A mesterséges intelligencia gyakorlati alkalmazása az infektológiában: lehetőségek, kihívások és etikai szempontok

Az áttekintés célja és módszertana

Alavi és munkatársai olyan gyakorlati alkalmazásokat tekintettek át, amelyek infektológusok, mikrobiológusok, kutatók és egészségpolitikai döntéshozók munkáját támogathatják. A szerzők célzott PubMed-keresést végeztek, amelyet 2026. július 24-ig frissítettek. Elsősorban az alkalmazásokat, a modellek teljesítményét, a bevezetés feltételeit és a biztonsági vonatkozásokat bemutató, lektorált közleményeket választották ki. Egyes rendszereknél intézményi és platformforrásokat is felhasználtak, ha megfelelő szakirodalmi információ nem állt rendelkezésre.

Az áttekintés nem egyetlen modell klinikai vizsgálatát ismerteti: eltérő fejlettségű és rendeltetésű eszközöket mutat be. A szerzők külön tárgyalják a járványügyi adatfeldolgozást, a fehérjeszerkezetek előrejelzését, a kórházi fertőzések felismerését és az alkalmazás etikai feltételeit.

Járványügyi jelzések többféle adatforrásból

A hagyományos surveillance laboratóriumilag igazolt esetekre, hospitalizációs és halálozási adatokra támaszkodik. Ezek gyűjtése munkaigényes, területenként eltérő és késedelmes lehet; az enyhe vagy tünetmentes fertőzések kimaradása torzíthatja az incidencia és a súlyosság megítélését. A gépi tanulás a manuális módszereket kiegészítve összetett, korábban fel nem ismert mintázatok azonosítására használható.

Az online adatfolyamok és közösségimédia-tartalmak elemzése segítheti a járványaktivitás követését, a fertőzési gócok azonosítását, a terjedés előrejelzését és az erőforrások elosztását. A bemutatott rendszerek azonban nem azonos módon működnek:

• A ProMED-mail szakértők által moderált, globális fertőzőbetegség-jelentési rendszer, járványügyi figyelmeztetésekkel és kommentárokkal.

• A HealthMap gépi tanulással összesíti az online adatfolyamokat a járványok valós idejű követéséhez.

• Az EPIWATCH nyílt forrású adatokból azonosít kialakuló egészségügyi fenyegetéseket.

• A BlueDot különböző adatforrásokat használ járványkövetésre és kockázatértékelésre, előfizetéses szolgáltatásként.

Az első három platform nyilvánosan, ingyenesen hozzáférhető. A mesterséges intelligencia nagy, heterogén adathalmazok gyors feldolgozásával támogathatja a korai észlelést és a gyorsabb járványügyi reagálást.

Fehérjemodellezés és pandémiás felkészülés

A fehérjenyelvi modellek vírusszekvenciák, kötőfehérjék és lehetséges módosulások elemzésével becsülhetik a vírusok biológiai rátermettségét és antigenitását. Ez a vírusfejlődés és a betegségdinamikát befolyásoló funkcionális változások korai értékelését segítheti.

Az AlphaFold aminosav-szekvenciákból jelzi előre a fehérjék háromdimenziós szerkezetét, támogatva a szerkezetalapú gyógyszerfejlesztést. A RoseTTAFold szintén mélytanuláson alapuló szerkezetbecslő modell. A ProGen ezzel szemben meghatározott funkciójú fehérjeszekvenciák generálására tanított nyelvi modell, több fehérjecsaládra kiterjedő alkalmazhatósággal. A kézirat az AlphaFoldot nyilvánosan hozzáférhető eszközként, a RoseTTAFoldot és a ProGent a koncepció igazolásának szakaszában lévő megoldásként ismerteti.

Kézhigiéné és védőeszköz-használat követése

A szenzorokkal összekapcsolt algoritmusok a kézhigiénés előírások és az egyéni védőeszközök megfelelő használatának ellenőrzését is támogathatják. Egy vizsgálatban tizenhat mélységérzékelő hat hónap alatt gyűjtött képein tanított algoritmus a kézhigiénés adagolókat 92,1 százalékos szenzitivitással és 98,3 százalékos specificitással azonosította.

Egy másik, mélytanulást alkalmazó vizsgálatban a nem megfelelő védőeszköz-használat felismerésének szenzitivitása 86 százalék, specificitása 100 százalék volt. A számítógépes látás folyamatos ellenőrzést tehet lehetővé, csökkentheti az emberi megfigyelőkre támaszkodást, és azonosíthatja az előíráskövetés mintázatait. Az így nyert információ célzott infekciókontroll-intézkedéseket támogathat.

Kórházi fertőzések felismerése és kockázatbecslése

A mesterséges intelligencia klinikai, laboratóriumi és radiológiai adatok feldolgozásával segítheti az egészségügyi ellátással összefüggő fertőzések felismerését. Wiemken és Carrico a National Healthcare Safety Network 2023-as oktatási eseteiben azt találták, hogy a GPT-4 hat, centrális katéterhez társuló véráramfertőzéses vagy húgyúti katéterhez társuló fertőzéses esetet helyesen azonosított. A valós klinikai teljesítmény azonban bizonytalan maradt.

Lukasewicz Ferreira és munkatársai véletlenerdő-alapú modelljei különösen a légúti fertőzések felismerésében javították a surveillance teljesítményét, és felülmúlták az infekciókontroll-csoportok CDC-kritériumokra épülő hagyományos megfigyelését.

A műtéti sebfertőzés kockázatát becslő AMRAMS strukturált elektronikus betegadatokat és szöveges reprezentációkat kapcsol össze. Belső validáláskor a konvolúciós neurális hálózat AUROC-értéke 0,889, az önfigyelmi hálózaté 0,882 volt. Külső validáláskor 0,878, illetve 0,879 értéket értek el, meghaladva a hagyományos NNIS-kockázati mutató 0,651-es eredményét.

Sundermann és munkatársai teljesgenom-szekvenálást kapcsoltak össze az elektronikus dokumentáció gépi tanulásos elemzésével. Olyan kórházi járványokat is felismertek, amelyeket a hagyományos módszerek nem azonosítottak. További modellek az antibiotikum-rezisztencia előrejelzésével támogathatják az antibiotikum-választást és az antimikrobiális stewardship programokat.

Kettős felhasználás és adatbiztonság

A kórokozók elemzésére és fehérjetervezésre alkalmas rendszerek visszaélési lehetőséget is teremtenek. Gyorsabbá és hozzáférhetőbbé tehetik a korábban jelentős számítási szakértelmet igénylő biológiai elemzéseket. A számítógépes eredmények tényleges biológiai termékké alakításához ugyanakkor továbbra is laboratóriumi szakértelem és kísérletes validálás szükséges.

A szerzők hozzáférés-szabályozást, használatkövetést, kockázatfelismerő mechanizmusokat és érzékeny szekvenciák biztonságos tárolását emelik ki. Az adatvédelem külön nehézsége, hogy az algoritmusok az azonosítóktól megfosztott klinikai adatokat is újra összekapcsolhatják az érintettekkel.

A biológiai biztonsági tesztekben fehérjetervező eszközökkel olyan digitális terveket hoztak létre, amelyek ricinre és botulinumtoxinra emlékeztető fehérjéket írtak le, miközben elkerülték a hagyományos szűrést. A közlemény ezt a biztonsági mechanizmusok megerősítését indokoló eredményként tárgyalja, nem pedig a biológiai hatás kísérletes bizonyításaként.

A félretájékoztatás veszélye a járványokról, kórokozókról és rezisztenciamintázatokról szóló hamis tartalmak nagy mennyiségű előállítására is kiterjed. A szerzők ezért a technikai biztosítékok mellett intézményi irányítást, nemzetközi együttműködést és az emberi jogokat, valamint a közjót előtérbe helyező alkalmazási normákat a gyorsan változó szabályozás mellett tartanak szükségesnek.

Meggyőző megfogalmazás, bizonytalan tartalom

Az úgynevezett hallucináció hihető, de pontatlan információ létrehozását jelenti: kitalált hivatkozások, téves élettani magyarázatok vagy helytelen diagnosztikai és terápiás javaslatok formájában. Öt vezető chatbot egészségügyi válaszait vizsgáló elemzésben közel minden második válasz pontatlanságot tartalmazott, gyenge hivatkozásminőség mellett.

Több mint egymillió utasítás elemzése azt mutatta, hogy a modellek gyakrabban ismételték és bővítették a téves állításokat, ha azokat szakmai klinikai nyelvezettel fogalmazták meg. Egy bemutatott kísérletben hamis preprintek alapján chatbotok valós betegségként ismertettek egy nem létező kórképet; a koholt publikációk később egy visszavont, lektorált cikkben is megjelentek hivatkozásként.

A szerzők szerint jelenleg nincs olyan módszer, amely a klinikailag jelentős hallucinációkat megbízhatóan megelőzné. A kereséssel kiegészített generálás, a tudásgráfok és az önellenőrző megoldások klinikai validálása elégtelen. A döntéseket befolyásoló eredmények emberi felügyelete ezért nélkülözhetetlen.

Intézményi feltételek a biztonságos alkalmazáshoz

A bevezetés során a munkafolyamatok szintjén érvényesülő biztosítékokat is fontosnak tekintik. A gyakorlati ellenőrzőlista a következő feladatokat rögzíti:

• Érzékeny betegadatok bevitelének kerülése nyilvános platformokon.

• Intézményi felelős kijelölése a modell felügyeletére.

• A szolgáltató biztonsági, adatkezelési és frissítési eljárásainak átvilágítása.

• A demográfiai és klinikai alcsoportok közötti teljesítménykülönbségek rendszeres vizsgálata.

• Incidenskezelési eljárás kialakítása a hibák dokumentálására és értékelésére.

• A modellverziók, frissítések és klinikai következményeik követése.

• Emberi ellenőrzés fenntartása az antibiotikum-használat, az izoláció és a fertőzések besorolásának döntéseiben.

A szerzők hangsúlyozzák, hogy az ajánlások egy részét még nem értékelték prospektív klinikai vizsgálatokban; azok a további bizonyítékok alapján pontosítandó útmutatásnak tekintendők.

Forrás: Alavi SMA, Borgonovo F, Pourghazi F, Tande AJ, Berbari EF, O’Horo JC. Practical applications of artificial intelligence in infectious disease surveillance and control: opportunities, challenges, and ethical considerations. Clinical Microbiology and Infection. 2026. Közlésre elfogadott, végleges szerkesztés előtti változat (Journal Pre-proof). doi:10.1016/j.cmi.2026.07.052.