Az elmúlt mintegy másfél évtized digitális forradalma elvezetett a meglévő adatok, információk elemzésének, hasznosítási lehetőségeinek új korszakába. Megjelent a másodlagos adathasznosítás olyan szisztematikus formája, amely új perspektívába helyezte számos szektor adatgazdálkodási elképzeléseit. Különösen igaz ez az egészségügyi ágazatra, amely Magyarországon az egyik legnagyobb, meglévő adatbázisokra épülő adatvagyonnal rendelkezik. Jelen tanulmány a Semmelweis Egyetem Egészségügyi Közszolgálati Karához kapcsolódóan megvalósított két projekt (mobilcellaadat alapú mozgásmonitorozásra épülő vezetői információs rendszer és mesterséges intelligencia alkalmazással támogatott patológiai diagnosztikai eszköz) bemutatásával vázolja fel az adatvezérelt egészségügy területén megkezdődött intézményesülési folyamatok tapasztalatait, illetve a további kutatások, építkezések jövőbeli lehetőségeit, irányait.
Az adatalapú, digitális megoldások jobb megelőzési, terápiás, és jóléti ajánlásokkal segíthetik az egészségügy szereplőit, hozzájárulnak a mesterséges intelligencia alapú döntéstámogatás fejlesztéséhez és bevezetéséhez a diagnosztikában és a terápiában, és támogatják az orvosbiológiai kutatások fejlődését, különös tekintettel a személyre szabott terápiák és diagnosztikumok fejlesztésére. Az egészségügyi mesterséges intelligencia kutatások áttekintésének egyik meghatározó tapasztalata, hogy kevés az olyan rendszerszintű vizsgálat, amely a fejlesztést a későbbi digitális ellátási modellekbe történőintegráció szempontjából közelíti meg. A Semmelweis Egyetem Tématerületi Kiválósági Programja keretében megvalósuló referenciaprojektben elkészül a mesterséges intelligencia algoritmus gyártósora. Jelen cikkben arra keressük a választ, hogy milyen kérdések előkészítésével tehetjük lehetővé több mesterséges intelligencia modul párhuzamos fejlesztését hosszú időn át, a megfelelő jogi és finanszírozási környezetben? Kialakítható-e a fejlesztési és bevezetési folyamat rendszerszinten is úgy mint egy professzionális és megbízható minőségben működő gyártósor? A folyamat lépései modalitáson-ként változhatnak, esetenként felcserélődnek, vagy össze érnek, de lényegében a következő főbb szakaszokra bonthatók: (1) koncepció kialakítás, (2) metszet- és adat-gyűjtés megszervezése, annotációs módszertan és felület kialakítása, (3) szakmai validáció (4) integráció (5) fel-használói validálás és bevezetés. A folyamat összetettsége holisztikus megközelítést igényel, mivel már a fejlesztési szakaszban át kell gondolni a kiválasztott technológia innovatív aspektusait, az általa nyújtott hozzáadott értéket, a minősítés és a klinikai vizsgálatok, vala-mint a technológiaértékelés mentén. Ennek megfelelően kell megtervezni és megszervezni a folyamatot és be kell vonni és professzionálisan támogatni a finanszírozót, az egészségügyi szolgáltatókat, a technológiai fejlesztőket, a szabályozókat, a polgárokat/pácienseket, a tudományos kutatókat: a digitális ökoszisztéma szereplőit. A 2022-ben induló Egészségbiztonság Nemzeti Laboratórium Adatvezérelt Egészségügy Divíziójában (D2H) ezen cikk eredményeire építve szeretnénk (1) bemutatni a mesterséges intelligencia fejlesztések és applikációk elterjedtségét az egészségügyben nemzetközi szinten, (2) összefoglalni a rendszerszintű bevezetésben rejlőkockázatokat Magyarországon és (3) azonosítani a széleskörű hazai bevezetéshez szükséges lépéseket.
scite is a Brooklyn-based organization that helps researchers better discover and understand research articles through Smart Citations–citations that display the context of the citation and describe whether the article provides supporting or contrasting evidence. scite is used by students and researchers from around the world and is funded in part by the National Science Foundation and the National Institute on Drug Abuse of the National Institutes of Health.
hi@scite.ai
10624 S. Eastern Ave., Ste. A-614
Henderson, NV 89052, USA
Copyright © 2024 scite LLC. All rights reserved.
Made with 💙 for researchers
Part of the Research Solutions Family.