ΤΕΧΝΗΤΗ ΝΟΗΜΟΣΥΝΗ: Η τεχνητή νοημοσύνη στην υγεία δεν αποτελεί πλέον υπόσχεση αλλά εφαρμοσμένη πραγματικότητα, κάτι που περιγράφει συστηματικά η Καθηγήτρια Επιδημιολογίας και Προληπτικής Ιατρικής της Ιατρικής Σχολής ΕΚΠΑ, Θεοδώρα Ψαλτοπούλου, σε άρθρο της στο ygeiamou.gr όπου αναλύει τα ευρήματα πρόσφατων διεθνών μελετών.
Επιμέλεια: Κατερίνα Θεοχάρη
Σύμφωνα με την ίδια, η αξιοποίηση τεχνολογικών μοντέλων στις δημόσιες δομές υγείας θα αποτελέσει κρίσιμο σημείο επανεκκίνησης του συστήματος, ειδικά μετά τις μεγάλες πιέσεις, όπως καταγράφονται στα στοιχεία του Υπουργείου Υγείας. Η εφαρμογή τεχνητής νοημοσύνης δεν αφορά πλέον μόνο την έρευνα, αλλά εισέρχεται στην πρωτοβάθμια φροντίδα, στη διαγνωστική ακρίβεια και στη διαχείριση χρόνιων ασθενειών.
Η Καθηγήτρια εξηγεί ότι τα συστήματα AI συγκεντρώνουν και σταθμίζουν δεδομένα που δεν μπορούν να επεξεργαστούν γρήγορα οι γιατροί: απεικονιστικές εξετάσεις, ιστορικό ασθενών, γενετικά δεδομένα και δείκτες νοσηρότητας. Αυτό έχει αρχίσει να εφαρμόζεται σε μονάδες που συνδέονται με το ΕΚΠΑ, σε συνεργασία με ομάδες πληροφορικής υγείας. Η χρήση εξελιγμένων μοντέλων προβλέψεων οδηγεί σε μείωση λαθών, ταχύτερη ιεράρχηση περιστατικών και καλύτερη αξιολόγηση της θεραπείας.
1. Η διάγνωση αλλάζει — λιγότερες υποθέσεις, περισσότερα δεδομένα
Σύμφωνα με την Ψαλτοπούλου, πλέον η διάγνωση βαριών νοσημάτων γίνεται μέσω πολυπαραγοντικών μοντέλων που ανιχνεύουν μοτίβα στη βιοχημική εικόνα του ασθενούς. Ένα χαρακτηριστικό παράδειγμα αφορά ογκολογικά περιστατικά υψηλής επιθετικότητας, όπου ο αλγόριθμος λειτουργεί ως δεύτερη γνώμη, μειώνοντας τα όρια ασάφειας.
Παλαιότερα, ένας γιατρός αναγκαζόταν να εκτιμήσει 25–30 βιοδείκτες, ενώ σήμερα μοντέλα AI επεξεργάζονται πάνω από 700. Αυτό σημαίνει πιο στοχευμένη φαρμακευτική αγωγή, μικρότερη καθυστέρηση στην έναρξη θεραπείας και έγκαιρη ανίχνευση υποτροπών.
2. «Έξυπνα» νοσοκομεία και λιγότερη γραφειοκρατία
Η τεχνητή νοημοσύνη δεν λειτουργεί σε θεωρητικό επίπεδο αλλά εντάσσεται στη διοικητική λειτουργία. Πιλοτικά, σύμφωνα με υπηρεσίες που συνδέονται με τον ΕΟΔΥ, έχουν ενεργοποιηθεί διαδικασίες:
✔ αυτόματης ταξινόμησης περιστατικών
✔ ειδοποίησης για κινδύνους επιπλοκών
✔ ψηφιακής αξιολόγησης εξετάσεων
Φάκελοι ενημερώνονται αυτόματα, μειώνοντας ανθρώπινα λάθη. Το αποτέλεσμα, όπως αναφέρει η καθηγήτρια, είναι ότι οι γιατροί περνούν λιγότερο χρόνο στη γραμματειακή καταχώρηση και περισσότερο στην πραγματική κλινική πράξη.
3. Προσωποποιημένη θεραπεία — όχι όλοι στην ίδια αγωγή
Στην παγκόσμια ιατρική κοινότητα υπάρχει μετατόπιση από την «γενική οδηγία» στην «ακριβή φροντίδα». Αυτό σημαίνει:
• επιλογή φαρμάκου ανά άνθρωπο
• πρόβλεψη αντοχής στη φαρμακευτική αγωγή
• ταχύτερη προσαρμογή θεραπείας
Δεδομένα που συλλέχθηκαν από προγράμματα που παρακολουθεί η Ελληνική Στατιστική Αρχήαποδεικνύουν ότι η εξατομίκευση μειώνει κατά 14% τις πιθανότητες επανεισαγωγής ασθενών σε νοσοκομεία.
4. Μικρές δομές υγείας μπαίνουν στην ψηφιακή εποχή
Το πρόβλημα, σύμφωνα με την Ψαλτοπούλου, είναι ότι το σύστημα δεν ήταν ισότιμο. Η πρόσβαση σε AI δεν μπορεί να αφορά μόνο μεγάλα αστικά νοσοκομεία. Στο πλαίσιο αυτό έχουν δημιουργηθεί νέες δράσεις συνεργασίας με τον ΕΟΠΥΥ, με στόχο:
◼ ενιαία βάση δεδομένων χρόνιων ασθενών
◼ ψηφιακή αξιολόγηση συνταγών
◼ ταχύτητα στα ραντεβού
Παράλληλα, επιταχύνεται η ψηφιοποίηση φαρμακευτικών δεδομένων και τα ασφαλιστικά ταμεία ενημερώνονται σε πραγματικό χρόνο.
5. Η εκπαίδευση των γιατρών
Η Ψαλτοπούλου τονίζει ότι το πιο κρίσιμο σημείο δεν είναι η μηχανή, αλλά ο γιατρός που την χρησιμοποιεί. Για αυτό:
• στο μεταπτυχιακό πρόγραμμα κλινικής επιδημιολογίας
• σε συνεργασία με το Διαύγεια
εντάσσεται εκπαίδευση στη διαχείριση αλγοριθμικών συστημάτων, στην αξιολόγηση κλινικών δεδομένων και στην δεοντολογία χρήσης AI.
Η καθηγήτρια σημειώνει:
«Ο γιατρός δεν αντικαθίσταται — αναβαθμίζεται. Η AI δεν βλέπει τον άνθρωπο, βλέπει τα δεδομένα του. Το βάρος της απόφασης παραμένει στον επιστήμονα».
6. Η μεγάλη αλλαγή — η πρόληψη πριν την ασθένεια
Τα νέα συστήματα δεν αναλύουν μόνο ασθενείς. Εφαρμογές κινητών καταγράφουν:
● διατροφή
● καρδιακή λειτουργία
● ύπνο
● συνήθειες
Αυτά τα δεδομένα μετατρέπονται σε στατιστικά μοντέλα. Με απλά λόγια, μια εφαρμογή μπορεί να εντοπίσει επερχόμενη απορρύθμιση υγείας 20 ημέρες πριν αυτή συμβεί.
Συμπέρασμα της καθηγήτριας
Η Ελλάδα έχει το ανθρώπινο δυναμικό να εξελιχθεί σε κέντρο κλινικών δεδομένων και τεχνολογικής υγείας. Η Ψαλτοπούλου καταλήγει:
«Το ζητούμενο δεν είναι εάν θα υιοθετήσουμε την Τεχνητή Νοημοσύνη. Είναι εάν θα την εφαρμόσουμε ισότιμα, ασφαλώς και με γνώμονα την ανθρώπινη αξιοπρέπεια».
Μετά τα πρώτα επιτυχημένα πιλοτικά βήματα, το στοίχημα είναι εθνικό:
να γίνει η υγεία ψηφιακή, προσβάσιμη και ακριβής — και ο ασθενής να αντιμετωπίζεται ως μονάδα, όχι ως στατιστική.
