Kako natančen je zdravnik z umetno inteligenco? Iskreni podatki
Iskren odgovor: zdravnik z umetno inteligenco je pri pogostih težavah približno tako natančen kot zdravnik brez specializacije, a jasno zaostaja za strokovnjakom. Obsežna metaanaliza iz leta 2025, objavljena v npj Digital Medicine, je diagnostično natančnost samostojne generativne umetne inteligence ocenila na približno 52 %. Spletnega zdravnika z umetno inteligenco je najbolje obravnavati kot dobro podkovano drugo mnenje, ne kot razsodbo.
Zdravnik z umetno inteligenco ni nadomestilo za licenciranega zdravnika in ne postavlja diagnoze. V nujnih zdravstvenih primerih pokličite 112. Spodnje številke o natančnosti pojasnjujejo, za kaj je uporaben — in kje točno še vedno potrebujete pravega zdravnika.
Kratek odgovor: kako natančen je zdravnik z umetno inteligenco v resnici
Če odstranimo marketing, je slika preprosta: generativno diagnostično orodje z umetno inteligenco, uporabljeno samostojno, poda pravilen odgovor le nekaj več kot v polovici primerov — in ta ena sama številka skriva ogromno variabilnost glede na nalogo, kakovost vhodnih podatkov in to, s kom se primerja.
Ena številka za orientacijo: ~52 %
Sistematični pregled in metaanaliza 83 študij iz leta 2025, objavljena v npj Digital Medicine, je ugotovila, da modeli generativne umetne inteligence dosegajo skupno diagnostično natančnost 52,1 % (95-odstotni IZ 47,0–57,1 %), kadar delujejo samostojno. To se sliši nizko, a gre za povprečje čez lahke in zelo težke primere skupaj — kontekst okoli številke šteje več kot številka sama.
V primerjavi s pravim zdravnikom
Ista metaanaliza ni ugotovila statistično značilne razlike med umetno inteligenco in zdravniki na splošno (p=0,10) niti značilne razlike v primerjavi z nespecialisti ali zdravniki na specializaciji (p=0,93). A umetna inteligenca se je značilno slabše odrezala od zdravnikov strokovnjakov — za približno 15,8 odstotne točke (p=0,007). Preprosto povedano: preverjalnik simptomov z umetno inteligenco je primerljiv s splošnim zdravnikom, ki je pravkar končal usposabljanje, in jasno zaostaja za specialistom z večletnim prepoznavanjem vzorcev — postavitev zdravnika z umetno inteligenco v primerjavi s pravim zdravnikom drug ob drugega pa pokaže, kako se ta vrzel širi, ko primer postaja težji.
Zakaj številka natančnosti tako zelo niha
Vsak, ki primerja naslove, bo opazil močno različne številke — 97 % v eni študiji, 40 % v drugi. Ta razpon večinoma izhaja iz peščice spremenljivk, ki se v samem naslovu redko omenjajo:
- Kako so bili zbrani vhodni podatki — strukturiran klinični karton v primerjavi s pacientovimi lastnimi besedami
- Ali »pravilno« pomeni edini najboljši odgovor ali katerega koli od prvih 3–5 predlogov
- Kako pogosto ali redko je osnovno stanje
- Kateri model in različica sta bila preizkušena in kdaj
- Ali je študija merila diagnozo, triažo ali oboje
Kar vstaviš, to dobiš: kakovost vhodnih podatkov je vse
V študiji JMIR na 100 bolnikih iz urgence je ChatGPT na osnovi GPT-4 dosegel 97 % pravilnih ali delno pravilnih diagnoz — a le zato, ker mu je bil predložen isti karton, ki so ga uredili zdravniki in ki so ga uporabljali lečeči zdravniki, s celotnimi vitalnimi znaki, laboratorijskimi izvidi in kliničnimi zapisi. Kadar so bili podani le pacientovi surovi, samoprijavljeni simptomi, natančnost istovrstnega modela pade na približno 50 % za ujemanje med prvimi tremi. Diagnostično orodje z umetno inteligenco je tako dobro, kot je dobro to, kar mu poveste, razumevanje pa, kako deluje zdravnik z umetno inteligenco, pojasnjuje, zakaj isti model tako močno niha zgolj zaradi kakovosti vhodnih podatkov.
Prvi zadetek proti prvim trem: katero številko navajajo?
Trditev »70–80 % natančno« običajno pomeni, da se pravilni odgovor pojavi nekje med prvimi tremi predlogi triažnega orodja z umetno inteligenco, ne pa da je pravo stanje navedlo prvo. Vprašajte isti sistem za en sam odgovor in natančnost lahko pade na 34–40 %. Ko zasledite trditev o natančnosti katerega koli zdravstvenega pomočnika z umetno inteligenco, preverite, ali gre za prvi zadetek ali prve tri — to sta zelo različni obljubi, ponudniki pa ponavadi izpostavijo bolj laskavo.
| Meritev | Značilna natančnost | Kaj pomeni |
|---|---|---|
| Prvi zadetek (en sam najboljši odgovor) | 34–40 % | Pravilna diagnoza navedena prva, brez ponujenih alternativ |
| Prvi trije (pravilni odgovor na ožjem seznamu) | 70–80 % | Pravo stanje se pojavi med 3 predlogi |
| Vhodni podatki, ki jih uredi zdravnik (poln karton) | Do 97 % | Predloženi isti strukturirani podatki, kot jih uporablja zdravnik |
| Zgolj pacientova samoprijava | ~50 % (prvi trije) | Predloženi surovi, nestrukturirani opisi simptomov |
Kje je zdravnik z umetno inteligenco natančen — in kje odpove
Diagnostična natančnost ni ena sama veščina; gre za več veščin, zdravnik z umetno inteligenco pa je pri nekaterih precej boljši kot pri drugih. Vedeti, katera je katera, spremeni to, kako bi orodje dejansko morali uporabljati.
Močan pri triaži. Zdravnik z umetno inteligenco je najbolj zanesljiv, kadar je vprašanje »kako nujno je to«, ne »kaj točno je to«. Razvrščanje simptoma v nujno, urgentno ali rutinsko je ožja, bolje opredeljena naloga kot postavitev končne diagnoze, modeli pa jo ponavadi opravljajo bolj dosledno.
Močan pri pogostih, dobro dokumentiranih težavah. Enostavne, pogosto videne težave — take z obilico podatkov za učenje in jasnimi vzorci simptomov — igrajo na prednosti generativnega diagnostičnega orodja z umetno inteligenco.
Močan v ozkih, s slikami bogatih specialnostih. Pri nalogah prepoznavanja vzorcev, kot je dermatologija, je združena analiza prospektivnih študij odkrivanja melanoma ugotovila, da umetna inteligenca sama dosega približno 80,9 % občutljivosti in 75,6 % specifičnosti — primerljivo z dermatologi brez pripomočkov — in se povzpne na približno 91,9 % občutljivosti in 83,7 % specifičnosti, kadar umetna inteligenca pomaga dermatologu, namesto da bi ga nadomestila. Dobro opredeljene težave z vizualnimi vzorci so blizu domačega terena orodja.
Šibak pri kompleksnih, redkih ali večsistemskih primerih. Natančnost strmo pade, kadar se simptomi prekrivajo med telesnimi sistemi ali kažejo na redko stanje — ravno tam, kjer je presoja zdravnika strokovnjaka najpomembnejša.
Šibak na način, ki ga je zlahka spregledati: samozavestna napačnost. Zdravnik z umetno inteligenco lahko napačno diagnozo poda v tekočem, pomirjujočem jeziku, brez vidnega zadržka, ki bi nakazoval dvom. Verjetno zveneč rezultat ni isto kot pravilen, kar je natanko razlog, zakaj je človeško preverjanje še vedno pomembno.
Ali lahko zaupate študijam? Preberite drobni tisk
Tudi zgornje spodbudne številke prihajajo z zadržki, ki jih je vredno poznati, preden jih pretehtate.
V metaanalizi 83 študij je bilo 63 od 83 študij — 76 % — ocenjenih kot študije z visokim tveganjem pristranskosti, avtorji pa so opozorili na statistično značilno pristranskost objavljanja (p=0,045), kar pomeni, da so laskavi rezultati v objavljeni literaturi verjetno preveč zastopani. Odmevni rezultat 97 % z urgence je izšel iz ene same študije na zgolj 100 bolnikih, brez vnaprej načrtovanega izračuna velikosti vzorca, ki bi potrdil, da bi ugotovitev vzdržala v večjem obsegu.
| Omejitev | Kaj kažejo podatki | Zakaj je pomembno |
|---|---|---|
| Tveganje pristranskosti | 63 od 83 študij (76 %) ocenjenih z visokim tveganjem | Marsikateri rezultat je lahko ugodnejši, kot bi jih dala uporaba v resničnem svetu |
| Pristranskost objavljanja | Statistično značilna (p=0,045) | Študije z razočaranji imajo manj možnosti, da bodo objavljene |
| Majhni vzorci | Študija z urgence temelji na 100 bolnikih | Ni vnaprej načrtovane velikosti vzorca, ki bi potrdil, da se 97 % posplošuje |
| Urejeni proti surovim vhodnim podatkom | 97 % (urejen karton) proti ~50 % (samoprijava) | Natančnost istega modela niha za približno 47 točk glede na kakovost vhodnih podatkov |
Skozi ta korpus raziskav se pojavlja nekaj ponavljajočih se vrzeli:
- Večina študij preizkuša umetno inteligenco na besedilnih vinjetah, ne na kaotičnih pogovorih iz resničnega sveta
- Malo raziskav meri, kaj se zgodi po napačnem odgovoru umetne inteligence, tj. posredno škodo
- Velikosti vzorcev so pogosto premajhne, da bi podprle zaupanje, ki ga nakazuje odmevna številka
- Neodvisna replikacija zunaj prvotne raziskovalne ekipe je še vedno redka
Avtorji te metaanalize so bili odkriti glede tega, kaj njihove lastne številke pomenijo:
Modeli generativne umetne inteligence še niso zanesljivo nadomestilo za zdravnike strokovnjake, lahko pa služijo kot dragoceni pripomočki v nestrokovnih scenarijih in kot izobraževalna orodja za zdravnike na usposabljanju.
Metaanaliza npj Digital Medicine, 2025
Odmevne številke o natančnosti obravnavajte kot optimistične zgornje meje, ne kot jamstva. Številka, izvzeta iz majhne študije z visokim tveganjem pristranskosti, ni isto kot številka, ki bo vzdržala za vaše specifične simptome.
Kako varno uporabljati zdravnika z umetno inteligenco glede na njegovo natančnost
Glede na zgornje številke je pametna poteza uskladiti orodje s tem, v čemer je dejansko dobro, in ne s tem, za kar se zdi zmožno.
- Simptome opišite podrobno, ne v okrajšavah. Natančnost je močno odvisna od kakovosti vhodnih podatkov, zato navedite trajanje, resnost in morebitne spremembe skozi čas.
- Najprej preberite triažno navodilo. Ocena nujnosti je tisto, pri čemer preverjalnik simptomov z umetno inteligenco deluje najbolj zanesljivo — bodite pozorni, če nekaj označi kot nujno.
- Vprašajte za prve tri, ne le za prvega. Ožji seznam možnosti je bolj pošten kot en sam samozavestno zveneč odgovor.
- Uporabite ga za pripravo vprašanj za pravi obisk. Pretvarjanje nejasne skrbi v konkreten seznam vprašanj je ena najbolj zanesljivih uporab orodja.
- Vse, kar je pomembno, preverite pri licenciranem kliniku, zlasti pri novih, resnih ali vztrajnih simptomih.
- Nemudoma ukrepajte, če se simptomi poslabšajo — ne čakajte, da umetna inteligenca dohiti dogajanje.
- Enega samega odgovora umetne inteligence nikoli ne obravnavajte kot dokončnega. Navzkrižno ga preverite s tem, kako se dejansko počutite, in s strokovnim nasvetom.
Diagnostično orodje z umetno inteligenco je ponavadi najbolj uporabno za določen sklop nalog in najmanj uporabno za druge. Preden se nanj oprete, je koristno vedeti, na kateri strani te ločnice se znajde vaš položaj:
- Razumevanje neznanih medicinskih izrazov iz laboratorijskega izvida ali napotnice
- Ocenjevanje, kako nujen bi lahko bil nov simptom
- Priprava jasnega seznama vprašanj pred obiskom zdravnika
- Pridobivanje splošne zdravstvene vzgoje o stanju, ki ga že imate
- Odločanje med obiskom istega dne, načrtovanim terminom ali previdnim opazovanjem
Strokovno recenzirani konsenz je odkrit: generativna umetna inteligenca je dragocen pripomoček v nestrokovnih scenarijih, ne pa zanesljivo nadomestilo za zdravnika strokovnjaka. Ameriška Uprava za hrano in zdravila spremlja medicinske pripomočke z omogočeno umetno inteligenco, ki so odobreni za trženje, prav zato, ker nepreverjeni izhodi umetne inteligence prinašajo resnično klinično tveganje — opomnik, da to vrzel v natančnosti kot pomembno obravnavajo tudi regulatorji, ne le raziskovalci.
Kdaj preskočiti umetno inteligenco in obiskati pravega zdravnika
Zdravnik z umetno inteligenco ni nadomestilo za licenciranega zdravnika in ne postavlja diagnoze. V nujnih zdravstvenih primerih pokličite 112.
Noben odstotek natančnosti — ne 52 %, ne 97 % v idealnih pogojih — ne naredi diagnostičnega orodja z umetno inteligenco varnega za zanašanje ob resnem, nenadnem ali poslabšujočem se simptomu. Preskočite umetno inteligenco in pojdite naravnost k pravemu zdravniku ali nujni pomoči ob simptomih, kot so:
- Bolečina ali pritisk v prsih ali težave z dihanjem
- Nenaden, hud glavobol, drugačen od vseh prejšnjih
- Nenadzorovana krvavitev ali hitro poslabšujoča se poškodba
- Znaki možganske kapi — povešen obraz, oslabelost roke, nerazločen govor
- Kateri koli simptom, ki preprosto deluje kot nujen primer
Zdravstvenega pomočnika z umetno inteligenco uporabite, da se poučite in uredite svoje misli, nato pa naj o dejanski presoji odloči licenciran klinik.
