Koliko je točan AI liječnik? Iskreni brojevi

Iskren odgovor: AI liječnik je za uobičajene probleme otprilike jednako točan kao liječnik koji nije specijalist, ali očito zaostaje za stručnjakom. Velika meta-analiza iz 2025. u npj Digital Medicine procijenila je samostalnu dijagnostičku točnost generativnog AI-ja na oko 52%. AI liječnika na internetu najbolje je shvatiti kao dobro potkovano drugo mišljenje, a ne kao presudu.

AI liječnik nije zamjena za licenciranog liječnika i ne postavlja dijagnozu. U hitnim medicinskim slučajevima nazovite hitnu pomoć. Brojke o točnosti u nastavku objašnjavaju za što je dobar — i točno gdje vam i dalje treba pravi liječnik.

Kratak odgovor: koliko je AI liječnik zapravo točan

Kad se skine marketing, slika je jednostavna: generativni AI dijagnostički alat, korišten sam za sebe, pogodi točan odgovor nešto više od polovice vremena — a ta jedna brojka skriva golemu varijaciju ovisno o zadatku, kvaliteti ulaznih podataka i tome s kim se uspoređuje.

Jedan broj na koji se treba osloniti: ~52%

Sustavni pregled i meta-analiza 83 studije iz 2025., objavljena u npj Digital Medicine, otkrila je da generativni AI modeli, kada rade sami, dosežu ukupnu dijagnostičku točnost od 52,1% (95% CI 47,0–57,1%). To zvuči nisko, ali riječ je o prosjeku lakih i vrlo teških slučajeva zbrojenih zajedno — kontekst oko broja važniji je od samog broja.

U usporedbi s pravim liječnikom

Ista meta-analiza nije pronašla statistički značajnu razliku između AI-ja i liječnika u cjelini (p=0,10), niti značajnu razliku u odnosu na liječnike koji nisu stručnjaci ili specijalizante (p=0,93). No AI je bio znatno lošiji od liječnika stručnjaka — za otprilike 15,8 postotnih bodova (p=0,007). Jednostavno rečeno: AI provjeravač simptoma usporediv je s liječnikom opće prakse svježim iz obuke, a jasno zaostaje za specijalistom s godinama iskustva u prepoznavanju obrazaca — a kad se AI liječnik usporedi s pravim liječnikom, taj se jaz širi kako slučaj postaje teži.

Zašto brojka o točnosti toliko skače

Svatko tko uspoređuje naslove primijetit će posve različite brojke — 97% u jednoj studiji, 40% u drugoj. Taj se raspon uglavnom svodi na nekoliko varijabli koje se u samom naslovu rijetko spominju:

• Kako su prikupljeni ulazni podaci — strukturirani klinički karton naspram pacijentovih vlastitih riječi
• Znači li „točno” jedini najbolji odgovor ili bilo koji od 3–5 najboljih prijedloga
• Koliko je osnovno stanje uobičajeno ili rijetko
• Koji je model i verzija testirana i kada
• Je li studija mjerila dijagnozu, trijažu ili oboje

Smeće unutra, smeće van: kvaliteta ulaza je sve

U JMIR studiji na 100 pacijenata hitnog prijema, ChatGPT pokretan na GPT-4 dosegnuo je 97% točnih ili djelomično točnih dijagnoza — ali samo zato što je dobio isti karton koji su sastavili liječnici i koristili liječnici koji su ih liječili, s vitalnim znakovima, laboratorijskim nalazima i kliničkim bilješkama. Kada dobije samo pacijentove sirove, samoprijavljene simptome, točnost iste vrste modela pada na otprilike 50% za podudaranje unutar prva tri odgovora. AI dijagnostički alat dobar je onoliko koliko je dobro ono što mu kažete, a razumijevanje kako AI liječnik radi ispod haube objašnjava zašto isti model može toliko varirati samo zbog kvalitete ulaznih podataka.

Top-1 naspram top-3: koji broj navode?

Tvrdnja o „70–80% točnosti” obično znači da se točan odgovor pojavljuje negdje među prva tri prijedloga AI trijažnog alata, a ne da je prvo naveo ispravno stanje. Pitajte isti sustav za jedan jedini odgovor i točnost može pasti na 34–40%. Kada vidite tvrdnju o točnosti za bilo kojeg AI zdravstvenog pomoćnika, provjerite je li riječ o top-1 ili top-3 — to su vrlo različita obećanja, a proizvođači obično ističu ono laskavije.

Gdje je AI liječnik točan — a gdje zakazuje

Dijagnostička točnost nije jedna vještina; riječ je o nekoliko njih, a AI liječnik je u nekima mnogo bolji nego u drugima. Znati koja je koja mijenja način na koji biste zapravo trebali koristiti alat.

Jak u trijaži. AI liječnik je najpouzdaniji kada je pitanje „koliko je ovo hitno”, a ne „što je točno ovo”. Razvrstavanje simptoma u hitno, žurno ili rutinsko uži je i bolje definiran zadatak od postavljanja konačne dijagnoze, pa ga modeli obično obavljaju dosljednije.

Jak kod uobičajenih, dobro dokumentiranih tegoba. Jednostavni, često viđeni problemi — oni s obiljem podataka za treniranje i jasnim obrascima simptoma — igraju u korist generativnog AI dijagnostičkog alata.

Jak u uskim specijalnostima s puno slika. U zadacima prepoznavanja obrazaca poput dermatologije, zbirna analiza prospektivnih studija otkrivanja melanoma otkrila je da AI sam doseže oko 80,9% osjetljivosti i 75,6% specifičnosti — usporedivo s dermatolozima bez pomoći — te se penje na otprilike 91,9% osjetljivosti i 83,7% specifičnosti kada AI pomaže dermatologu umjesto da ga zamjenjuje. Dobro definirani problemi vizualnih obrazaca blizu su domaćeg terena ovog alata.

Slab kod složenih, rijetkih ili višesustavnih slučajeva. Točnost naglo pada kada se simptomi preklapaju kroz više tjelesnih sustava ili upućuju na neuobičajeno stanje — upravo ondje gdje je prosudba liječnika stručnjaka najvažnija.

Slab na način koji je lako previdjeti: samouvjerena pogreška. AI liječnik može iznijeti netočnu dijagnozu tečnim, umirujućim jezikom, bez ikakve vidljive ograde koja bi signalizirala sumnju. Rezultat koji uvjerljivo zvuči nije isto što i točan rezultat, što je upravo razlog zašto je ljudska provjera i dalje važna.

Možete li vjerovati studijama? Pročitajte sitni tisak

Čak i ohrabrujuće brojke iznad dolaze s ogradama koje je vrijedno znati prije nego što ih odvagnete.

U meta-analizi 83 studije, 63 od 83 studije — 76% — ocijenjeno je kao visoko rizično za pristranost, a autori su upozorili na statistički značajnu pristranost objavljivanja (p=0,045), što znači da su laskavi rezultati vjerojatno prekomjerno zastupljeni u objavljenoj literaturi. Rezultat od 97% s hitnog prijema koji je privukao naslove potječe iz jedne jedine studije od svega 100 pacijenata, bez unaprijed planiranog izračuna veličine uzorka koji bi potvrdio da će nalaz vrijediti u većem opsegu.

Nekoliko se ponavljajućih praznina pojavljuje kroz ovo područje istraživanja:

• Većina studija testira AI na tekstualnim vinjetama, a ne na zamršenim razgovorima iz stvarnog svijeta
• Malo istraživanja mjeri što se događa nakon pogrešnog AI odgovora, tj. naknadnu štetu
• Veličine uzoraka često su premalene da bi poduprle pouzdanost koju impliciraju brojke iz naslova
• Neovisna replikacija izvan izvornog istraživačkog tima još je uvijek rijetka

Autori te meta-analize bili su izravni o tome što njihove vlastite brojke znače:

Generativni AI modeli još nisu pouzdana zamjena za liječnike stručnjake, ali mogu poslužiti kao vrijedna pomagala u scenarijima bez stručnjaka te kao obrazovni alati za medicinske vježbenike.

npj Digital Medicine meta-analiza, 2025.

Brojke o točnosti iz naslova tretirajte kao optimistične gornje granice, a ne kao jamstva. Broj izvučen iz male studije s visokim rizikom od pristranosti nije isto što i broj koji će vrijediti za vaše specifične simptome.

Kako sigurno koristiti AI liječnika s obzirom na njegovu točnost

S obzirom na gornje brojke, pametan je potez uskladiti alat s onim u čemu je zapravo dobar, a ne s onim u čemu zvuči sposoban.

1. Opišite simptome detaljno, ne u kraticama. Točnost uvelike ovisi o kvaliteti ulaza, pa uključite trajanje, ozbiljnost i sve promjene tijekom vremena.
2. Prvo pročitajte smjernice za trijažu. Procjena hitnosti područje je u kojem AI provjeravač simptoma djeluje najpouzdanije — obratite pozornost ako nešto označi kao hitno.
3. Tražite prva 3, ne samo prvi 1. Uži popis mogućnosti iskreniji je od jednog samouvjerenog odgovora.
4. Iskoristite ga da pripremite pitanja za pravi pregled. Pretvaranje nejasne brige u konkretan popis pitanja jedna je od najpouzdanijih uporaba ovog alata.
5. Provjerite sve što je važno kod licenciranog kliničara, osobito za nove, ozbiljne ili uporne simptome.
6. Odmah eskalirajte ako se simptomi pogoršaju — ne čekajte da AI sustigne.
7. Nikada ne tretirajte jedan AI odgovor kao konačan. Unakrsno ga provjerite s tim kako se zapravo osjećate i sa stručnim savjetom.

AI dijagnostički alat obično je najkorisniji za određeni skup zadataka, a najmanje koristan za druge. Prije nego što se oslonite na njega, pomaže znati na kojoj strani te crte leži vaša situacija:

• Razumijevanje nepoznatih medicinskih pojmova iz laboratorijskog nalaza ili uputnice
• Procjena koliko bi hitan mogao biti novi simptom
• Priprema jasnog popisa pitanja prije posjeta liječniku
• Dobivanje općeg zdravstvenog obrazovanja o stanju koje već imate
• Odlučivanje između posjeta istog dana, zakazanog termina ili opreznog čekanja

Recenzirani konsenzus je izravan: generativni AI vrijedno je pomagalo u scenarijima bez stručnjaka, a ne pouzdana zamjena za liječnika stručnjaka. Američka Agencija za hranu i lijekove prati medicinske uređaje s omogućenim AI-jem koji su odobreni za tržište upravo zato što neprovjereni AI izlazni podaci nose stvarni klinički rizik — podsjetnik da regulatori, a ne samo istraživači, ovaj jaz u točnosti smatraju bitnim.

Kada preskočiti AI i otići pravom liječniku

AI liječnik nije zamjena za licenciranog liječnika i ne postavlja dijagnozu. U hitnim medicinskim slučajevima nazovite hitnu pomoć.

Nijedan postotak točnosti — ni 52%, ni 97% u idealnim uvjetima — ne čini AI dijagnostički alat sigurnim za oslanjanje kod ozbiljnog, iznenadnog ili sve gorog simptoma. Preskočite AI i idite izravno pravom liječniku ili u hitnu pomoć za simptome poput:

• Bol ili pritisak u prsima, ili otežano disanje
• Iznenadna, jaka glavobolja kakvu nikad prije niste imali
• Nekontrolirano krvarenje ili ozljeda koja se brzo pogoršava
• Znakovi moždanog udara — spuštenost lica, slabost ruke, nerazgovijetan govor
• Bilo koji simptom koji jednostavno djeluje kao hitan slučaj

Koristite AI zdravstvenog pomoćnika da se informirate i posložite svoje misli, a onda pustite da licencirani kliničar donese stvarnu odluku.

FAQ