Τα μεγάλα νοσοκομειακά συστήματα των ΗΠΑ αναπτύσσουν ταχέως την τεχνητή νοημοσύνη σε κλινικές λειτουργίες, από την ανάλυση εξετάσεων ασθενών έως την αμφισβήτηση απορρίψεων ασφαλιστικών παροχών, αν και οι πρώτες εφαρμογές αποκαλύπτουν σημαντικούς περιορισμούς παράλληλα με κέρδη αποδοτικότητας, όπως ανέφερε η Wall Street Journal.
Στο Northwestern Medicine, ο επικεφαλής της επείγουσας ακτινολογίας Σαμίρ Αμπούντ ανέφερε ότι η τεχνητή νοημοσύνη μείωσε τον χρόνο ελέγχου των αναφορών ακτινογραφιών του από 75 δευτερόλεπτα σε περίπου 45 δευτερόλεπτα. Το σύστημα υγείας με έδρα το Σικάγο εφάρμοσε γενετική τεχνητή νοημοσύνη το 2024 που εξετάζει τις εξετάσεις ασθενών και συντάσσει αναφορές, τις οποίες στη συνέχεια ελέγχουν οι ακτινολόγοι για την ακρίβειά τους.
Μια μελέτη που δημοσιεύτηκε τον Ιούνιο του 2025 δοκίμασε το σύστημα τεχνητής νοημοσύνης του Northwestern σε όλο το δίκτυο των 11 νοσοκομείων του για πέντε μήνες το 2024, αναλύοντας σχεδόν 24.000 ακτινολογικές αναφορές. Το σύστημα παρείχε κατά μέσο όρο 15,5% αύξηση της αποδοτικότητας, με ορισμένους ακτινολόγους να επιτυγχάνουν κέρδη παραγωγικότητας έως και 40%. «Για μένα και τους συναδέλφους μου, δεν είναι υπερβολή να πούμε ότι διπλασίασε την αποδοτικότητά μας», δήλωσε ο Αμπούντ.
Αλλά αυτό που γίνεται ξεκάθαρο είναι ότι η AI στις κλινικές ρυθμίσεις δεν αντικαθιστά τον άνθρωπο, ούτε πρέπει να το κάνει. Οι γιατροί εξακολουθούν να λαμβάνουν τις αποφάσεις — με την τεχνητή νοημοσύνη να λειτουργεί ως «δεύτερο μάτι» ή βοηθός. Παράδειγμα αποτελεί μια μελέτη όπου εργαλεία AI βοήθησαν στη διάγνωση μορφών καρκίνου που παρατηρούνται ανάμεσα στις συνήθεις οθόνες, μειώνοντας ενδεχόμενες παραλείψεις έως και κατά 30%.
Τα νοσοκομεία, ωστόσο, αντιμετωπίζουν σημαντικές προκλήσεις. Τα εργαλεία γενετικής AI μπορούν να παράγουν «ψευδείς» ιατρικές βιβλιογραφικές αναφορές, όπως αποκαλύφθηκε όταν το ChatGPT εμφάνισε μη υπαρκτές μελέτες για ιατρικές παρεμβάσεις — γεγονός που ώθησε κλινικούς ιατρούς σε πιο προσεκτική, «trust but verify» προσέγγιση. Υπάρχουν επίσης ανησυχίες για το ενδεχόμενο εξάρτησης των επαγγελματιών από την τεχνολογία και το ενδεχόμενο «deskilling», δηλαδή να υπονομευτεί η ικανότητα των γιατρών να λαμβάνουν αποφάσεις χωρίς τη βοήθεια τεχνητής νοημοσύνης.
Σημαντικές ανησυχίες για την ασφάλεια
Παρά τα κέρδη στην αποδοτικότητα, παραμένουν σημαντικές ανησυχίες σχετικά με την κλινική ασφάλεια της τεχνητής νοημοσύνης. Μια μελέτη του Stanford που δημοσιεύθηκε αυτές τις ημέρες, διαπίστωσε ότι τα ιατρικά μοντέλα τεχνητής νοημοσύνης παράγουν σοβαρά επιβλαβείς συστάσεις σε ποσοστό 11,8% έως 14,6% των περιπτώσεων για συστήματα με την υψηλότερη απόδοση, ενώ τα μοντέλα με τη χειρότερη απόδοση υπερβαίνουν το 40% σε ποσοστά σοβαρών λαθών. Αξιοσημείωτο είναι ότι το 76,6% των επιβλαβών λαθών προέκυψε από παραλείψεις—την αποτυχία να συστηθούν κρίσιμες εξετάσεις ή θεραπείες—παρά από ακατάλληλες συστάσεις.
Παρά ταύτα, οι συστήματα υγείας δεν δείχνουν διατεθειμένα να σταματήσουν. Η AI έχει ήδη διεισδύσει σε καθημερινές και βαρετές, αλλά ζωτικές, εργασίες -από την ταχεία διαχείριση ασφάλισης και αποζημιώσεων μέχρι την αυτοματοποίηση της καταγραφής ιατρικών αρχείων- απελευθερώνοντας χρόνο που οι επαγγελματίες υγείας μπορούν να αφιερώσουν στην ποιοτική φροντίδα του ασθενή.
Για τις εταιρείες τεχνολογίας και τις startups που αναπτύσσουν εργαλεία AI, τα νοσοκομεία παραμένουν ένα από τα πιο απαιτητικά αλλά και πιο αποκαλυπτικά περιβάλλοντα, εκεί όπου η πραγματική αξία της τεχνητής νοημοσύνης δοκιμάζεται καθημερινά, με επιτυχίες, αλλά και εμφανή όρια, να γράφονται την ίδια στιγμή.
