Mesterséges intelligencia az allergológiában: nagy lehetőség, egyelőre korlátozott klinikai hasznosulással
Az allergológia és klinikai immunológia területén a mesterséges intelligencia egyre több diagnosztikai, terápiás, prevenciós és kutatási alkalmazásban jelenik meg, de a klinikai bevezetést ma még adatminőségi, validációs, etikai és szervezési akadályok lassítják. Az áttekintés szerint a valódi előrelépéshez nem újabb prototípusokra, hanem szigorúbb értékelésre, célzott fejlesztésre és folyamatos utánkövetésre van szükség.
Alkalmazási területek
A Journal of Allergy and Clinical Immunology közleménye az allergológia és immunológia szakterületén megjelenő mesterségesintelligencia-megoldásokat tekinti át, külön figyelmet fordítva a nagy nyelvi modellekre, a multimodális rendszerekre és az AI-ügynökökre. A szerzők szerint az AI legfontosabb ígérete abban áll, hogy nagy, heterogén és részben strukturálatlan adathalmazok gyors elemzésével mintázatokat tárhat fel, és támogathatja a személyre szabott diagnosztikus vagy terápiás döntéshozatalt.
A diagnosztikában a gépi tanulás több ponton is szerepet kaphat. A közlemény példaként említi, hogy az algoritmusok az ételallergia kivizsgálásában a kórelőzményt és a vizsgálati eredményeket – például az ételspecifikus IgE-adatokat – együttesen elemezve segíthetik a pontosabb kórismét, illetve előre jelezhetik az orális provokáció során várható reakció súlyosságát. Az anafilaxia felismerésében elektronikus kórlapadatok, asztmában pedig rizikófaktorok és klinikai jellemzők alapján működő modellek jelennek meg, amelyek differenciáldiagnosztikai vagy exacerbáció-előrejelző céllal készülnek.
A képalkotás és képelemzés ugyancsak gyorsan fejlődő terület. A szerzők beszámolnak olyan konvolúciós neurális hálózatról, amely többfotonos tomográfiás felvételek alapján atópiás dermatitis automatikus felismerésére készült, és 0,95 feletti szenzitivitást, illetve specificitást ért el. Gyermekek súlyos asztmájában a nagy felbontású mellkasi CT-felvételek gépi tanulással támogatott elemzése 90–98%-os pontosságot mutatott, noha a vizsgálat kis esetszáma erősen korlátozza az eredmények általánosíthatóságát.
Betegellátás és önmenedzsment
A terápiamenedzsmentben az AI a kezelési válasz elemzésével, a dózisok és terápiás ütemezés finomításával, valamint a mellékhatások csökkentését célzó előrejelzésekkel támogathatja a személyre szabott ellátást. A közlemény szerint az egyéni anamnézis, biomarkerek és kockázati tényezők integrálása alapján olyan adaptív modellek fejleszthetők, amelyek a várható betegséglefolyás vagy terápiás válasz becslésével segíthetik a klinikai döntéseket.
Az adminisztratív teher csökkentése szintén fontos alkalmazási terület. A természetesnyelv-feldolgozás alkalmas lehet strukturálatlan beteganyagok elemzésére, jelentések előkészítésére, dokumentációs feladatokra és beteg-orvos interakciók rögzítésére, ami több időt szabadíthat fel a közvetlen betegellátás számára. A cikk hivatkozik egy felmérésre is, amely szerint 2023 és 2024 között az orvosok AI-használata 38%-ról 66%-ra emelkedett, elsősorban adminisztratív célokból.
A betegek tájékoztatásában és önmenedzsmentjében is körvonalazódik az AI szerepe. A nagy nyelvi modellek személyre szabott, anyanyelven megfogalmazott egészségügyi információt közvetíthetnek, és bizonyos feladatokban a klinikai gondolkodást is támogathatják; a közlemény egy asztmás betegekkel kapcsolatos példát említ, ahol a GPT-4 96,3%-os pontossággal adott egészségműveltségi válaszokat. Emellett az allergénexpozíció követésére fejlesztett pollenszenzorok, a pollen- és penészspóra-detektálásra alkalmas hordozható rendszerek, továbbá a köhögésszámláló alkalmazások és az AI-vezérelt nazális eszközök is a lehetséges önellátási irányok közé tartoznak, bár több megoldás még prototípusfázisban van.
Kutatási potenciál és korlátok
A kutatásban a multiomikai adatok elemzése emelkedik ki. A szerzők szerint a mélytanuló modellek képesek megragadni az omikai rétegeken belüli és azok közötti összetett szerkezeteket, a transzformer-architektúrák pedig különösen alkalmasak lehetnek nagy, szekvenciális jellegű adatok integrálására. A PandaOmics platform példáján a közlemény azt mutatja be, hogy multiomikai és szöveges gén-, illetve betegséginformációk összevetésével új terápiás célpontok és biomarkerek azonosíthatók; allergiás betegségekben ilyen célpontként többek között az IL4R, IL5, JAK1, JAK2, JAK3 és NR3C1 merült fel.
A klinikai átültethetőség ugyanakkor továbbra is gyenge pont. A cikk ezt az „AI-szakadék” vagy „utolsó mérföld” problémájaként írja le: az ígéretes kutatási eredmények többsége nem jut el a betegágyig. Ennek okai között szerepel, hogy az AI által szolgáltatott információ nem feltétlenül teljes, tartalmazhat pontatlanságokat, és nélkülözi azt a kritikai mérlegelést, amely a klinikus sajátja.
Az allergológia területén ezt tovább súlyosbítja a standardizált adatbázisok hiánya, a populációs és környezeti heterogenitás, valamint az elégtelen fenotipizálás. A betegadatok sokszor hiányosak, az utánkövetések dokumentációja egyenetlen, ami megnehezíti a modellek tanítását és rontja a generalizálhatóságot. A szerzők külön kiemelik, hogy a gyermek- és felnőttellátás közötti átmenet, illetve az életkorfüggő kórképmintázatok az allergológiai AI-rendszerek fejlesztését és bevezetését is nehezítik.
Kockázatok és fejlesztési irány
A tanulmány részletesen tárgyalja a technikai és etikai kockázatokat. Kiemelt jelentőségű a szenzitív betegadatok védelme, az adatminőség, valamint az algoritmikus torzítások kérdése, mivel a nem reprezentatív tanítóadatok egyenlőtlenségekhez és félrevezető következtetésekhez vezethetnek. A nagy nyelvi modellek esetében különösen súlyos probléma a hallucináció, vagyis a meggyőzően megfogalmazott, de téves válaszok megjelenése, ami klinikai környezetben elfogadhatatlan kockázatot jelent.
A szélesebb körű bevezetéshez a szerzők orvosképzést, nagyobb és reprezentatívabb kohorszokon történő validációt, adatbiztonsági garanciákat, valamint szabályozói és finanszírozási keretek kialakítását tartják szükségesnek. A túlzott AI-függés ugyanakkor önmagában is veszélyforrás lehet, mert gyengítheti az orvosi ítélőképességet, miközben felelősségi kérdéseket is felvet.
A közlemény végkövetkeztetése egy hatpontos fejlesztési útitervben sűrűsödik. Ennek elemei: a klinikailag valóban releváns problémák előnyben részesítése és a kevéssé hasznosított adatforrások bevonása; a valós klinikai gyakorlatra szabott teljesítménymércék kialakítása; szigorúbb validáció és szabályozás; a prototípusoktól a működő klinikai rendszerek felé való elmozdulás; a bizalmat erősítő, felhasználóközpontú bevezetés; valamint a posztimplementációs monitorozás és rendszeres frissítés. A szerzők álláspontja szerint csak ezzel a szemléletváltással válhat az allergológiai AI a demonstrált lehetőségből valódi klinikai eszközzé.
van Breugel M, Greenhawt M, Torres Jaén MJ, Anagnostou A, Koppelman GH. Artificial intelligence in allergy and immunology: from promise to impact. Journal of Allergy and Clinical Immunology. 2026;157(2):297–306.
