Fieldhouse, J. K., Ge, J., Randhawa, N., Wolking, D., Genovese, B. N., Mazet, J. A., & Desai, A. (2025). The intersection of artificial intelligence with qualitative or mixed methods for communicable disease research: a scoping review. Public Health, 248, 105961.
הקדמה
התפרצותן של מחלות מידבקות במאה ה־21 נובעת ממכלול גורמים סביבתיים, חברתיים וכלכליים, ובהם כריתת יערות, עיור, סכסוכים אזרחיים ושינויי אקלים. לנוכח האתגרים הללו, גוברת ההשקעה הגלובלית בטכנולוגיות חדשניות לניבוי, למניעה ולתגובה מהירה. אחת הבולטות שבהן היא הבינה המלאכותית, המאפשרת עיבוד כמויות עצומות של מידע רפואי, סביבתי וחברתי לצורך אבחון, הערכת סיכונים, ניבוי התפרצויות ותכנון מדיניות בריאות. לצד זאת, שיטות מחקר איכותניות ומשולבות ממשיכות להיות חיוניות להבנת ההקשרים האנושיים והחברתיים של תחלואה, התנהגות בריאותית והיענות למדיניות. החיבור בין הבינה המלאכותית לשיטות אלו נושא הבטחה רבה, אך הוא עדיין בראשית דרכו ודורש גיבוש עקרונות מתודולוגיים ואתיים ברורים.
שיטות
המחקר נערך כסקירה מקיפה (scoping review) בהתאם להנחיות PRISMA-ScR, ונועד למפות את היקף המחקרים ששילבו בין בינה מלאכותית או למידה חישובית לבין שיטות איכותניות או משולבות בחקר מחלות מידבקות. ההגדרה של בינה מלאכותית התבססה על יכולת מחשבים לבצע משימות הדורשות בינה אנושית, בעוד שהגדרת המחקר האיכותני התמקדה בחקר שיטתי של תופעות חברתיות ותרבותיות מתוך הבנה של ההקשר והחוויה האנושית. מחקרים שנכללו היו כאלה ששילבו בפועל בין שיטות אלה ועסקו במחלות מידבקות, ללא הגבלת שנה אך בשפה האנגלית בלבד.
החיפוש בוצע בארבעה מאגרי מידע מרכזיים: PubMed, Scopus, Web of Science ו־Embase. מונחי החיפוש כללו ביטויים הקשורים לבינה מלאכותית (כמו "Machine Learning", "Deep Learning", "Natural Language Processing") ולמחלות מידבקות ("infectious diseases", "outbreaks", "global health security"). לאחר הסרת כפילויות והערכת רלוונטיות על פי תקצירים ומתודות, 29 פרסומים מתוך 1342 עמדו בקריטריונים ונכללו בניתוח.
תוצאות
מתוך 29 המחקרים שנכללו, רובם הגדול (86%) פורסמו בשנים 2021 ואילך, דבר המשקף את ההתרחבות המהירה של תחום זה בעקבות מגפת הקורונה. עשרים ואחת מהעבודות עסקו ישירות בנתונים שנוצרו במהלך מגפת COVID-19, ושאר המחקרים התמקדו במחלות כמו HIV, אבעבועות הקוף, דנגי וזיקה. מרבית המחקרים ניתחו מידע שנוצר בזמן התפרצות, ובמחציתם לפחות נותחו נתונים ממספר מדינות או אזורים, לרוב בשל ניתוח תוכן של מדיה חברתית בקנה מידה עולמי.
שיטות איכותניות ומשולבות
כשני שלישים מהמחקרים התבססו על שיטות איכותניות בלבד, והיתר על שיטות משולבות. ניתוחים איכותניים עסקו בעיקר בניתוח טקסטואלי של פוסטים ברשתות חברתיות, בעיקר טוויטר ורדיט, באמצעות ניתוח תוכן ותמות. מחקרים אחרים התמקדו במסרים מאובטחים בין מטופלים לרופאים, נתוני שימוש באתרים אינטראקטיביים, שאלונים פתוחים, או סקירות ספרות שבהן יושמה בינה מלאכותית לסינון ולקידוד נתונים. מחקרים משולבים שילבו בין ניתוחים כמותיים לחישוביים ובין ניתוחים איכותניים להערכת חוויות, גישות או השפעות של כלים מבוססי בינה מלאכותית.
שיטות בינה מלאכותית ולמידת מכונה
המחקרים מיינו את שיטות הבינה המלאכותית לחמישה סוגים עיקריים: למידה מסורתית (כמו רגרסיה לוגיסטית, יערות החלטה), למידה מתגמלת (reinforcement learning) שבה האלגוריתם לומד באמצעות משוב, מודלים הסתברותיים ורשתות בייזיאניות, עיבוד שפה טבעית (NLP), ולמידה עמוקה לרבות שימוש במודלים גדולים לשפה (LLMs). טכניקות NLP שימשו לזיהוי נושאים, ניתוח סנטימנט, מיפוי ישויות לשוניות ולכידת הקשרים סמנטיים. למידה עמוקה אפשרה ניתוח מתקדם יותר של טקסטים ואודיו, כגון ניתוח שיעול לאבחון מחלות נשימה.
נקודות המפגש בין שיטות
שלוש קטגוריות מרכזיות של אינטגרציה הובחנו: שימוש משלים בין ניתוחים ידניים ובין ניתוחים ממוחשבים והצלבת התוצאות, מחקרים שבהם הניתוח התבסס בעיקר על כלים מבוססי AI, ומחקרים ביישום מדעי (implementation science) שבהם פותחו כלים מבוססי בינה מלאכותית שאומתו לאחר מכן באמצעים איכותניים. במחקרים רבים הודגש יתרונה של הבינה המלאכותית בעיבוד מהיר של כמויות נתונים גדולות, אך גם הודגש הצורך בבקרה אנושית כדי למנוע פרשנות שגויה או החמצת הקשר תרבותי ולשוני.
דיון
הסקירה מציגה את ההתרחבות המהירה של שילוב בינה מלאכותית במחקר על מחלות מידבקות ואת יכולתה של טכנולוגיה זו להרחיב את קנה המידה והעומק של מחקר איכותני. החוקרים מצביעים על כך שהשילוב בין שתי הגישות מאפשר בחינה בזמן אמת של עמדות הציבור, רגשות ותפיסות במהלך התפרצויות, ובכך תורם לגיבוש מדיניות בריאותית מדויקת יותר. עם זאת, רק חלק קטן מהמחקרים הגיעו לשילוב אמיתי בין שיטות, שבו יש דיאלוג הדדי בין ממצאי הניתוח האנושי לאלו הממוחשבים. שילוב אמיתי מתואר כתהליך מחזורי שבו שני סוגי הניתוחים מפרים זה את זה ומשתלבים בפרשנות משותפת, ולא כשני ניתוחים נפרדים.
הדיון מציין כי מודלים חדשים של בינה מלאכותית, ובפרט מודלים גנרטיביים, צפויים להעמיק את האינטגרציה הזו. דוגמה לכך היא שימוש במודלים מסוג GPT לאיסוף וניתוח בזמן אמת של נתוני מדיה חברתית לצורך ניטור מגפות. שימוש זה מאפשר זיהוי מוקדם של התפרצויות ימים לפני הדיווחים הרשמיים. בעתיד צפויה הבינה המלאכותית לשמש גם לפיתוח התערבויות מותאמות אישית ולחיזוי התפשטות מחלות על בסיס נתוני בריאות, מדיה ורקע סביבתי.
אחד הכיוונים המבטיחים שנידונו הוא שילוב בין בינה מלאכותית לשיטת Quality by Design בפיתוח חיסונים ותרופות. גישה זו מאפשרת לשלב הבנה מעמיקה של התנהגות וצרכים אנושיים עם מודלים חישוביים לניבוי סיכונים ביולוגיים. כך ניתן להאיץ את תהליך התכנון של פתרונות רפואיים למחלות מתפרצות. דוגמה נוספת היא פרויקט VISTA, שמטרתו לשלב הערכות מומחים איכותניות עם אלגוריתמים לאיסוף וניתוח נתוני סיכון מנגיפים, כדי לדרג איומים פוטנציאליים בזמן אמת ולכוון את פיתוח החיסונים.
חשיבות הפיקוח האנושי והאתיקה
אף על פי שהבינה המלאכותית מאיצה את קצב הניתוח ומפחיתה עומס על החוקרים, נדרשת תמיד בקרה אנושית כדי לשמר את המשמעות ההקשרית ואת הרגישות התרבותית של הנתונים. במחקר על אנטישמיות מקוונת בהונגריה, לדוגמה, נמצא כי אף שניתוח ממוחשב זיהה דפוסים בשיח, רק קידוד אנושי הצליח להבחין בניואנסים ובמטענים תרבותיים. כמו כן, החוקרים מזהירים מפני הטיות אלגוריתמיות, בעיות פרטיות והנחה שגויה כי נתונים ציבוריים במדיה חברתית ניתנים לשימוש חופשי למחקר. הם מדגישים את הצורך בשקיפות, בהסכמה מודעת ובאחריות אתית בשימוש במידע רגיש.
פערים גלובליים ואתגרי נגישות
רוב המחקרים שנסקרו נערכו במדינות בעלות הכנסה גבוהה, בעוד שמדינות מתפתחות, שבהן נטל המחלות המידבקות גבוה במיוחד, כמעט שאינן מיוצגות. הפער נובע ממחסור בתשתיות דיגיטליות, בגישה לנתונים ובמערכות רגולטוריות מתאימות. שילוב הוגן של בינה מלאכותית במחקר עולמי דורש העצמה מקומית, פיתוח נתונים בשפות ובתרבויות מגוונות והבטחת שליטה מקומית בנתונים.
מסקנות
שילוב הבינה המלאכותית עם שיטות מחקר איכותניות ומשולבות מרחיב את גבולות המחקר על מחלות מידבקות, מאפשר ניתוח רחב ומהיר של נתונים אנושיים ומדיה חברתית, ומקדם הבנה עמוקה של התנהגות הציבור בזמן משבר. עם זאת, יש לעצב מסגרות עבודה חדשות המבטיחות שימוש אתי, נגיש ושוויוני בכל הקשרים החברתיים והגאוגרפיים. הצלחת התחום תלויה בהכשרת חוקרים לשימוש אחראי בכלים אלו ובהבנת מגבלותיהם.
המשך הפיתוח של כלים מבוססי בינה מלאכותית חייב לכלול מנגנונים של בקרה אנושית, הגנה על פרטיות, שקיפות והפחתת הטיות תרבותיות ולשוניות. שילוב כזה יאפשר מחקר מהיר, מקיף ורגיש תרבותית, שיתרום לא רק להבנת מחלות מידבקות אלא גם לשיפור ההיערכות, המניעה והתגובה למגפות עתידיות.
