Orvosok, egészségügyi szakemberek és termékfejlesztők bevonásával dolgozik a Rényi AI kutatócsoport, hogy a hazai egészségügyi adatok feldolgozásával és hasznosításával értékes eszközöket kínáljanak az ágazat irányításához, az ellátásszervezéshez és a betegellátáshoz. Munkájuk végső nyertese a beteg lehet, aki gyorsabb diagnózist és célzottabb terápiát kaphat, jobb életminőséghez juthat, és kevesebb szövődménnyel kell számolnia.
Európai összehasonlításban is óriási adatvagyon halmozódott fel a magyar egészségügyben. A Nemzeti Egészségbiztosítási Alapkezelő (NEAK) több mint 15 évre visszamenőleg gyűjti az állam által finanszírozott ellátási eseményeket. Évente 50 millió járóbeteg-eset, több mint 2 millió fekvőbeteg-ellátás, tízmilliós nagyságrendű képalkotó és laborvizsgálat, valamint százmilliót meghaladó vénykiváltási adat keletkezik ebben a rendszerben. Ezzel párhuzamosan az Elektronikus Egészségügyi Szolgáltatási Tér (EESZT) 2017-es indulása óta több milliárd egészségügyi dokumentumot (ambuláns lapokat, zárójelentéseket, leleteket, e-recepteket) rögzített.
Ennek a gigantikus adathalmaznak az átláthatóvá tételén dolgozik a HUN-REN Rényi Alfréd Matematikai Kutatóintézetben a Rényi AI nevet viselő kutatócsoport Miklós Dezső főigazgató-helyettes irányításával. A mesterséges intelligencia ma már elérhetővé tette azokat az eszközöket (strukturált adatkinyerés, prediktív modellezés, hálózatelemzés), amelyek révén a strukturált és strukturálatlan adatok, a széttöredezett dokumentumtömeg elemezhető életút-adatbázissá alakítható. A csoportnak mára világos víziója és elemeire bontott megvalósítási terve van arra, hogyan lehet a magyar egészségügy gazdag, de jelenleg még alulhasznosított adatvagyonát valódi prevenciós, prediktív és döntéstámogató erőforrássá formálni.
A Rényi kutatói szerint a NEAK adatállománya alkalmas a hasonló betegéletutak megtalálására, a szűrőprogramok finomhangolására és protokolljainak pontosítására. A szűrések látogatottsága ugyanis radikálisan befolyásolja egy-egy régió adott betegségre visszavezethető (például prosztatadaganatos) halálozási arányait. Ha a rendszerből láthatóvá válnak az időbeli mintázatok, az ellátási módok vagy a rizikópontok, akkor a mesterséges intelligencia hosszabb távon képes arra, hogy egy adott beteg életútja alapján előre jelezze a kockázatos eseményeket – például egy elmaradó kontrollvizsgálat veszélyét.
Így a fejlesztés túlmutat az adatok átláthatóságának biztosításán és hozzájárulhat a tényadatokra támaszkodó szakmapolitikai döntések megalapozására. A cél a betegadatok betegéletúttá szervezése, majd ezek gyakorlati hasznosítása az egyéni betegellátásban, a klinikai döntéstámogatásban, az igazgatási folyamatokban és a népegészségügyben egyaránt. A háziorvosi rendelőben is megjelenhet a kezelőorvos képernyőjén egy áttekinthető, időrendbe szervezett kórtörténet, amelyet nemcsak a háziorvos, hanem a mentőszolgálat, az ügyelet vagy a szakorvos is azonnal használhatna.
A fejlesztés során létrehozandó szoftverek az egészségügy minden szintjére kínálnának döntéstámogató eszközöket. A lakosság részére precíziós szűrés és megelőzés válna elérhetővé; a betegellátásban a beteg teljes kórtörténetére épülő döntéstámogatás valósulna meg, lehetővé téve a precíziós orvoslást; az ágazatirányításban a tervezést, a kapacitás- és finanszírozási döntéseket adatvezérelt módon lehetne megvalósítani; és a kutatás is új MI-elemző eszközökhöz jutna az orvostudományi vizsgálatok elemzéséhez.
Forrás: HUN-REN Magyar Kutatási Hálózat, továbbította a Helló Sajtó! Üzleti Sajtószolgálat.
