Betegéletút Misszió

Post author
Adrián Csiszárik
Post date
September 24, 2025
Magyarország egészségügyi adatvagyonának hasznosítása prevencióra, predikcióra és döntéstámogatásra.

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.