AI a magyar egészségügyben: várólisták csökkentése

A várólista nem „csak” kényelmetlenség. Kockázat is: későbbi diagnózis, romló állapot, több szövődmény, több kieső munkanap. Magyarországon a legtöbben ott érzik a rendszer feszültségét, ahol a legfájóbb: időpontfoglalásnál, képalkotón, műtéti előjegyzésnél, kontrollokon. És itt jön a lényeg: az AI (mesterséges intelligencia) több ponton azonnali, mérhető javulást tud hozni – nem sci-fi módon, hanem jól körülírható folyamatokban.

A Portfolio.hu témája („Rövidebb várólisták, nagyobb hatékonyság: hol hoz az AI azonnali javulást a magyar egészségügyben?”) azért fontos, mert végre nem elvont technológiáról beszélünk, hanem betegútról és szervezésről. Ebben a cikkben a „AI a Magyar Egészségügyben: Innovatív Megoldások” sorozat részeként azt bontom ki, hol érdemes elkezdeni, milyen megoldások adnak gyors eredményt, és mi kell ahhoz, hogy a pilotból valódi, fenntartható működés legyen.

Egy jó AI-projekt a kórházban nem a modellel kezdődik, hanem a várólistával. A cél nem az, hogy „legyen AI”, hanem hogy a beteg hamarabb jusson el a következő értelmes lépésig.

Hol csökkenti az AI a várólistát a leggyorsabban?

A leggyorsabb hatás ott jön, ahol sok a rutinfeladat, sok az adminisztráció, és a szűk keresztmetszet szervezési jellegű. Magyarul: nem feltétlenül ott kell kezdeni, ahol „a legmenőbb” az algoritmus, hanem ahol a betegút torlódik.

Tipikus gyors nyereségű területek:

• Időpont- és kapacitásmenedzsment (rendelések, diagnosztika, műtők)
• Képalkotó diagnosztika előszűrés és priorizálás (radiológia)
• Ambuláns betegirányítás és triázs (sürgősségi és járóbeteg)
• Dokumentáció és kódolás támogatása (orvosi admin)
• Telemedicina és kontrollok „okos” kiváltása (ha klinikailag indokolt)

A közös nevező: kevesebb elveszett idő – a betegnek és a személyzetnek is.

AI a kórházi működésben: kapacitástervezés, ami tényleg számít

A várólisták egyik nagy része nem orvosszakmai, hanem szervezési probléma. A műtő foglalt, de az aneszteziológus nem; van CT-időablak, de nincs előkészített beteg; a kontrollok elviszik az időt az első vizitekről. Az AI itt nem diagnosztizál – optimalizál.

Prediktív időpontfoglalás és „no-show” csökkentés

A járóbeteg-ellátásban az egyik legdrágább jelenség a meg nem jelenés (no-show). Ha az AI előre jelzi, mely időpontoknál nagyobb a kockázat (például napszak, előzmények, rendelőtípus alapján), akkor két dolog történhet:

1. Célzott emlékeztetők mennek ki (nem mindenkinek ugyanaz)
2. Okos túlfoglalás történik ott, ahol a kockázat magas

Ettől nem lesz több orvos, de kevesebb „üresjárat” lesz. A várólista pedig gyakran pont ettől rövidül.

Műtőprogram és ágykapacitás: az elcsúszások láncreakciója ellen

A műtétek csúszása sokszor dominószerű: később kerül fel a beteg, később kerül őrzőbe, később szabadul az ágy, borul a másnapi program. AI-alapú ütemezésnél a cél:

• reálisabb műtéti időbecslés (nem „érzésre”)
• kockázati jelzés, ha egy nap túl feszes
• beteg-összerendelés erőforrásokkal (anesztézia, eszköz, személyzet)

Ez nem varázslat, hanem matek – csak eddig túl sok volt kézzel.

Diagnosztikai AI: a radiológia tehermentesítése priorizálással

A radiológia sok helyen az egyik legkeményebb szűk keresztmetszet. Nem feltétlenül a gép hiányzik, hanem a szakember ideje: a leletezés, a sürgős esetek felismerése, a hosszú listák kezelése.

A gyors hatást hozó AI-megoldások itt tipikusan nem azt jelentik, hogy „az AI leletez”, hanem hogy:

• előszűri a felvételeket (például vérzésgyanú, tüdőgóc, törés)
• priorizálja a worklistet (ami sürgős, előre kerül)
• minőségellenőriz (pl. mozgási artefaktum, ismétlés szükséges)

Miért rövidül ettől a várakozás?

Mert ha a sürgős tényleg sürgős sávba kerül, akkor:

• kevesebb a „rejtett sürgős” eset, ami később komplikációként tér vissza
• a radiológus ideje jobb sorrendben hasznosul
• csökken az újravizsgálatok száma (minőségellenőrzés miatt)

A beteg szempontjából ez annyi, hogy hamarabb lesz értelmezhető lelet és következő lépés.

Betegút-optimalizálás: triázs, irányítás, telemedicina okosan

A várólista nem mindig a beavatkozásnál keletkezik. Gyakran már az elején elcsúszik a történet: rossz szakrendelésre kerül a beteg, hiányzik egy lelet, nincs meg az előkészítés, ezért új időpont kell.

Digitális triázs a járóbeteg-ellátásban

A jól felépített digitális triázs (nem „kérdőív”, hanem döntéstámogató folyamat) képes:

• egységesen felmérni tüneteket és rizikót
• jelezni, ha sürgősségi ellátás indokolt
• automatikusan kérni elővizsgálatokat (protokoll szerint)
• a beteget a megfelelő ellátási pontra irányítani

Itt az AI szerepe sokszor a szöveges panaszok és előzmények értelmezése, illetve a kockázati mintázatok felismerése. A cél: kevesebb felesleges kör.

Telemedicina: a kontrollok egy része kiváltható

2025 végén már nem kérdés, hogy a telemedicina velünk marad – a kérdés az, hogyan használjuk jól. Az AI akkor ad értéket, ha segít:

• kiválasztani, mely kontroll mehet online (és melyik nem)
• előre összeszedni a hiányzó adatokat (labor, kérdőív, gyógyszerlista)
• automatikusan összefoglalni a konzultáció lényegét a dokumentációhoz

A legjobb modellek a kontrollt nem „leváltják”, hanem rövidítik és fókuszálják. A felszabaduló idő pedig mehet új betegeknek.

Adminisztráció: ahol az AI a leggyorsabban hoz tehermentesítést

A magyar egészségügyben az egyik legnagyobb rejtett kapacitás a dokumentációban „ég el”. Ha egy orvos napi 60–120 percet gépel és másol, az heti szinten már majdnem egy fél munkanap.

A generatív AI itt akkor hasznos, ha szigorú keretek között használjuk:

• orvosi diktálás → strukturált ambuláns lap
• zárójelentés vázlat előre töltött adatokkal
• kódolási javaslatok (BNO/ICD, beavatkozás-kódok) emberi ellenőrzéssel
• betegkommunikációs sablonok (teendők, előkészületek)

Jó szabály: az AI írhat vázlatot, de az orvos vállalja a felelősséget. Ez jogi és szakmai minimum.

Az admin teher csökkentése közvetlen várólista-hatás: több idő jut ellátásra, és kevesebb csúszás keletkezik a „papírmunka” miatt.

Bevezetési terv: hogyan legyen a pilotból valódi eredmény 90 nap alatt?

A sikeres AI-bevezetés titka a fókusz. A legtöbb intézmény ott csúszik el, hogy egyszerre akar radiológiát, triázst, chatbotot és ütemezést. Én fordítva csinálnám.

1) Egyetlen, mérhető cél (és egyetlen tulajdonos)

Válassz egy KPI-t, amit 90 nap alatt lehet mozdítani, például:

• átlagos várakozási idő képalkotóra (nap)
• műtőkihasználtság (%) és késések száma
• no-show arány (%)
• dokumentációra fordított idő (perc/nap)

Legyen egy felelős (orvosigazgató, szakmai vezető vagy operációs vezető), aki végigviszi.

2) Adat és folyamat: a „szép modell” nem elég

AI csak akkor működik, ha a bemenet stabil:

• egységesített időpont- és erőforrás-adatok
• standard protokollok (mi sürgős, mi nem)
• minimum adatminőség (hiányzó mezők csökkentése)

A valóság: sok helyen már az is nagy előrelépés, ha a folyamatot előbb rendbe tesszük, és az AI csak utána jön rá.

3) Biztonság és megfelelés: nem opcionális

Egészségügyi AI-nál kötelezően kezelendő témák:

• hozzáférés-kezelés és naplózás
• érzékeny adatok védelme (belső szabályzat, jogosultságok)
• emberi felülvizsgálat és felelősségi körök
• modell-monitoring: mikor romlik a teljesítmény és miért

Itt nem érdemes spórolni. A bizalom gyorsan elvész, lassan épül.

Gyakori kérdések, amiket minden vezető feltesz (jogosan)

„Elveszi az AI az orvos munkáját?”

Nem. A gyors eredményű projektek célja a tehermentesítés: priorizálás, admin csökkentés, kapacitásjobbítás. A döntés felelőse ember marad.

„Mikor látszik a hatás a várólistán?”

Az ütemezés/no-show/dokumentáció jellegű megoldásoknál hetek alatt látszik. A diagnosztikai támogatásnál tipikusan 2–4 hónap, mert tréning, validálás és bevezetési fegyelem kell.

„Mi a legnagyobb buktató?”

A rosszul kiválasztott cél. Ha nincs egyértelmű KPI és nincs tulajdonos, a projekt „technológiai bemutató” marad – a beteg pedig nem érez semmit.

Merre tovább 2026-ban? Az AI akkor ér valamit, ha betegutat rövidít

A magyar egészségügyben 2026 egyik nagy kérdése nem az, hogy lesz-e AI, hanem az, hogy hol lesz belőle rutinszerű működés. A rövidebb várólistákhoz a legjobb út szerintem ez: először a szervezési szűk keresztmetszeteket oldjuk, utána skálázzuk a diagnosztikai támogatást, és közben rendbe tesszük az adat- és dokumentációs alapokat.

Ha intézményként vagy magánszolgáltatóként most gondolkodsz bevezetésben, én ezt javaslom: válassz egy folyamatot, ahol ma sok a várakozás és sok a kézi munka, és indíts 90 napos, mérhető pilotot. Az AI nem helyettesíti a szakembereket – de képes visszaadni az idejüket.

A következő részben a sorozatban azt nézzük meg, hogyan illeszthető össze a képalkotó diagnosztikai AI és a telemedicina úgy, hogy a beteg ne több csatornát, hanem kevesebb felesleges kört kapjon. Te melyik ponton érzed a legnagyobb torlódást: időpont, diagnosztika, vagy kontroll?