Hogyan lesz az egészségügyi adatból klinikai döntéstámogatás?

Az egészségügyi adatból akkor lesz klinikai döntéstámogatás, ha az adat a klinikai munka közben, strukturáltan keletkezik. Ugyanannak az adatvagyonnak kell szolgálnia a betegágy melletti döntést, az intézményi riportot és a kutatói elemzést. A mesterséges intelligencia és a prediktív modellek erre az alapra épülnek, nem helyettesítik azt.

Ezt a szemléletet mutatta be a Genontech 2026 júliusában a Semmelweis Egyetem BIOMED-DATA 26 konferenciáján, négy különböző klinikai területről származó fejlesztéssel. A cikk ezt a négy projektet egy keretbe rendezi: a döntéstámogatás szintjei szerint, a betegágytól a populációs elemzésig.

Röviden

• A klinikai döntéstámogatás a kezelőorvos döntését segíti a megfelelő információval, a megfelelő időben. A döntést nem hozza meg helyette.
• A legtöbb intézményben nem az algoritmus hiányzik, hanem a strukturált, összekapcsolható adat.
• A Genontech gyakorlatában a döntéstámogatás négy szintjét különítjük el: az ellátás pontja, a betegszintű és intézményi összkép, az elemzői lefúrás, valamint a prediktív és valós adatokon alapuló elemzés.
• A négy szint ugyanarra az adatvagyonra épül. Ezért az adatrögzítés minősége határozza meg, mire lesz képes később az analitika.

Mit jelent a klinikai döntéstámogatás?

A klinikai döntéstámogatás (clinical decision support, CDS) olyan informatikai funkció, amely a betegellátásban részt vevőknek személyre szabott, szűrt és rendezett információt ad, a megfelelő időben. Az amerikai egészségügyi szabályozás definíciója szerint a cél az egészség és az ellátás minőségének javítása.¹

A szakirodalom ugyanezt a klinikus szemszögéből fogalmazza meg. Eszerint a döntéstámogató rendszer célzott klinikai tudással, betegadatokkal és más egészségügyi információval segíti az orvosi döntést.² Ebbe a körbe tartozik egy figyelmeztetés a kórházi rendszerben, egy automatikusan előálló lelettervezet, egy rizikóbesorolási javaslat vagy egy osztályos minőségi mutató is.

A gyakorlati tervezéshez a CDS „öt jó” szabálya (CDS Five Rights) ad jó kiindulópontot. Eszerint a döntéstámogatás akkor hasznos, ha

• a megfelelő információt adja,
• a megfelelő embernek, a teljes ellátócsapatot és a beteget is beleértve,
• a megfelelő csatornán,
• a megfelelő formában,
• a munkafolyamat megfelelő pontján.¹

Az öt elemből négy nem az algoritmusról szól, hanem arról, hogyan illeszkedik a támogatás a klinikai munkába. Ez a döntéstámogatás lényege, és ebből következik a cikk többi része is.

Miért nem válik magától döntéstámogatássá az egészségügyi adat?

Az ellátás során rengeteg adat keletkezik, a napi munka eszköze mégis gyakran néhány Excel-tábla, nyomtatott lap és személyes nyilvántartás. Projektjeink tapasztalata szerint egy szakmai kimutatás összeállítása így gyakran önálló, többhetes feladattá válik. Visszatérően ugyanazok az akadályok jelennek meg:

Az EESZT az Elektronikus Egészségügyi Szolgáltatási Tér, a hazai egészségügyi adatcsere központi rendszere. A táblázat minden sora ugyanoda vezet: a hiányos és széttagolt adatra épülő kimutatás megbízhatósága korlátozott.

Egy nemzetközi áttekintés is ezt jelzi. Az npj Digital Medicine cikke szerint az adatok minősége befolyásolja a döntéstámogatás minőségét, és a döntéstámogató rendszerek gyakran küzdenek a rendszerek közötti átjárhatóság (interoperabilitás) hiányával. Ugyanez az áttekintés idézi azokat a vizsgálatokat, amelyekben a figyelmeztetések akár 95 százaléka következmény nélküli volt.² A túl sok, irreleváns jelzés „riasztási fáradtsághoz” vezet: a klinikus a fontos figyelmeztetést is könnyen átugorja.

Miért a munkafolyamat a döntéstámogatás kulcsa?

A döntéstámogatás sikerét elsősorban az dönti el, hogy a klinikai munka része-e. Kawamoto és munkatársai 70 randomizált kontrollált vizsgálatot elemző szisztematikus áttekintésében a döntéstámogató rendszerek a vizsgálatok 68 százalékában javították szignifikánsan a klinikai gyakorlatot.³

A szerzők négy jellemzőt azonosítottak, amelyek egymástól függetlenül előre jelezték a sikert. A legerősebb az volt, hogy a rendszer automatikusan, a klinikus munkafolyamatának részeként adja a támogatást. A mind a négy jellemzővel rendelkező 32 rendszerből 30, vagyis 94 százalék javította szignifikánsan a gyakorlatot.³

A vizsgálat a támogatás megjelenítését mérte, az adatrögzítést nem. A Genontech ugyanezt a logikát az adatrögzítésre is alkalmazza, mert az elemzés minősége az adatrögzítés minőségén dől el. A sorrend ezért: először a munkafolyamatba illeszkedő rögzítés, utána a fejlett analitika. A prediktív modellezés a jól felépített adatvagyon hozadéka, nem a belépés feltétele.

A gyakorlatban ez három dolgot jelent:

• Klinikai logikát követő felület: a képernyők az orvosi gondolkodás menetét követik, ami kevesebb kattintást és kevesebb hibalehetőséget jelent.
• Rögzítés az ellátás közben: az adatot a vizsgálat, a vizit vagy a beavatkozás közben rögzítik, nem utólag.
• Azonnali visszajelzés: a rögzített adatból lelettervezet, trendgrafikon vagy klinikai pontszám készül, további kézi munka nélkül.

Ha a rögzítés azonnal hasznot hoz a klinikusnak, az adat teljesebb lesz. A teljesebb adat pedig minden további döntéstámogatási szint alapja. Hogy miért romlik el a klinikai adat már a rögzítéskor, azt az adatvezérelt egészségügyről szóló cikkünk részletezi.

A klinikai döntéstámogatás négy szintje

A Genontech gyakorlatában a döntéstámogatás négy szintjét különítjük el. A betegágy melletti nézet, az intézményi riport és az elemzői lefúrás ugyanarra az adatvagyonra épül. A szintek nem egymást váltják, hanem egymásra rakódnak: minden szint az előző adataiból táplálkozik.

1. szint: döntéstámogatás az ellátás pontján

Az első szint a beteg ágya mellett működik. Itt a mért paraméterek, a beavatkozások és az eredmények egy nézetben, időrendben jelennek meg, ahol a rendszer a fontos eltéréseket is kiemelheti. A döntéstámogatás itt sokszor egyszerűen annyi, hogy a szükséges információ a megfelelő pillanatban ott van.

Erre példa a NeoTracker digitális szülőszobai eseménynapló, amelyet a Semmelweis Egyetem Szülészeti és Nőgyógyászati Klinikájának szakembereivel közösen fejlesztettünk. Az alkalmazás valós időben, időbélyeggel rögzíti az újszülött szülőszobai stabilizációja során végzett beavatkozásokat és az élettani paramétereket.⁴

A felület az újszülött-ellátás európai irányelvének (Newborn Life Support, NLS) logikáját követi.⁴ A rögzítésből automatikusan exportálható dokumentáció készül, így az utólagos, emlékezetből írt jegyzőkönyv helyett pontos idősor áll rendelkezésre. A következő fejlesztési irány a monitorintegráció és a hangvezérelt adatbevitel.⁴

2. szint: betegszintű és intézményi összkép

A második szint ugyanazt az adatot rendezi egységes képpé. Betegszinten ez a teljes kórtörténet egy nézetben, intézményi szinten pedig osztályos vagy hálózati mutatók, kézi adatgyűjtés nélkül.

Ennek jelentősége az összetett diagnosztikai területeken a legnagyobb. A gyermekkori akut leukémia besorolásához genetikai, molekuláris és klinikai eredményeket kell együtt értelmezni, amelyek különböző vizsgálati módszerekből, eltérő formátumban és időben érkeznek.

A Semmelweis Egyetem Patológiai és Kísérleti Rákkutató Intézetének Molekuláris Diagnosztikai Laboratóriumával fejlesztett multimodális adatbázis és klinikai adatelemző platform ezeket egy betegszintű nézetbe rendezi. A rendszer a nemzetközi terápiás protokollokhoz igazodva javaslatot tesz a rizikóbesorolásra, és az új eredmények beérkezésekor frissíti azt. A végső döntést a kezelőorvos hozza meg.

3. szint: elemzői lefúrás és önkiszolgáló elemzés

A harmadik szint a statikus riportokon túllépve a klinikai kutatókat, a minőségügyi vezetőket és az egészséggazdasági szakembereket szolgálja. Önkiszolgáló elemzőeszközökkel a felhasználók informatikai fejlesztő bevonása nélkül szűrhetnek és elemezhetnek.

A lényeg a lefúrás (drill-down): az összesített intézményi vagy országos mutatótól néhány kattintással el lehet jutni a konkrét betegcsoportig. Ez a kutatási hipotézisek ellenőrzésének és a szakmai fejlesztések megalapozásának egyik legközvetlenebb eszköze.

A gyermekkori leukémia platform interaktív dashboardja jó példa erre. Az összesítő nézet nem, korcsoport, beküldő intézmény, betegségtípus és vizsgálattípus szerint szűrhető. Egy génre vagy génfúzióra kattintva a felhasználó az érintett betegcsoport részletes eredményeihez jut.

4. szint: prediktív és valós adatokon alapuló elemzés

A negyedik szint a meglévő adatvagyonból új tudást hoz létre. Ide tartozik a rizikóbecslés, a szövődmény- és kapacitásmodellezés, valamint a valós ellátási adatokon alapuló (real-world evidence, RWE) elemzés. Ez a szint akkor nyitható meg külön adatgyűjtési projekt nélkül, ha az első három szint adatai strukturáltan és teljes klinikai kontextussal állnak rendelkezésre.

Két, a konferencián bemutatott fejlesztésünk ehhez a szinthez kapcsolódik.

ARIANA: kardiológiai kockázat a meglévő EKG-adatokban. Az EKG a klinikai gyakorlat egyik legrégebbi, legszélesebb körben elérhető vizsgálata, prognosztikai lehetőségeinek jelentős része mégis kihasználatlan. Az ARIANA projekt azt vizsgálja, hogyan segíthetik az EKG-adatok a pitvarfibrillációval és a hirtelen szívhalállal összefüggő kockázati mintázatok korábbi azonosítását.

Az irány nemzetközileg is megalapozott. A Mayo Clinic kutatói a The Lancet hasábjain mutatták ki, hogy a normál szinuszritmusban rögzített EKG is jelezheti a pitvarfibrillációt. Retrospektív elemzésükben egyetlen, mesterséges intelligenciával elemzett EKG alapján is azonosíthatók voltak a pitvarfibrillációval érintett betegek (AUC 0,87).⁵ Az ARIANA célja egy olyan adatkezelési és elemzési keretrendszer kialakítása, amely klinikailag értelmezhető eredményeket adhat. A keretrendszer később hosszú távú szívmonitorozási adatokkal és genetikai jellemzőkkel is bővíthető.

NEVADA: kutatási eredmények a hazai betegpopulációra. A klinikai vizsgálatok eredményei egy szigorúan válogatott vizsgálati populációra érvényesek, a döntéshozónak viszont a saját betegeire kell következtetnie. Az epidemiológiában ezt a kérdést a vizsgálati eredmények célpopulációra való kiterjesztéseként, átvihetőségként (transportability) vizsgálják.⁶

A NEVADA módszertan a publikált klinikai evidenciát aggregált hazai valós adatokkal kapcsolja össze, mesterséges intelligencia és szintetikus betegkohorszok segítségével. A szintetikus kohorsz nem tartalmaz azonosítható betegadatot. A cél, hogy így is egy adott betegpopulációra értelmezhető becslést adjon, amely a gyógyszer-befogadási és finanszírozási döntések előkészítésében hasznosulhat.

Mi köti össze a négy fejlesztést?

A négy projekt négy különböző területről származik: újszülött-ellátás, gyermek-hematoonkológia, kardiológia és egészséggazdaság. A közös bennük a megközelítés: mindegyik egy konkrét klinikai kérdésből indul, és az adatstruktúrát ahhoz igazítja.

A fejlesztéseket a Genontech 2026. július 15–17. között mutatta be a Semmelweis Egyetem Biostatisztikai és Hálózattudományi Intézete által szervezett 2. Biomedical Data Science Conference (BIOMED-DATA 26) rendezvényen.⁷ A konferencia a biomedikális adattudomány kutatóit, klinikusait és fejlesztőit hozta össze.

A Genontech csapata a BIOMED-DATA 26 konferencián, Budapest, 2026. július. Fotó: Genontech.

A szakmai munkában az IBT Consulting is partnerünk: a klinikai, kutatói, technológiai és kommunikációs szempontokat közösen hangoljuk össze. A konferencia hangulatát a szervezők összefoglaló videója mutatja be.

Hol érdemes kezdenie egy intézménynek?

Egy döntéstámogatási projekt ritkán ott kezdődik, ahol az ötlet. Az ötlet többnyire a negyedik szinten születik („szeretnénk kockázatot becsülni”), a megvalósítás viszont az elsőn kezdődik. Projektjeinkben az alábbi sorrend vált be:

1. Pontos klinikai kérdés. Milyen döntést kell támogatni, ki hozza meg, és mikor? Ebből derül ki, milyen adat kell, és milyen részletességgel.
2. Az adatrögzítés helye. Hol keletkezik az adat a munkafolyamatban, és ki rögzíti? Ha a rögzítés utólagos, az adat minősége is az lesz.
3. Adatmodell és összekapcsolás. Minden adat a beteghez rendelve, egységes szerkezetben. A meglévő rendszerekkel (kórházi információs rendszer, EESZT, labor) való kapcsolatot már a tervezéskor érdemes rendezni.
4. Jogosultság, adatvédelem, szabályozás. Szerepköralapú hozzáférés, az egészségügyi adatokra vonatkozó GDPR-feltételek és a kutatási felhasználás etikai engedélyei az első naptól. Azt is érdemes korán tisztázni, hogy a szoftver orvostechnikai eszköznek minősül-e.
5. Riport és visszajelzés. Az első kézzelfogható eredmény legyen az, amit a klinikus azonnal használ: lelet, trend, áttekintés.
6. Fejlett analitika. Prediktív modell, szintetikus kohorsz, RWE-elemzés, amikor az adatvagyon már elég teljes hozzá.

Az első négy lépés részleteit, a jogi alaptól az adatmodellen át az EESZT-kapcsolatig, a betegregiszter indításáról szóló cikkünk tárgyalja.

Az ehhez szükséges adatgyűjtési alapot a Smart Regiszter adja, a fejlett elemzést pedig a Genontech AI-alapú egészségügyi adatplatformja.

Mire nem képes a klinikai döntéstámogatás?

A döntéstámogatás korlátait ugyanolyan pontosan érdemes ismerni, mint a lehetőségeit.

• Nem hoz döntést. Javaslatot, kiemelést, összefüggést ad. A felelősség és a döntés a kezelőorvosé marad.
• Nem pótolja a hiányzó adatot. A rossz minőségű vagy hiányos adatra épülő modell félrevezető eredményt adhat, akármilyen fejlett az algoritmus.²
• Nem működik validáció nélkül. Egy nemzetközi kohorszon fejlesztett modell teljesítménye a hazai betegeken eltérhet, ezért helyi ellenőrzés kell.
• Nem működik, ha túl sok a riasztás. A túl sok figyelmeztetés kontraproduktív, ezért minden jelzésnek klinikailag indokoltnak kell lennie.

Összegzés: adatból tudás, tudásból klinikai érték

Az egészségügyi adatból nem egy lépésben lesz klinikai döntéstámogatás. Az út a munkafolyamatba ágyazott rögzítéssel kezdődik, az egységes betegszintű és intézményi képen és az elemzői lefúráson át vezet a prediktív és populációs elemzésig.

A BIOMED-DATA 26 konferencián bemutatott négy fejlesztés ennek az útnak egy-egy szakaszát mutatja meg. A technológia önmagában nem elég: kell hozzá a klinikai kérdés pontos megértése, a megfelelő adatstruktúra és az eredmények gyakorlati alkalmazhatósága.

Források

1. Centers for Medicare & Medicaid Services, Office of the National Coordinator for Health IT: Clinical Decision Support: More than Just 'Alerts' Tipsheet. 2014. A CDS szabályozási definíciója (75 FR 44350) és a „CDS Five Rights” (Osheroff és mtsai, 2012) összefoglalása. ↩ ↩²

2. Sutton R. T. és mtsai: An overview of clinical decision support systems: benefits, risks, and strategies for success. npj Digital Medicine, 2020; 3: 17. ↩ ↩² ↩³

3. Kawamoto K., Houlihan C. A., Balas E. A., Lobach D. F.: Improving clinical practice using clinical decision support systems: a systematic review of trials to identify features critical to success. BMJ, 2005; 330(7494): 765. ↩ ↩²

4. Bogner Luca Laura és mtsai: NeoTracker - saját fejlesztésű digitalizált eseménynapló az újszülöttek szülőszobai stabilizációjáról. Orvosi Hetilap, 2026; 167(15): 595–604. ↩ ↩² ↩³

5. Attia Z. I. és mtsai: An artificial intelligence-enabled ECG algorithm for the identification of patients with atrial fibrillation during sinus rhythm: a retrospective analysis of outcome prediction. The Lancet, 2019; 394(10201): 861–867. ↩

6. Dahabreh I. J. és mtsai: Study Designs for Extending Causal Inferences From a Randomized Trial to a Target Population. American Journal of Epidemiology, 2021; 190(8): 1632–1642. ↩

7. Semmelweis Egyetem, Biostatisztikai és Hálózattudományi Intézet: 2nd Biomedical Data Science Conference (BIOMED-DATA 26). Budapest, 2026. július 15–17. ↩