Valódi segítséget jelenthet a mesterséges intelligencia a gyógyszerbiztonság kérdésében, különösen a kórházakban, ahol az automatizált rendszerek érdemben csökkenthetnék az egészségügyi dolgozók terhelését. Egy frissen megjelent nemzetközi tanulmány azonban arra figyelmeztet: az AI‑megoldások laboratóriumban mért pontossága nem garancia a valós kórházi működésre. A Pécsi Tudományegyetem Gyógyszerésztudományi Kara és a Pannon Egyetem kutatóinak friss tanulmánya szerint a felismerés megbízhatóságát sok esetben jobban befolyásolják a klinikai körülmények – fényviszonyok, eszközhasználat, emberi tényezők –, mint az, hogy melyik technológiai platformot használják.
Ritkán gondolkozunk el rajta, főként, ha kórházi ellátásra szorulunk, hogy milyen összetett folyamat végén jut el hozzánk az adott tabletta, kapszula, egyszerűen, bízva az ellátórendszerben és szereplőiben, elfogadjuk, hogy arra van szükségünk. A mindennapi egészségügyi gyakorlatban azonban a gyógyszerek azonosítása sokszor nem ideális körülmények között, jelentős betegforgalom, leterheltség és időprés kíséretében történik. Emiatt világszerte egyre nagyobb figyelmet szentelnek a mesterséges intelligenciának, amely képfelismerő rendszerek segítségével támogathatná a gyógyszerbiztonságot. Egy friss, a JMIR Medical Informatics felületén nemrég megjelent, a Pécsi Tudományegyetem Gyógyszerésztudományi Kara és a Pannon Egyetem Műszaki Informatikai Kara együttműködésében készült tanulmány ugyanakkor arra figyelmeztet: az AI csak akkor lehet valódi segítség, ha a valós életre készítik fel.
A pécsi kutatócsoport már 2024 nyarán is beszámolt egy MI-alapú gyógyszerfelismerő rendszer fejlesztéséről, amelyet Pécsen, Kaposváron és Komlón teszteltek. A most publikált tanulmány ezt a vonalat mélyíti módszertanilag: négy alapvetően eltérő technológiai megközelítést hasonlít össze ugyanazokon az adatokon, hogy feltérképezze, melyik milyen pontossággal, költséggel és hibamintázattal működik a klinikai gyakorlatban.
A kutatásban a pécsi gyógyszerészkar részéről dr. Ashraf Amir Reza adjunktus és dr. Fittler András egyetemi docens, a kar dékánja vett részt, a Pannon Egyetem Műszaki Informatikai Kar Villamosmérnöki és Információs Rendszerek Tanszék Képfeldolgozás Kutatólaboratóriumából pedig dr. Vörösházi Zsolt, valamint Rádli Richárd tudományos segédmunkatárs, PhD‑hallgató volt részese. Arra keresték a választ, hogy a gyógyszerazonosítás mesterséges intelligencia segítségével valóban automatizálható‑e biztonságosan, költséghatékonyan és megbízható módon a mindennapi egészségügyi gyakorlatban.
A kutatás során azt vizsgálták, hogy milyen mesterségesintelligencia‑alapú módszerek alkalmasak tabletták és kapszulák vizuális azonosítására egészségügyi környezetben, például gyógyszertári kiadáskor vagy klinikai ellenőrzés során. Ennek érdekében két, alapvetően eltérő megközelítést hasonlítottak össze. Egyrészt egy kódközpontú, nyílt forráskódú képfeldolgozó megoldást (YOLO11) elemeztek, amely nagyfokú rugalmasságot és kontrollt kínál, ugyanakkor komoly fejlesztői és informatikai szakértelmet igényel. Ezzel párhuzamosan három nagy technológiai vállalat – a Google, az Amazon és a Microsoft – felhőalapú, úgynevezett no‑code vagy AutoML, vagyis automatizált gépi tanuláson alapuló rendszereit is vizsgálták, amelyeknél a felhasználónak nem szükséges klasszikus értelemben programoznia.
Az elemzésbe összesen harminc, a klinikai ellátásban gyakran használt gyógyszert vontak be. az egyes AI‑modelleket pedig eltérő méretű képadatkészletekkel tanították fel: a legkisebb tanulóhalmaz 1230 képből, míg a legnagyobb 26 880 felvételből állt. A kutatók ezzel azt kívánták feltérképezni, hogyan változik az algoritmusok teljesítménye a rendelkezésre álló adatmennyiség növekedésével.
„Olyan mélytanuláson alapuló rendszereket is górcső alá vettünk, amelyek ellenőrzött körülmények között 90 százalék feletti pontosságot mutattak, kórházi környezetből származó adatokon azonban a teljesítményük drasztikusan visszaesett” – fogalmazott a tanulmány fő szerzője, dr. Ashraf Amir Reza, a PTE Gyógyszerésztudományi Kar adjunktusa.
A kutatás szerint a felismerési pontosságot sok esetben nem maga az AI‑platform neve határozta meg, hanem olyan tényezők, mint a megvilágítás, a használt eszközök minősége vagy az emberi használat módja.
A tanulmány külön figyelmet szentelt az AutoML‑rendszereknek, amelyek egyik legnagyobb előnye a gyors bevezethetőség. Ezek a megoldások azonban gyakran „fekete dobozként” működnek: a felhasználók nem látják pontosan, milyen döntések születnek a háttérben. A kutatók olyan példákat is találtak, amikor egy rendszer annyira igyekezett elkerülni a téves azonosítást, hogy inkább nem ismerte fel a gyógyszereket akkor sem, amikor kellett volna. Ez a fajta óvatosság a gyakorlatban ugyanúgy problémát jelenthet, mint egy rossz felismerés, különösen akkor, amikor az AI‑t döntéstámogató eszközként kívánják bevezetni az egészségügyben.
„A tanulmányunk hangsúlyozza, hogy a mesterséges intelligencia nem önálló döntéshozó, hanem eszköz, amelynek használata felelősséggel jár. Az egészségügyben nem létezik egységesen alkalmazható megoldás. Minden rendszert helyben, valós adatokkal, a konkrét környezethez igazítva kell tesztelni” – emeli ki dr. Ashraf Amir Reza.
A tesztelés nem egyetlen, idealizált környezetben zajlott. A rendszereket valós klinikai környezetből származó képeken is kipróbálták, amelyek három különböző kórházban készültek, emellett laboratóriumi fotókon, valamint ellenőrzött, „ideális” körülmények között rögzített felvételeken is mérték a teljesítményt. Ez a megközelítés lehetővé tette, hogy ne csupán azt lássák, mire képesek az algoritmusok optimális körülmények között, hanem azt is, hogyan viselkednek akkor, amikor a kórházi valóság – például a változó fényviszonyok, az eltérő eszközök vagy az emberi használat – közvetlenül befolyásolja a működésüket.
A felismerési pontosság mellett azt is vizsgálták, hogy mennyire stabil az egyes rendszerek teljesítménye, hogyan változnak az eredmények különböző környezetekben, milyen költségekkel jár az adott megoldások alkalmazása, illetve mennyire egyszerű a bevezetésük és a mindennapi használatuk az egészségügyi gyakorlatban, így fogalmazva meg a gyógyszerbiztonság szempontjából releváns, gyakorlati tanulságokat.
„A kutatás tanulsága túlmutat a konkrét projekten; az egészségügyi MI-rendszereknél sem a legfejlettebb technológia, sem a legnagyobb tanító adatkészlet nem garantálja önmagában a klinikai megbízhatóságot. Minden bevezetés előtt helyi, valós körülmények közötti validációra van szükség. A fejlesztéseknek pedig nem az orvosok és gyógyszerészek szakmai kompetenciáinak helyettesítését kellene megcélozniuk, hanem azok maximális támogatását a mindennapi munkafolyamatokban" — teszi hozzá dr. Ashraf Amir Reza.
Fotók:
Szövegközi kép: dr. Ashraf Amir Reza a PTE Kutatói Innovációs Díj átvételekor 2024 nyarán (Csortos Szabolcs/PTE)
Címoldali kép: illusztráció (Pexels.com)