורה: התערבות טיפולית מוקדמת, עוד לפני גיל שנתיים, היא המפתח לשיפור משמעותי בתוצאות ההתפתחותיות והחברתיות של הילד.
הפער הזה, בין הצורך הדחוף באבחון לבין המציאות העמוסה של מערכת הבריאות שלנו, הוא אחד האתגרים הגדולים ביותר בעולם בריאות הנפש של הילד ואגב, לא רק בישראל.
מחקר פורץ דרך שפורסם בחודש אוקטובר 2025 בכתב העת היוקרתי npj Digital Medicine, מציג פתרון חדשני שעשוי לשנות את כללי המשחק: מערכת מבוססת בינה מלאכותית (AI) שמסוגלת לזהות סימנים לאוטיזם באמצעות ניתוח אוטומטי של סרטונים ביתיים קצרים, שאורכם פחות מדקה.
המחקר, שנערך בקוריאה הדרומית על קבוצה גדולה של מאות ילדים, מדגים כיצד הטכנולוגיה, כשהיא מיושמת נכון, יכולה להפוך את הסלון הביתי לזירת אבחון ראשונית, להנגיש את תהליך הסינון, ולקצר באופן דרמטי את הדרך לקבלת עזרה.
הבעיה: צוואר הבקבוק של האבחון המסורתי
כדי להבין את גודל הבשורה, יש להכיר את מגבלות השיטה הקיימת לצורך אבחון אוטיזם, בישראל וברוב מדינות העולם המערבי.
כיום ומזה שנים רבות, אבחון אוטיזם מתבסס בעיקר על כלים הנחשבים לתקן הזהב, כמו מבחן ADOS והריאיון הקליני ADI-R.
כלים אלו דורשים אנשי מקצוע מיומנים ומנוסים, אורכים שעות רבות, והם יקרים וקשים להשגה.
התוצאה היא רשימת המתנה בלתי נתפסת, תורים ארוכים במכונים להתפתחות הילד, שיכולים להימשך שנה וחצי ויותר!
יתרה מכך, האבחון מתבצע לרוב בסביבה קלינית זרה ולא מוכרת, שעלולה לעורר בילד התנהגויות שאינן אופייניות לו בחיי היומיום.
מחקרים הראו כי פעוטות על הקשת האוטיסטית, למשל, מציגים יותר התנהגויות חזרתיות בסביבה קלינית מאשר בביתם.
בצד השני של הסקאלה, קיימים שאלוני סינון המבוססים על דיווח הורים, כמו ה-M-CHAT.
כלים אלו נגישים יותר, אך סובלים מרמת דיוק מוגבלת, ומושפעים מהזיכרון ומהפרשנות הסובייקטיבית של ההורה. נוצר מצב אבסורדי: הכלים המדויקים אינם זמינים, והכלים הזמינים אינם מדויקים מספיק.
המחקר החדש מציע דרך שלישית, המשלבת את האובייקטיביות של הטכנולוגיה עם האותנטיות של הסביבה הביתית.
סרטונים, שלוש משימות וניתוח אחד מתוחכם
ליבת המחקר טמונה בפשטות גאונית. החוקרים פיתחו פרוטוקול סטנדרטי להורים, המנחה אותם כיצד לצלם בבית שלושה סרטונים קצרים, כל אחד באורך של פחות מדקה, המתמקדים באינטראקציות חברתיות בסיסיות.
המשימות שנבחרו אינן מקריות. הן נועדו לעורר באופן טבעי התנהגויות שנמצאו כמבחינות בין ילדים עם התפתחות טיפוסית לילדים על הקשת האוטיסטית.
משימת קריאה בשם (Name-response): ההורה קורא בשמו של הילד מחוץ לשדה הראייה שלו. המטרה הנה לבחון התמצאות חברתית. האם הילד מפנה את ראשו ומחפש את מקור הקול?
משימת חיקוי (Imitation): ההורה מדגים תנועות מוטוריות פשוטות, כמו הרמת ידיים או מחיאת כפיים ומעודד את הילד לחקות אותו. המטרה הנה להעריך כישורי חיקוי ותשומת לב משותפת.
משימת משחק בכדור (Ball-playing): ההורה מגלגל כדור לעבר הילד. המטרה הנה לבדוק הדדיות חברתית ויכולת להשתתף במשחק לפי תורות.
הסרטונים הללו, שנאספו מ-510 ילדים (253 עם אבחנה של אוטיזם ו-257 עם התפתחות טיפוסית), הוזנו למערכת בינה מלאכותית אוטומטית לחלוטין.
כאן מתרחש הקסם הטכנולוגי.
כיצד הבינה המלאכותית רואה את ההתנהגות?
בניגוד לאדם הצופה בסרטון, המערכת אינה מבינה את הסיטואציה. במקום זאת, היא מפרקת אותה למאות נקודות מידע אובייקטיביות.
באמצעות מודלים של למידה עמוקה, המערכת מבצעת מספר פעולות במקביל:
- זיהוי תנועה (Pose Estimation): היא מזהה 17 נקודות מפתח בגופו של הילד (מפרקים, עיניים, אף) ועוקבת אחר תנועתן בכל רגע נתון.
- זיהוי דיבור (Speech-to-Text): המערכת מתמללת את השמע בסרטון ומזהה מתי ההורה קורא בשם הילד ומתי הילד מגיב קולית.
- זיהוי אובייקטים: במשחק הכדור, המערכת מזהה את מיקום הכדור ומשייכת את הבעלות עליו לילד או להורה.
מתוך הנתונים הגולמיים הללו, האלגוריתם מחלץ מדדים התנהגותיים בעלי משמעות קלינית.
למשל, במשימת הקריאה בשם, המערכת מודדת את זמן התגובה, משמע כמה שניות חלפו מהרגע שההורה קרא בשם ועד שהילד הפנה את ראשו.
במשחק בכדור ובמשימת החיקוי, היא מודדת את משך הזמן המצטבר שבו הילד אינו יוצר קשר עין עם ההורה.
מדדים נוספים כוללים את מספר הניסיונות של ההורה עד לקבלת תגובה, משך הזמן שהילד מבלה בתנועתיות שאינה קשורה למשימה ואף את משך המגע הפיזי שההורה יוזם כדי להחזיר את הילד למשימה.
תוצאות מבטיחות: צעד מהותי לקראת סינון המוני
לאחר אימון המודל על אלפי נתונים, החוקרים בחנו את ביצועיו, והתוצאות היו מרשימות מאד.
המודל המשולב, ששקלל את המידע משלושת סוגי הסרטונים, הצליח להבחין בין ילדים אוטיסטים לילדים עם התפתחות טיפוסית בדיוק של 75% (וברמת AUROC של 0.83).
חשוב להדגיש: לא מדובר בכלי אבחון סופי, אלא בכלי סינון ראשוני רב עוצמה. מטרתו אינה להחליף את הרופא, אלא לתת לו כלי עזר שיסייע למיין ולקבוע סדרי עדיפויות.
ילד שמזוהה על ידי המערכת כבעל סיכון גבוה לאוטיזם, יוכל לקבל תור דחוף יותר לאבחון מקיף, בעוד שילד בסיכון נמוך יוכל להמשיך בהליך מעקב שגרתי ולא דחוף.
הניתוח הראה כי המאפיינים שה-AI זיהה כחשובים ביותר תאמו את הידע הקליני הקיים.
למשל, זמן תגובה ארוך יותר לקריאה בשם, פחות קשר עין ועיכוב בחיקוי היו כולם מנבאים חזקים לאבחנה של אוטיזם.
המשמעות היא שהמערכת אינה קופסה שחורה, אלא כלי שמסוגל לכמת באופן אובייקטיבי את אותן התנהגויות שקלינאים מחפשים.
יתרון נוסף הוא המהירות והנגישות: ניתוח סרטון אורך כ-14 שניות בלבד, והמערכת מבוססת על מודלים של קוד פתוח, מה שמאפשר יישום נרחב וזול.
מבט לעתיד והדרך שלפנינו
כמו כל מחקר חלוצי, גם לעבודה זו יש מגבלות. המדגם כלל ילדים דרום קוריאנים בלבד, עם ייצוג יתר לבנים, ולכן חשוב לבחון את יעילות המודל באוכלוסיות מגוונות יותר.
כמו כן, המערכת התקשתה לזהות מקרים קלים או גבוליים של אוטיזם והצטיינה יותר בזיהוי מקרים ברורים.
עם זאת, אי אפשר להפחית בחשיבות הכיוון שהמחקר מתווה. אנו עומדים בפתחו של עידן חדש, שבו כלים מבוססי בינה מלאכותית יכולים לגשר על פערים קריטיים במערכת הבריאות.
טכנולוגיה כזו יכולה להעצים הורים, לצמצם את חוסר הוודאות, ולהבטיח שיותר ילדים יקבלו את ההזדמנות להתערבות מוקדמת ומשנת חיים.
זהו אינו סיפור על החלפת רופאים ברובוטים, אלא על מתן כלי-על בידיהם של אנשי המקצוע, שיאפשר להם לעשות את עבודתם טוב יותר ומהר יותר.
המצלמה בסלון לא תחליף את חדר האבחון, אך היא בהחלט עשויה להפוך את הדלת אליו להרבה יותר נגישה עבור הילדים שלנו.
קריאה נוספת: אבחון אוטיזם באמצעות בינה מלאכותית באמצעות AutMedAi