Klinikai döntéstámogató rendszerek – modern tervezési elvek

Mi a klinikai döntéstámogató rendszer?

A klinikai döntéstámogató rendszer (clinical decision support, CDS) olyan szoftver, amely az ellátás helyén és idején betegre szabott információt, figyelmeztetést vagy javaslatot nyújt az orvosnak. A beteg elektronikus dokumentációjában szereplő adatokat klinikai szabályokkal vagy modellekkel veti össze, és az eredményt figyelmeztetésként, emlékeztetőként, kockázati pontszámként vagy javaslatként jeleníti meg.

Klasszikus példák: gyógyszer–gyógyszer kölcsönhatási figyelmeztetés, vesefunkció szerinti dózisfigyelmeztetés, allergiafigyelmeztetés, korai figyelmeztető pontrendszerek (például NEWS2). Az új generációs rendszerek gépi tanulással képi, EKG- vagy laboratóriumi mintázatokból készítenek előrejelzést.

A diagnosztikai vagy terápiás döntéshez betegre szabott információt előállító CDS-szoftverek a legtöbb esetben orvostechnikai szoftvernek (SaMD) minősülnek (EU MDR 11. szabály, MDCG 2019-11). Részletek: /hu/ai/turkiyede-yapay-zeka-regulasyonu

Riasztási fáradtság

A gyógyszerbiztonsági figyelmeztetések nagy részét az orvosok felülbírálják. Egy szisztematikus áttekintés szerint a figyelmeztetések 49–96%-át bírálták felül (van der Sijs és mtsai, J Am Med Inform Assoc 2006). A sok alacsony értékű figyelmeztetés miatt a kritikus figyelmeztetés is elsikkadhat.

Egy jól megtervezett CDS-nél a következőkre kell figyelni:

• **Specificitás**: a figyelmeztetésnek figyelembe kell vennie a beteg kontextusát (vesefunkció, terhesség, allergia).
• **Fokozatosság**: csak a kritikus figyelmeztetések állítsák meg a munkafolyamatot; a többi passzívan is megjeleníthető.
• **Visszacsatolási hurok**: a felülbírálások indokait gyűjteni kell, a szabályokat pedig rendszeresen felül kell vizsgálni.
• **Helyi validálás**: a küszöbértékeket az intézmény saját betegpopulációján kell tesztelni.

Evidencia és átláthatóság

Láthatónak kell lennie, honnan származik egy javaslat: szakmai társasági irányelvből, validált klinikai pontrendszerből (például CHA₂DS₂-VASc, Wells) vagy egy publikált modell validációs vizsgálatából.

Modellalapú rendszereknél azt is meg kell kérdezni: milyen adatokon tanították a modellt, van-e külső validálása, hogyan teljesít az alcsoportokban, hogyan választották ki a küszöbértéket, és javult-e tőle a betegkimenetel?

Gépi tanuláson alapuló CDS: különbségek és kockázatok

A szabályalapú CDS-ben a szabályokat emberek írják. A gépi tanuláson alapuló CDS-ben a mintázatokat a rendszer az adatokból tanulja meg, így ritka és többváltozós összefüggéseket is felismerhet.

A fő kockázatok: a döntés indoklása nem magyarázható, a tanítóadatokban alulreprezentált csoportokban gyengébb a teljesítmény, egy másik kórházba átvive romlik a teljesítmény, és idővel adateltolódás következik be. Ezért helyi validálásra és folyamatos monitorozásra van szükség.

Gyorsan nőtt azoknak az MI-támogatott eszközöknek a száma, amelyek forgalomba hozataláról az FDA döntött; egy elemzés szerint azonban a 2025 decemberéig listázott 1357 eszköz közül mindössze 3 esetében vizsgáltak betegközpontú kimeneteket. Részletek: /haberler/fda-onayli-yapay-zeka-tibbi-cihazlar-hasta-sonucu-testi

Gyakorlati összefoglaló orvosoknak

Egy CDS értékelésekor tegyen fel három kérdést: (1) Klinikailag érdemiek-e a figyelmeztetések? (2) Megjelöli-e a forrást vagy a validálás bizonyítékát? (3) Figyelembe veszi-e a beteg kontextusát?

A gyakran téves figyelmeztetést adó szabályokat jelezze a rendszergazdának; ez a visszajelzés szükséges a szabálykészlet fejlesztéséhez.