Generatív mesterséges intelligencia az alapellátásban: jobb dokumentáció, változatlan kezelési kimenetel

Háttér

Az alacsony és közepes jövedelmű országok alapellátásában az orvoshiány és a szakmai konzultáció korlátozott lehetősége növelheti a diagnosztikus és terápiás hibák kockázatát. A nagy nyelvi modellek ígéretes döntéstámogató eszközök, azonban valós, erőforráshiányos környezetben történő alkalmazásukról kevés prospektív adat áll rendelkezésre. A Nature Medicine-ben nemrég megjelent kutatásban azt vizsgálták, hogy egy generatív mesterséges intelligencián alapuló rendszer javítja-e az alapellátás minőségét és a rövid távú betegkimeneteleket. 

Módszerek

A pragmatikus, klaszter-randomizált vizsgálatot Kenya 16 városi alapellátó intézményében végezték. A résztvevőket 1:1 arányban véletlenszerűen két csoportra osztották, a randomizáció egysége 103 középszintű klinikai szakember volt.
A kenyai „clinical officer” önálló betegellátást végző, de nem orvosi diplomával rendelkező egészségügyi szakember. Hároméves klinikai képzésben részesül, és az alapellátásban vizsgálhat, diagnózist állíthat fel, kezelést rendelhet el, illetve szükség esetén továbbküldheti a beteget. A szerepkör nagyjából az orvos és az ápoló közötti kompetenciaszintnek felel meg, de egyik magyar munkakörrel sem azonosítható pontosan. (a szerk.)
Mindkét csoport ugyanazt az elektronikus dokumentációs rendszert használta, de az intervenciós csoportban az elektronikus dokumentációs rendszerbe integrált, GPT-4o-alapú klinikai döntéstámogató modul, az AI Consult 2.0 automatikusan elemezte a rögzített adatokat, majd diagnosztikus és terápiás javaslatokat, valamint súlyosság szerint jelzett figyelmeztetéseket adott. Az ellátók a javaslatokat módosíthatták vagy figyelmen kívül hagyhatták. Az elsődleges végpont a 14 napon belüli kezelési kudarc volt, beleértve a nem szűnő panasz miatti ismételt megjelenést, a nem tervezett magasabb szintű ellátást, illetve a diagnosztikus, terápiás vagy biztonságossági eseményeket.
A másodlagos végpontok közé tartozott – egyebek mellett – egyes kiemelt állapotok felismerése és kezelése, a gyógyszerrendelési gyakorlat, a beteg-elégedettség és a biztonságosság. Ennek részeként rögzítették és függetlenül értékelték a súlyos nemkívánatos eseményeket. Az intervenciós csoport 1000, piros figyelmeztetéssel jelölt modellkimenetét szakértői panel értékelte (a közlemény nem részletezi a minta kiválasztásának módját). 

Eredmények

Az elsődleges elemzés 9347 betegellátási eseményt foglalt magában. Kezelési kudarc az intervenciós csoportban 102/4693 esetben (2,2%), a kontrollcsoportban 94/4654 esetben (2,0%) fordult elő; a különbség nem volt szignifikáns (korrigált esélyhányados 0,77; 95% CI: 0,55–1,08; p = 0,13). A mesterséges intelligenciával támogatott ellátók gyakrabban dokumentáltak megfelelő diagnózist, átfogó klinikai feljegyzést és megfelelő kezelési tervet; a korrigált esélyhányadosok 1,68 és 1,74 között voltak. Az antibiotikumok és a maláriaellenes szerek rendelése, a beteg-elégedettség hasonlóan alakult.
A két csoportban összesen 33 súlyos nemkívánatos eseményt – 27 hospitalizációt és 6 halálesetet – regisztráltak. Gyakoriságuk nem különbözött érdemben, és független értékelés alapján egyik sem állt összefüggésben a beavatkozással. Az 1000 kiemelt súlyosságú modellválasz 4,2%-át ugyanakkor valamelyest vagy egyértelműen nem biztonságosnak, illetve nem megfelelőnek ítélték. 

Értelmezés 

A generatív döntéstámogatás elsősorban a dokumentációt és egyes ellátási folyamatokat javította, rövid távú klinikai előnye nem igazolódott.
Az alacsony eseményszám miatt a vizsgálat a jelentős klinikai hatást valószínűtlenné teszi, de kisebb előnyt nem zár ki. A tanulmány nem volt alkalmas ritka, súlyos ártalmak vagy a biztonságossági egyenértékűség megítélésére. Az általánosíthatóságot korlátozza az egyetlen, városi magánszolgáltatói hálózat, a 14 napos követés, valamint hogy az eredmények a vizsgált modellverzióra és annak helyi beállítására vonatkoznak. 

Konklúzió 

A vizsgálat jelentősége, hogy valós, erőforráshiányos alapellátási környezetben, nagy betegszámon mutatta meg: a generatív mesterséges intelligencia javíthatja az ellátási folyamatokat és a dokumentációt, de ez önmagában még nem feltétlenül eredményez mérhető rövid távú klinikai előnyt.
Nagyobb, hosszabb követésű vizsgálatok szükségesek a kisebb klinikai előnyök és a ritka ártalmak megítélésére.