בקרת מלריה עם AI: כך הופכים יתושים לבעיה פתירה

בסוף 2025, כשמערכות הבריאות בעולם מדברות בלי סוף על בינה מלאכותית לאבחון, ניהול עומסים ובניית תרופות—יש תחום אחד שבו AI מרגיש פחות “דאשבורד” ויותר פעולה בשטח: שליטה במחלות דרך שליטה בווקטורים. זה לא עוד מודל שמנבא תוצאה במעבדה. זה ציוד, חרקים, לוגיסטיקה, והרבה מאוד אי־ודאות אמיתית.

הנתון שמזיז את השיחה קדימה פשוט: מלריה עדיין הורגת מאות אלפים מדי שנה, ובאזורים רבים בעולם הכלים המסורתיים נשחקים—עמידות לחומרי הדברה, פערי ניטור, וקשיים לתחזק התערבויות לאורך זמן. כאן בדיוק נכנסת Diptera.ai, סטארט-אפ ישראלי, עם אבן דרך משמעותית: ולידציה בשטח (Field Validation) של שרשרת SIT מלאה מקצה לקצה, כולל ניטור מבוסס ראייה ממוחשבת ו-AI.

הסיפור הזה חשוב לסדרת התוכן שלנו “בינה מלאכותית בתחום הבריאות והביוטכנולוגיה” כי הוא מציג את מה שרבים מפספסים: כדי ש-AI יעבוד בבריאות הציבור—צריך להנדס גם את העולם הפיזי סביבו. מודלים טובים לא מספיקים; חייבים גם צינור נתונים, חומרה, תהליכי תפעול ומדידה.

למה “עוד ריסוס” כבר לא פותר את הבעיה

הנקודה המרכזית: שיטות כימיות לא מצליחות להחזיק קצב מול המציאות האפידמיולוגית והאקולוגית. ריסוס ושימוש ברשתות מטופלות עדיין חשובים, אבל באזורים מסוימים יש שחיקה ביעילות בגלל עמידות היתושים לחומרים, ובעיות אספקה, תחזוקה ומעקב.

יש כאן גם בעיה מערכתית: ברגע שההתערבות לא נמדדת בזמן אמת—קשה לדעת אם היא עובדת, איפה היא נחלשת, ומה צריך לשנות. בעולם של בריאות דיגיטלית, זה נשמע טריוויאלי; בשטחי מלריה באפריקה זה אתגר תשתיתי.

במילים פשוטות: בלי ניטור אמין, ההתערבות הופכת להימור.

SIT (הטכניקה של “זכרים עקרים”) — ולמה היא נתקעה שנים

הנקודה המרכזית: SIT היא שיטה ביולוגית נקייה ומדויקת יותר, אבל היישום בקנה מידה גדול נתקע בגלל צווארי בקבוק תפעוליים.

SIT – Sterile Insect Technique מבוססת על עיקרון אלגנטי: מגדלים יתושים זכרים, מעקרים אותם, משחררים לשטח—והם מתחרים על הזדווגות עם נקבות. בלי צאצאים, האוכלוסייה יורדת.

למה זה מעניין לבריאות הציבור?

• ממוקד מטרה (לא “שוטף” את הסביבה בכימיקלים)
• בר-סקיילינג תאורטית (אם מצליחים להרים פס ייצור)
• מאפשר אסטרטגיה ארוכת טווח לצד כלים נוספים

אז למה לא עושים את זה כבר בכל מקום?

צוואר הבקבוק הקריטי: מיון מין בזחלים בקצב גבוה

ב-SIT חייבים לשחרר בעיקר זכרים. שחרור נקבות (שכן עוקצות) הוא לא רק בעייתי—הוא עלול לפגוע באמון הציבור וביעילות.

הבעיה ההיסטורית הייתה מיון זחלים לפי מין: זה דורש דיוק גבוה וקצב עיבוד תעשייתי. במשך שנים זה היה או יקר מדי, או איטי מדי, או לא אמין מספיק.

צוואר בקבוק שני: דאטה איכותי לאימון מודלים

כדי ש-AI יעבוד, צריך דאטה מתויג. אבל תיוג ידני של תמונות זחלים/איברי מין, או זיהוי יתושים בשטח, הוא עבודה סיזיפית ויקרה—ובמדינות יעד לעיתים חסרות תשתיות וכוח אדם מתאים.

צוואר בקבוק שלישי: ניטור שדה בזמן אמת

אפשר לשחרר מיליוני זכרים עקרים—אבל אם אין מדידה רציפה של הדינמיקה באוכלוסייה (איפה יש ירידה, איפה יש התאוששות, מה קורה ליד מקורות מים), קשה להפוך את זה לתוכנית בריאות ציבור יציבה.

מה Diptera.ai בנתה בפועל: שרשרת תפעולית מלאה + AI

הנקודה המרכזית: Diptera.ai השלימה “Pipeline” מלא—גידול, מיון, עיקור, סימון וניטור—והוכיחה את זה בשטח בקניה ובמדינה אפריקאית נוספת.

על פי הדיווח, החברה פיתחה מערכת מקצה לקצה עבור יתושי Anopheles (הסוג המרכזי שמעביר מלריה):

• גידול (Rearing) בתנאים תפעוליים
• מיון (Sorting)—כולל זיהוי איברי מין בזחלים באמצעות הדמיה אופטית
• עיקור (Sterilization)
• סימון (Marking) כדי לזהות בשטח מי שייך למבצע
• ניטור מבוסס AI כולל מלכודת שטח חכמה

יש כאן שינוי גישה שאני מאוד מעריך: לא “בואו נביא מודל”, אלא בואו נבנה קו ייצור וניטור שהמודל הוא חלק ממנו.

ה-AI שלא רואים במצגות: יצירת דאטה מתויג אוטומטית

אחת ההבטחות החזקות בדיווח היא Pipeline אוטומטי שמייצר סטים מתויגים באיכות גבוהה בלי התערבות ידנית. זה קריטי.

ברגע שהמערכת יודעת “ללמד את עצמה” דרך תהליך תפעולי מבוקר—המשמעות היא:

• פחות תלות בצוותי תיוג
• התאמה מהירה למינים/תנאי שטח שונים
• יכולת להרים ניסויים נוספים בלי להתחיל מאפס

דיוק מספרי שמאפשר תפעול

התוצאות שפורסמו נותנות עוגנים מדידים:

• דיוק מיון מין בזחלים: קרוב למושלם (ניסוח הדיווח)
• דיוק מודלי זיהוי: 97% Precision

במילים פשוטות: זה כבר לא פיילוט “מדעי”. זה מתחיל להיראות כמו מערכת תפעולית שניתנת לשכפול.

“Scout trap”: למה ניטור הוא חלק מהטיפול

הנקודה המרכזית: ניטור לא בא אחרי ההתערבות—הוא ההתערבות.

בשיתוף עם חברה אמריקאית (Vectech), הוקמה מלכודת בשם Scout עם תאורת UV ואלגוריתמים של ראייה ממוחשבת, כדי:

• לזהות יתושים מסומנים ששוחררו
• למדוד דינמיקה של אוכלוסייה בזמן אמת
• למפות “איפה זה עובד” ו”איפה צריך לחזק”

בבריאות, אנחנו רגילים לחשוב על ניטור כמדדי איכות/בקרה. כאן ניטור הוא מערכת הניווט: בלי הנתונים, אי אפשר לנהל קמפיין שדה מתמשך.

מנקודת מבט של AI בבריאות הציבור, זה שיעור שחוזר בכל מקום:

אם אי אפשר למדוד את ההשפעה לאורך זמן ובגרנולריות גבוהה—הפתרון יישאר נקודתי ולא יהפוך לתשתית.

מה זה אומר למנהלי חדשנות בבריאות ולחברות ביוטק

הנקודה המרכזית: הסיפור של Diptera.ai הוא תבנית עבודה לפרויקטים של AI בבריאות—גם כשזה לא “יתושים”.

הרבה ארגונים עדיין מתייחסים ל-AI כאל מוצר תוכנה. אבל בבריאות—ובעיקר בתשתיות בריאות ציבור—AI הוא לרוב רכיב בתוך מערכת מורכבת. הנה שלושה עקרונות שאפשר לקחת מזה לפרויקטים אחרים (אבחון, תפעול בתי חולים, ניטור כרוני, אפילו מחקר תרופות):

1. הנדסת דאטה חשובה כמו הנדסת מודלים

   • אם אין מנגנון שמייצר דאטה אמין ומתויג, המודל יתקע.

2. חומרה ותהליך הם חלק מהאלגוריתם

   • מצלמות, תאורה, זרימת מים, אוטומציה—כל אלה “מכתיבים” למודל מה הוא יכול לדעת.

3. מדידה בזמן אמת היא תנאי לסקיילינג

   • Precision גבוה במעבדה לא שווה הרבה בלי ניטור שדה שמוכיח השפעה ומתאים את הפעולה.

צ’ק-ליסט קצר לבדיקת “בשלות שדה” של פתרון AI רפואי

אם אתם בוחנים פתרון AI (בבית חולים, בקהילה או בבריאות הציבור), אלו שאלות שאני אוהב לשאול מוקדם:

• האם יש Pipeline תפעולי ברור מהנתון ועד לפעולה?
• איפה נוצרים התיוג והאימות—וכמה זה עולה בזמן/כסף?
• מה מדדי ההצלחה בשטח (לא רק AUC), ובאיזו תדירות מודדים?
• מה קורה כשמשנים אוכלוסייה, מכשיר, סביבה, או פרוטוקול?

לאן זה הולך ב-2026: ניסויים בקנה מידה גדול והשלכות מערכתיות

הנקודה המרכזית: אחרי ולידציה בשטח, האתגר עובר מסיכון טכנולוגי לסיכון הטמעה.

Diptera.ai מדברת על היערכות לניסויי שדה רחבי היקף במדינות שונות באפריקה שמדרום לסהרה, בשיתוף ממשלות, חוקרים וארגוני בריאות. זה השלב שבו ההצלחה תלויה לא רק בטכנולוגיה, אלא גם ב:

• רגולציה והיתרים
• לוגיסטיקה (גידול, הובלה, תזמון)
• תקשורת עם קהילות מקומיות
• תיאום מול תוכניות קיימות למניעת מלריה

וזה בדיוק המקום שבו AI יכול לעזור שוב: תכנון שחרורים, אופטימיזציה של פריסה, אנליטיקה מרחבית, וניהול רציף של “איפה להשקיע את היתושים הבאים”.

העמדה שלי ברורה: העתיד של בריאות הציבור הוא שילוב של ביולוגיה, חומרה ו-AI תפעולי, לא רק אפליקציות. מי שיבנה מערכות מדידות ושכפוליות ינצח.

מה אפשר לעשות עכשיו (גם אם אתם לא בתחום המלריה)

אם אתם פועלים בבריאות, בביוטכנולוגיה, או בחדשנות רפואית—יש כאן הזדמנות ללמוד “איך נראה פרויקט AI שמגיע לשטח”:

• לאפיין פרויקטים כ”מערכת” ולא כ”מודל”
• להגדיר KPI תפעולי + קליני/בריאותי
• להשקיע מוקדם באיסוף נתונים ותכנון ניטור

אם אתם מחפשים להוביל יוזמות AI בתחום הבריאות והביוטכנולוגיה בארגון שלכם, כדאי להתחיל בשאלה אחת פשוטה: איזו החלטה תתקבל אחרת בזכות הנתונים—ובאיזו תדירות?

האם ב-2026 נראה יותר פתרונות שבהם AI לא רק מנתח, אלא גם מנהל פעולה בשטח—ממחלות זיהומיות ועד ניטור אוכלוסיות כרוניות?