«Από το κρεβάτι του ασθενούς… στο εργαστήριο»: Τι αλλάζει η τεχνητή νοσημοσύνη (AI) στη σύγχρονη ιατρική

Με δυο λόγια

Ο Ziad Obermeyer (NEJM, 2025) υποστηρίζει ότι η Τεχνητή Νοημοσύνη (AI) ξαναζωντανεύει μια παλιά αλλά δυνατή ιδέα: ξεκινάμε από τα πλούσια κλινικά δεδομένα του ασθενούς (εικόνες, ΗΚΓ, εργαστηριακά), βρίσκουμε νέα, σταθερά «μοτίβα» και μετά πηγαίνουμε στο εργαστήριο για να εξηγήσουμε γιατί συμβαίνουν — το λεγόμενο bedside-to-bench. Έτσι, η AI δεν είναι μόνο «κρυστάλλινη σφαίρα» πρόγνωσης· γίνεται γεννήτρια υποθέσεων που οδηγεί σε μηχανισμούς και θεραπείες.

Η βασική ιδέα, απλά

• Η ιατρική είναι ένα πολύπλοκο σύστημα με «στρώματα»: μόρια, κύτταρα, όργανα, συμπεριφορά, κοινωνικό πλαίσιο.

• Παραδοσιακά, προσπαθούμε από το εργαστήριο προς την κλίνη (bench-to-bedside). Συχνά όμως «κολλάμε» γιατί η μετάφραση είναι δύσκολη.

• Η AI επιτρέπει το αντίστροφο: ξεκινάμε από ό,τι βλέπουμε στους ασθενείς (π.χ. ακτινογραφίες, ΗΚΓ) και αφήνουμε τα αλγοριθμικά εργαλεία να αποκαλύψουν κρυμμένα σήματα που συσχετίζονται με κλινικά αποτελέσματα. Μετά, τα εργαστήρια εξηγούν τον μηχανισμό.

Παραδείγματα

• Πόνος γόνατος & ακτινογραφίες: Μοντέλο AI βρήκε «σήματα» στις ακτινογραφίες που εξήγησαν τον πόνο που δεν φαινόταν με τα κλασικά κριτήρια (Kellgren–Lawrence) — ιδίως σε μαύρους ασθενείς όπου υπήρχαν ιστορικά ανισότητες στην εκτίμηση του πόνου.

• Αιφνίδιος καρδιακός θάνατος & ΗΚΓ: Μοντέλα πρόβλεψης συνδυάστηκαν με «γενετικά» (generative) μοντέλα για να φτιάξουν υποθετικά ΗΚΓ υψηλού κινδύνου. Αυτό οδήγησε σε νέο δείκτη: «διάχυτη διασπορά του συμπλέγματος QRS στον χρόνο», που σχετίζεται με λεπτή ινώδη αναδιαμόρφωση στην αριστερή κοιλία (CMR). Δηλαδή, από την πρόβλεψη φτάσαμε σε μηχανισμό.

Γιατί να μας ενδιαφέρει

• Καλύτερη διάγνωση/στρωματοποίηση: Η AI αντλεί πληροφορία από «κανονικές» εξετάσεις (π.χ. μαστογραφίες, ΗΚΓ σε φλεβοκομβικό ρυθμό) και αναγνωρίζει τον κίνδυνο πριν γίνει ορατός.

• Ισότητα στην υγεία: Τα νέα σήματα μπορούν να μειώσουν ανεξήγητες διαφορές (π.χ. πόνος) όταν εκπαιδεύουμε σωστά τα μοντέλα σε ποικίλους πληθυσμούς.

• Από την πρόβλεψη στη θεραπεία: Τα «μοτίβα» της AI γίνονται υποθέσεις για μηχανισμούς → στόχοι για φάρμακα/παρεμβάσεις.

• Όχι αντικατάσταση, αλλά ενίσχυση: Η AI βοηθά να βλέπουμε ό,τι το ανθρώπινο μάτι/μυαλό χάνει στα «πολλά-διαστάσεων» δεδομένα. Ο γιατρός παραμένει υπεύθυνος για ερμηνεία και απόφαση.

Πρακτικά takeaways για κλινικούς

1. Ζητήστε το «πώς ξέρει»: Προτιμήστε μοντέλα με εξηγήσιμα χαρακτηριστικά (feature attribution, saliency) και κλινικά ελέγξιμα ευρήματα.

2. Επικύρωση στο δικό σας πληθυσμό: Τα μοντέλα είναι «τοπικά». Θέλουν εξωτερική επικύρωση και συνεχή επανεκπαίδευση (drift monitoring).

3. Από την πρόβλεψη στη δοκιμή: Μετατρέψτε ένα προγνωστικό σήμα σε πρωτόκολλο: στοχευμένη απεικόνιση, βιοδείκτες, μικρές παρεμβατικές μελέτες (N-of-1 όπου ταιριάζει).

4. Δίκαιη χρήση: Ελέγξτε την επίδοση ανά φύλο, ηλικία, φυλή/εθνότητα, κοινωνικούς προσδιοριστές. Διορθώστε bias στην εκπαίδευση/δειγματοληψία.

5. Συμπλήρωμα, όχι υποκατάστατο: Η AI δεν αρκεί για ανακάλυψη. Οι υποθέσεις της πρέπει να περνούν από κλασικό πειραματικό έλεγχο.

Τι σημαίνει για τους ασθενείς

• Η AI μπορεί να ανιχνεύσει κινδύνους νωρίτερα, να προτείνει πιο στοχευμένες εξετάσεις/θεραπείες και να μειώσει λάθη.

• Ο γιατρός σας δεν αντικαθίσταται: Χρησιμοποιεί τα εργαλεία AI για να πάρει καλύτερες, εξατομικευμένες αποφάσεις μαζί σας.

Όρια & σωστή στάση

• Τα μοντέλα μπορεί να «δουλεύουν» χωρίς να ξέρουμε γιατί. Ο στόχος είναι να γίνουν σκαλοπάτι προς κατανόηση, όχι «μαύρο κουτί» που υπαγορεύει πράξεις.

• Απαιτούνται δεοντολογία, ιδιωτικότητα, διαφάνεια, και διαδικασίες ποιοτικού ελέγχου όπως σε κάθε ιατροτεχνολογικό προϊόν.

Συμπέρασμα

Η AI φέρνει πίσω μια επιστήμη της κλινικής πράξης: από την παρατήρηση στον ασθενή → σε νέα δεδομένα/μοτίβα → σε μηχανισμούς και θεραπείες. Αν τη χρησιμοποιήσουμε σωστά, θα ενισχύσει τον κλινικό νου — δεν θα τον αντικαταστήσει.

Το άρθρο επιμελήθηκε ο Παθολόγος Ηρακλής Αβραμόπουλος
Διευθυντής Παθολογικής Κλινικής Νοσοκομείο Υγεία
Ιατρείο: Νεαπόλεως 9 Μαρούσι 15123
Τηλ: 6944881577, 210 6867060

Βιβλιογραφία

• Obermeyer, Z. (2025). Bedside to bench — AI and the new science of medicine. The New England Journal of Medicine, 393(23), 2287–2289. https://doi.org/10.1056/NEJMp2510203

• Rees, J. (2002). Complex disease and the new clinical sciences. Science, 296(5568), 698–700. https://doi.org/10.1126/science.296.5568.698

• Pierson, E., Cutler, D. M., Leskovec, J., Mullainathan, S., & Obermeyer, Z. (2021). An algorithmic approach to reducing unexplained pain disparities in underserved populations. Nature Medicine, 27, 136–140. https://doi.org/10.1038/s41591-020-01192-7

• Chomsky, N. (2009). The mysteries of nature: How deeply hidden? The Journal of Philosophy, 106(4), 167–200. https://doi.org/10.5840/jphil2009106415

• Vafa, K., Chang, P. G., Rambachan, A., & Mullainathan, S. (2025). What has a foundation model found? Using inductive bias to probe for world models (Preprint). arXiv. https://arxiv.org/abs/2507.06952

• Sharma, L., Song, J., Felson, D. T., Cahue, S., Shamiyeh, E., & Dunlop, D. D. (2001). The role of knee alignment in disease progression and functional decline in knee osteoarthritis. JAMA, 286(2), 188–195. https://doi.org/10.1001/jama.286.2.188