Η τεχνητή νοημοσύνη (ΤΝ/AI) μπαίνει στην υγεία με φόρα. Υπόσχεται να διαβάζει ακτινογραφίες με ταχύτητα που δεν φτάνει ανθρώπινο μάτι, να προβλέπει κινδύνους πριν εμφανιστούν, να εξατομικεύει θεραπείες και να αποσυμφορεί συστήματα που ασφυκτιούν. Αλλά όσο μεγαλώνει η υπόσχεση, τόσο μεγαλώνει και η ευθύνη. Γιατί η ΤΝ δεν είναι απλώς ένα νέο εργαλείο, είναι μια νέα υποδομή ισχύος.
Και το ερώτημα που πλανάται πάνω από κάθε συζήτηση είναι απλό αν μπορούμε να την εμπιστευτούμε.
Η ΤΝ μπορεί να είναι μεγάλη ευκαιρία, αλλά και μεγάλη παγίδα. Μπορεί να αλλάξει την υγεία όπως το διαδίκτυο άλλαξε την ενημέρωση. Αλλά η υγεία δεν είναι ενημέρωση. Δεν επιτρέπει λάθη, δεν συγχωράει ασυνέπειες, δεν έχει «δοκιμαστικές εκδόσεις».
Σε συγκεκριμένα, καλά οριοθετημένα πεδία, η ΤΝ αποδίδει ήδη: εντοπίζει καρκινικές αλλοιώσεις σε εικόνες με εντυπωσιακή ακρίβεια, προβλέπει καρδιακά επεισόδια από ηλεκτροκαρδιογραφήματα, αναλύει χιλιάδες εργαστηριακά δεδομένα σε δευτερόλεπτα και μειώνει κόστος και αναμονές σε νοσοκομεία.
Αλλά η ίδια τεχνολογία μπορεί να δώσει διαφορετική απάντηση στην ίδια ερώτηση, να ενισχύσει υπάρχουσες ανισότητες, να αποτύχει σε δεδομένα της Α χώρας, ενώ να «λάμπει» σε δεδομένα της Β χώρας, και να δημιουργήσει εξάρτηση από λίγους παρόχους που ελέγχουν μοντέλα, τσιπ και cloud.
Οι κίνδυνοι δεν είναι θεωρητικοί:
1. Ασυνέπεια απαντήσεων. Τα γλωσσικά μοντέλα δεν είναι σταθερά. Η ίδια ερώτηση μπορεί να δώσει διαφορετική απάντηση. Στην υγεία αυτό δεν είναι απλώς πρόβλημα, είναι κίνδυνος.
2. Μεροληψία (bias). Μοντέλα εκπαιδευμένα σε άλλες χώρες μπορεί να αποτυγχάνουν στην Ελλάδα. Αλλάζει η επιδημιολογία, τα εργαστηριακά εύρη, η κωδικοποίηση ICD (διεθνής ταξινόμηση νοσημάτων), η διαδρομή του ασθενή. Το αποτέλεσμα είναι να έχουμε φαινομενικά σωστές απαντήσεις που όμως είναι λάθος.
3. Εξάρτηση από λίγους παρόχους. Η ΤΝ δεν είναι εφαρμογή. Είναι υποδομή. Όποιος ελέγχει την υποδομή, ελέγχει τους κανόνες. Και σήμερα, οι κανόνες γράφονται σε διοικητικά συμβούλια λίγων εταιρειών, όχι σε κοινοβούλια.
4. Απώλεια δεξιοτήτων γιατρών. Όταν η ρουτίνα περνά στην ΤΝ, οι γιατροί χάνουν δεξιότητες. Τι γίνεται όταν το σύστημα πέσει; Η απάντηση δεν είναι τεχνική, είναι επικίνδυνη.
5. Αδιαφάνεια. Σε 692 FDA-approved AI/ML (Artificial Intelligence / Machine Learning) ιατρικά συστήματα (1995–2023), πάνω από 80% δεν ανέφεραν ηλικία συμμετεχόντων, μόλις 3,6% φυλή/εθνικότητα και λιγότερο από 1% κοινωνικοοικονομικά στοιχεία. Εγκρίνουμε τεχνολογίες χωρίς να ξέρουμε σε ποιους δοκιμάστηκαν.
Η ΤΝ στην υγεία χωρίζεται σε τρία επίπεδα:
Διοικητικές εργασίες. Χαμηλό ρίσκο. Ασφαλές.
Κλινική υποστήριξη. Η ΤΝ επισημαίνει ευρήματα, ο γιατρός αποφασίζει. Αυτό είναι το «ώριμο» επίπεδο σήμερα.
Αυτόνομη κλινική απόφαση. Εδώ η συζήτηση γίνεται σοβαρή. Για να εμπιστευτούμε την ΤΝ σε αυτό το επίπεδο χρειάζονται: πολυκεντρικές μελέτες, δεδομένα εκβάσεων, οικονομική αξιολόγηση και πλήρης αναστρεψιμότητα. Σήμερα, ελάχιστα συστήματα πλησιάζουν αυτό το επίπεδο. Μόλις ~9% των FDA AI/ML devices έχουν prospective post-market surveillance στοιχεία και λιγότερο από 2% συνδέονται με δημοσιευμένα αποτελέσματα. Η ευθύνη παραμένει στον γιατρό.
Τι κάνουν άλλες χώρες;
ΗΠΑ. Πρωτοπόρες στην ανάπτυξη, αδύναμες στη ρύθμιση. Πολλά προϊόντα, λίγη διαφάνεια.
Ηνωμένο Βασίλειο. Το NHS δίνει ισχυρή δημόσια βάση δεδομένων. Πιο ώριμη εποπτεία, αλλά όχι πλήρης.
Γερμανία–Γαλλία–Σκανδιναβία. Επενδύουν σε δημόσιες υποδομές ΤΝ και αυστηρή ρύθμιση. Προχωρούν γρήγορα στον Ευρωπαϊκό Χώρο Δεδομένων Υγείας (EHDS).
Ευρωπαϊκή Ένωση. Από το 2024, ο EU AI Act θεωρεί τα ιατρικά AI συστήματα high-risk, επιβάλλοντας διαχείριση κινδύνου, ποιότητα δεδομένων, τεκμηρίωση, ανθρώπινη επίβλεψη και παρακολούθηση μετά τη διάθεση στην αγορά. Παράλληλα, το MyHealth@EU και ο EHDS χτίζουν διασυνοριακή διαλειτουργικότητα και ελεγχόμενη πρόσβαση σε δεδομένα.
Ελλάδα. Υπάρχουν σημαντικές προκλήσεις: τα διαθέσιμα δημόσια δεδομένα είναι κατακερματισμένα, υπάρχει έλλειψη τεχνικής επάρκειας, αργή υιοθέτηση και περιορισμένη διασύνδεση δημόσιου–ιδιωτικού τομέα υγείας. Δυνατά σημεία είναι ο ΗΔΙΚΑ, η ψηφιακή συνταγογράφηση και η πολιτική βούληση για μεταρρυθμίσεις. Ωστόσο, η ετοιμότητα για δευτερογενή χρήση δεδομένων (έρευνα/βιομηχανία) παραμένει από τις χαμηλότερες στην ΕΕ.
Τι πρέπει να κάνει η Ελλάδα τώρα:
1. Εθνική στρατηγική ΤΝ στην υγεία. Με σαφείς στόχους, χρονοδιάγραμμα και σύνδεση με τον EU AI Act και τον EHDS.
2. Εθνικό Κέντρο Επικύρωσης ΤΝ. Ανεξάρτητος φορέας που ελέγχει bias, απόδοση, ασφάλεια και post-market surveillance, με δημόσια αναφορά αποτελεσμάτων.
3. Ενοποίηση δεδομένων. Χωρίς καθαρά, διασυνδεδεμένα δεδομένα, η ΤΝ δεν μπορεί να είναι αξιόπιστη. Προτεραιότητα: διαλειτουργικότητα, κοινά πρότυπα και κεντρική διακυβέρνηση.
4. Εκπαίδευση γιατρών και νοσηλευτών. Η ΤΝ δεν είναι «μαύρο κουτί». Πρέπει να ξέρουμε πώς λειτουργεί, πού αποτυγχάνει και πώς την επιβλέπουμε.
5. Ρήτρες στις δημόσιες συμβάσεις. Για φορητότητα δεδομένων (αν αλλάξει ο προμηθευτής ΤΝ, το σύστημα να συνεχίζει να δουλεύει), αλλαγή προμηθευτή, διαφάνεια αλγορίθμων και πρόσβαση σε αρχεία καταγραφής αποφάσεων (logs), ώστε να μπορεί να ελεγχθεί εκ των υστέρων ποιος χρησιμοποίησε το σύστημα, ποια έκδοση του αλγορίθμου λειτούργησε, ποια δεδομένα αξιοποιήθηκαν και αν ο γιατρός επιβεβαίωσε ή απέρριψε την πρότασή του.
6. Εμπιστοσύνη κοινού. Η ΤΝ δεν μπορεί να λειτουργήσει χωρίς κοινωνική νομιμοποίηση. Απαιτούνται κατανοητή ενημέρωση, συμμετοχή ασθενών και διαφανής λογοδοσία.
Η ΤΝ δεν είναι απειλή. Δεν είναι ούτε μαγική λύση. Είναι μια τεχνολογία που μπορεί να ενισχύσει τη δημοκρατία ή να την υπονομεύσει. Να βελτιώσει την υγεία ή να την κάνει άνιση. Να μειώσει κόστος ή να δημιουργήσει εξάρτηση.
Το ερώτημα δεν είναι αν θα χρησιμοποιήσουμε την ΤΝ. Το ερώτημα είναι ποιος ορίζει τους κανόνες.
Και οι κανόνες πρέπει να ορίζονται από θεσμούς με εκλογική νομιμοποίηση, όχι από ολιγοπώλια τεχνολογίας.
ΠΗΓΕΣ / ΒΙΒΛΙΟΓΡΑΦΙΑ
FDA - AI/ML-enabled medical devices database & σχετικές αναλύσεις διαφάνειας δεδομένων (π.χ. RAPS/npj Digital Medicine, 2024–2025).
WHO - Ethics and governance of AI for health.
European Commission - European Health Data Space (EHDS) και MyHealth@EU.
EU AI Act (2024) - high-risk AI systems στην υγεία.
OECD - AI in healthcare: governance frameworks & country assessments (συμπ. Ελλάδα).
Μελέτες για bias & clinical validation (Nature Medicine, Lancet Digital Health, 2024–2026).
TEHDAS/Atlantic Council - δευτερογενής χρήση δεδομένων υγείας και ετοιμότητα χωρών.