בעידן הרפואה המותאמת אישית, שבו כל החלטת טיפול יכולה להיות קריטית, חוקרים מציגים את LIBRA – אלגוריתם חדשני שמשלב מודלי שפה גדולים (LLM) עם למידת רצועות הקשריות להתאמות תיקון אלגוריתמיות. המסגרת מאפשרת קבלת החלטות רציפות בסביבות בעלות סיכון גבוה, כמו ניהול לחץ דם. האלגוריתם פותר את 'בעיית רצועת ההתאמה', שבה צריך לבחור פעולת טיפול לצד שינוי מינימלי בתכונות חולות ניתנות לשינוי. זהו צעד משמעותי לקראת שיתוף פעולה אמין בין AI לבני אדם.
החוקרים מציגים תחילה את אלגוריתם GLRB (Generalized Linear Recourse Bandit), שמתמודד ישירות עם בעיית רצועת ההתאמה. על בסיס זה בנו את LIBRA, שמשלב ידע תחומי מ-LLM עם עוצמת הלמידה הסטטיסטית של רצועות. LIBRA מציע שלוש הבטחות מרכזיות: (א) התחלה חמה – הפחתת חרטת ראשונית משמעותית אם המלצות ה-LLM קרובות לאופטימליות; (ב) התייעצות מוגבלת – האלגוריתם פונה ל-LLM רק O(log² T) פעמים, כאשר T הוא אופק הזמן, ומבטיח עצמאות ארוכת טווח; (ג) עמידות – ביצועים לא גרועים יותר מאלגוריתם רצועות טהור גם אם ה-LLM אינו אמין.
בנוסף, החוקרים מוכיחים גבולות תחתונים תואמים, שמאפיינים את הקושי הפונדמנטלי של הבעיה ומעידים על אופטימליות כמעט מושלמת של האלגוריתמים. ניסויים בסביבות סינתטיות ובמקרה בוחן אמיתי של ניהול יתר לחץ דם הוכיחו כי GLRB ו-LIBRA משפרים חרטה, איכות טיפול ויעילות מדגם בהשוואה לרצועות הקשריות סטנדרטיות ולבנצ'מרקים מבוססי LLM בלבד.
המשמעות של LIBRA היא שילוב חכם של כוח החישוב של מודלי שפה עם למידה אדפטיבית, מה שמאפשר החלטות טובות יותר בסביבות רפואיות מורכבות. בהשוואה לחלופות, האלגוריתם מציע איזון בין מהירות לדיוק, ומפחית תלות ב-LLM יקרים. בישראל, שבה רפואה דיגיטלית מתקדמת, זה יכול לשפר מערכות AI בבתי חולים כמו שיבא או הדסה.
למנהלי עסקים בתחום הבריאות והטכנולוגיה, LIBRA מדגים כיצד לשלב AI מתקדם בפלטפורמות החלטה. העתיד מבטיח שיתופי פעולה כאלה יגבירו אמון במערכות אוטונומיות. מה תהיה ההשפעה על תעשיית הרפואה המותאמת?