Η τεχνητή νοημοσύνη αναμένεται να μετασχηματίσει σημαντικά τον χώρο της υγείας, καθώς μπορεί να επεξεργάζεται τεράστιες ποσότητες δεδομένων, να αναγνωρίζει μοτίβα που ενδέχεται να μην είναι εύκολα αντιληπτά από τον άνθρωπο, να υποστηρίζει τη διαγνωστική διαδικασία και να συμβάλλει στην παροχή πιο εξατομικευμένων υπηρεσιών υγείας. Η αξιοποίησή της, ωστόσο, δημιουργεί πλέον πρακτικά ζητήματα σχετικά με την αξιοπιστία, την ευθύνη, τη διαφάνεια και τον τρόπο με τον οποίο χρησιμοποιούνται τα δεδομένα.

Ο καθηγητής Πολιτικής της Υγείας στο London School of Economics, Ηλίας Μόσιαλος, μίλησε για τα ζητήματα αυτά με αφορμή την παρουσίασή του στο συνέδριο HealthWorld 2026 του Ελληνοαμερικανικού Επιμελητηρίου. Όπως επισημαίνει, η τεχνητή νοημοσύνη δεν πρέπει ούτε να αντιμετωπίζεται ως πανάκεια για τα προβλήματα της υγείας ούτε να θεωρείται εκ προοιμίου απειλή. Το κρίσιμο ζήτημα είναι να δημιουργηθούν οι κατάλληλοι μηχανισμοί ελέγχου, αξιολόγησης και λογοδοσίας.

Αξιοπιστία και συνέπεια των συστημάτων AI

Ένα από τα ζητήματα που αναδεικνύονται αφορά το γεγονός ότι τα γλωσσικά μοντέλα μπορούν να παράγουν διαφορετικές απαντήσεις όταν δέχονται την ίδια ερώτηση. Στην υγεία, όπου η συνέπεια και η ασφάλεια είναι ιδιαίτερα σημαντικές, αυτό αποτελεί παράγοντα που πρέπει να αξιολογείται συστηματικά.

Σύμφωνα με τον Ηλία Μόσιαλο, η μεταβλητότητα αυτή μπορεί να περιοριστεί μέσα από συγκεκριμένες τεχνικές και διαδικασίες, όπως η χρήση σταθερής έκδοσης ενός μοντέλου, ο περιορισμός της τυχαιότητας και η σύνδεση του συστήματος με συγκεκριμένες επιστημονικές κατευθυντήριες οδηγίες.

Το ζητούμενο, επομένως, δεν είναι απαραίτητα να παράγεται κάθε φορά ακριβώς η ίδια απάντηση, αλλά οι απαντήσεις να είναι επιστημονικά τεκμηριωμένες, κλινικά ισοδύναμες και ασφαλείς. Για τον λόγο αυτό απαιτούνται επαναλαμβανόμενες δοκιμές, αξιολόγηση της συνέπειας των αποτελεσμάτων και καταγραφή των απαντήσεων, ώστε να είναι δυνατός ο μεταγενέστερος έλεγχος.

Η σημασία των ελληνικών δεδομένων

Ένα ακόμη σημαντικό ζήτημα είναι η δυνατότητα μεταφοράς ενός μοντέλου από ένα σύστημα υγείας σε ένα άλλο. Οι διαφορετικές χώρες έχουν διαφορετικά επιδημιολογικά χαρακτηριστικά, τρόπους κωδικοποίησης των διαγνώσεων, εργαστηριακά δεδομένα και διαδικασίες παροχής υπηρεσιών υγείας.

Έτσι, ένα εργαλείο που έχει παρουσιάσει πολύ καλή απόδοση σε δεδομένα μιας χώρας μπορεί να μην έχει την ίδια αποτελεσματικότητα όταν χρησιμοποιηθεί στην Ελλάδα.

Η λύση, σύμφωνα με τον καθηγητή, δεν είναι απαραίτητα η ανάπτυξη ελληνικών μοντέλων από μηδενική βάση. Απαραίτητη είναι όμως η τοπική επικύρωση πριν από την κλινική εφαρμογή, καθώς και η συνεχής αξιολόγηση της απόδοσης του συστήματος σε διαφορετικές ομάδες ασθενών.

Για να γίνει αυτό, απαιτούνται αξιόπιστα και διασυνδεδεμένα εθνικά δεδομένα υγείας. Στο σημείο αυτό εντοπίζεται ένα σημαντικό έλλειμμα, καθώς η ποιότητα και η διασύνδεση των δεδομένων παραμένουν κρίσιμες προϋποθέσεις για την ασφαλή αξιοποίηση της τεχνητής νοημοσύνης.

Ο κίνδυνος εξάρτησης από μεγάλες τεχνολογικές εταιρείες

Η συγκέντρωση της τεχνογνωσίας, της υπολογιστικής ισχύος και των υποδομών τεχνητής νοημοσύνης σε περιορισμένο αριθμό εταιρειών δημιουργεί επίσης ερωτήματα για τα δημόσια συστήματα υγείας.

Η εξάρτηση από έναν τεχνολογικό πάροχο μπορεί να γίνει εμφανής όταν αλλάζουν οι τιμές, όταν μια έκδοση ενός μοντέλου αποσύρεται ή όταν μια κρίσιμη υπηρεσία διακόπτεται.

Σε αυτό το περιβάλλον, η Ευρώπη μπορεί να αξιοποιήσει ως βασικά εργαλεία τη ρύθμιση, τα δεδομένα και τις δημόσιες συμβάσεις. Οι συμβάσεις θα πρέπει, μεταξύ άλλων, να προβλέπουν δυνατότητα μεταφοράς των δεδομένων, αλλαγής παρόχου και διατήρησης της λειτουργίας των υπηρεσιών χωρίς να δημιουργείται τεχνολογικός εγκλωβισμός.

Παράλληλα, ιδιαίτερη σημασία έχει η διατήρηση των δεδομένων υπό δημόσιο έλεγχο και η αξιοποίηση των ευρωπαϊκών υποδομών δεδομένων υγείας.

Πότε η AI μπορεί να χρησιμοποιείται για κλινικές αποφάσεις;

Η αξιοποίηση της τεχνητής νοημοσύνης στην υγεία μπορεί να διακριθεί σε διαφορετικά επίπεδα. Στο πρώτο επίπεδο βρίσκονται διοικητικές εφαρμογές χαμηλότερου κινδύνου. Στο δεύτερο περιλαμβάνονται εργαλεία που υποστηρίζουν τον επαγγελματία υγείας και επισημαίνουν ευρήματα τα οποία μπορεί στη συνέχεια να ελέγξει ο ίδιος.

Διαφορετική είναι η περίπτωση της αυτόνομης λήψης κλινικών αποφάσεων, όπου οι απαιτήσεις τεκμηρίωσης είναι πολύ υψηλότερες.

Η υψηλή ακρίβεια ενός συστήματος σε ένα συγκεκριμένο σύνολο δεδομένων δεν αρκεί. Χρειάζονται πολυκεντρικές, προοπτικές μελέτες που εξετάζουν πραγματικές εκβάσεις ασθενών, αλλά και οικονομικές αξιολογήσεις. Το κρίσιμο ερώτημα δεν είναι μόνο εάν ένα σύστημα μπορεί να κάνει σωστή πρόβλεψη, αλλά εάν η χρήση του οδηγεί τελικά σε καλύτερα αποτελέσματα για τους ασθενείς και με ποιο κόστος.

Με τα σημερινά δεδομένα, η τεχνητή νοημοσύνη έχει κυρίως υποστηρικτικό ρόλο, ενώ η τελική ευθύνη παραμένει στον κλινικό επαγγελματία.

Χρειάζονται «κόκκινες γραμμές»;

Ο καθηγητής διαχωρίζει τις συζητήσεις για τους μακροπρόθεσμους κινδύνους της γενικής τεχνητής νοημοσύνης από τα προβλήματα που ήδη εμφανίζονται στον χώρο της υγείας. Στα τελευταία περιλαμβάνονται τα σφάλματα, η μεροληψία των δεδομένων, η έλλειψη διαφάνειας, η πιθανή απώλεια επαγγελματικών δεξιοτήτων και η υπερβολική εμπιστοσύνη σε συστήματα που μπορεί να παρουσιάζουν τα αποτελέσματά τους με μεγάλη βεβαιότητα.

Σε κλινικό επίπεδο, υποστηρίζει την ανάγκη για σαφή όρια. Μια μη αναστρέψιμη ιατρική ενέργεια δεν θα πρέπει να πραγματοποιείται χωρίς τη δυνατότητα παρέμβασης κατάλληλα εκπαιδευμένου γιατρού. Παράλληλα, αποφάσεις που αφορούν την κατανομή πόρων ή τη νοσηλεία δεν θα πρέπει να αφήνονται αποκλειστικά σε έναν αλγόριθμο.

Η εποπτεία του ανθρώπου, επομένως, θα πρέπει να είναι ουσιαστική και να συνοδεύεται από σαφή κατανομή ευθύνης.

Δεν αρκεί μια «έξυπνη» AI – χρειάζονται καλύτερα συστήματα υγείας

Η συζήτηση για την τεχνητή νοημοσύνη δεν αφορά μόνο την τεχνολογική εξέλιξη. Αφορά και τον τρόπο με τον οποίο είναι οργανωμένα τα συστήματα υγείας.

Η αποτελεσματική αξιοποίηση της AI προϋποθέτει ένα σύνολο αλληλένδετων παραγόντων: κατάλληλο νομικό πλαίσιο για τα δεδομένα, αξιόπιστη παραγωγή δεδομένων, αποτελεσματική ρύθμιση, κατάλληλη προετοιμασία του ανθρώπινου δυναμικού και εμπιστοσύνη των πολιτών.

Ένα σημαντικό ζήτημα είναι επίσης η αντιπροσωπευτικότητα των δεδομένων πάνω στα οποία αξιολογούνται τα συστήματα. Η περιορισμένη αναφορά σε χαρακτηριστικά όπως η ηλικία και η κοινωνικοοικονομική κατάσταση των πληθυσμών που συμμετείχαν στις μελέτες δημιουργεί ερωτήματα σχετικά με το κατά πόσο γνωρίζουμε σε ποιους πληθυσμούς έχουν πραγματικά δοκιμαστεί οι τεχνολογίες αυτές.

Παράλληλα, υπάρχει ο κίνδυνος απώλειας δεξιοτήτων. Όσο περισσότερες καθημερινές εργασίες ανατίθενται σε συστήματα AI, τόσο μεγαλύτερη σημασία αποκτά η διατήρηση της ικανότητας των επαγγελματιών να λειτουργούν αποτελεσματικά όταν το σύστημα δεν είναι διαθέσιμο ή όταν παρουσιάζει σφάλμα.

Τεχνητή νοημοσύνη, ισχύς και δημοκρατική διακυβέρνηση

Η συζήτηση δεν περιορίζεται στον χώρο της υγείας. Η συγκέντρωση σημαντικών τεχνολογικών υποδομών σε λίγες επιχειρήσεις δημιουργεί ευρύτερα ζητήματα σχετικά με την κατανομή της ισχύος.

Όταν περιορισμένος αριθμός εταιρειών ελέγχει μοντέλα τεχνητής νοημοσύνης, υπολογιστικά συστήματα, data centers και υποδομές cloud, αποκτά σημαντική επιρροή στους όρους με τους οποίους οι πολίτες και οι οργανισμοί έχουν πρόσβαση σε αυτές τις τεχνολογίες.

Παράλληλα, υπάρχει μια σημαντική ασυμμετρία γνώσης μεταξύ των εταιρειών που αναπτύσσουν τα συστήματα και των δημόσιων αρχών που καλούνται να τα ελέγξουν. Όταν οι εποπτικές αρχές δεν διαθέτουν την απαραίτητη τεχνογνωσία, δεδομένα ή ανθρώπινο δυναμικό, η δυνατότητα ουσιαστικού ελέγχου περιορίζεται.

Το ζήτημα της διαφάνειας είναι επίσης κρίσιμο. Ένα σύστημα μπορεί να παρουσιάζεται ως ανοιχτό, ενώ στην πράξη βασικές πληροφορίες, όπως τα δεδομένα εκπαίδευσης ή ο τρόπος ελέγχου του μοντέλου, παραμένουν μη προσβάσιμες.

Το βασικό ερώτημα, επομένως, δεν είναι μόνο ποια τεχνολογία θα αναπτύξουμε, αλλά και ποιος θα θέτει τους κανόνες για τη χρήση της.

Η απάντηση δεν βρίσκεται απαραίτητα στον περιορισμό της τεχνολογικής προόδου, αλλά στη δημιουργία ισχυρών θεσμικών μηχανισμών εποπτείας, οι οποίοι θα διαθέτουν πραγματικές αρμοδιότητες, επαρκή τεχνογνωσία και τη δυνατότητα να παρεμβαίνουν όταν ένα σύστημα δεν πληροί τις απαιτήσεις ασφάλειας και αξιοπιστίας.