Embervezérelt, adatközpontú AI a klinikai döntésekért

A legtöbb egészségügyi AI-projekt nem a modellnél vérzik el, hanem a adatnál. Nem látványos hiba, nincs piros villogó lámpa—csak csendben romlik a teljesítmény: hiányzó értékek, félrecsúszott kódolások, zajos címkék, osztályozhatatlan megjegyzések, és az a tipikus helyzet, amikor ugyanaz a diagnózis háromféleképp szerepel a rendszerben.

Ez a téma 2025 végén különösen aktuális. A kórházak és rendelők egyre több helyen próbálnak LLM-alapú “copilotokat” bevezetni dokumentációhoz, triázshoz, leletek összefoglalásához vagy akár diagnózistámogatáshoz. Csakhogy a klinikai érték sokszor ott dől el, ahol a legtöbb csapat a legkevesebb időt tölti: az adatok előkészítésénél.

Egy friss kutatás (CliMB-DC keretrendszer) pont ezt a vakfoltot támadja: embervezérelt, adatközpontú LLM-copilotot javasol, amely nem csak „modellt választ”, hanem segít a valós, rendetlen egészségügyi adatokból ML-re kész (machine learning-ready) állományt csinálni. És igen: ehhez az orvos, szakdolgozó, adatgazda tudása nem extra, hanem alap.

Miért nem elég a „modellközpontú” copilot az egészségügyben?

A rövid válasz: mert a klinikai kockázat nem ott van, hogy melyik algoritmust választjuk, hanem abban, hogy mit etetünk meg vele.

A modellközpontú megközelítések tipikusan ezekre koncentrálnak:

• „Melyik modell jobb?”
• „Hogyan hangoljuk a hiperparamétereket?”
• „Melyik metrika a megfelelő?”

Ez hasznos, de az egészségügyben sokszor más a valós sorrend:

1. Adategységesítés (kódok, mértékegységek, időbélyegek)
2. Minőségjavítás (hiányzó adatok, duplikációk, anomáliák)
3. Címkeproblémák (zajos diagnóziskódok, változó protokollok)
4. Csak ezután jön a modell.

Egy radiológiai AI példáján: ha a képanyag metaadataiban a vizsgálattípusok keverednek (pl. „CT thorax” vs. „mellkas CT” vs. „CT chest”), a modell akár kiváló is lehet—csak épp rossz kohorszra tanul, és a klinikai validáció során látványosan elhasal.

Snippet-mondat: A klinikai AI megbízhatóságát nem a legjobb modell, hanem a legjobban kezelt adat adja.

Az adatközpontú szemlélet: ez a valódi szűk keresztmetszet

Az adatközpontú (data-centric) megközelítés lényege: adott modellcsalád mellett a legnagyobb nyereséget sokszor az hozza, ha rendszeresen javítjuk az adatot, és kontrolláltan csökkentjük a zajt.

Tipikus adatproblémák klinikai környezetben

A kutatás is kiemeli, hogy a nyers valós adatok tele vannak buktatókkal. Egészségügyben ezek különösen gyakoriak:

• Hiányzó értékek: laborok nem készültek el, vizsgálatok elmaradtak, vagy egy osztály nem rögzít bizonyos mezőket.
• Címkezaj: diagnóziskódot adminisztratív okból választanak, vagy a kódolási gyakorlat időben változik.
• Domain-specifikus finomságok: ugyanaz a jelenség más osztályon más jelentést kap (pl. „pozitív” lelet kontextusfüggő).
• Idősoros csapdák: mi számít „baseline”-nak? Mi az esemény előtti ablak? Könnyű véletlenül jövőbeli információt becsorgatni.

A valóság az, hogy a legtöbb hibás vagy torz AI-döntés mögött nem „rossz AI” áll, hanem:

• rosszul definiált populáció,
• nem konzisztens adatkinyerés,
• rejtett szivárgás (data leakage),
• félreértelmezett címkék.

Miért kell ehhez ember a körbe (human-in-the-loop)?

Mert az egészségügyi adat nem csak „tábla”, hanem kórtörténet, protokoll, kontextus. Az LLM remekül tud javasolni, összegezni, alternatívákat adni—de nem fogja magától tudni, hogy egy adott kórházban 2023 óta változott a troponin mérési módszer, és emiatt az értékek eloszlása ugrik.

Az emberi szakértelem itt nem validáció a végén, hanem irányítás közben.

Mit hoz a CliMB-DC: embervezérelt, adatközpontú LLM-copilot

A kutatás egy olyan keretrendszert javasol, amelynek fókusza az: a rendetlen, nem kurált egészségügyi adatból hogyan lesz „tanítható” adatkészlet úgy, hogy közben a domain-szabályok és klinikai józan ész is érvényesül.

Két szerepű, multi-agent felépítés – miért praktikus?

A javasolt architektúra lényege, hogy nem egyetlen „mindentudó” ügynök próbál mindent megoldani, hanem:

• van egy koordinátor (stratégiai tervezés, következő lépések kiválasztása, alkalmazkodás),
• és egy specialista végrehajtó (precíz, eszközorientált feladatvégzés).

Egészségügyi analógiával: olyan, mint amikor az osztályvezető orvos megtervezi a kivizsgálási utat, a diagnoszta pedig elvégzi a célzott vizsgálatot és dokumentál.

Ez a felosztás azért működik jól adat-előkészítésnél, mert a folyamat iteratív:

1. problémaészlelés (pl. túl sok hiányzó adat),
2. okfeltárás (melyik osztály, melyik időszak, melyik mező),
3. beavatkozás (imputálás, szűrés, újrakódolás),
4. ellenőrzés (minőségmetrikák, minták szemlézése),
5. újratervezés.

Taxonómia: végre név van a fájdalmakon

A kutatás előnye, hogy nem csak „okos copilotot” ígér, hanem rendszerezi, milyen adatközpontú kihívásokat kell kezelni. Ez segít a csapatoknak abban, hogy ne ad hoc módon javítgassanak, hanem tudatosan.

Én azt látom a gyakorlatban, hogy már az is gyorsítja a projektet, ha van közös nyelv:

• „Ez most hiányzó adat probléma vagy definíció probléma?”
• „Ez label noise vagy kohorsz-eltérés?”
• „Leakage kockázat van?”

Ha ezek tiszták, a klinikai és adat oldali szereplők kevésbé beszélnek el egymás mellett.

Nyílt, bővíthető eszköztár – miért fontos 2026 felé?

Az egészségügyi adatkörnyezet gyorsan változik: új EESZT-integrációk, új kódolások, új képalkotó protokollok, új telemedicinás adatfolyamok. Egy copilot akkor marad hasznos, ha bővíthető, és könnyen hozzáadhatók új adatminőségi eszközök.

A keretrendszer nyitottsága ezért nem „szép extra”, hanem fenntarthatósági kérdés.

Hogyan néz ki ez a gyakorlatban? 3 klinikai forgatókönyv

A lényeg: az adatközpontú copilot nem diagnózist „ad”, hanem a diagnózistámogató modellekhez szükséges adatot teszi rendbe úgy, hogy közben a klinikus irányít.

1) Diagnózistámogatás sürgősségin: triázs adatok és időablakok

Sürgősségin a modellek gyakran idősoros jellemzőkből dolgoznak (vérnyomás, pulzus, laborok). Itt tipikus hiba, hogy:

• összekeveredik az esemény előtti és utáni információ,
• a „felvételi” időpont nem egységes,
• az első mérés sokszor később történik.

Egy embervezérelt copilot itt:

• felhívja a figyelmet a leakage gyanújára,
• alternatív időablak-definíciókat javasol,
• és végrehajtja az újraszűrést, majd minőségriportot készít.

2) Radiológiai képadatok: címkezaj és protokoll drift

A radiológiai címkézésnél gyakori, hogy:

• a leletben szereplő megfogalmazás változik,
• más radiológus másképp dokumentál,
• új protokoll miatt a vizsgálat eloszlása megváltozik (drift).

A copilot értéke itt abban van, hogy a radiológus:

• gyorsan mintát tud ellenőrizni a gyanús csoportokból,
• szabályokat tud megadni (pl. mely kifejezések számítanak pozitívnak),
• és a rendszer következetesen alkalmazza ezeket a teljes adathalmazon.

3) Krónikus betegek személyre szabott gondozása: heterogén adatforrások

Diabétesz vagy szívelégtelenség esetén gyakran keveredik:

• ambuláns adat,
• fekvőbeteg epizód,
• telemedicinás mérés,
• gyógyszerkiváltás.

Az adatközpontú copilot segít:

• egységes beteg-azonosítást és epizód-definíciót kialakítani,
• duplikációt és ellentmondást keresni,
• és dokumentálható módon rögzíteni az üzleti/klinikai szabályokat.

Bevezetési ellenőrzőlista: mit kérj egy AI-copilottól, ha egészségügyben dolgozol?

Ha 2026-ban AI-t szeretnél a diagnózis vagy működés támogatására, én ezeket tenném kötelezővé—különösen kórházi környezetben:

1. Adatminőségi riportok automatikusan

   • hiányzási mintázatok (mezőnként, osztályonként, időszakonként)
   • outlierek és anomáliák
   • duplikációk és inkonzisztenciák

2. Emberi jóváhagyási pontok (human-in-the-loop)

   • „stop” és „review” jelzések nagy kockázatú lépéseknél (pl. imputálás klinikai változóknál)

3. Auditálható adattranszformációk

   • pontos napló: mit változtatott, mikor, milyen szabállyal
   • visszagörgethetőség

4. Leakage-védelem idősoros esetekre

   • esemény- és időablak-szabályok ellenőrzése

5. Klinikai fogalomtár és definíciók kezelése

   • mi számít „eseménynek”, „pozitív esetnek”, „baseline”-nak

Snippet-mondat: Ha a copilot nem tudja megmondani, pontosan hogyan tisztította az adatot, akkor nem copilot, hanem kockázat.

Mit jelent ez a „Mesterséges intelligencia az egészségügyben” sorozat szempontjából?

A sorozatban gyakran beszélünk képalkotásról, diagnózistámogatásról, kórházi működésoptimalizálásról és telemedicináról. Ezek mind közös nevezőre hozhatók: adatfolyamokból kell megbízható döntéstámogatás.

Az embervezérelt, adatközpontú LLM-copilot azért izgalmas irány, mert közelebb hozza egymáshoz a két világot:

• a klinikusok valós igényeit és definícióit,
• és az ML-csapatok eszköztárát.

Ha leadet kell generálni ebből a témából, szerintem a legjobb belépő nem az, hogy „építsünk modellt”, hanem az, hogy:

• mérjük fel az adatminőséget,
• keressük meg a legnagyobb kockázati pontokat,
• és alakítsunk ki egy ember által irányított adat-előkészítési folyamatot, amit később több projektre is újra lehet használni.

A következő lépés nálad egyszerű: nézd meg egyetlen, jól körülhatárolt klinikai use case (pl. szepszis-riadó, stroke-triázs, radiológiai prioritás) adatait, és tedd fel a kérdést a csapatnak: melyik adatprobléma a legdrágább, és hol kell kötelezően emberi kontroll?

Záró gondolat

Az egészségügyi AI akkor lesz tényleg hasznos a mindennapokban, ha nem csak „okos válaszokat” ad, hanem okosabb adatot csinál—úgy, hogy közben a klinikai szakértelem a kormány mögött marad.

Ha egy embervezérelt, adatközpontú LLM-copilot képes csökkenteni a hibás címkéket, feltárni a rejtett szivárgást, és egységesíteni a betegutakat, az közvetlenül javítja a diagnózistámogató rendszerek pontosságát és a betegbiztonságot. A kérdés 2026-ra nem az, hogy lesz-e AI a klinikán, hanem az, hogy ki irányítja, és milyen adaton fut.