Mesterséges intelligencia az egészségügyben – mire használható, és mikor veszélyes?

Nagyon különböző rendszerek ugyanazon címke alatt

A mesterséges intelligencia gyűjtőfogalom. Egy radiológiai képen elváltozást kereső algoritmus, egy kórházi kockázatbecslő rendszer és egy általános célú chatbot eltérő feladatra készül, más adatokból tanul, és más módon kerül kapcsolatba az egészségügyi döntésekkel. Emiatt az „MI meg tudja-e állapítani a betegséget?” kérdés önmagában túl tág.

Vannak olyan, meghatározott célra fejlesztett rendszerek, amelyeket orvostechnikai eszközként vizsgálnak és engedélyeznek. Az amerikai Élelmiszer- és Gyógyszerügyi Hivatal, az FDA külön nyilvántartást vezet az általa engedélyezett, mesterséges intelligenciát alkalmazó orvostechnikai eszközökről. Az Európai Unió szabályozása szintén kockázati szinthez köti az MI-rendszerekkel szembeni követelményeket, és az egészségügyi döntéseket érdemben befolyásoló alkalmazásoknál különösen fontos az adatminőség, a teljesítmény ellenőrzése és az emberi felügyelet. [1–4]

A biztonság megítéléséhez először azt kell tisztázni, pontosan mire használják a rendszert, és mennyire bizonyított, hogy abban a feladatban megbízhatóan működik. Ugyanilyen fontos, milyen adatokból dolgozik, milyen környezetben működik, és mi történik, ha téved. Egy orvosi dokumentum első vázlatának hibája kijavítható. Egy elmulasztott rosszindulatú elváltozás vagy hibás gyógyszerfelírási javaslat már egészen más kockázati szint.

Milyen területeken van már ma is komoly hozzáadott értéke az MI-nek?

A képalkotás az egyik legjobban vizsgált terület. A mesterséges intelligencia például mammográfiás felvételeken kereshet daganatra utaló jeleket. Más rendszerek mellkasi felvételek értékelését vagy szövettani minták elemzését segíthetik. Ezekben az alkalmazásokban a rendszer jól definiált bemenetet kap, és egy viszonylag pontosan meghatározott feladatot végez.

Egy 2025-ben megjelent szisztematikus áttekintés 31 emlőrákszűrési vizsgálatot és összesen több mint kétmillió szűrővizsgálatot értékelt. Több vizsgálatban az MI a leletezés ellenőrzését vagy egyes részfeladatait vette át. Ez csökkentette az orvosok munkaterhét, miközben a felismerési teljesítmény legalább hasonló maradt. Az eredmények között jelentős különbségek voltak, és a hosszabb távú követés több vizsgálatban hiányos volt, ezért minden konkrét rendszer teljesítményét saját alkalmazási környezetében kell értékelni. [5]

Kevésbé látványos, de jelentős alkalmazás az egészségügyi dokumentáció támogatása. A beszélgetést feldolgozó rendszerek elkészíthetik az orvosi jegyzet első változatát vagy összefoglalhatják a kórelőzményt. Egy 2025-ös szisztematikus áttekintés és metaanalízis szerint az ilyen eszközök csökkenthetik a dokumentáció terhét, a vizsgálatok módszertani minősége és eredményei azonban jelentősen eltértek. [6]

Kockázatbecslő algoritmusok arra is használhatók, hogy sok betegadatból jelezzék egy romlás, szövődmény vagy újrafelvétel valószínűségét. Itt különösen fontos, hogy a modell az adott kórházban, betegcsoportban és technikai környezetben is megfelelően működjön. Egy korábban pontos modell teljesítménye megváltozhat, ha más összetételű betegekcsoportnál, új műszerekkel vagy eltérő dokumentációs rendszerben alkalmazzák. [1–4]

Mit tudnak a ChatGPT-szerű generatív modellek?

A nagy nyelvi modellek egészen más elven működnek, mint egy meghatározott radiológiai feladatra betanított algoritmus. Nagy mennyiségű szövegből tanulják meg a nyelvi összefüggéseket, majd a kapott kérdéshez valószínű szövegfolytatást állítanak elő. Ez rendkívül rugalmas eszközzé teszi őket: elmagyarázhatnak orvosi fogalmakat, összefoglalhatnak szöveget, segíthetnek kérdéseket megfogalmazni, vagy közérthetőbb formába rendezhetnek bonyolult információkat. [2,7]

A látványos teljesítmény mögött a klinikai bizonyíték jóval szűkebb. Egy 2025-ös JAMA szisztematikus áttekintés 519, egészségügyben használt nagy nyelvi modelleket vizsgáló tanulmányt talált. A kutatások nagy része vizsgakérdésekkel, orvosi ismereteket számon kérő feladatokkal vagy mesterségesen összeállított esetekkel értékelte a modelleket. Mindössze körülbelül 5 százalékuk használt valódi betegellátásból származó adatot.A legtöbb vizsgálat a válasz pontosságát mérte, jóval ritkábban vizsgálták a torzítást, a bizonytalanság jelzését vagy a tényleges klinikai alkalmazást. [7]

Ez fontos különbség. Egy orvosi vizsgán elért magas pontszám azt mutatja, hogy a modell sok kérdésre helyes választ tud előállítani. A betegellátásban ugyanakkor gyakran hiányos adatokból és szokatlan tünetekből kell kiindulni. A helyzetet tovább nehezíthetik az egymással kölcsönhatásba lépő betegségek és gyógyszerek, miközben maga a döntés is bizonytalan lehet.

A 2026-ban megjelent szisztematikus áttekintés és metaanalízis szerint az ember és a nagy nyelvi modellek együttműködése egyes diagnosztikai és döntéstámogatási feladatokban javította a teljesítményt. Egy vizsgálatban például a helyes első diagnózis aránya 29,2-ről 59,1 százalékra nőtt, amikor az orvos MI-segítséget kapott. Más feladatokban jóval kisebb volt az előny, és az időmegtakarítás összességében nem bizonyult egyértelműnek. A dokumentáció minősége javulhatott, miközben egyes vizsgálatokban az MI által készített szövegek 26–36 százaléka tartalmazott valamilyen ténybeli hibát. [8]

Ezért a jelenlegi bizonyítékok egyelőre arra utalnak, hogy az MI bizonyos, jól körülhatárolt feladatokban hasznos társa lehet az orvosnak. Ebből még nem következik, hogy önálló klinikai döntéshozóként általánosan megbízható lenne. [8]

A hihető tévedés és a veszélyes kihagyás

A generatív modellek egyik sajátos hibája a hallucinációnak nevezett jelenség: a rendszer nyelvileg meggyőző, mégis hibás vagy alá nem támasztott állítást hozhat létre. A hiba érintheti magát az adatot vagy annak értelmezését. Előfordulhat téves gyógyszerkölcsönhatásra vonatkozó állítás vagy hibás forráshivatkozás is. A jól szerkesztett nyelvi megoldás ilyenkor külön kockázatot jelent, mert a válasz stílusa nagyobb bizonyosságot sugallhat, mint amennyit a tartalma indokol.

Ugyanilyen fontosak a kihagyások. A válasz lehet nagyrészt helyes, miközben kimarad belőle egy sürgős figyelmeztető jel, egy gyógyszeres ellenjavallat vagy egy olyan adat, amely teljesen megváltoztatná az értelmezést. Az olvasónak sokszor nehezebb felismernie a hiányzó információt, mint egy nyilvánvaló tévedést.

Egy 2026-os szisztematikus áttekintés szerint a hallucinációk mérséklésében többféle megoldás együtt lehet hasznos. Ilyen lehet külső, ellenőrizhető információforrások bevonása vagy a modell célzott finomítása. Emellett fontos a bizonytalanság felismerése és az emberi ellenőrzés is. Egyetlen technikai védelem sem bizonyult minden egészségügyi helyzetben elegendőnek. [9]

A gyakorlati következtetés egyszerű: a rendszer nyelvi magabiztossága nem a bizonyosság mérőszáma. Egy egészségügyi válasznál érdemes külön megkérdezni, milyen adat alapján született az állítás, mi bizonytalan, milyen fontos alternatívák léteznek, és melyik rész igényel szakmai ellenőrzést.

Leletértelmezés: mire használható biztonságosabban?

Egy laboreredmény vagy képalkotó lelet szövegét a generatív MI gyakran jól át tudja fogalmazni közérthető nyelvre. Elmagyarázhatja, mit jelent egy szakkifejezés, milyen mértékegység szerepel a leleten, vagy milyen kérdéseket érdemes feltenni a következő konzultáción. Ebben a szerepben az MI a tájékozódást és a felkészülést segítheti.

Egy lelet önmagában ritkán árulja el, hogy mit jelent az eredmény az adott ember számára. Egy laborérték értelmezéséhez számít például az életkor és az, hogy szed-e valamilyen gyógyszert. A korábbi eredmények és más betegségek szintén módosíthatják a jelentését. Radiológiai leletnél hasonló a helyzet: a képet a panaszokkal és a korábbi felvételekkel együtt érdemes értelmezni.

Hasznos munkamegosztás lehet, ha az MI segít megérteni a szöveget és rendezni a kérdéseket, az egészségügyi szakember pedig a személyes helyzetet értékeli és vállalja a döntés felelősségét. Különösen fontos ez új diagnózis, gyógyszerkezdés vagy -módosítás, sürgős tünet, műtéti döntés és jelentős eltérés esetén.

Egészségügyi adatot is adunk a gépnek

Egy lelet feltöltése adatvédelmi kérdés is. Az Európai Unió általános adatvédelmi rendelete, a GDPR az egészségügyi adatokat különleges személyes adatokként kezeli. Egy laborlelet vagy zárójelentés a vizsgálati eredmények mellett nevet, születési adatot, azonosítószámot, intézményt vagy más érzékeny információt is tartalmazhat. [10]

Egészségügyi dokumentum feltöltése előtt ezért érdemes megnézni, hogy miként kezeli az adott szolgáltatás az adatokat, mire használhatja fel a bevitt tartalmat, és milyen beállítások állnak rendelkezésre. Az azonosításra alkalmas adatokat célszerű eltávolítani, ha az adott feladathoz nincs rájuk szükség. Intézményi vagy kutatási környezetben az adott szervezet adatvédelmi és információbiztonsági szabályai határozzák meg, milyen rendszerbe kerülhet bizalmas adat.

A magyar Egészségügyi Tudományos Tanács 2026-os állásfoglalása kutatási környezetben külön is felhívta a figyelmet arra, hogy bizalmas pályázati és szakértői anyagokat nyilvános vagy erre nem engedélyezett MI-rendszerbe nem szabad feltölteni. Az elv a betegadatok kezelésénél is fontos figyelmeztetés: az MI használata új adatkezelési útvonalat hozhat létre, amelyet előre tisztázni kell. [11]

Magyarországon már mérhető a használat, és kutatások is zajlanak

A magyar lakosság egy része már most is fordul egészségügyi kérdésekben a generatív MI-hez. A PwC Magyarország és a Publicis Groupe Hungary 2026 márciusában közölt felmérésében a válaszadók 74 százaléka betegségmagyarázatok megértésére, 71 százaléka tünetek értelmezésére, 61 százaléka vitaminokkal és étrend-kiegészítőkkel kapcsolatos kérdésekre használta az MI-t. Laborlelet értelmezését 27, képalkotó eredményét 22 százalék említette. A válaszadók körülbelül harmada szerint az MI abban is segített, hogy célzottabb kérdésekkel érkezzen az orvoshoz. [12]

Ezeket az arányokat érdemes a helyükön kezelni. A kutatás 1593 fővel készült, és a digitálisan affinis, online vásárló internethasználó népességet reprezentálta. Így az eredmény nem tekinthető a teljes magyar felnőtt lakosság reprezentatív becslésének. Ugyanebben a mintában a válaszadóknak csak 7 százaléka jelezte, hogy kizárólag az MI válaszára hagyatkozik, miközben a pontatlan ajánlások a leggyakrabban említett aggodalmak közé tartoztak. [12]

A jelenség tudományos mérésére magyar kutatók is készülnek. A Semmelweis Egyetemhez kötődő kutatócsoport 2026 elején közölt egy kérdőívfejlesztési vizsgálatot, amely a ChatGPT betegségmegelőzéssel kapcsolatos használatának mérésére szolgáló eszközt vizsgált. A validációs minta mindössze 22 főből állt, ezért ez módszertani kiindulópont, és nem magyar használati gyakoriságot becslő lakossági vizsgálat. [13]

Magyarországon klinikai MI-fejlesztések is futnak. A Pécsi Tudományegyetem által vezetett nemzetközi projektben egészségügyi dokumentációból, gyógyszerkiváltási adatokból, valamint időjárási és légszennyezési információkból próbálják előre jelezni a krónikus obstruktív tüdőbetegség romlását. A 2026 márciusában közölt projektbeszámoló szerint a modell még fejlesztési fázisban volt, háziorvosi validációját 100–150 beteg bevonásával tervezték. [14]

A Debreceni Egyetem és a GE HealthCare együttműködésében természetesnyelv-feldolgozási módszereket is fejlesztenek képalkotó vizsgálatok és szöveges leletek együttes elemzésére. 

Ezek a magyar projektek azt mutatják, hogy az egészségügyi MI hazai kutatása az általános chatbotoknál jóval szélesebb területet fed le. [15]

Mi marad az ember feladata?

Az egészségügyi döntéshez több kell a mintázat felismerésénél. Számít, milyen előzményei vannak a betegnek, és mit szeretne elérni a kezeléssel. Ugyanilyen fontos, milyen előny várható, milyen terhekkel járhat a beavatkozás, és mekkora bizonytalanságot tart még elfogadhatónak. Ezek közül sok információ hiányzik abból az adatcsomagból, amelyet egy algoritmus megkap.

A magyar Orvosetikai Kódex külön rendelkezik a mesterséges intelligencia használatáról. A 2.7. pont szerint az orvos köteles kritikusan értékelni a beteggel kapcsolatos információkat, és az MI által készített elemzések vagy javaslatok nem mentesítik a személyes felelősség alól. [16]

Ez jó alapelv a betegek számára is. Az MI hasznos lehet ellenőrzőként vagy mintázatok felismerésében. Más helyzetekben egy lelet vagy orvosi információ érthetőbb megfogalmazásában segíthet, illetve abban, hogy a beteg jobban fel tudjon készülni az orvosi konzultációra. A biztonságos használathoz először azt kell tudnunk, pontosan mire készült a rendszer, és mennyire megbízhatóan működik abban a feladatban. Az is számít, milyen adatokból dolgozik, és mekkora következménye lehet egy tévedésnek.

Gyakori kérdések

Adhat-e diagnózist a ChatGPT vagy más általános chatbot?

A chatbot képes lehetséges magyarázatokat felsorolni és egészségügyi információkat összefoglalni, de egy személyes diagnózis megbízhatóságához gyakran olyan vizsgálati, előzményi és klinikai adatok szükségesek, amelyekkel nem rendelkezik. Diagnózist vagy kezelést befolyásoló válaszát ezért egészségügyi szakemberrel érdemes ellenőrizni. [2,7–9]

Feltölthetem a laborleleteimet mesterséges intelligenciának?

Technikailag sok rendszer képes dokumentumot értelmezni. Feltöltés előtt érdemes ellenőrizni a szolgáltatás adatkezelési szabályait, és eltávolítani a feladathoz szükségtelen személyazonosító adatokat. Az egészségügyi adatok a GDPR szerint különleges személyes adatok. [10]

Megbízhatóbb egy „orvosi AI”, mint egy általános chatbot?

Az „orvosi AI” elnevezés önmagában nem bizonyítja a megbízhatóságot. A döntő kérdés az, pontosan milyen feladatra fejlesztették a rendszert, és milyen betegcsoportokon próbálták ki. Azt is tudnunk kell, mennyire bizonyult megbízhatónak, illetve milyen feltételekkel engedélyezett az egészségügyi használata. [1–4]

Használnak már mesterséges intelligenciát valódi betegellátásban?

Igen. Képalkotó diagnosztikában, egyes kockázatbecslési feladatokban, dokumentációban és más döntéstámogató alkalmazásokban már működnek klinikai rendszerek. A bizonyíték és a szabályozási státusz eszközönként és felhasználási célonként eltér. [3–6]

Mi a legnagyobb kockázata az egészségügyi MI-nek?

A kockázat nagysága attól függ, mire használják. A generatív modelleknél kiemelt probléma a hihető tévedés, a fontos információ kihagyása és a bizonytalanság elégtelen jelzése. Klinikai algoritmusoknál ehhez társulhat a tanítóadatok torzítása, az eltérő betegcsoportokban romló teljesítmény és a modell későbbi elcsúszása. [1,7–9]

Felhasznált irodalom

1. World Health Organization. Regulatory considerations on artificial intelligence for health. Geneva: WHO; 2023.
2. World Health Organization. Ethics and governance of artificial intelligence for health: Guidance on large multi-modal models. Geneva: WHO; 2025.
3. U.S. Food and Drug Administration. Artificial Intelligence-Enabled Medical Devices. Folyamatosan frissített hivatalos nyilvántartás.
4. European Commission. Artificial Intelligence in Healthcare; EU Artificial Intelligence Act – health and high-risk AI systems. Hivatalos tájékoztatók.
5. Jassim G, Otoom O, Nair B, Hashem J. Performance of artificial intelligence in breast cancer screening programmes: a systematic review. BMJ Open. 2025;15:e111360. doi:10.1136/bmjopen-2025-111360.
6. Zhao J, et al. Application of artificial intelligence tools and clinical documentation burden: a systematic review and meta-analysis. BMC Medical Informatics and Decision Making. 2025/2026;26:29. doi:10.1186/s12911-025-03324-w.
7. Bedi S, et al. Testing and Evaluation of Health Care Applications of Large Language Models: A Systematic Review. JAMA. 2025;333(4):319–328. doi:10.1001/jama.2024.21700.
8. Wang G, et al. Human–large language model collaboration in clinical medicine: a systematic review and meta-analysis. npj Digital Medicine. 2026;9:195. doi:10.1038/s41746-026-02382-2.
9. Basu S, Huynh B. Mitigating hallucinations in healthcare AI: a systematic review. BMC Health Services Research. 2026. doi:10.1186/s12913-026-14851-1.
10. European Union. Regulation (EU) 2016/679 – General Data Protection Regulation, Article 9: processing of special categories of personal data.
11. Egészségügyi Tudományos Tanács. Állásfoglalás a mesterséges intelligencia kutatásetikai alkalmazásáról. 2026.
12. PwC Magyarország – Publicis Groupe Hungary. Az AI már egészségügyi tanácsadó is. 2026. március 18.
13. Angyal V, Bertalan Á, Domján P, Feith HJ, Dinya E. Development of a questionnaire for assessing the use of ChatGPT in primary and secondary disease prevention. Frontiers in Public Health. 2026;13:1709611. doi:10.3389/fpubh.2025.1709611.
14. Nemzeti Kutatási, Fejlesztési és Innovációs Hivatal. Mesterséges intelligenciával a betegekért – a Pécsi Tudományegyetem vezette COPD-előrejelzési projekt. 2026. március 23.
15. Nemzeti Kutatási, Fejlesztési és Innovációs Hivatal. GE HealthCare–Debreceni Egyetem együttműködés: természetesnyelv-feldolgozás és mesterséges intelligencia egészségügyi alkalmazásokban. 2025.
16. Egészségügyi Tudományos Tanács. Orvosetikai Kódex, 2.7. pont – Mesterséges intelligencia alkalmazása. Aktuális változat: 2025. november 17.

Utolsó szakirodalmi ellenőrzés: 2026. augusztus 16.