Betegéletút Misszió
Bevezető
A Rényi AI, a HUN-REN Rényi Alfréd Matematikai Kutatóintézet Mesterséges Intelligencia Kutatócsoportja egy olyan kutatóműhely, amely nemcsak a tudományos kiválóságot tartja szem előtt, hanem azt is, hogy a mesterséges intelligencia eredményei közvetlenül hasznosuljanak a társadalomban.
A csoport mély alapkutatási tudását és széles AI-kompetenciáját az alkalmazások tekintetében tudatosan társadalmi kihívások megoldására fordítja. Az egészségügyben különösen nagy lehetőséget látunk: itt egyedülálló lehetőség nyílik arra, hogy a rendelkezésre álló adatokból valódi életminőség-javulást teremtsünk.
A kutatócsoport elkötelezett abban, hogy a magyar egészségügyi adatvagyonból valódi értéket hozzon létre. A prevenció, predikció és döntéstámogatás korszerű eszközei nemcsak a betegek gyógyulási esélyeit növelik, hanem a teljes egészségügyi rendszer hatékonyságát is erősítik. Számunkra ez nem pusztán kutatás-fejlesztés, hanem társadalmi felelősségvállalás és stratégiai innováció Magyarország jövőjéért.
A kiindulópont és a kihívás
A magyar egészségügy rendkívül gazdag adatvagyonnal rendelkezik. A NEAK több mint másfél évtizedre visszamenőleg gyűjti az ellátási eseményeket, a járó- és fekvőbeteg jelentésektől a labor- és képalkotó vizsgálatokon át a vénykiváltásig. Az EESZT 2017 óta rögzíti az egészségügyi dokumentumokat: leleteket, zárójelentéseket, ambuláns lapokat. Együtt ezek teljes képet tudnának adni a magyar betegek egészségügyi életútjáról, a valóság azonban ennél jóval töredezettebb.
A NEAK-nál rendelkezésre álló strukturált adatok finanszírozási logikát követnek, ezért sok fontos klinikai részlet hiányzik belőlük. Az EESZT-ben rögzített dokumentumok pedig nem léteznek strukturált formában, csupán szöveges dokumentumként orvosi-latin kifejezésekkel, amelyek így önmagukban nem elemezhetők: először strukturált adatokat kell kinyerni belőlük ahhoz, hogy a betegéletút követésére és elemzésére alkalmasak legyenek. Ez a kettősség az oka annak, hogy sem az egyéni ellátásban, sem a rendszerirányításban nem áll össze egy magas minőségű betegéletút – és ez ma a legnagyobb akadálya az egészségügyi adatvagyon érdemi hasznosításának.
A mesterséges intelligencia rendszerek fejlődésével ma már elérhetővé váltak azok az eszközök, amelyekkel a korábban széttöredezett és elemezhetetlen egészségügyi dokumentumok strukturálhatóvá, összekapcsolhatóvá és hasznosíthatóvá válnak. Így válik a korábban elemzésre alkalmatlan dokumentumtömeg valódi, elemezhető életút-adatbázissá. A Betegéletút Misszió e lehetőséget ragadja meg: célja, hogy a magyar egészségügy gazdag életút adatvagyonát valódi prevenciós, prediktív és döntéstámogató erőforrássá alakítsa.
Missziónk lényege
Missziónk célja a betegadatok betegéletúttá szervezése, és ezeknek az adatoknak a gyakorlati hasznosítása az egyéni betegellátás, a klinikai döntéstámogatás, az igazgatási folyamatok és a népegészségügy szintjén egyaránt.
Hasznosítási célok
Missziónk nem általános kutatási célokat követ, hanem közvetlen impaktot hoz létre. Konkrét problémákra ad kézzelfogható, rövid- és középtávon is hasznosítható megoldást. Az alábbi táblázat összefoglalja a legfontosabb problémákat és neuralgikus pontokat, a rájuk adott megoldásokat, és a misszió által megvalósuló eredményeket:
| Probléma | Megoldás | Misszió által megvalósuló eredménytermék |
|---|---|---|
| A kutatásokhoz széttöredezett adatforrások állnak rendelkezésre. | Strukturált, országos betegéletút-adatbázis. | A betegdokumentáció kritikus részeinek strukturálása. |
| A népegészségügyi programok esetében a célpopulációk pontos meghatározása és elérése kihívást jelent, ami korlátozza a hatékonyságot. | Adatalapú megközelítés, predikció és prevenció betegszintű adatbázis alapján | Algoritmusok megvalósítása szűrési programhoz. (népegészségügyi szinten magas kockázatú betegségek, diabétesz, daganatos elváltozások szűréséhez hatékony algoritmusok) |
| Betegbiztonság garantálása — A betegellátás színvonala intézményenként és szakemberenként eltérő lehet, mivel az irányelvek következetes betartása nem egyformán valósul meg, ez a betegbiztonságot is veszélyeztetheti. A helyi és országos szakmai irányítás és ellátásszervezés a helyi egészségügyi folyamatokat (betegéletutakat) jelenleg nehezen látja át. | Folyamatba épített ellenőrzési mechanizmusok és retrospektív adatelemzés a megfelelés vizsgálatára. Betegéletút szintézis. | Orvosszakmai irányelvek betartását monitorozó, automatikus ellenőrző rendszer és országos összehasonlító jelentések néhány kiválasztott folyamathoz. |
| Gyógyszerezések adatalapú kontrolljának hiánya, gyógyszeradherencia és gyógyszerinterakciók problémaköre | Gyógyszerezések adatalapú elemzése, adherencia- és interakció-monitoring | Adatalapú gyógyszerhasználati és adherencia-monitoring rendszer, amely valós idejű jelzéseket ad az orvosnak és a betegnek. |
| Ritka betegségek felismerésének hiánya — A ritka betegségek diagnózisa gyakran éveket késik, mert az adatokból nem azonosítják időben a mintázatokat. | Gépi tanuláson alapuló korai felismerő rendszerek, amelyek az ellátási adatokban meglévő jeleket időben kiszűrik. | Ritka betegségek korai azonosítására alkalmas prediktív modul, amely támogatja a háziorvosok és szakorvosok munkáját. |
| A várható élettartam és a betegségek progresszióinak becslése elavult, nem a magyarországi populációhoz igazított eszközökkel történik. | Adatalapú információs eszközök, és modern prediktív modellek fejlesztése a várható élettartamra és a betegségek progressziójára. | Adatalapú várható élettartam- és betegségprogresszió becslő modellek, amelyek megbízható alapot adnak terápiás döntésekhez, és az ellátási ütemezések alapjaiként is szolgálhatnak. |
| A meglévő adatvagyon ellenére nincs széles körben használt prediktív modell sem krónikus betegségek (pl. diabétesz, rosszindulatú daganatok), sem hospitalizációs kockázatok tekintetében. | Országos prediktív keretrendszer létrehozása a NEAK és EESZT adatvagyon integrálásával. Gépi tanulási modellek fejlesztése és validálása krónikus betegségek (például: diabétesz, rosszindulatú daganatok), hospitalizációs kockázatok előrejelzésére. | Nemzeti Prediktív Modulcsomag három fő komponenssel Krónikus betegségek (diabétesz, rosszindulatú daganatok) előrejelző modul. Hospitalizációs kockázatbecslő modul. Predikciók kivezetése az orvos képernyőjére. |
| Az orvosnak nincs ideje átolvasni 30-50 előzmény-dokumentumot | Betegéletút összefoglaló és figyelmeztetések az orvos számára | Mesterséges intelligencia alapú betegéletút összefoglaló |
| Az ország K+F+I kapacitásai széttöredezetten, koordináció nélkül haladnak a területen, miközben az EHDS (European Health Data Space) előírja az egészségügyi dokumentáció kutatási célú megosztását. A széttöredezettség jelentősen korlátozza a kutatás-fejlesztési tevékenységek hatékonyságát, és a hazai adatkincsnek köszönhető versenyelőnyünket is erodálja. |
A misszió komplex, multidiszciplináris K+F+I projektként hozza össze a szereplőket ezen a kritikus és jól fókuszált területen, ezzel fontos tapasztalatokat generál, illetve egy közös platformot teremt a jövőben megvalósuló kutatási, innovációs és ipari együttműködésekhez, amelyek a misszió eredményeire épülhetnek | Egy nemzeti szintű, strukturált betegéletút-adatplatform, amely navigációs elemként és alapként szolgál a hazai innovációs tevékenységekhez, valamint biztosítja, hogy Magyarország stratégiai pozíciót építsen az egészségügyi adatalapú fejlesztésekben. |
Impakt összefoglaló
A misszió eredményei egyszerre javítják az egyéni betegellátást, erősítik a rendszerirányítást, és kutatási, valamint népegészségügyi szinten is új távlatokat nyitnak. Más szóval: ezen az egyetlen fókuszált irányvonalon történő fejlesztés öt szinten hoz áttörést – a betegnek, az orvosnak, a kutatásoknak, a döntéshozóknak, közigazgatásnak és a népegészségügynek:
Egyén: precíziós szűrés, személyre szabott diagnosztikai folyamatok, jobb betegkövetés.
Orvos: átlátható betegéletút és döntéstámogató jelzések a képernyőn, időmegtakarítás.
Népegészségügy: predikciós és prevenciós modellek, kevesebb elkerülhető kórházi felvétel, célzottabb szűrések (jobb hatásfokú és költséghatékonyabb szűrések).
Kutatás: nagyléptékű, egységes adatbázis klinikai vizsgálatokhoz, egy-egy szakterület országos elemzéseihez, új minták felismeréséhez.
Igazgatás: korszerű ellenőrzési és folyamat-támogató eszközök (pl. adherenciakövetés, folyamatba épített kontroll), költséghatékonyabb folyamatok.
Az impakt rövid távon is mérhető, hosszabb távon pedig ez a rendszer adhatja az országos szintű prevenció és predikció alapját – vagyis azt a stratégiai képességet, amellyel Magyarország a 21. századi egészségügyi innováció élvonalába léphet.
Ütemterv
A misszió sikeres megvalósítása a megfelelő támogatás elnyerésével válik lehetővé. Amennyiben a program megkapja a szükséges támogatást, az alábbi ütemezés mentén valósítjuk meg a célokat:
1. év: Alapozás és első működő megoldások — kézzelfogható pilotok és bizonyíték a működőképességre
A hasznosítási célokban jelölt eredménytermékek és funkcionalitások pilot jellegű müködtetése klinikai tesztkörnyezetekben, szűkebb, jól megválasztott orvosszakmai fókuszokkal. (Például: egy megyei kórházban már működik a betegéletút összefoglaló pilot verziója, az ország egy régiójában működik az adatalapú szűrővizsgálati behívóprogram 3 daganatos fókuszterületen.)
2. év: Országos kiterjesztések első szakasza — hatás több millió ember életére
Az első év validált eredményeinek országos kiterjesztése, és a kutatási-fejlesztési rész kiterjesztése új orvosszakmai területekre új pilot programok indításával.
3. év: Rendszerszintű bevezetés és a funkciók kiterjesztésének további szakaszai
A rendszer funkcionalitásának és országos kiterjesztésének következő szakaszai, a teljes eszköztár beépítése az egészségügyi ellátás mindennapi működésébe.
A fejlesztést végző kutatócsoport és intézményi együttműködési rendszer
A Rényi AI több éve végez a témában kutatás-fejlesztési tevékenységet, és építi azt a szakmai kapacitást és kapcsolatrendszert, amely lehetővé teszi a nagyléptékű egészségügyi adatalapú innovációt.
Jelenleg egy 12 fős, multidiszciplináris szakértői csapat dolgozik a misszió előkészítésén és fejlesztésén. A tagok között nem csak matematikusok és MI-fejlesztők, hanem orvos, az egészséginformatikai rendszerekben (pl. NEAK, EESZT) jártas szakértők, valamint ipari háttérrel rendelkező kutatók is megtalálhatók, akik korábban nemzetközi cégeknél szereztek tapasztalatot. Ez a sokszínű kompetenciakör biztosítja, hogy a misszió ne csak tudományosan megalapozott, hanem gyakorlati szempontból is megvalósítható legyen.
Intézményi együttműködések
A Semmelweis Egyetem Egészségügyi Menedzserképző Központjával hosszú évek óta tartó együttműködés keretében biztosított finanszírozási adatok képezik az alapját a missziót megalapozó egészségügyi kutatásoknak.
A Rényi Intézetnek az Eötvös Loránd Tudományegyetemmel évtizedes partnersége van a matematika területén. Missziónk keretében ez elsősorban a tehetséggondozást és a jövő szakembereinek felkészítését szolgálja: célunk, hogy az egészségügy és a mesterséges intelligencia határterületén bevonjunk fiatal kutatókat és hallgatókat, akik később hozzájárulhatnak a közös kutatások és innovációk sikeréhez.
Ezek az intézmények fontos kiegészítő kapacitásokat hozhatnak a program számára, a Rényi pedig azon kevés hazai műhelyek egyike, ahol a misszió sikeréhez szükséges kompetenciacsomag az elmúlt években teljes körűen előállt. A misszió sikerét így több intézményt integráló együttműködési ökoszisztéma biztosítja.
Nemzetközi dimenzió
A kutatócsoport aktív kapcsolatokat alakított ki külföldi partnerekkel, akik hasonló kutatási irányokon dolgoznak. Ezek a kollaborációk lehetővé teszik a jó gyakorlatok átvételét, a modellek validálását nemzetközi környezetben, valamint az európai szintű kezdeményezésekhez (pl. EHDS) való közvetlen illeszkedést. Így a Betegéletút Misszió nemcsak hazai jelentőségű, hanem nemzetközi referenciaértékű projektté válhat.
Egyéb fontos stratégiai vonatkozások
Másodlagos, stratégiai eredmény: a pilotok során láthatóvá válnak az egészségügyi adatvagyon legkritikusabb minőségi hiányai. A misszió így egyfajta „adatminőség-iránytűként” is szolgál: kijelöli, hol és hogyan érdemes Magyarországon a strukturált adatgyűjtést és -feldolgozást fejleszteni.
Bár az adatminőség teljes körű javítása nem része a misszió szűk scope-jának, a PDF-ek feldolgozása és a betegút-analízisek során keletkező insightok kritikus hozzájárulást jelentenek a hosszú távú rendszerfejlesztéshez.
Másodlagos felhasználás: a misszió során létrejövő adatbázisok és módszertanok kizárólag hazai cégek bevonásával kerülnek felhasználásra. Ez biztosítja, hogy a projekt eredményei a magyar egészségügy és innovációs ökoszisztéma megerősítését szolgálják, és ne szivárogjanak ki külföldi szereplők felé.