משרד הבריאות מצביע על אותו כיוון. העקרונות המנחים שלו לטכנולוגיות מבוססות למידת מכונה מבקשים לבחון את הביצועים של האדם ושל המערכת יחד, ולא רק את המודל.[1]
המדריך ״בינה מלאכותית ־ סיכונים ומהימנות״ של משרד הבריאות (אוקטובר 2026) מוסיף שעצם הנוכחות של אדם בתהליך לא מבטיחה בקרה. הוא צריך לראות מה השתנה, להיות מסוגל לבדוק מול המקור, ולשמור את הסמכות לשנות או לדחות.[2]
הנה חמש נקודות שכדאי להכיר לפני שמכניסים כלי AI לתיעוד הרפואי.
ניסוח אינו אבחון
שיפור טקסט צריך לשמר את המשמעות הקלינית במלואה, כולל שלילה, חשד ואי־וודאות. הסיכון כאן שקט: שינוי של מילה אחת נראה כמו ליטוש של ניסוח, אבל משנה את מצב המטופל בתיק.
דוגמה: הרופא כתב ״חשד לדלקת ריאות״, והנוסח המשופר מופיע כ״דלקת ריאות״. המשפט נקרא טוב יותר, אבל עכשיו מתועדת בתיק אבחנה שהרופא לא קבע. הכיוון ההפוך מסוכן באותה מידה: ״לא ניתן לשלול שבר״ שמקוצר ל״ללא שבר״ הופך אי־וודאות לשלילה, ומי שקורא את התיק אחר כך עלול לוותר על צילום חוזר.
סיכום אינו התיק המלא
סיכום טוב חוסך זמן קריאה, אבל הוא עדיין בחירה של מה להציג. לכן חשוב שאפשר יהיה לחזור ממנו למקור, ושהוא יבחין בין מידע היסטורי לבין מצב נוכחי. אבחנה שהסתיימה לפני שנתיים אינה אבחנה פעילה, ותרופה שהופסקה אינה חלק מהטיפול השוטף, גם אם שתיהן מופיעות בתיק.
סיכום שמערבב בין השתיים נראה שלם, אבל מציג תמונה שלא קיימת היום.
אישור הרופא הוא שלב עבודה
אישור אינו לחיצה אחת על ״המשך״. המטפל צריך לקבל את הצעת ה־AI כטיוטה שאפשר לקרוא, לערוך ולדחות לפני השמירה והחתימה. כשההצעה נכנסת ישירות לשדה, קשה לראות מה שונה. כשהיא מוצגת לצד הנוסח המקורי, הבדיקה הופכת לחלק טבעי מהעבודה.
הנטייה לאשר פלט שנראה סביר בלי לבדוק אותו מוכרת בשם Automation Bias, ומדריך משרד הבריאות מזכיר אותה במפורש. התהליך צריך להקל על בדיקה אמיתית, ולא רק לתעד שהיה אישור.
איכות נבדקת מול הנתונים
כשבודקים סיכום של AI, נוטים לחפש המצאות, כלומר מידע שלא היה בתיק. חשוב לבדוק גם טעויות פחות בולטות: אלרגיה שלא נכנסה לסיכום, תרופה שנשמטה, תאריך שהתחלף בין שני ביקורים, או ערך מעבדה שהוצג בלי היחידה שלו.
בדיקת איכות טובה משווה את הפלט לנתונים המובנים שבתיק, ומחפשת גם מה שחסר ולא רק מה שנוסף.
מידע רפואי דורש גבולות
לפני שמפעילים כלי AI על תיק רפואי, כדאי לדעת אילו נתונים מועברים אליו, לאיזו מטרה ובאילו תנאים. היקף המידע צריך להתאים למשימה ולצורך הקליני: כלי שמשפר ניסוח של משפט עשוי להזדקק רק לטקסט שנבחר, בעוד סיכום לרופא יועץ עשוי לדרוש הקשר רפואי רחב יותר. מדריך משרד הבריאות קורא לזה צמצום מידע (Data Minimization), ומבקש לבדוק גם את תנאי הספק, מיקום העיבוד והשמירה של הנתונים.
מקורות
- משרד הבריאות: עקרונות מנחים לפיתוח טכנולוגיות מבוססות למידת מכונה (GMLP) · מסמך PDF, בפרט עקרונות 7–9.
- משרד הבריאות, יחידת הסייבר המגזרית: בינה מלאכותית ־ סיכונים ומהימנות, המדריך המלא, גרסה 2.0, אוקטובר 2026.
רוצים לראות את התהליך במערכת?
בהדגמה נעבור על שיפור ניסוח, סיכום תיק ובדיקת הטיוטה לפני האישור.