Skip to main content
Automaziot AI logo
  • Home
  • Blog
  • About
  • Contact
(646) 760-4854Book a Free Consultation
Automaziot AI - AI Automation and Intelligent Agents for Business

AI Automation Experts. We help businesses streamline operations and scale faster with intelligent agents and workflow automation.

USA(646) 760-4854IL+972-3-7630715info@automaziot.ai
Ahad Ha'Am 9, Tel Aviv, Shalom Tower

Quick Links

  • Home
  • About
  • Contact
  • Case Studies
  • Glossary

Our Solutions

  • Lead Management
  • WhatsApp AI Agent
  • Business Automation
  • Smart CRM
  • Automated Scheduling
  • Sales & Support
  • WhatsApp Commerce
  • AI Agents
  • Tech Consulting

Stay Updated

Get the latest insights on AI automation delivered to your inbox.

FacebookInstagramLinkedIn

This site uses Google Analytics and Vercel Analytics to improve your experience. For full details, see our Privacy Policy

© 2026 Automaziot AI. All rights reserved.

Privacy PolicyTerms of ServiceAccessibilityEditorial Policy
מודלי שפה גדולים לחיזוי שבץ מוחי
מודלי שפה גדולים חוזים תוצאות שבץ מוחי
ביתחדשותמודלי שפה גדולים חוזים תוצאות שבץ מוחי
מחקר

מודלי שפה גדולים חוזים תוצאות שבץ מוחי

מחקר חדש מראה כיצד LLMs מנתחים דוחות קבלה לחיזוי מדויק של mRS ב-90 יום

אייל יעקבי מילראייל יעקבי מילר
12 בפברואר 2026
4 דקות קריאה

תגיות

Llama-3.1-8BMedGemma-4BBERTNYUTronNYU LangonemRSNIHSS

נושאים קשורים

#בינה מלאכותית ברפואה#חיזוי רפואי#שבץ מוחי#מודלי שפה גדולים

✨תקציר מנהלים

Key Takeaways

  • Llama fine-tuned השיג 42% דיוק מדויק לחיזוי שחרור.

  • ביצועים דומים לבסליינים מובנים ב-90 יום.

  • ניתוח ישיר מדוחות H&P ללא עיבוד נתונים.

  • פוטנציאל לשילוב בזרימת עבודה קלינית.

מודלי שפה גדולים חוזים תוצאות שבץ מוחי

  • Llama fine-tuned השיג 42% דיוק מדויק לחיזוי שחרור.
  • ביצועים דומים לבסליינים מובנים ב-90 יום.
  • ניתוח ישיר מדוחות H&P ללא עיבוד נתונים.
  • פוטנציאל לשילוב בזרימת עבודה קלינית.

מודלי שפה גדולים לחיזוי תוצאות שבץ מוחי

האם ניתן לחזות את התקדמותו של חולה שבץ מוחי רק על סמך דוח הקבלה לבית החולים? מחקר חדש מעלה אפשרות מלהיבה: מודלי שפה גדולים (LLMs) מצליחים לחזות את התוצאה הפונקציונלית של חולים אלו בדיוק גבוה. החוקרים בדקו את היכולת של מודלים כמו Llama ו-BERT לנתח הערות רפואיות שגרתיות, ללא צורך בנתונים מובנים כמו גיל או NIHSS. התוצאות מדהימות ומצביעות על עתיד שבו כלים מבוססי טקסט משתלבים בעבודת הרופאים.

מה זה חיזוי mRS באמצעות מודלי שפה גדולים?

ה-s mRS (modified Rankin Scale) הוא סולם סטנדרטי להערכת התפקוד הפונקציונלי לאחר שבץ מוחי, המדרג מ-0 (ללא סימפטומים) עד 6 (מוות). מחקר זה בדק כיצד מודלי שפה גדולים, כמו Llama-3.1-8B ו-MedGemma-4B, מנתחים דוחות היסטוריה ופיזיקל (H&P) כדי לחזות את הציון בזמן השחרור וב-90 יום. המודלים נבדקו בגרסאות קפואות ומעודכנות (fine-tuned), על נתונים מ-9,485 דוחות לשחרור ו-1,898 ל-90 יום ממאגר NYU Langone (2016-2025). זו גישה חדשנית שמאפשרת חיזוי ישיר מטקסט חופשי, ללא עיבוד נתונים ידני.

תוצאות מרשימות של Llama בחיזוי שבץ

המודל המנצח היה Llama לאחר fine-tuning. לחיזוי בזמן השחרור השיג דיוק מדויק (7 קטגוריות mRS) של 42.0% [95% CI, 39.0-45.0%] ודיוק בינארי (mRS 0-2 מול 3-6) של 75.0% [72.4-77.6%]. ל-90 יום: 33.9% [27.9-39.9%] מדויק ו-76.3% [70.7-81.9%] בינארי. מודלים אחרים כמו BERT ו-NYUTron היו נמוכים יותר. השוואה לבסליינים מובנים (עם NIHSS וגיל) הראתה ביצועים דומים ל-Llama ב-90 יום. לפי הדיווח, זה מאפשר כלים פרוגנוסטיים מבוססי טקסט שמתמזגים בזרימת העבודה הקלינית, בדומה לפתרונות סוכני AI.

השוואה למודלים מסורתיים

מודלים קודמים הסתמכו על משתנים מובנים כמו NIHSS (סולם חומרת שבץ), אך דרשו איסוף ידני. LLMs קוראים את כל ההקשר בדוחות, כולל תיאורים סובייקטיביים, ומספקים חיזוי דומה ללא מאמץ נוסף.

ההשלכות לעסקים בישראל

בישראל, שבה מתרחשים כ-20,000 מקרי שבץ מוחי בשנה, טכנולוגיה זו יכולה לשנות את ניהול בתי החולים. חברות מדטק ישראליות, כמו אלו המפתחות אוטומציה עסקית, יכולות לשלב כלים כאלו להקצאת משאבים טובה יותר, תכנון טיפולים וקיצור אשפוזים. זה מפחית עלויות ומשפר תוצאות חולים, במיוחד במערכת הבריאות הציבורית העמוסה. מחקר זה פותח דלת לשיתופי פעולה בין AI לרפואה ישראלית חדשנית.

מה זה אומר לעסק שלך

אם אתה מנהל חברת בריאות או סטארט-אפ מדטק, שקול לשלב מודלי שפה גדולים לחיזוי תוצאות. זה מאפשר החלטות מבוססות נתונים בזמן אמת, משפר יעילות ומגדיל רווחיות. העתיד כבר כאן – התחל לבדוק איך ליישם זאת.

חברות שיאמצו טכנולוגיה זו יובילו את השוק. האם העסק שלך מוכן לשינוי?

שאלות ותשובות

FAQ

אהבתם את הכתבה?

הירשמו לניוזלטר שלנו וקבלו עדכונים חמים מעולם ה-AI ישירות למייל

Your information will only be used to contact you and deliver our services. For details, see our Privacy Policy and Terms of Service

עוד כתבות שיעניינו אותך

לכל הכתבות
TierMem לזיכרון מדורג לסוכנים ארוכי טווח: פחות טוקנים, כמעט בלי לוותר על דיוק
מחקר
Feb 23, 2026
6 min

TierMem לזיכרון מדורג לסוכנים ארוכי טווח: פחות טוקנים, כמעט בלי לוותר על דיוק

**TierMem הוא מנגנון זיכרון דו-שכבתי לסוכנים ארוכי טווח שמחליט בזמן המענה אם מספיק להסתמך על סיכום מהיר או שצריך להסלים ללוגים גולמיים כדי להביא ראיות מאומתות. לפי המאמר (arXiv:2602.17913v1), ב-LoCoMo השיטה הגיעה לדיוק 0.851 לעומת 0.873 ב-raw-only, תוך חיסכון של 54.1% בטוקנים ו-60.7% בהשהיה.** עבור עסקים בישראל שמפעילים שיחה רציפה ב-WhatsApp Business API ומנהלים לקוחות ב-Zoho CRM, המשמעות היא ניהול סיכונים: סיכומים לבד עלולים להשמיט “תנאי קריטי” (מחיר, הסכמה, רגישות רפואית), ולכן כדאי לבנות דרך N8N שכבת לוגים בלתי ניתנים לשינוי וכללי הסלמה לשאילתות רגישות. כך מצמצמים עלות ותורמים לעקיבות פנימית.

arXivTierMemLoCoMo
Read more
NL2LOGIC לתרגום משפטים ללוגיקה מסדר ראשון: 99% תחביר, +30% משמעות
מחקר
Feb 23, 2026
6 min

NL2LOGIC לתרגום משפטים ללוגיקה מסדר ראשון: 99% תחביר, +30% משמעות

**NL2LOGIC היא מסגרת שמתרגמת טקסט לשפה טבעית ללוגיקה מסדר ראשון (FOL) דרך עץ תחביר מופשט (AST), כך שהפלט עומד בכללי דקדוק וניתן להרצה בסולברים. לפי המאמר, היא מגיעה ל‑99% דיוק תחבירי ומשפרת נכונות סמנטית עד 30% בבנצ’מרקים כמו FOLIO ו‑ProofWriter.** לעסקים בישראל זה חשוב במיוחד בתהליכים שבהם “צריך להכריע” ולא רק “לנסח”: החזרים, חריגי שירות, תנאי חוזה, ניגוד עניינים במשרדי עורכי דין או סיווג פניות בביטוח ונדל"ן. שילוב עם WhatsApp Business API, N8N ו‑Zoho CRM מאפשר לקלוט פנייה, להפעיל כללים פורמליים, להחזיר החלטה מוסברת, ולתעד אותה ב‑CRM לצורכי בקרה וציות (כולל עקרונות חוק הגנת הפרטיות).

arXivNL2LOGICAST
Read more
Lang2Act ל-VRAG: שרשראות כלים לשוניות שמחדדות תפיסה חזותית ב‑VLM
מחקר
Feb 23, 2026
6 min

Lang2Act ל-VRAG: שרשראות כלים לשוניות שמחדדות תפיסה חזותית ב‑VLM

**Lang2Act הוא מנגנון VRAG שבו מודל ראייה-שפה (VLM) מייצר בעצמו “פעולות” כשרשראות לשוניות, ואז משתמש בהן ככלים כדי לשפר תפיסה חזותית והסקה. לפי המאמר arXiv:2602.13235v1, הגישה מצמצמת איבוד מידע שנוצר בזרימות עבודה שמפרידות בין תפיסה להיגיון (למשל אחרי crop), ומשיגה שיפור של יותר מ‑4% בתוצאות הניסויים.** לעסקים בישראל זה רלוונטי במיוחד בתהליכים שמבוססים על תמונות ב-WhatsApp: צילומי מסך של תקלות, מסמכים, ותמונות מוצר. במקום להסתמך על כלי חיתוך/OCR קשיחים שמאבדים הקשר, כדאי לבנות פיילוט שבו כל שלבי התפיסה מתועדים, מחוברים ל-Zoho CRM, ומופעלים דרך N8N — עם מדיניות פרטיות ברורה (למשל שמירת תמונות ל-30 יום).

arXivLang2ActNEUIR
Read more
מענה לשאלות רפואיות תלוי-מצב: CondMedQA מציב רף חדש לדיוק קליני
מחקר
Feb 23, 2026
6 min

מענה לשאלות רפואיות תלוי-מצב: CondMedQA מציב רף חדש לדיוק קליני

מענה לשאלות רפואיות תלוי-מצב הוא מצב שבו אותה שאלה מקבלת תשובה שונה לפי תנאי המטופל—קומורבידיות, אלרגיות או התוויות-נגד. במאמר arXiv:2602.17911v1 מוצגים CondMedQA (בנצ׳מרק חדש שמודד היסק מותנה) ו-Condition-Gated Reasoning (CGR), שמפעיל/גוזם מסלולי היסק בגרף ידע לפי תנאי השאלה כדי לבחור תשובה ישימה יותר. לעסקים בישראל שמפתחים כלי טריאז׳, טלה-רפואה או שירות במוקדי אחיות, המשמעות היא שינוי מדידה: לא “דיוק ממוצע”, אלא דיוק במקרי קצה. פרקטית, אפשר לשלב איסוף תנאים ב-WhatsApp Business API, לשמור שדות ב-Zoho CRM, ולהפעיל ב-N8N “שער תנאים” שמנתב מקרים מסוכנים לגורם אנושי ומייצר לוגים לאודיט.

arXivCondMedQACondition-Gated Reasoning
Read more