בינה מלאכותית בתחום הבריאות מתקדמת במהירות, אך ניהול נתונים מתקשה לעמוד בקצב

By קייט או'פלאהרטי • 19 במאי 2026 • 6 דקות קריאה

כיצד ארגוני בריאות יכולים לפתור פערים באמון ובניהול נתונים כדי לממש את מלוא היתרונות של בינה מלאכותית?

מאת קייט או'פלאהרטי

מגזר הבריאות חדשני באמצעות בינה מלאכותית, עם פוטנציאל עצום לטכנולוגיה בתחומים הכוללים אבחון, מיון וניהול.

בבריטניה, שירות הבריאות הלאומי (NHS) כבר אימוץ בינה מלאכותית מעבר למשימות בסיסיות. שירות הבריאות הלאומי של אנגליה החל פיילוטים לבדיקות סקר לסרטן ריאות מבוססות בינה מלאכותית, שבו הטכנולוגיה יכולה לזהות בעיות קטנות יותר ממה שהעין האנושית יכולה לראות.

בינתיים, מנהל המזון והתרופות האמריקאי (FDA) מורשה מעל 1,000 מכשירים המשלבים בינה מלאכותית, שרובם משמשים ברדיולוגיה.

בשנתיים האחרונות, מנהיגי שירותי הבריאות עברו מהשאלה האם בינה מלאכותית רלוונטית להתמקדות באופן שבו ניתן להשתמש בה באחריות ובקנה מידה גדול, על פי מחקר שנערך לאחרונה. מקינזי מדווח.

הנתונים מראים כי מחצית מארגוני הבריאות בארה"ב כבר יישמו בינה מלאכותית גנרטיבית, בעוד שיותר מ-80% פרסו את מקרי השימוש הראשונים שלהם למשתמשי קצה. השלב הבא, על פי מקינזי, הוא לראות ארגונים עוברים משימוש בבינה מלאכותית גנרטיבית ליצירת תוכן ותמיכה במשימות בודדות לכיוון... AI סוכן לנקוט פעולה ולתאם תהליכים מורכבים יותר.

עם זאת, חסמים משמעותיים מעכבים חדשנות בתחום הבינה המלאכותית בתחום הבריאות, כולל סיכוני אבטחה ובעיות תאימות הנובעות מכמויות עצומות של נתונים רגישים הנדרשים להכשרת מערכות. כיצד יכולים ארגוני בריאות לפתור פערים באמון ובניהול נתונים כדי לממש את מלוא היתרונות של בינה מלאכותית?

נתונים רגישים ביותר

נתוני שירותי בריאות הם בין הרגישים ורב-הפנים ביותר בכל מגזר, ומשלבים רשומות רפואיות, נתוני זהות אישיים ומידע פיננסי מספקים ומערכות מרובים.

"מידע של מטופל יכול להיות מאוחסן בבתי חולים, מרפאות רופאי משפחה, מומחים, מעבדות, בתי מרקחת, חברות ביטוח ופלטפורמות טכנולוגיה - לעתים קרובות בפורמטים לא תואמים ללא רשומה מאוחדת המקשרת ביניהם", מסביר קרייג גרבינה, מנהל הטכנולוגיה הראשי של Semarchy.

התוצאה היא שאף מערכת אחת אינה מחזיקה תמונה מלאה של המטופל. "בניית התמונה הזו - ה תיק מטופל אורכי "— זה מה שנדרש כדי שבינה מלאכותית תפעל בצורה בטוחה ויעילה במסגרת קלינית", אומר גרווינה. IO"בלעדיה, בינה מלאכותית פועלת מתוך תמונה לא שלמה ולא אמינה. בתחום הבריאות, זה חורג מבעיית נתונים והופך לבעיית בטיחות המטופל."

ככל שבינה מלאכותית מוטמעת בתהליכי עבודה קליניים, ארגונים מתמודדים עם לחץ גובר לענות על שאלות יסוד: מהיכן הגיעו הנתונים הללו, האם הם אומתו, מי יכול לגשת אליהם, והאם ניתן לבצע ביקורת על החלטות בסיוע בינה מלאכותית? "כאשר מערכות מתחילות להשפיע על החלטות קליניות בקנה מידה גדול, יסודות נתונים חלשים חושפים פערים משמעותיים באמון ובאחריותיות", אומר גרבינה.

הכנסת טכנולוגיית בינה מלאכותית יוצרת בעיות בשלושה תחומים: אחריות, הסבר והסכמה, אומר מייק מקולי, מנכ"ל לייפריי. "אף אחד לא יודע את מי להאשים כאשר בינה מלאכותית נותנת ייעוץ רפואי. אם מערכת נותנת המלצה, החוק לא יכול לומר מי אחראי לתוצאה."

מודלים רבים של בינה מלאכותית הם למעשה "קופסאות שחורות" שאינן מסבירות כיצד הן מגיעות למסקנה, לדברי מקולי. זה יוצר בעיה משפטית תחת החוק של בריטניה ומרגולצית הנתונים הכללית (GDPR), משום שלמטופלים יש זכות לדעת מדוע מחשב קיבל החלטה ספציפית בנוגע לבריאותם, אומר מקולי.

בינתיים, חברות מאמנות את הבינה המלאכותית שלהן באמצעות נתונים שאספו למטרה מסוימת אחת, אך לעתים קרובות משתמשים בה גם מסיבות אחרות. "משמעות הדבר היא שהן אינן יכולות להוכיח שיש להן את הזכות החוקית להשתמש בנתונים המקוריים שלימדו את המערכת", אומר מקולי. IO.

הבעיה הנסתרת

ככל שבינה מלאכותית נכנסת לתחום הבריאות, סיכון שלעתים קרובות מתעלמים ממנו הוא מה שקורה כאשר נתונים עוברים דרך שרשרת מורכבת של צדדים שלישיים כמו פלטפורמות מדור קודם ושותפים חיצוניים.

"האחריות מדוללת בכל מסירה", לפי גרווינה מסמרצ'י. "לא תמיד ברור למי שייכים הנתונים בכל שלב, מי אחראי לאיכותם, או מי אחראי כשמשהו משתבש. כאשר לאף צד אין תמונה מלאה ומקיפה של מחזור חיי הנתונים, הממשל קורס."

בנוסף למורכבות, מסגרות ניהול שירותי בריאות מסורתיות תוכננו עבור מערכות סטטיות עם זרימת נתונים יציבה יחסית וכללים קבועים. לדוגמה, Cyber Essentials ו- ניהול מידע של שירות הבריאות הלאומי (NHS), עובדים רק עבור מערכות נוקשות. "בינה מלאכותית שוברת את הכללים האלה כי היא מתפתחת כל הזמן", אומר מקאולי מלייפריי.

במקביל, תקן הערכת השפעה על הגנת מידע כפי שמתואר בתקנת ה-GDPR, בינה מלאכותית בוחנת מערכת רק פעם אחת. עם זאת, בינה מלאכותית שלומדת תוך כדי למידה יכולה לשנות את התנהגותה מבלי שאף אחד יבדוק אם היא עדיין בטוחה או חוקית, לדברי מקולי.

צווארי בקבוק של חדשנות

חוסר אמון בממשל פוגע בהתקדמות הבינה המלאכותית בתחום הבריאות על ידי הגדלת הסיכון לצווארי בקבוק של חדשנות. כאשר ארגונים חסרי אמון בבסיס הנתונים שלהם, אימוץ הבינה המלאכותית נתקע.

"מנהיגים יהססו לפרוס בינה מלאכותית במסגרות קליניות אם לא יוכלו להבטיח את איכות הנתונים ואת שושלתם, או להוכיח יכולת ביקורת לרגולטורים", אומר גרבינה מסמרצ'י. "האירוניה היא שתשתית הממשל הנדרשת להרחבת בינה מלאכותית בצורה בטוחה היא אותה תשתית שמספקת את תצוגת נתוני המטופלים האורכית שהופכת את הבינה המלאכותית ליעילה יותר מלכתחילה."

"ממשל תקין הוא הגורם המאפשר בינה מלאכותית יעילה בתחום הבריאות", הוא מסביר. "חשוב לציין שחשיפת נתונים לבינה מלאכותית אינה חייבת להוביל לאובדן ערך הממשל שנבנה סביבם - שושלת נתונים, בקרות גישה ואיכות נתונים צריכים לנוע יחד עם הנתונים, ולא להישאר מאחור כשהם נכנסים לצינור בינה מלאכותית."

תקנים בינלאומיים

שני תקנים בינלאומיים מספקים את המסגרת לניהול בינה מלאכותית. ISO 27001 מספק את הבסיס לאבטחת מידע חזקה וממשל, ומסייע ביצירת גישות מובנות לניהול סיכונים, בקרת גישה, תגובה לאירועים, ניהול נכסים ואחריות. זה עוזר לבנות "ממשל בר הגנה יותר", אומר גרבינה.

ISO 42001 בונה על כך על ידי הצגת ממשל שתוכנן במיוחד עבור מערכות בינה מלאכותית. הוא מתמקד בפיקוח, ניהול סיכונים ספציפי לבינה מלאכותית, שקיפות ופיתוח ושימוש אחראיים בבינה מלאכותית.

יחד, סטנדרטים אלה מאפשרים לארגוני שירותי בריאות "לעבור מעבר לאימוץ אד-הוק של בינה מלאכותית לעבר מודל ממשל מובנה יותר", מסביר גרבינה.

ברור שבינה מלאכותית מציעה פוטנציאל עצום בתחום הבריאות, אם ניתן יהיה להתאים את מבני הממשל לעידן החדש והחדשני הזה.

אמון המטופלים צריך להיות הבסיס לכל דבר, לדברי מומחים. לוהיד טרייר, פרופסור חבר להתנהגות ארגונית בבית הספר לעסקים של אירוח EHL, תומך בהתייחסות לבינה מלאכותית כשירות מפורש למטופל. "צריך להיות ניתן למעקב, להסביר אותה וניתן לסרב לה - ולא כפונקציה בלתי נראית של המשרד האחורי."

נקודת המוצא חייבת להיות הנתונים עצמם. מנהיגים צריכים להבין האם לארגון שלהם יש את היסודות לבניית "תפיסה אחידה וארוכת טווח של נתוני מטופלים בכל המערכות והספקים", אומר גרבינה מסמרצ'י. "בלעדיו, ניהול בינה מלאכותית בנוי על חול".

הוא ממליץ למפות היכן שכבר נעשה שימוש בבינה מלאכותית, לזהות זרימות נתונים קריטיות ותלות עם צד שלישי, להבהיר את הבעלות והאחריות, ולחזק את בקרות הגישה, נתיבי הביקורת ואיכות הנתונים מקצה לקצה. "יש ליישר קו בין פרטיות, אבטחה וממשל בינה מלאכותית לגישה אחת מגובשת, ולא לנהל אותן בנפרד."