Kui täpne on tehisintellekti arst? Ausad numbrid
Aus vastus: tehisintellekti arst on tavaliste probleemide puhul umbes sama täpne kui mittespetsialistist arst, kuid jääb selgelt alla eksperdile. Suur 2025. aasta metaanalüüs ajakirjas npj Digital Medicine hindas generatiivse tehisintellekti iseseisva diagnoosimise täpsuse umbes 52%-le. Tehisintellekti arsti veebis tasub käsitleda kui hästi informeeritud teist arvamust, mitte kui lõplikku otsust.
Tehisintellekti arst ei asenda litsentseeritud arsti ega pane diagnoosi. Meditsiinilise hädaolukorra korral helista 112. Allolevad täpsusnumbrid selgitavad, milleks see sobib — ja täpselt seda, kus sul on ikkagi vaja päris arsti.
Lühike vastus: kui täpne tehisintellekti arst tegelikult on
Kui jätta turundus kõrvale, on pilt lihtne: generatiivse tehisintellekti diagnostikatööriist annab omal käel õige vastuse veidi rohkem kui pooltel kordadel — ja see üksik arv varjab tohutut varieerumist sõltuvalt ülesandest, sisendi kvaliteedist ja sellest, kellega seda võrreldakse.
Üks arv, millest lähtuda: ~52%
2025. aasta 83 uuringut hõlmav süstemaatiline ülevaade ja metaanalüüs, mis avaldati ajakirjas npj Digital Medicine, leidis, et generatiivse tehisintellekti mudelid saavutavad omal käel töötades üldise diagnostilise täpsuse 52,1% (95% CI 47,0–57,1%). See kõlab madalalt, kuid tegemist on keskmisega, mis koondab kokku nii lihtsad kui ka väga rasked juhtumid — arvu ümbritsev kontekst on olulisem kui arv ise.
Võrdluses päris arstiga
Sama metaanalüüs ei leidnud tehisintellekti ja arstide vahel üldiselt statistiliselt olulist erinevust (p=0,10) ega olulist erinevust võrreldes mitte-ekspertidest või resident-arstidega (p=0,93). Kuid tehisintellekt toimis oluliselt halvemini kui eksperdist arstid — umbes 15,8 protsendipunkti võrra (p=0,007). Lihtsalt öeldes: tehisintellekti sümptomite kontrollija on võrreldav äsja väljaõppe lõpetanud üldarstiga ja jääb selgelt alla aastatepikkuse mustrituvastuse kogemusega spetsialistile — ning kui panna tehisintellekti arst päris arsti kõrvale, näeb, kuidas see vahe juhtumi keerulisemaks muutudes suureneb.
Miks täpsusarv nii palju kõigub
Igaüks, kes pealkirju võrdleb, märkab metsikult erinevaid numbreid — 97% ühes uuringus, 40% teises. See hajuvus taandub enamasti mõnele muutujale, mida pealkirjas endas harva mainitakse:
- Kuidas sisend koguti — struktureeritud kliiniline haiguslugu versus patsiendi enda sõnad
- Kas „õige” tähendab ainsat parimat vastust või ükskõik millist kolmest-viiest esimesest soovitusest
- Kui levinud või haruldane on aluseks olev seisund
- Millist mudelit ja versiooni testiti ning millal
- Kas uuring mõõtis diagnoosi, triaaži või mõlemat
Prügi sisse, prügi välja: sisendi kvaliteet on kõik
JMIR-i uuringus 100 erakorralise meditsiini osakonna patsiendiga saavutas GPT-4-l töötav ChatGPT 97% õigeid või osaliselt õigeid diagnoose — kuid ainult seetõttu, et talle anti sama arstide koostatud haiguslugu, mida ravivad arstid kasutasid, koos elutähtsate näitajate, analüüside ja kliiniliste märkmetega. Kui talle anti vaid patsiendi töötlemata enda kirjeldatud sümptomid, langeb sama tüüpi mudeli täpsus umbes 50%-le top-3 kokkulangevuse puhul. Tehisintellekti diagnostikatööriist on täpselt nii hea, kui hea on see, mida sa talle räägid, ning arusaamine sellest, kuidas tehisintellekti arst töötab, selgitab, miks sama mudel võib üksnes sisendi kvaliteedist sõltuvalt nii kaugele kõikuda.
Top-1 versus top-3: millist numbrit nad tsiteerivad?
Väide „70–80% täpne” tähendab tavaliselt, et õige vastus ilmub kuskil tehisintellekti triaažitööriista kolme parima soovituse hulgas, mitte et see nimetas õige seisundi esimesena. Küsi samalt süsteemilt üht ainsat vastust ja täpsus võib langeda 34–40%-le. Kui näed mõne tehisintellekti terviseabilise täpsuse väidet, kontrolli, kas see on top-1 või top-3 — need on väga erinevad lubadused, ja müüjad kalduvad esitama meelitavamat.
| Mõõdik | Tüüpiline täpsus | Mida see tähendab |
|---|---|---|
| Top-1 (üks parim vastus) | 34–40% | Õige diagnoos nimetatud esimesena, alternatiive ei pakuta |
| Top-3 (õige vastus lühinimekirjas) | 70–80% | Õige seisund ilmub kolme soovituse hulgas |
| Arsti koostatud sisend (täielik haiguslugu) | Kuni 97% | Antud sama struktureeritud andmed, mida kasutab arst |
| Ainult patsiendi enda kirjeldus | ~50% (top-3) | Antud töötlemata, struktureerimata sümptomikirjeldused |
Kus tehisintellekti arst on täpne — ja kus see ebaõnnestub
Diagnostiline täpsus ei ole üks oskus; neid on mitu ning tehisintellekti arst on osades palju parem kui teistes. Teadmine, mis on mis, muudab seda, kuidas sa tööriista tegelikult kasutama peaksid.
Tugev triaažis. Tehisintellekti arst on kõige usaldusväärsem, kui küsimus on „kui kiireloomuline see on”, mitte „mis see täpselt on”. Sümptomi sortimine erakorraliseks, kiireloomuliseks või tavapäraseks on kitsam ja paremini määratletud ülesanne kui lõpliku diagnoosini jõudmine ning mudelid kalduvad seda järjekindlamalt tegema.
Tugev tavaliste, hästi dokumenteeritud kaebuste puhul. Otsekohesed, sageli esinevad probleemid — need, mille kohta on rohkelt treeningandmeid ja selged sümptomimustrid — mängivad generatiivse tehisintellekti diagnostikatööriista tugevustele.
Tugev kitsastes, pildirohketes erialades. Mustrituvastuse ülesannetes nagu dermatoloogia leidis prospektiivsete melanoomi tuvastamise uuringute koondanalüüs, et tehisintellekt üksi saavutab umbes 80,9% tundlikkuse ja 75,6% spetsiifilisuse — võrreldav abita dermatoloogidega — ning tõuseb ligikaudu 91,9% tundlikkuse ja 83,7% spetsiifilisuseni, kui tehisintellekt aitab dermatoloogi, mitte ei asenda teda. Hästi määratletud visuaalse mustri probleemid on tööriista koduväljale lähedal.
Nõrk keeruliste, haruldaste või mitut süsteemi hõlmavate juhtumite puhul. Täpsus langeb järsult, kui sümptomid kattuvad üle mitme kehasüsteemi või viitavad harvaesinevale seisundile — täpselt seal, kus eksperdist arsti otsustusvõime on kõige olulisem.
Nõrk viisil, mida on lihtne mitte märgata: enesekindel eksimine. Tehisintellekti arst võib esitada vale diagnoosi ladusas, rahustavas keeles, ilma nähtava kahtluse märgita. Usutavalt kõlav tulemus ei ole sama mis õige tulemus, mistõttu inimese kontroll on endiselt oluline.
Kas uuringuid saab usaldada? Loe peenes kirjas teksti
Isegi ülaltoodud julgustavatel numbritel on hoiatusi, mida tasub teada, enne kui neid kaalud.
83 uuringut hõlmavas metaanalüüsis hinnati 63 uuringut 83-st — 76% — kõrge kallutatuse riskiga ning autorid tõid välja statistiliselt olulise avaldamise kallutatuse (p=0,045), mis tähendab, et meelitavad tulemused on avaldatud kirjanduses tõenäoliselt üleesindatud. Pealkirjadesse jõudnud 97% erakorralise meditsiini osakonna tulemus pärines ühest ainsast vaid 100 patsiendiga uuringust, ilma eelnevalt kavandatud valimimahu arvutuseta, mis kinnitaks, et leid peaks paika ka suuremas mastaabis.
| Piirang | Mida andmed näitavad | Miks see oluline on |
|---|---|---|
| Kallutatuse risk | 63 uuringut 83-st (76%) hinnatud kõrge riskiga | Paljud tulemused võivad olla soodsamad, kui tegelik kasutus annaks |
| Avaldamise kallutatus | Statistiliselt oluline (p=0,045) | Pettumust valmistavate tulemustega uuringud avaldatakse väiksema tõenäosusega |
| Väikesed valimid | EMO uuring põhines 100 patsiendil | Puudub eelnevalt kavandatud valimimaht, mis kinnitaks 97% näitaja üldistatavust |
| Koostatud versus töötlemata sisend | 97% (koostatud haiguslugu) versus ~50% (enda kirjeldus) | Sama mudeli täpsus kõigub sisendi kvaliteedist sõltuvalt ligikaudu 47 punkti võrra |
Selles uuringute kogumis ilmneb mõni korduv lünk:
- Enamik uuringuid testib tehisintellekti tekstipõhiste juhtumikirjelduste, mitte segaste päriselu vestluste vastu
- Vähesed katsed mõõdavad, mis juhtub pärast valet tehisintellekti vastust, s.t järgnevat kahju
- Valimimahud on sageli liiga väikesed, et toetada pealkirjanumbri poolt vihjatud kindlust
- Sõltumatu kordamine väljaspool algset uurimisrühma on endiselt haruldane
Selle metaanalüüsi autorid olid otsekohesed selle suhtes, mida nende endi numbrid tähendavad:
Generatiivse tehisintellekti mudelid ei ole veel usaldusväärsed asendajad eksperdist arstidele, kuid võivad olla väärtuslikeks abivahenditeks mitte-eksperdi olukordades ja õppevahendiks meditsiiniõpilastele.
npj Digital Medicine metaanalüüs, 2025
Käsitle pealkirjade täpsusnumbreid optimistlike ülempiiridena, mitte garantiidena. Väikesest, kõrge kallutatuse riskiga uuringust võetud arv ei ole sama mis arv, mis peab paika sinu konkreetsete sümptomite puhul.
Kuidas kasutada tehisintellekti arsti ohutult, arvestades selle täpsust
Arvestades ülaltoodud numbreid, on nutikas käik sobitada tööriist sellega, milles ta tegelikult hea on, mitte sellega, milleks ta võimeline tundub.
- Kirjelda sümptomeid üksikasjalikult, mitte lühidalt. Täpsus sõltub suuresti sisendi kvaliteedist, seega lisa kestus, raskusaste ja kõik muutused aja jooksul.
- Loe kõigepealt triaažijuhiseid. Kiireloomulisuse hindamine on koht, kus tehisintellekti sümptomite kontrollija toimib kõige usaldusväärsemalt — pane tähele, kui see märgib midagi kiireloomuliseks.
- Küsi kolme parimat, mitte ainult üht. Võimaluste lühinimekiri on ausam kui üks enesekindlalt kõlav vastus.
- Kasuta seda päris vastuvõtu jaoks küsimuste ettevalmistamiseks. Ähmase mure muutmine konkreetseks küsimuste nimekirjaks on üks tööriista kõige usaldusväärsemaid kasutusviise.
- Kontrolli kõike olulist litsentseeritud kliinikuga üle, eriti uute, tõsiste või püsivate sümptomite puhul.
- Eskaleeri kohe, kui sümptomid halvenevad — ära oota, kuni tehisintellekt järele jõuab.
- Ära kunagi käsitle üht tehisintellekti vastust lõplikuna. Kontrolli seda üle sellega, kuidas sa end tegelikult tunned, ja professionaalse nõuandega.
Tehisintellekti diagnostikatööriist kaldub olema kõige kasulikum kindla ülesannete kogumi puhul ja kõige vähem kasulik teiste puhul. Enne kui sellele toetuda, aitab teada, kummale poole seda joont sinu olukord langeb:
- Analüüsi tulemusest või saatekirjast pärit tundmatute meditsiiniterminite mõistmine
- Uue sümptomi kiireloomulisuse hindamine
- Selge küsimuste nimekirja ettevalmistamine enne arstivisiiti
- Üldise terviseteabe saamine seisundi kohta, mis sul juba on
- Otsustamine samapäevase visiidi, planeeritud vastuvõtu või tähelepaneliku ootamise vahel
Eelretsenseeritud konsensus on otsekohene: generatiivne tehisintellekt on väärtuslik abivahend mitte-eksperdi olukordades, mitte usaldusväärne asendaja eksperdist arstile. USA toidu- ja ravimiamet (FDA) jälgib tehisintellektil põhinevaid meditsiiniseadmeid, mis on turustamiseks heaks kiidetud, just seetõttu, et kontrollimata tehisintellekti väljundid kannavad tõelist kliinilist riski — meeldetuletus, et regulaatorid, mitte ainult teadlased, käsitlevad seda täpsuse lõhet olulisena.
Millal jätta tehisintellekt vahele ja minna päris arsti juurde
Tehisintellekti arst ei asenda litsentseeritud arsti ega pane diagnoosi. Meditsiinilise hädaolukorra korral helista 112.
Ükski täpsusprotsent — ei 52% ega 97% ideaaltingimustes — ei muuda tehisintellekti diagnostikatööriista ohutuks, et sellele tugineda tõsise, äkilise või halveneva sümptomi puhul. Jäta tehisintellekt vahele ja mine otse päris arsti või erakorralise abi juurde selliste sümptomite korral nagu:
- Valu või surve rinnus või hingamisraskused
- Äkiline, tugev peavalu, erinev kõigist varasematest
- Kontrollimatu verejooks või kiiresti halvenev vigastus
- Insuldi tunnused — näo vajumine, käe nõrkus, ebaselge kõne
- Iga sümptom, mis lihtsalt tundub hädaolukorrana
Kasuta tehisintellekti terviseabilist enda teavitamiseks ja mõtete korrastamiseks ning lase seejärel litsentseeritud kliinikul tegelik otsus teha.
