A mesterséges intelligencia a diabeteses szövődmények korai felismerésében már most klinikai előnyt ígér
A diabéteszes szövődmények ellátásában a mesterséges intelligencia legfontosabb hozadéka jelenleg a korai felismerés, a kockázatbecslés és a gondozási prioritások pontosítása. Az áttekintő közlemény alapján különösen a retinafelvételekre, elektronikus egészségügyi adatokra és folyamatos glükózmonitorozásra épülő modellek mutatnak klinikailag is értelmezhető teljesítményt, miközben a rutinszerű alkalmazás előtt továbbra is jelentős validációs és adatbiztonsági akadályok állnak.
A hangsúly a korai azonosításon van
Az összefoglaló közlemény szerint a diabétesz globális terhének növekedésével párhuzamosan egyre nagyobb igény mutatkozik olyan megoldásokra, amelyek a krónikus és akut szövődményeket még a klinikailag előrehaladott állapot előtt képesek jelezni. A szerzők értékelése alapján a mesterséges intelligencia ebben elsősorban azért jelent előrelépést, mert képes orvosi képekből, elektronikus kórlapokból és szenzoradatokból olyan összefüggéseket azonosítani, amelyek hagyományos megközelítéssel nehezebben ragadhatók meg.
A cikk fontos állítása, hogy az AI nem önálló diagnosztikai alternatívaként jelenik meg, hanem a klinikai döntéshozatalt támogató eszközként. A potenciális alkalmazási kör a szűréstől és a diagnózistól a kockázatstratifikáción át egészen a személyre szabott követésig terjed.
A retinaalapú modellek állnak a legközelebb a gyakorlathoz
A diabéteszes retinopathia területén születtek a legmeggyőzőbb eredmények. A közlemény felidézi, hogy nagy esetszámú szemfenéki adatbázisokon fejlesztett mélytanulási algoritmusok magas érzékenységet és specificitást mutattak, és az FDA által engedélyezett IDx-DR rendszer mérföldkővé vált az automatizált retinopathiaszűrésben, különösen az alapellátási környezetben.
A szerzők szerint a retina nemcsak a retinopathia, hanem más diabéteszes szövődmények szempontjából is kiemelt információforrás. Szemfenéki felvételek alapján fejlesztettek modelleket a diabéteszes vesebetegség felismerésére, a kardiovaszkuláris kockázat becslésére, sőt egyes neurológiai eltérések detektálására is, ami a retina szerepét non-invazív, több szervrendszer állapotára utaló biomarker felé mozdítja el.
Vesebetegség, neuropathia, diabéteszes láb
A diabéteszes vesebetegség esetében az áttekintés két fő adatbázist emel ki: a szemfenéki képeket és az elektronikus egészségügyi adatokat. Egyes modellek retinafotók alapján azonosították a krónikus vesebetegséget vagy a DKD-t, míg más rendszerek – például EHR- és biomarker-alapú prognosztikai megközelítések – a vesefunkció-romlás előrejelzésében teljesítettek jobban, mint a szokásos klinikai változókra épülő modellek.
A perifériás neuropathia felismerésében a cornea konfokális mikroszkópos képeinek AI-elemzése mutatott ígéretes eredményeket, emellett kockázatbecslő modellek készültek rutinszerű klinikai paraméterek felhasználásával is. A közlemény értelmezése szerint ezek a rendszerek a mindennapi gyakorlatban elsősorban arra lehetnek alkalmasak, hogy gyorsabban kiszűrjék a fokozott kockázatú betegeket.
A diabéteszes láb területén külön figyelmet érdemelnek az okostelefonos és felhőalapú felismerőrendszerek. A bemutatott vizsgálatokban az AI-alapú megoldások nagy pontossággal azonosították a fekélyeket, a folyamat pedig néhány másodpercen belül lezajlott; emellett a viselhető szenzorokkal összekapcsolt rendszerek a korai prevenció és a valós idejű monitorozás irányába mutatnak.
Akut szövődményeknél is látható az előrelépés
A szerzők hangsúlyozzák, hogy az akut metabolikus szövődményekkel foglalkozó AI-irodalom jóval szűkebb, mint a krónikus komplikációké. Ennek oka az lehet, hogy a diabéteszes ketoacidosis és a súlyos hypoglykaemia gyors lefolyású állapotok, ahol a valós idejű előrejelzés technológiailag lényegesen nehezebb.
Ennek ellenére a DKA esetében már rendelkezésre állnak olyan modellek, amelyek intenzív osztályos halálozási kockázatot, illetve későbbi akut ellátási szükségletet becsülnek. A súlyos hypoglykaemia előrejelzésében a CGM-adatokra épülő algoritmusok különösen jó teljesítményt mutattak, és megjelentek olyan, rövid EKG-szakaszokat elemző megoldások is, amelyek viselhető eszközök segítségével folyamatos monitorozást tehetnek lehetővé.
A klinikai bevezetés legnagyobb korlátai
Az áttekintés egyik legfontosabb üzenete, hogy a jó teljesítménymutatók nem azonosak a rutinszerű klinikai alkalmassággal. A szerzők a fő akadályok között említik az algoritmusok korlátozott értelmezhetőségét, a különböző populációk közötti gyenge általánosíthatóságot, a túlillesztés veszélyét, a jelentős számítási igényt, valamint az adatvédelmi és jogi kockázatokat.
A klinikai transzlációhoz ezért standardizált validációra, nyíltabb és megbízhatóbb adatmegosztásra, randomizált vizsgálatokra és költséghatékonysági elemzésekre lesz szükség. A közlemény szerint a nagy nyelvi modellek, a generatív AI és a digitális iker technológiák tovább bővíthetik a személyre szabott diabéteszgondozás lehetőségeit, de ezek helyét a klinikai gyakorlatban még további bizonyítékoknak kell kijelölniük.
Yu S, Guan Z, Wang S, Mao H, Sheng B, Jia W, Li H. Artificial intelligence for diabétesz complications: Detection, prediction, and clinical management. EngMedicine. 2026;3:100133. doi: 10.1016/j.engmed.2026.100133
