Dirbtinio intelekto diagnostika medicinoje: galimybės ir ribos

Dirbtinio intelekto (DI) diagnostika medicinoje per pastaruosius kelerius metus iš nišinės technologijos tapo kasdienybe didžiosiose ligoninėse. 2026 m. jau kalbame ne apie tai, ar DI bus naudojamas, o kaip tai daryti saugiai, etiškai ir pacientui naudingai.

Kas yra dirbtinio intelekto diagnostika?

DI diagnostika – tai medicininių duomenų (vaizdų, laboratorinių tyrimų, EKG, e. sveikatos įrašų) analizė algoritmais, kurie atpažįsta dėsningumus ir padeda nustatyti ligas arba jų riziką. Dažniausiai naudojami:

• Gilusis mokymasis – neuroniniai tinklai, analizuojantys vaizdus (rentgenas, KT, MRT, mamografija).
• Mašininis mokymasis – modeliai, prognozuojantys riziką (infarktas, insultas, sepsis).
• Natūralios kalbos apdorojimas – algoritmai, analizuojantys laisvos formos gydytojų įrašus.

Svarbu suprasti: DI nėra „stebuklingas gydytojas kompiuteryje“. Tai įrankis, padedantis specialistams greičiau ir tiksliau priimti sprendimus, bet ne juos pakeičiantis.

Pagrindiniai privalumai gydytojams ir pacientams

1. Ankstyvesnė ligų diagnostika

DI modeliai dažnai pastebi subtilius pokyčius, kurių plika akimi sunku įžvelgti:

• plaučių vėžio židiniai ankstyvose KT nuotraukose;
• diabetinės retinopatijos požymiai akių dugno nuotraukose;
• mikroinfarktai širdies MRT.

Ankstyva diagnostika tiesiogiai didina išgyvenamumą ir mažina gydymo kainą.

2. Greitis ir mažesnė klaidų rizika

DI gali per kelias sekundes peržiūrėti šimtus vaizdų ar tyrimų atsakymų. Tai ypač svarbu:

• skubios pagalbos skyriuose (pvz., greitas insulto požymių atpažinimas KT);
• naktinėse pamainose, kai radiologų trūksta;
• didelę apkrovą patiriančiose ligoninėse.

Algoritmai nepavargsta, nepatiria streso ir nedaro „žmogiškų“ klaidų dėl nuovargio. Tačiau jie gali klysti dėl blogų duomenų ar netinkamo apmokymo – todėl žmogaus kontrolė išlieka būtina.

3. Individualizuota medicina

DI leidžia analizuoti ne tik pavienį tyrimą, bet ir visą paciento „istoriją“:

• ankstesnius vizitus ir diagnozes;
• laboratorinių tyrimų dinamiką;
• vaistų vartojimą ir šalutinius poveikius;
• gyvensenos veiksnius (rūkymas, fizinis aktyvumas ir kt.).

Taip kuriami rizikos modeliai, kurie padeda parinkti labiausiai tikėtiną diagnozę ir tinkamiausią gydymo strategiją konkrečiam žmogui.

Kur DI diagnostika jau realiai naudojama?

Radiologija ir medicininiai vaizdai

Radiologija – viena labiausiai DI transformuojamų sričių. Šiuo metu plačiai diegiamos sistemos, kurios:

• automatiškai pažymi įtartinas sritis rentgeno, KT, MRT, mamografijos vaizduose;
• įvertina navikų dydį ir tūrį, palygina su ankstesniais tyrimais;
• padeda atskirti gerybinius ir piktybinius darinius.

Tyrimai rodo, kad kai kurie DI modeliai mamografijoje pasiekia radiologo lygio jautrumą, o dirbant kartu (žmogus + DI) klaidų skaičius sumažėja dar labiau.

Kardiologija ir širdies ligų rizikos vertinimas

Kardiologijoje DI padeda:

• analizuoti EKG ir aptikti aritmijas, kurių nepastebi standartiniai algoritmai;
• prognozuoti širdies nepakankamumo paūmėjimus remiantis išmaniaisiais įrenginiais ir implantuojamais prietaisais;
• įvertinti koronarinės širdies ligos riziką pagal vaizdinius ir laboratorinius duomenis.

Tokios sistemos jau diegiamos universitetinėse ligoninėse Europoje ir Šiaurės Amerikoje, o jų tikslumas nuolat gerėja dėl augančių duomenų bazių.

Onkologija: nuo atrankos iki gydymo planavimo

Onkologijoje DI padeda ne tik aptikti navikus, bet ir:

• analizuoti naviko genetinį profilį ir prognozuoti atsaką į taikinių terapiją;
• parinkti optimalias spindulinės terapijos dozes ir laukus;
• sekti gydymo efektyvumą ir anksti pastebėti atkryčius.

Vis dažniau DI įtraukiamas ir į klinikinių tyrimų dizainą, padedant atrinkti tinkamiausius pacientus naujiems vaistams.

Laboratorinė diagnostika ir patologija

Patologijos laboratorijose DI analizuoja skaitmeninius histologinius pjūvius:

• skaičiuoja ląsteles, vertina proliferacijos indeksą;
• padeda klasifikuoti navikų tipus;
• aptinka mikroinvazijas ir metastazes limfmazgiuose.

Laboratorinėje diagnostikoje algoritmai taip pat padeda atpažinti netipinius rezultatų derinius, kurie gali rodyti retas ar sudėtingas būkles.

Kaip veikia medicininiai DI algoritmai?

Duomenų rinkimas ir paruošimas

Kokybiška DI diagnostika prasideda nuo duomenų. Reikalinga:

• didelis kiekis žymėtų vaizdų ar tyrimų, kuriuos įvertino ekspertai;
• anonimizavimas – paciento tapatybės apsauga pagal BDAR ir nacionalinius teisės aktus;
• duomenų balansas – kad modelis būtų tikslus skirtingoms amžiaus grupėms, lytims, etninėms grupėms.

Mokymas ir validacija

Modeliai mokomi ant dalies duomenų, o tikrinami su kitais, nematytais duomenimis. Svarbiausi rodikliai:

• jautrumas – kiek sergančiųjų teisingai atpažįstama;
• specifiškumas – kiek sveikų teisingai identifikuojama kaip sveiki;
• klaidingai teigiami / neigiami – praktikoje ypač svarbūs pacientui.

Reguliuotojai (pvz., ES Medicinos prietaisų reglamentas, DI aktas) vis griežčiau vertina, kaip šie modeliai kuriami ir tikrinami.

Integracija į klinikinį darbą

Net ir puikus algoritmas be tinkamos integracijos bus nenaudingas. Reikia:

• patogios sąsajos gydytojams (aiški, suprantama išvestis);
• derinimo su e. sveikatos sistemomis ir PACS;
• aiškiai apibrėžtų atsakomybių – kas priima galutinį sprendimą.

Praktikoje DI dažniausiai veikia kaip „antra nuomonė“ arba automatinis pirminis atrankos filtras.

Rizikos, ribotumai ir etiniai klausimai

Duomenų šališkumas ir neteisybė

Jei modelis mokomas su duomenimis, kuriuose vyrauja viena populiacija (pvz., tam tikras amžius ar etninė grupė), jis gali būti mažiau tikslus kitoms grupėms. Tai gali lemti:

• neteisingas diagnozes;
• vėluojančią ligų diagnostiką;
• nelygybę sveikatos priežiūroje.

Todėl vis dažniau reikalaujama viešai skelbti, su kokiais duomenimis modeliai buvo mokomi ir kaip tikrinamas jų teisingumas skirtingoms grupėms.

„Juodosios dėžės“ problema

Daugelis giliojo mokymosi modelių veikia kaip „juodoji dėžė“ – jie pateikia atsakymą, bet ne visada aišku, kodėl. Medicinoje tai kelia klausimų:

• kaip pagrįsti diagnozę pacientui;
• kas atsakingas už klaidą – gydytojas ar algoritmo kūrėjas;
• kaip tikrinti ir audituoti sistemą.

Dėl to sparčiai vystoma paaiškinamo DI (angl. Explainable AI, XAI) kryptis – siekiama, kad modeliai ne tik pateiktų sprendimą, bet ir paaiškintų, kokius požymius laikė svarbiausiais.

Privatumas ir duomenų apsauga

Medicininiai duomenys – ypač jautrūs. Kuriant DI diagnostikos sistemas būtina:

• griežtai anonimizuoti duomenis;
• naudoti šifravimą ir prieigos kontrolę;
• užtikrinti, kad duomenys nebūtų naudojami kitais tikslais be paciento sutikimo.

ES lygmeniu BDAR ir naujasis DI aktas nustato aiškias ribas, kaip galima naudoti sveikatos duomenis DI modeliams mokyti.

Teisinis reguliavimas ir standartai

2024–2026 m. laikotarpiu Europos Sąjunga priėmė kelis svarbius dokumentus, kurie tiesiogiai paliečia DI diagnostiką:

• ES DI aktas – priskiria medicininius DI sprendimus „didelės rizikos“ sistemoms, joms taikomi griežti skaidrumo ir saugos reikalavimai;
• Medicinos prietaisų reglamentas (MDR) – DI sistemos, naudojamos diagnostikai, laikomos medicinos prietaisais ir turi gauti CE ženklinimą;
• BDAR – reglamentuoja, kaip galima naudoti asmens sveikatos duomenis modelių mokymui.

Lietuvoje DI diegimą sveikatos sistemoje koordinuoja Sveikatos apsaugos ministerija ir universitetinės ligoninės, kurios dalyvauja tarptautiniuose pilotiniuose projektuose.

Kaip DI keis gydytojo vaidmenį?

DI ne panaikins gydytojo profesijos, o ją transformuos:

• mažiau rutininio vaizdų „skanavimo“, daugiau – sudėtingų klinikinių sprendimų;
• daugiau dėmesio pacientui, jo baimėms ir lūkesčiams;
• nauji įgūdžiai – suprasti, vertinti ir prižiūrėti DI sistemas.

Jau dabar medicinos studijų programose atsiranda DI, duomenų analizės ir skaitmeninės sveikatos moduliai, o gydytojams organizuojami mokymai, kaip kritiškai vertinti algoritmų pasiūlymus.

Ko tikėtis artimiausiais metais?

Per artimiausius 3–5 metus tikėtini keli aiškūs pokyčiai:

• DI diagnostika taps standartine radiologijos ir kardiologijos darbo dalimi;
• daugės integruotų sprendimų šeimos medicinoje (ankstyva rizikų atranka pirminėje grandyje);
• griežtės reikalavimai skaidrumui ir klinikiniams tyrimams prieš diegiant naujus algoritmus;
• atsiras daugiau vietinių (regioninių) modelių, pritaikytų konkrečiai populiacijai.

Pacientams tai reikš greitesnę, tikslesnę ir labiau individualizuotą diagnostiką, jei tik bus išlaikytas aiškus žmogaus – gydytojo – vaidmuo sprendimų grandinėje.

Išvados

Dirbtinio intelekto diagnostika medicinoje jau nėra futuristinė vizija – tai realybė, kuri 2026 m. sparčiai plinta ir Lietuvoje. DI gali padėti anksti aptikti ligas, sumažinti klaidų skaičių ir palengvinti gydytojų darbą, tačiau kartu kelia iššūkių dėl privatumo, šališkumo ir atsakomybės.

Svarbiausia – žiūrėti į DI kaip į galingą, bet ribotą įrankį. Jis turėtų stiprinti gydytojo ir paciento santykį, o ne jį pakeisti. Ten, kur išlieka žmogaus sprendimas, empatija ir kritinis mąstymas, DI tampa tikru sąjungininku, o ne grėsme.

DUK: dažniausiai užduodami klausimai

Ar dirbtinis intelektas gali suklysti nustatant diagnozę?

Taip. Nors kai kurių sričių (pvz., vaizdų analizės) DI modeliai pasiekia ar net viršija žmogaus lygį, jie vis tiek gali klysti dėl prastų ar netipinių duomenų, techninių klaidų ar šališkumo. Todėl rimtoms diagnozėms patvirtinti būtina gydytojo apžiūra ir klinikinis vertinimas. DI turėtų būti laikomas pagalbiniu įrankiu, o ne galutiniu sprendėju.

Kaip apsaugomi mano medicininiai duomenys, naudojami DI?

Medicininiai duomenys, naudojami DI modeliams mokyti, turi būti anonimizuoti – pašalinami vardai, pavardės, asmens kodai ir kiti identifikuojantys duomenys. ES BDAR ir nacionaliniai teisės aktai griežtai reglamentuoja, kokiu tikslu ir kiek laiko duomenys gali būti saugomi. Patikimi sveikatos priežiūros teikėjai ir technologijų partneriai naudoja šifravimą, prieigos kontrolę ir auditą, kad sumažintų nutekėjimo riziką.

Ar galiu atsisakyti, kad mano diagnostikoje būtų naudojamas DI?

Praktika gali skirtis priklausomai nuo įstaigos ir šalies reguliavimo, tačiau dažniausiai pacientas turi teisę būti informuotas, jei jo diagnostikoje naudojami DI sprendimai. Jei DI sistema yra esminė paslaugos dalis (pavyzdžiui, automatizuota vaizdų atranka), jos visiškai atsisakyti gali būti sudėtinga. Vis dėlto galite prašyti išsamaus gydytojo paaiškinimo, kaip priimamas galutinis sprendimas, ir, jei reikia, antros nepriklausomos nuomonės be DI pagalbos.