בבלוג הרשמי של Google Research (מחקר גוגל) פורסמו ב-22 ביולי 2026 ממצאיו של מחקר ראשון מסוגו שנערך על ידי ג'וזף ברדה (Joseph Breda), חוקר סטודנט, וג'ייק סאנשיין (Jake Sunshine), מדען מחקר סגל בכיר בגוגל מחקר. המחקר, שנקרא "SymptomAI: Towards a conversational AI agent for everyday symptom assessment", מציג את SymptomAI – מערך ניסיוני של סוכני בינה מלאכותית שיחתיים המבוססים על מודל Gemini Flash 2.0, שנועדו לבצע ראיונות סימפטומים מקצה לקצה והערכת אבחנה מבדלת (DDx) לצורכי השוואת ביצועים מחקרית. המחקר בוצע בקנה מידה לאומי בארצות הברית והקיף 13,917 משתתפים שנתנו את הסכמתם. החוקרים מדגישים כבר בפתח הדברים כי כל האבחנות, התוויות והקשרים הרפואיים שהופקו במהלך המחקר נועדו לצורכי ניתוח מחקרי בלבד, ואינם מהווים אבחנות קליניות מאושרות או הערכות רפואיות רשמיות.
פער הנתונים והצורך בסוכני שיחה בעולם האמיתי
על פי המאמר של Google Research, חלק גדול מהאבחנות הקליניות מבוסס על ראיונות מילוליים בלבד. ראיונות אבחוניים אלה נערכים בדרך כלל על ידי קלינאים במסגרת אינטראקציות בין רופא למטופל, במפגשים פרונטליים או מרחוק. למרות שאינטראקציות אלו נחשבות לתקן הזהב להערכת סימפטומים, הן סובלות לעיתים קרובות מחסמים פיננסיים, גיאוגרפיים ומערכתיים המגבילים את נגישותן. מודלי שפה (LMs) נוכחיים הציגו יכולות חזקות בהערכת אבחנה מבדלת כאשר נבחנו על מקרי בוחן רפואיים אוצרים ומוגדרים, דבר המדגיש את הפוטנציאל שלהם לתמוך בתהליך האבחון.
עם זאת, ההערכות הקיימות התבססו במידה רבה על תיאורי מקרה (patient vignettes) מפורטים מאוד, מוגדרים ולעיתים סינתטיים, שאינם משקפים בהכרח את המורכבות והשונות של המציאות היומיומית ואת השונות בהצגה הקלינית. הערכות אלו אינן לוכדות את האופן שבו מטופלים יומיומיים מדווחים על תסמיניהם, הכולל רמות משתנות של אוריינות רפואית, מידע חסר ומורכבויות אחרות המתרחשות באופן טבעי בשיחה. פער משמעותי זה מוביל לחוסר ודאות לגבי ביצועי מודלי השפה בהקשרים אמיתיים. כדי לפתור פער זה, החוקרים ביצעו מחקר השוואתי בתנאי שטח (in-situ) באמצעות סוכני SymptomAI הניסיוניים.
מתודולוגיית המחקר: חמישה סוכנים ו-13,917 משתתפים
המחקר גייס 13,917 משתתפים שנתנו את הסכמתם ותיארו את הסימפטומים שלהם בפני אחד מחמישה סוכני SymptomAI אקראיים, אשר נבדלו במידת הגמישות של ניהול הראיון. במהלך השיחות, המשתתפים תיארו את תסמיניהם וסוכני ה-AI שאלו שאלות המשך, כאשר השיחות הגיעו לשיאן בהפקת רשימת אבחנה מבדלת סופית (DDx - רשימה של אבחנות אפשריות) והמלצות לשלבים הבאים.
לאחר המפגש, המשתתפים יכלו לפנות לספק שירותי בריאות אמיתי. שבועיים לאחר האינטראקציה עם הסוכן, התבקשו המשתתפים לדווח על כל אבחנה שקיבלו מהרופא המטפל באמצעות סקר. כדי להעריך ולקבוע קו בסיס (baseline) לביצועי SymptomAI, החוקרים ביצעו מחקר הערכה קליני שבו פאנל של שלושה רופאים מוסמכים (board-certified) בחן את תמלילי השיחות וסיפק הערכה עצמאית (אבחנה מבדלת משלהם). לאחר מכן, באופן סמי-סמוי (blinded), דירג כל רופא את רשימות האבחנה המבדלת שסופקו על ידי SymptomAI ועל ידי הרופאים האחרים בקבוצה.
ממצאים מרכזיים: העדפת מומחים קליניים ודיוק האבחנות
התוצאות המרכזיות של המחקר הצביעו על העדפה ברורה של המומחים הקליניים לאבחנות של SymptomAI. הרופאים העדיפו את האבחנות המבדלות שהופקו על ידי הסוכן על פני אלו שסופקו על ידי עמיתיהם הרופאים בלמעלה מ-50% מהמקרים. נתון זה מעיד כי האבחנות המבדלות של SymptomAI התיישרו עם ההערכות הרפואיות של הרופאים באותה תדירות או בתדירות גבוהה יותר מאשר אלו של רופאים אחרים. כמו כן, האבחנות של SymptomAI דורגו בסבירות הגבוהה ביותר כאבחנות הטובות ביותר באיכותן הכללית על ידי המעריכים הקליניים.
בנוסף, החוקרים השוו את דיוק האבחנות באמצעות מדד "דיוק חמש האפשרויות המובילות" (top-5 Accuracy) – כלומר, האם האבחנה האמיתית שדיווח המטופל לאחר ביקורו אצל הרופא האישי שלו הופיעה כאחת מחמש האפשרויות ברשימת ה-DDx. הרופאים בדקו באופן סמי-סמוי את הרשימות וקבעו האם האבחנה האמיתית נכללה בהן (כולל הרשימות של SymptomAI והרשימות של הרופאים האחרים). הממצאים הראו כי הרופאים דירגו את האבחנות המבדלות של SymptomAI כמדויקות יותר לעיתים קרובות יותר בהשוואה לאלו של הרופאים האחרים, והן הכילו בסבירות גבוהה יותר את האבחנה המדווחת מהעולם האמיתי.
השפעת אסטרטגיות ההנחיה וחילוץ המידע
המחקר בדק חמש זרועות מחקר שונות (study arms) עם אסטרטגיות הנחיה (prompting) שונות לחילוץ ההיסטוריה הרפואית מהמשתתפים:
- דינמי חי (Dynamic Live): סוכן בעל חופש פעולה מלא לשאול שאלות המשך ללא הגבלה.
- דינמי סופי (Dynamic Final): סוכן נוסף בעל חופש פעולה מלא לשאלות המשך ללא הגבלה.
- קנוני קבוע (Fixed Canonical): סוכן השואל שאלות מתוך ערכה קבועה וסטנדרטית של שאלות לקיחת אנמנזה הנלמדות בבתי ספר לרפואה.
- קנוני גמיש (Flexible Canonical): סוכן המשתמש באותן שאלות סטנדרטיות אך בגמישות רבה יותר.
- בסיס (Base): מודל שפה בסיסי ללא הנחיה מובנית, המייצג את חוויית המשתמש הנוכחית בעת שימוש בצ'אטבוטים רגילים של מודלי שפה.
החוקרים מצאו כי כל אסטרטגיות ההנחיה המונחות על ידי הסוכן (שבהן SymptomAI שאל באופן פעיל שאלות המשך) השיגו ביצועים טובים משמעותית בהשוואה לתנאי הבסיס (Base). ממצא זה מדגיש את החשיבות הקריטית של חילוץ מידע אקטיבי מהמשתתפים לצורך שיפור דיוק האבחנה המבדלת. בנוסף, נמצא כי היתרון הטיפולי והביצועי של SymptomAI מעל קווי הבסיס הקליניים היה הגדול ביותר במקרים שבהם הרופאים עצמם חשו הכי פחות בטוחים באבחנה המבדלת שלהם.
שילוב אותות פיזיולוגיים ממכשירי פיטביט (Fitbit)
מעבר להערכת הדיוק מול הרופאים, החוקרים בחנו את הפוטנציאל של SymptomAI בקנה מידה רחב. כיום, העלות הגבוהה של תוויות קליניות מאושרות מונעת ניתוח נתונים פיזיולוגיים ברמת האוכלוסייה. מערכות כמו SymptomAI יכולות לאפשר תיוג אוטומטי באיכות קלינית, ובכך לפתוח פתח לניתוח נתונים פיזיולוגיים בקנה מידה רחב ביותר – משימה שהיא בלתי אפשרית כיום בקנה מידה כזה.
דוגמה אחת לכך היא מציאת מתאם בין אותות ביומטריים ממכשירים לבישים לבין קטגוריות שונות של מחלות. השינויים הבולטים ביותר באותות הביומטריים נצפו עבור זיהומים חריפים בדרכי הנשימה. כדי לחקור זאת ברמת האוכלוסייה, החוקרים אספו נתונים ביומטריים יומיים ממשתתפים שהסכימו לכך במשך עד 30 ימים לפני שיחתם עם SymptomAI. החוקרים זיהו שינויים ברורים באותות הביומטריים המצביעים על תחילת הסימפטומים בימים שקדמו לדיווח של המשתמש.
ההפרדה בין קבוצות המשתתפים (קבוצת הנדבקים לעומת קבוצת הבסיס) התבססה על סיווג האבחנה המובילה של SymptomAI (top-1) וקיבוץ האבחנות שהוגדרו כדלקות בדרכי הנשימה. קבוצה זו החריגה מחלות נשימתיות לא זיהומיות כמו נזלת אלרגית או מחלת ריאות חסימתית כרונית (COPD). הניתוח הראה שינויים מובהקים במדדים פיזיולוגיים – כולל תפקוד לב וכלי דם, נשימה, טמפרטורת העור ואיכות השינה – בימים שקדמו לשיחה של המשתמש עם SymptomAI. השינויים הביומטריים הללו הגיעו לשיא במועד הדיווח על הסימפטומים, מה שמספק עדות פיזיולוגית תצפיתית התומכת בתסמינים המדווחים ומציע דרך לאמת דיווחים עצמיים או לספק נתונים פסיביים לתמיכה באבחנה.
בנוסף, זמינות זו בזמן אמת מדגישה את היתרון המרכזי של בודקי סימפטומים מבוססי בינה מלאכותית. בניגוד לתורים קליניים מסורתיים שעלולים לסבול מעיכובי תזמון, המשתתפים יכלו להשתתף במחקר של SymptomAI בו-זמנית בזמן שהסימפטומים שלהם עדיין טריים, דבר שיכול שיפר את דיוק לוחות הזמנים המדווחים של תחילת הסימפטומים – פרט מכריע לניתוח בריאותי בקנה מידה של אוכלוסייה.
מגבלות המחקר ומבט לעתיד
על אף ההישגים, החוקרים מפרטים מספר מגבלות למחקר זה:
ראשית, אבחנה מבדלת היא משימה מעורפלת מיסודה, ואבחנות מדווחות עשויות להשתנות ולהתפתח לאורך זמן. הערכת סימפטומים מהווה צילום מצב של רגע נתון הלוכד את התסמינים כפי שהם מוצגים באותו רגע. בשל היקף הפריסה של המחקר, לא הייתה אפשרות לשלוט בתדירות ובעיתוי הדיווח על התסמינים. חלק מהמשתתפים דיווחו על תסמיניהם בשלב מוקדם מאוד לפני שהתפתחו מדדים מייצגים, בעוד שאחרים דיווחו על מדדים ברורים מתוך היכרות ארוכת שנים עם מחלה כרונית. מחקרי עתיד עשויים להתמקד במחלות ספציפיות בנקודות זמן מוגדרות של התפתחות הסימפטומים, כגון שלבים מוקדמים של תסמונת מטבולית או תחילת זיהומים בדרכי הנשימה. בנוסף, כל האבחנות, התוויות והקשרים הרפואיים שהופקו במהלך המחקר נועדו לצורכי ניתוח מחקרי בלבד, ואינם מהווים אבחנות קליניות מאושרות או הערכות רפואיות רשמיות.
שנית, במסגרת ההערכה, הרופאים המבקרים קראו תמלילי צ'אט סטטיים ולא ניתנה להם האפשרות לשאול שאלות המשך משלהם. רופאים היו עשויים לחלץ מידע שונה באופן אינטואיטיבי אילו ניהלו בעצמם את הראיון. בנוסף, מערכות בינה מלאכותית שיחתיות עשויות להחמיץ אותות חלופיים כמו שפת גוף, הערכה חזותית, רשומות רפואיות, או את מערכת היחסים והאמון הקיימת ברפואת המשפחה.
לסיכום, המחקר מציג את SymptomAI כסוכן בינה מלאכותית שיחתי ניסיוני לביצוע ראיונות מטופלים והערכת סימפטומים בעולם האמיתי. המחקר מדגים את ביצועי המערכת מקצה לקצה על מדגם אוכלוסייה רחב, ומציג כיצד אבחנות מבוססות בינה מלאכותית יכולות לאפשר ניתוח של אותות רחבי היקף כמו נתונים ביומטריים ממכשירים לבישים לצורך זיהוי קשרים פיזיולוגיים עם מחלות מדווחות.