יישומי בינה מלאכותית ברפואה

הקדמה

מדינת ישראל השקיעה בעשור האחרון משאבים משמעותיים בקידום תחום הרפואה/בריאות הדיגיטלית, באמצעות פיתוח תשתיות נתונים מתקדמות, יצירת מסגרות רגולטוריות חדשניות וחיזוק שיתופי הפעולה בין מערכת הבריאות, האקדמיה והתעשייה. על בסיס השקעות אלו נוצר בישראל אקוסיסטם ייחודי הכולל מחקר אקדמי פורה, מספר גדול של חברות הזנק המפתחות פתרונות טכנולוגיים בתחום ה‑health tech, שיתופי פעולה הדוקים עם ארגוני בריאות לבחינת מוצרים חדשים ופתיחות גבוהה להטמעת טכנולוגיות מתקדמות.

מסמך זה בוחן את החשיבות, הפוטנציאל וההזדמנויות העומדים בפני מדינת ישראל למנף את ההשקעות שכבר בוצעו ולפתח את הדור הבא של טכנולוגיות ויישומי בינה מלאכותית בתחום הרפואה, במטרה לבסס מובילות עולמית. המסמך מציג סקירה של ההיבטים הטכנולוגיים והעסקיים של השוק, מנתח מגמות עתידיות ושחקנים מרכזיים, ובוחן את החוזקות והחולשות של השוק המקומי. בנוסף, הוא מציע כיצד ישראל יכולה לרתום את נכסיה הייחודיים כדי לנצל את ההזדמנויות הקיימות ולבסס יתרון תחרותי מתמשך בתחום זה.

מתודולוגית המחקר בבסיס הדוח

הניתוח המוצג במסמך בוצע על ידי צוות חטיבת המחקר והמערך הטכנולוגי ברשות. הכנת המסמך כללה איסוף והצלבת מידע מדוחות אנליסטים וחברות ייעוץ ואסטרטגיה מובילות, תוכניות ופרסומים ממשלתיים, מידע ציבורי (מחקרי שוק ופרסומים באינטרנט), מומחיות מקצועית של הצוות ונתונים ממאגרי המידע של רשות החדשנות. ניתוח זה מאפשר לזהות מגמות מתפתחות בארץ ובעולם, גם אם בשלבים מוקדמים של התפתחות, וגיבוש תמונת מצב עדכנית של התחום כולל זיהוי תתי־תחומים בעלי פוטנציאל משמעותי הן מבחינה טכנולוגית והן מבחינה כלכלית. על בסיס ניתוח זה גובשו ההערכות וההמלצות המוצגות במסמך ביחס להתפתחות התחום ולמיקוד התמיכה המומלצת של הרשות והמדינה בתחום.

הגדרת התחום

יישומי הבינה המלאכותית ברפואה מהווים תחום רחב המתפתח במהירות בעשור האחרון, הנשען על שילובים של רפואה, ביולוגיה, הנדסה, מדעי הנתונים ומדעי המחשב. התפתחות התחום מונעת מהצורך לתת מענה לגידול בהיקף הנתונים הרפואיים, מחסור במשאבים וכוח אדם מקצועי, ולעלויות גבוהות של פיתוח ויישום לצד ההתקדמות המהירה ביכולות ה-AI  המייצרת הזדמנות לפיתוח יישומים חדשים. בישראל, התחום זוכה בשנים האחרונות לתמיכה ציבורית וממשלתית משמעותית שנועדה לקדם את התעשיה ולשפר את הטיפול הרפואי באמצעות הסרת חסמים למחקר, פיתוח ויישום.

יישומים ושימושים מרכזיים

היישומים ניתנים לסיווג לפי סוגי הנתונים שעליהם הם מבוססים, מורכבות וחדשנות המודלים, מטרת השימוש (מחקרי, קליני או תפעולי), ורמת האוטונומיה והסיכון לחולה, המכתיבה את היקף הדרישות הרגולטוריות. היישומים נעים מכלים פשוטים המבוססים על סוג נתונים יחיד ושאינם דורשים רגולציה מחמירה, ועד לשימושים מתקדמים המשלבים נתונים רב־ממדיים, מודלים חדשניים ועמידה בתנאי רגולציה קפדניים, כגון מערכות אוטונומיות לטיפול קליני. רוב המערכות כיום אינן מיועדות להחליף אנשי מקצוע, אלא לפעול ככלי מסייע תחת בקרה אנושית אם כי קיימת מגמה של התפתחות הדרגתית בכיוון של אוטונומיה חלקית/מלאה. תחום הרדיולוגיה מוביל בפער עצום בכמות היישומים המאושרים רגולטורית, בעוד שמערכות תיעוד רפואי מובילות בהיקף ההטמעה בארגוני הבריאות. תחומים מובילים נוספים הם קרדיולוגיה, נוירולוגיה, אונקולוגיה, פתולוגיה, תיעוד קליני מבוסס GenAI, רפואה מותאמת אישית, ניתוחים רובוטים וגילוי ופיתוח תרופות. לעומת זאת, כלים לניבוי סיכונים קליניים עדיין בשימוש מועט לאחר שטרם הגיעו לביצועים מספקים.

בשלות טכנולוגית

שילוב של LLMs ברפואה נמצא כבר בשלב הסקיילינג המסחרי עם חדירת שוק של 20%–50%. לעומת זאת, Agentic AI מזוהה כמנוע צמיחה עתידי, אך נמצא עדיין בשלב מוקדם של חדירה לשוק (EY, Deloitte). טכנולוגיות מבוססות מודלים מולטי-מודאליים, causal AI וכן Edge AI נמצאות ברובן עדיין בשלב המחקר ופיתוח.

מגמות עתידיות

השוק כיום מאופיין בריבוי פתרונות AI נקודתיים היוצרים עומס על ארגוני הבריאות, ומגבילים את היעילות. עקב כך, מסתמנת מגמה של מעבר לפלטפורמות ארגוניות אחודות המשלבות Agentic AI לתיאום הפעולה של כלי ה-AI בתהליכים תפעוליים וקליניים (גישת native AI), לצד גיבוש מדיניות מצד ארגוני הבריאות שתאפשר הטמעה מהירה ובטוחה של כלי ה-AI. בנוסף, צפוי מעבר למודלים מולטי-מודאליים שיאומנו לתחומים קליניים ספציפיים כדי להגיע לדיוק מספק קלינית ורגולטורית. במטרה לצמצם אשפוזים ואת העומס על מערכות הבריאות, יתבצע מעבר לטיפול ואשפוז ביתי שיעשה שימוש בחיישנים (Edge AI) ובמודלים פרדיקטיביים לחיזוי מוקדם של שינויים במצב הרפואי ולהבנת ההשפעה של התערבויות (causal AI). שילוב טכנולוגיות Edge AI במכשור רפואי יאפשר עיבוד וקבלת החלטות בזמן אמת (בסביבת הטיפול, בתנאי שדה, על או בתוך הגוף), ישפר את יכולת הניווט והדיוק של המכשור, ויפחית את הסיכון למטופל. השימוש ב-AI לגילוי ופיתוח תרופות צפוי לגדול, כמו גם השימוש במחשוב קוונטי לביצוע סימולציות מולקולריות מתקדמות. לבסוף, פיתוח AI איכותי והטמעה של AI בקנה מידה ארגוני ידרשו הקמת תשתיות נתונים איכותיות וחזקות (McKinsey Nov18 2025). מגמה משמעותית נוספת היא העניין הגובר ביישומי AI למחקר בנתונים ביולוגים (multi-omics) (Gartner Hype  cycle for Life Sciences R&D 2025). תחום זה נמצא בתחילת דרכו ומהווה אתגר עולמי עקב מורכבות הנתונים והתהליכים הביולוגים וחוסר ההתאמה למודלים קיימים לצד הפוטנציאל העצום בשיפור היכולת לאבחון מוקדם של מחלות, חיזוי מצבים קליניים ומעקב אחר טיפול. מכאן עולה כי כדי לגבש מדיניות אפקטיבית נדרש להבחין בין תתי־התחומים השונים בהתאם לרמת הפוטנציאל, הבשלות והחסמים שלהם, באופן שיאפשר למקד את כלי ההתערבות של הרשות באזורים בהם צפויה להתקבל ההשפעה הגבוהה ביותר.

מיפוי עולמי

השוק העולמי של יישומי רפואה דיגיטלית מתאפיין בשתי מגמות מקבילות: מצד אחד, כניסה של חברות הזנק לנישות חדשות, ומנגד, התחזקות של חברות טכנולוגיה גדולות וקרנות השקעה המחזיקות ביכולות AI תשתיתיות (Rock Health Jan13 2025). בעשור האחרון חווה התחום צמיחה ניכרת בהיקף ההשקעות, שהגיעה לשיאה בתקופת הקורונה. לאחר ירידה זמנית חזר היקף ההשקעות לעלות בשנת 2025, במקביל לגידול במיזוגים ורכישות ולעלייה במשקלן של חברות AI מתוך כלל המימון בתחום הרפואה הדיגיטלית.

ארצות הברית מובילה בתחום בזכות היקף שוק גדול (מחזיקה ב-55% משוק ה-AI העולמי בבריאות), במקום הראשון בעולם במוכנות להטמעה (Index), השקעות נרחבות, תשתיות מתקדמות ורגולציה מתפתחת. בריטניה בולטת בזכות מערכת בריאות ציבורית אחידה, פרויקטים לאומיים ומאגרי מידע רחבי היקף. סינגפור, איחוד האמירויות, סין, יפן דרום קוריאה והודו, הן מדינות בולטות כל אחת בהיבט כגון רמת המוכנות, היקף ההשקעה, נכסי דאטה, מהלכי הטמעה או צרכים מערכתיים מובהקים.

רגולציה

הרגולציה בתחום זה עדיין בהתהוות: ארגון הבריאות העולמי (WHO) פרסם קווים מנחים לשימוש בטוח ואחראי במודלים גדולים. האיחוד האירופי הטמיע את ה-AI Act  (אוגוסט 2024), המסווג מערכות בריאות רבות כבעלות סיכון גבוה, עם דרישות מחמירות לניהול סיכונים, תיעוד ופיקוח, וארה"ב מקדמת רגולציה המאפשרת חדשנות מהירה לרבות מודל PCCP לעדכון אלגוריתמי לאחר אישור, ועידוד טיפול מבוסס תוצאות.

שחקנים מובילים

התחום מתחלק לשלושה סקטורים: (1) ענקיות טכנולוגיה כדוגמת Microsoft, Google health, AWS, Nvidia, IBM, Intel, המספקות תשתיות ענן, מודלי AI ומוצרי הדמיה מבוססי AI. (2) חברות מיכשור רפואי גדולות העוסקות באוטומציה מבוססת AI בבריאות כדוגמת GE, סימנס ופיליפס. (3) חברות המפתחות פתרונות קצה ייעודיים לאבחון, תיעוד ושירותים כמו Aidoc, PathAI, Tempus.

ניתוח של החברות המובילות בתחום מעלה כי כדי לבסס תעשייה מובילה עולמית בתחום ה-AI ברפואה נדרש שילוב של מספר יכולות יסוד: גישה לנתונים רפואיים איכותיים ועשירים (באמצעות שת"פים עם מערכות בריאות גדולות, קוהורטים רחבים ושימוש במודלי אנוטציה פנימיים), מיקוד בבעיה קלינית ברורה ובמוצר בעל ערך קליני ממשי, פיתוח פתרונות שבהם ל-AI יש יתרון יחסי ברור, יכולת לשלב את הפתרון בתהליכי עבודה קלינים קיימים, יכולת אינטגרציה עם מערכות בריאות, התאמה למסלולי רגולציה קיימים, צוותי פיתוח מולטי-דיסציפלינאריים, ויתרון טכנולוגי או מדעי מובהק.

המיפוי העולמי מראה כי מובילות בתחום תלויה בביסוס אקוסיסטם שלם המשלב מחקר מתקדם, פיתוח, ניסוי, מימון והטמעה של טכנולוגיות חדשות בקצב מהיר. בהתאם לכך, תפקידה של רשות החדשנות אינו מתמצה רק בהשקעה ישירה בחברות, אלא ביצירת חיבורים בין כלל שכבות המערכת באמצעות מסלולי השקעה המעודדים שיתופי פעולה בין חברות הזנק, ארגוני בריאות, אקדמיה וחברות טכנולוגיה מובילות; וכן מתן עדיפות ליוזמות המציגות כבר בשלב התכנון מסלול ברור לאימוץ, אינטגרציה ויצירת ערך קליני־כלכלי.

מצבה של ישראל

חוזקות

ידע, טכנולוגיה, חברות וטאלנטים: לישראל ישנם נכסים משמעותיים בתחום יישומי ה-AI ברפואה. במרכזם עומד אקוסיסטם מפותח של חדשנות בבריאות, אשר קוּדם בין היתר במסגרת התוכנית הלאומית לבריאות דיגיטלית כמנוע צמיחה. מספר חברות ההזנק בתחום ה health-tech גדל בעשור האחרון מכ־500 לכ־1,600 חברות פעילות, שחלק ניכר מהן משלב מודלים של AI במוצריהן (SNC), ביניהן חברות הנחשבות מהמובילות בעולם בתחומן כדוגמת AIDOC (רדיולוגיה) ו-IBEX (פתולוגיה דיגיטלית). במקביל, מתקיים מחקר אקדמי מוביל בתחומי הביולוגיה וה-AI, לצד תוכניות הכשרה ייעודיות ושיתופי פעולה בין ענקיות טכנולוגיה, חברות הזנק ובתי חולים.

ארגוני הבריאות בישראל מפגינים רמת פתיחות גבוהה לאימוץ פתרונות מבוססי AI, לרבות קידום פיילוטים, אתרי הרצה וסביבות ניסוי קליניות מבוקרות.יתרון משמעותי נוסף של ישראל הוא ביכולת הגבוהה לייצר שיתופי פעולה מולטי-דיסציפלינאריים מהירים ויעילים בין שחקנים שונים במערכת (Itrade). רשות החדשנות פועלת לחיזוק יכולת זו באמצעות קידום שיתופי פעולה בין האקדמיה, חברות ההזנק, ארגוני בריאות, ענקיות טכנולוגיה וחברות פארמה וביוטק בינלאומיות, בין היתר באמצעות תוכניות כמו תוכנית המאגדים. לדוגמה, מאגד  LiquidBx, עוסק בפיתוח סנסורים וכלי AI לניתוח נתוני multi-omics  לאבחון מוקדם של סרטן, ניטור המחלה ולמעקב אחר התגובה לטיפול. דוגמאות נוספות הם מאגדים כדוגמת CrisprIL, BioToken ו-Pathology.

תשתיות דאטה ייחודיות:  רוב המידע הקליני של אוכלוסיית ישראל מרוכז בארבע קופות בלבד, עם מעבר מועט של מבוטחים בין הקופות. במשך יותר מ־20 שנה הצטבר בישראל מאגר נתונים קליניים רחב היקף, הכולל נתונים שנאספו לכל אורך חיי המבוטח. במסגרת התוכנית הלאומית לבריאות דיגיטלית כמנוע צמיחה, הוקמו בכ־20 ארגוני בריאות תשתיות להנגשת נתונים באמצעות חדרי מחקר וירטואליים. לצד זאת קיימים גם מאגרי דאטה ביולוגיים־קליניים, כגון המאגר הלאומי "פסיפס", תשתיות לאיסוף ואחסון דגימות, ומרכזים למתן שרותי multi-omics. כל אלה מהווים בסיס משמעותי לפיתוח יישומי AI מתקדמים.

תמיכה ממשלתית: התחום התקדם משמעותית בשנים האחרונות בזכות תמיכה ממשלתית משמעותית במסגרת תוכניות כדוגמת "התוכנית לאומית לבריאות דיגיטלית כמנוע צמיחה" התוכנית הלאומית לבינה מלאכותית, תוכנית ה-Bio-Convergence, וקול קורא לארגז חול רגולטורי לטכנולוגיות AI פורצות דרך בבריאות. במקביל, משרד הבריאות מקדם מאמצים להסדרה רגולטורית באמצעות מודל רגולציה מגזרית מבוזרת ואג׳ילית, תחת עקרון "חדשנות אחראית".

בטחון וחוסן: טכנולוגיות רבות המשלבות בין בינה מלאכותית, רפואה וביולוגיה הינן רלוונטיות הן לתחום האזרחי והן לתחום הבטחוני, ועל כן זוכות לתמיכת רשות החדשנות ומפא"ת, בנפרד או במסגרת תוכניות תמיכה משותפות (תוכנית מימ"ד). כתוצאה מכך, המחקר באקדמיה ובתעשייה זוכה לתמריצים והכוונה, המסייעים בפיתוח מוצרים עם הצעת ערך ברורה.

חולשות

בעוד שתעשיית ה-health tech בארץ נמצאת בצמיחה, אחוז ניכר מהחברות הינן קטנות וצעירות, עם משאבים מוגבלים ועומק ומורכבות טכנולוגית נמוכים, והן מתקשות להתפתח ולהגיע לשוק. באקדמיה קיים מיעוט מרכזי מחקר מולטי דיסציפלינריים המשלבים מומחיות בביולוגיה ו/או רפואה יחד עם מומחיות ב-AI. בנוסף, למרות שנעשו מהלכים משמעותיים לטובת הנגשת הנתונים הקליניים בארגוני הבריאות למחקר, תהליך זה עדיין בראשיתו – מאגרי הנתונים מפוזרים בין ארגוני בריאות שונים, ולעיתים אף בין מערכות שונות בתוך אותו ארגון. רוב הנתונים הזמינים כיום למחקר הם נתונים טבלאיים, וקיימים עדיין אתגרים בהנגשת נתוני דימות ודאטה ביולוגי. בנוסף, בתחום בריאות הנפש נאסף בישראל מידע רב, אך ברובו עדיין אינו זמין לפיתוח מודלים.

מובילות

בהתבסס על ממצאי המיפוי, בחינת פוטנציאל השוק וניתוח החוזקות היחסיות של ישראל, נראה כי אין לישראל יתרון בתחרות מול ענקיות הטכנולוגיה בפיתוח מודלי AI כלליים ועל כן מומלץ שלא להתמקד בכיוון זה. לעומת זאת, מומלץ לגבש אסטרטגיה אשר תשרת 4 יעדים מרכזיים:

1. יצירת תשתיות, דגימות ודאטה בהיקף ואיכות גבוהים במתאימים לפיתוח מודלי AI – איחוד ושדרוג תשתיות איסוף ועיבוד דגימות ונכסי הדאטה היחודיים הכוללים כיום בעיקר דאטה טבלאי לטובת יצירת "בתי חרושת" המייצרים נתונים בסטנדרט ואיכות גבוהה לאימון מודלי AI.
2. תמיכה וחיזוק האקוסיסטם הקיים של חדשנות בבריאות שיאפשר לתעשיה לבחון ולהטמיע פתרונות AI חדשים ולאסוף RWD (real world data) ו-RWE (real world evidence), המהווים מרכיב חיוני בחדירה לשווקים בינלאומיים.
3. קידום פיתוח טכנולוגיות AI פורצות דרך בתחומים רפואיים בהם יש לישראל יתרון יחסי מובהק.
4. קידום תעשייה יציבה וחזקה עם כח אדם רב תחומי ויכולות מחקר ופיתוח שיאפשרו שמירה על הובלה בחזית הטכנולוגיה העולמית.

חסמים

החסמים המרכזיים של התעשייה בישראל כוללים:

• רגולציה בהתהוות – הרגולציה הישראלית מתעדכנת בהתאם לדרישות הבינלאומיות, אך עדיין נדרשת התאמה מתמדת להתפתחות הטכנולוגית. עם העלייה בהטמעת חדשנות רפואית, יש לאזן בין החמרת הפיקוח לבין קידום החדשנות.
• קושי בגיוס הון בשוק העולמי שאחרי 2023-2024 –[statista.com] תחום מדעי החיים סובל מרגישות גבוהה יותר לירידה בהשקעות בשל התלות הגבוהה בהשקעות ארוכות טווח, עובדה המשפיעה על היכולת להקים חברות חדשות בתחום הבריאות.
• קושי בהטמעה חברות ישראליות רבות נתקלות בקושי בהטמעת מוצריהן בשוק המקומי בין היתר עקב הדרישות הרגולטוריות ומגבלות תקציב של ארגוני הבריאות.
• קושי בחדירה לשוק הבינלאומי – שווקי היעד כוללים ארגוני בריאות ומבטחים בעלי מאפיינים שונים ומגוונים, ונדרשת הכרות מעמיקה עם הדרישות המקומיות בכל שוק. כמו כן, זהו שוק שמרני המתאפיין במחזורי מכירה ארוכים במיוחד.

על רשות החדשנות לספק מנגנון לצמצום החסמים לחדירה לשוק באמצעות תמיכה בחברות בשלבי Seed ו-Round A במסלולים המממנים הוכחת ערך קליני־כלכלי, יצירת סביבות ניסוי עם מעטפת ליווי רגולטורי מתאימה, ותמרוץ ארגוני בריאות לאימוץ פתרונות חדשים באופן שיאפשר יצירת RWD ו-RWE. בנוסף, יצירת שיתופי פעולה עם שחקנים מרכזיים בשווקי היעד כדוגמת ארגוני בריאות מובילים כדי לסייע לחברות בביצוע פילוטים ובחדירה לשוק.

צעדי מדיניות והזדמנויות

כדי לממש את הפוטנציאל בתחום, מומלץ כי רשות החדשנות תפעל בשני מישורים משלימים: מיצוי מיטבי של ההשקעות, התשתיות והנכסים שכבר נבנו בישראל, לצד קידום הדור הבא של הטכנולוגיות והיישומים. מומלץ לפעול בארבעה ערוצים עיקריים:

1. תשתיות, דגימות ודאטה לאימון מודלי AI:

• איחוד והנגשה אפקטיבית יותר של נכסי דאטה קליניים באמצעות מעבר מתשתיות מבוזרות לתשתית אחודה (פיזית או וירטואלית, לרבות באמצעות טכנולוגיות כדוגמת (federated learning, וכן קידום סטנדרטיזציה והתאמה לפיתוח מודלי AI.  
• יצירת "בתי חרושת" המייצרים נתונים עשירים ובסטנדרט ואיכות גבוהה לאימון מודלי AI באמצעות שילוב בין תשתיות גיוס מתנדבים בריאים ו/או חולים, מעבדות לניטור ומדידה לאיסוף נתונים פיזיולוגים, מוחיים, התנהגותיים ועוד, תשתיות לאחסון ומחקר בנתונים, ביו בנקים לאיסוף ואחסון דגימות קליניות וביולוגיות, מרכזי שרות לעיבוד דגימות לתמיכה במחקרי multi-omics, ומעבדות ומרכזי מחקר לפיתוח ואימון מודלים מתקדמים.  

2. אקוסיסטם חזק ותומך:

• תמיכה בהקמת סביבה קלינית "חכמה" (native AI) שתאפשר לתעשיה לבחון ולהטמיע פתרונות AI חדשים ולאסוף RWD (real world data) ו-RWE (real world evidence) שידגימו יעילות, בטיחות והוכחת ערך כלכלית ויסללו את הדרך ללקוחות פוטנציאליים בשוק הבינלאומי, תוך ניצול המאפיינים היחודיים של האקוסיסטם שנוצר בארץ סביב חדשנות בבריאות, המוכנות והפתיחות הגבוהה של ארגוני הבריאות לבחינה ואימוץ טכנולוגיות חדשניות, תוכנית ה-sandbox לליווי וגיבוש רגולציה מתקדמת, וההרתמות הגבוהה ליצירת שיתופי פעולה בין בעלי העניין השונים.  
• קידום מרכזי מחקר מולטי-דיסיפלינארים באקדמיה להשקעה בדורות הבאים של חוקרים, קביעת תקנים אקדמיים מתאימים לתחום, בפיזור גאוגרפי ומוסדי, חיזוק שיתופי פעולה בין אוניברסיטאות, מחלקות שונות וגופים רפואיים.

3. טכנולוגיות פורצות דרך:

מומלץ לתמוך במיזמים ובמרכזי מחקר מולטי־דיסיפלינריים, המשלבים מומחיות טכנולוגית, קלינית ומדעית, בתתי-תחומים שבהם לישראל עשוי להיות יתרון יחסי:

• מעבר ממערכות תומכות החלטה לכיוון של מערכות סמי-אוטונומיות ואוטונומיות במערכות רובוטיקה וניווט לניתוחים תוך ניצול הידע הנצבר בארץ בתחום האזרחי והבטחוני. 
• קידום פיתוח טכנולוגיות Edge AI עבור סנסורים לבישים, שתלים חכמים, ננו רובוטים, ורפואת שדה. טכנולוגיות אלו משמשות גם לישומי קצה בתחום הבטחוני ובכך מתאפשרת הפריה הדדית.  
• עידוד פיתוח foundation models לעולמות הביולוגיה וה-multi-omics, תוך ניצול תשתיות איסוף הדגימות והדאטה בארץ, המחקר האקדמי המוביל, הפעילות התעשייתית העניפה, וכח האדם הרב במקצועות המשלבים ביולוגיה עם מדעי הנתונים, מדעי המחשב והנדסה. תחום זה נמצא בתחילת הדרך ומהווה אתגר עולמי משמעותי.
• עידוד פיתוח טכנולוגיות ממשק מוח מכונה לישומים של בריאות הנפש, העצמה חושית ומערכות סמי-אוטונומיות תוך ניצול הפעילות האקדמית והתעשייתית הענפה בתחום המוח והקוגניציה, דאטה ייחודי ממרכזי בריאות הנפש והחוסן וכן הפעילות בתחום הבטחוני. 
• עידוד פיתוח כלי AI לגילוי ופיתוח תרופות – תחום שבו שילוב כלי AI מקטין את המשאבים הנדרשים לפיתוח ומספק יותר אפשרויות פעולה לתעשייה הישראלית. 
• עידוד פעילות בתחום הסייבר הרפואי – שתאפשר להרחיב את יכולותיה המובילות של תעשיית הסייבר הישראלית לעולמות הבריאות. 

4. חברות מובילות: 

• קידום חברות בעלות תשתית ארגונית חזקה, יכולת צמיחה ארוכת טווח, המעסיקות כח אדם מולטי־דיסיפלינרי הכולל מומחי AI, קלינאים בעלי הבנה עמוקה בצרכים הרפואיים, מומחי רגולציה ומובילים עסקיים עם הכרות טובה של שווקי היעד. חברות אלו יפתחו מוצרים מבוססי AI עם עומק טכנולוגי/מדעי ויתרון תחרותי ותרבות של המשך מחקר ופיתוח. חברות אלו לא יהיו חברות של מוצר יחיד אלא ימשיכו לבצע מחקר ופיתוח טכנולוגי, יצברו מומחיות וישמרו על מקומן בחזית הטכנולוגית העולמית. 
• יצירת תמריצים למשקיעים אסטרטגיים להקטנת הסיכון עבור משקיעים פיננסיים.  
• תמיכה בהמשך פעילות של מחקר ופיתוח בחברות קיימות, במטרה לשמר את מיקומם בחזית הטכנולוגית, להרחיב את סל המוצרים ולשפר את יכולתן להתבסס בשוק. 
  

אינדיקטורים להצלחה

מדדי ההצלחה צריכים לבטא לא רק את מספר החברות או היקף ההשקעות, אלא גם את היכולת של המערכת הישראלית לייצר אימוץ, תיקוף, השפעה קלינית ותשתית תומכת לאורך זמן. מדדים מרכזיים להצלחה בטווח של כחמש שנים: מספר חברות בתחום שהגיעו להכנסות משמעותיות, היקף ההשקעות בתחום, מספר ארגוני בריאות המשתמשים בטכנולוגיות AI, מספר ארגוני בריאות הפועלים כארגונים "חכמים" או AI-native, מספר מרכזי מחקר מולטי-דיסיפלינריים פעילים, מספר שיתופי פעולה אסטרטגיים עם ענקיות טכנולוגיה, ומספר חברות שעוסקות בעיבוד מידע ביולוגי רב שכבתי. מדדים אלה מאפשרים לבחון לא רק את צמיחת התעשייה, אלא גם את עומק האימוץ, את התפתחות התשתית ואת היכולת של ישראל לייצר השפעה מערכתית לאורך זמן.

לצד אלה, עולה כי יש חשיבות גם למדדי מערכת רחבים יותר: קיומם של KPI לאומיים לאימוץ טכנולוגיות מבוססות AI, שקיפות בדיווחים על יישומי AI והשפעתם, מסגרות מדידה של איכות קלינית, בטיחות ו-ROI, וכן יכולת לייצר מסלול מעבר מובנה מפיילוטים לאימוץ רחב. מדדי הצלחה כאלה יכולים לסייע לבחון בתוך מספר שנים האם ישראל הצליחה לא רק לפתח טכנולוגיות, אלא גם לבסס תשתית מערכתית המאפשרת הטמעה, הוכחת ערך וצמיחה מתמשכת.