A mesterséges intelligencia alkalmazása az egészségügyben az utóbbi néhány év alatt jelentősen elterjedt. Van rá tengerentúli kutatás, az USA Orvosszövetségének (AMA) 2026-os felmérése szerint az amerikai orvosok 81 százaléka használ valamilyen AI-alapú eszközt a praktizálása során, míg 2023-ban ez az arány még csak 38 százalék volt. A válaszadók 39 százaléka kutatások és szakmai irányelvek összefoglalásához, 30 százaléka kezelési tervek és záródokumentumok elkészítéséhez, 28 százaléka pedig az orvosi dokumentációhoz vesz igénybe a technológiát.
A gyors terjedéssel azonban egy kevésbé látványos probléma is napvilágra került. A legkorszerűbb algoritmus sem képes megbízható következtetést levonni, ha az rendelkezésére álló betegadatok hibásak, hiányosak vagy nem a megfelelő személyhez tartoznak.
Bob Stanley, az adatminőség-kezeléssel foglalkozó Melissa vállalat szakértője a Healthcare IT Today oldalán megjelent elemzésében arra figyelmeztetett, hogy az egészségügyi AI-rendszerek megbízhatóságát nem elegendő a modellek teljesítményével mérni. Legalább ilyen fontos azt is ellenőrizni, hogy az algoritmus milyen minőségű információkból dolgozik.
Egy elírt név, duplikált betegrekord vagy elavult lakcím korábban elsősorban adminisztrációs problémát jelentett. Az automatizált rendszerekben azonban az ilyen hibák tömegesen befolyásolhatják a döntéseket. Különösen veszélyes, ha a beteg gyógyszerelési előzményei hiányosak, helytelen adagolás szerepel a nyilvántartásban, vagy nem rögzítették valamelyik gyógyszerallergiáját. Ilyen esetben az AI hiába dolgozza fel technikailag kifogástalanul a rendelkezésére álló adatokat, akár súlyos hibás következtetésre is juthat, amiért egy bocsánatkérés nem feltétlen lesz elegendő. A probléma pedig korántsem az algoritmus működésében, hanem a beteg digitális reprezentációjában keresendő.
A Melissa saját ügyféladatain végzett elemzései szerint a betegnyilvántartásokban 8-10 százalékos duplikációs arány is előfordulhat. Ez egymillió rekord esetében akár 80-100 ezer többszörösen szereplő bejegyzést jelenthet. Tény, hogy mivel az adathalmaz a vállalat ügyfélköréből származik, így nem tekinthető az egész egészségügyi ágazatra érvényes mutatónak, de azért bőven érzékelteti a probléma lehetséges nagyságrendjét.
Profi-e az eProfil?
Hazánkban az Elektronikus Egészségügyi Szolgáltatási Tér (EESZT) kapcsolja össze országos szinten a háziorvosi ellátást, a szakrendelőket, a kórházakat és a gyógyszertárakat. A rendszerben elérhetők többek között az elektronikus receptek, a beutalók, a zárójelentések és az egészségügyi dokumentumok.
Az EESZT egyik fontos eleme az eProfil, amely a beteg tartós vagy ritkán változó egészségügyi jellemzőit, például ismert betegségeit, allergiáit és gyógyszerérzékenységeit tartalmazhatja. Ezek az adatok sürgősségi helyzetben akár életmentők is lehetnek.
A központi hozzáférés ugyanakkor önmagában nem garantálja az információk teljességét és pontosságát. Az egyes egészségügyi szolgáltatók eltérő rendszereket használnak, még házon belül sem működnek együtt az egyes silók, ezt tetézi, hogy a dokumentáció jelentős része szabad szöveges formában keletkezik, és az adatok naprakészen tartása továbbra is az ellátási folyamatokhoz kötött. Ez különösen fontos, ha ráengedjük az AI-t. Egy automatizált döntéstámogató rendszernek nemcsak azt kell felismernie ugyanis, hogy egy adott beteghez milyen rekordok és dokumentumok tartoznak, hanem azt is, hogy a bennük szereplő információk közül melyek aktuálisak, mennyire validak vagy hiányosak.
A magyar egészségügyi digitalizáció következő kihívása ezért nem az adatok összekapcsolása, hanem azok géppel értelmezhető, ellenőrzött és megfelelő jogosultságok mellett felhasználható formába rendezése lehet. Az EESZT-ben történő adattárolás és az AI-célú adatfelhasználás ugyanis nem ugyanaz: utóbbinál az adatvédelmi, hozzáférési és felhasználási feltételeket is külön vizsgálni kell.
Az adatminőség a bevezetés feltétele
Stanley szerint az egészségügyi intézményeknek már a betegregisztráció során ellenőrizniük kellene az azonosító adatokat, majd folyamatosan figyelniük a duplikációkat, az egymásnak ellentmondó és az elavult információkat egyaránt.
A gyógyszeradagolás, az esetleges allergiák és a betegségek nyilvántartásának rendszeres felülvizsgálata mellett az AI-rendszerek bevezetését adatminőségi auditnak is meg kellene előznie. Az adatkapcsolási hibákat pedig nem egyszerű adminisztratív hiányosságként, hanem potenciális betegbiztonsági incidensként indokolt kezelni.
Az Európai Unió mesterséges intelligenciáról szóló rendelete, az AI Act szintén szigorú követelményeket támaszt a magas kockázatú AI-rendszerekkel szemben. Az alkalmazási területtől és a besorolástól függően ezek között szerepel az adatminőség, a kockázatkezelés, a dokumentálhatóság és az emberi kontroll biztosítása. A hibás betegadatokat ugyanis az automatizálás nem javítja ki magától: megfelelő ellenőrzés nélkül gyorsabban és szélesebb körben terjesztheti tovább a tévedéseket.
