Posljednjih nekoliko godina umjetna inteligencija u zdravstvu se gotovo u potpunosti posmatra kroz prizmu velikih jezičkih modela (LLM-ova) poput ChatGPT-a. Ta promjena u percepciji je razumljiva, jer su se po prvi put široka javnost, ali i veliki broj kliničara, susreli s AI sistemima koji “razgovaraju”, objašnjavaju i djeluju gotovo ljudski.

Međutim, klinički AI nije počeo s LLM-ovima. Već decenijama unazad, u medicini se koriste različiti oblici mašinskog učenja: modeli za klasifikaciju, predikciju rizika, obradu signala i analizu medicinskih slika. Razlika je u tome što su ti sistemi uglavnom manje vidljivi kliničarima kao krajnjim korisnicima i fokusirani na vrlo usko definisane probleme.

Da bismo realno razumjeli gdje se danas nalazimo, važno je napraviti korak unazad i razdvojiti percepciju i hype oko AI-ja od njegove stvarne, trenutne kliničke primjene.

AI u medicini nije počeo s ChatGPT-om

Većina kliničkih AI sistema koji se danas koriste ne “razmišljaju” niti vode dijalog. Oni rješavaju vrlo konkretne zadatke: klasifikuju signal, prepoznaju obrazac na slici ili procjenjuju vjerovatnoću određenog ishoda. U osnovi, riječ je o kompleksnim statističkim modelima koji rade unutar jasno definisanih granica i uz poznat stepen pouzdanosti i nesigurnosti. Takvi modeli su najčešće:

  • trenirani za jednu, jasno definisanu kliničku namjenu,
  • trenirani i validirani na ciljanoj populaciji pacijenata,
  • "zaključani" nakon validacije i ne uče kontinuirano iz novih podataka,
  • integrisani u postojeće kliničke workflow-e

Na primjer, AI model koji analizira sirovi 12-kanalni EKG može sa visokom pouzdanošću prepoznati obrasce atrijalne fibrilacije ili sugerisati rijetke poremećaje provođenja. U takvim slučajevima, AI ne donosi dijagnozu, već djeluje kao dodatni sloj podrške kliničaru, usmjeravajući pažnju na potencijalno relevantne nalaze.

LLM-ovi su donijeli novu dimenziju prirodne interakcije i fleksibilnosti, ali nisu zamijenili potrebu za ovim specijalizovanim modelima. U kliničkom kontekstu, oni najčešće djeluju kao sloj iznad postojećih sistema, a ne kao njihova zamjena

Kako danas izgleda realna klinička primjena AI-ja

Gdje se AI već koristi u rutinskoj praksi

Ako posmatramo stvarnu, svakodnevnu upotrebu, radiologija i patologija i dalje prednjače u kliničkoj primjeni AI-ja. Razlozi su relativno jasni:

  • standardizovani formati podataka,
  • veliki broj istorijskih uzoraka koji omogućavaju kvalitetnije treniranje modela,
  • jasno definisani dijagnostički obrasci.

Rastući trend postoji i u disciplinama koje se oslanjaju na fiziološke signale, poput kardiologije, neurologije ili pulmologije,gdje AI može asistirati u interpretaciji EKG-a ili spirometrije. U tim slučajevima, AI se koristi kao alat za podršku, a ne kao samostalni donosilac odluka. U drugim oblastima, uključujući primarnu zdravstvenu zaštitu, primjena je još uvijek ograničena i često fragmentisana.

Regulatorno odobrenje ne znači i stvarnu upotrebu

Važno je naglasiti razliku između regulatornog odobrenja i stvarne kliničke adopcije, odnosno redovnog korištenja u praksi. FDA approval ili MDR certifikat u EU znače da je AI softver procijenjen kao bezbjedan i da ispunjava regulatorne zahtjeve. To, međutim, ne znači da je alat široko implementiran ili svakodnevno korišten. Razlozi za to su brojni:

  • zastarjeli IT sistemi
  • fragmentacija zdravstvenih podataka,
  • složeni klinički workflow-i,
  • ograničeni vremenski i finansijski resursi za implementaciju i obuku.

Zbog toga se u praksi često dešava da veliki broj regulatorno odobrenih AI rješenja ostane van rutinske upotrebe.

AI alati ograničeni na specifične niše

Specijalizovani klinički modeli

Najuspješniji klinički AI sistemi danas su oni koji rješavaju jasno definisane probleme u uskom kontekstu. To uključuje:

  • analizu fizioloških signala kao što su EKG, spirometrija ili EEG,
  • detekciju specifičnih obrazaca na medicinskim slikama poput CT-a, MRI-ja ili ultrazvuka,
  • podršku kliničkom odlučivanju unutar jedne specijalnosti.

Ovi sistemi funkcionišu jer imaju precizno definisan input, jasan klinički cilj i mjerljive ishode. Upravo ta ograničenost predstavlja njihovu najveću prednost.

Medical scribe i “ambient” AI sistemi

Jedna od oblasti sa najbržom adopcijom (redovnim korištenja u praksi) su sistemi za automatsku dokumentaciju i kliničke zabilješke. Ovi alati ne utiču direktno na dijagnostiku ili terapiju, ali značajno smanjuju administrativno opterećenje kliničara.

Tipičan primjer je “scribe” sistem koji snima razgovor između pacijenta i doktora, automatski strukturira anamnezu i priprema nacrt kliničkog nalaza, koji ljekar naknadno pregleda i prilagodi. Time se vrijeme koje je ranije odlazilo na tipkanje po tastaturi vraća razgovoru sa pacijentom. Njihova vrijednost leži u tome što:

  • ne mijenjaju kliničku odgovornost,
  • lako se uklapaju u postojeće procese,
  • imaju neposredan i mjerljiv efekat na svakodnevni rad

Zbog toga se često posmatraju kao “low-risk, high-impact” AI rješenja.

AI asistenti između podrške i kliničke odluke

Pojavljuje se i nova kategorija alata koji pokušavaju objediniti dokumentaciju, kliničke smjernice i kontekst pacijenta u jedinstven interfejs. Ovi sistemi još uvijek traže svoje mjesto u kliničkoj praksi. Ključno pitanje ovdje nije tehničko, već organizaciono i regulatorno: gdje prestaje podrška, a počinje klinička odluka, i ko u tom trenutku snosi odgovornost.

Uloga LLM-ova u kliničkom okruženju

Za šta su LLM-ovi danas realno korisni

U kliničkoj praksi, LLM-ovi se trenutno najčešće koriste za:

  • sumarizaciju medicinske dokumentacije,
  • izradu otpusnih pisama i kliničkih izvještaja
  • prilagođavanje jezika različitim ciljnim grupama, poput pacijenata i ljekara primarne prakse,
  • brzu edukaciju i navigaciju kroz složene medicinske informacije.

U svim ovim slučajevima, LLM djeluje kao alat za efikasnost i pojednostavljivanje, a ne kao klinički autoritet. U tom kontekstu, posljednjih godina se pojavljuje i poseban podskup LLM-ova koji su trenirani ili dodatno prilagođeni korištenjem strukturisanih kliničkih izvora, poput medicinskih smjernica, udžbenika, naučne literature i validiranih baza znanja.

Za razliku od opštih modela treniranih na širokom spektru internetskog sadržaja, ovi pristupi nastoje smanjiti, ali ne i eliminisati rizik od halucinacija ograničavanjem prostora znanja na klinički relevantne i provjerljive izvore. Ipak, važno je naglasiti da ni ovakvi modeli ne predstavljaju autonomne kliničke sisteme. Oni i dalje funkcionišu kao alati za podršku, čija se vrijednost ostvaruje tek u kombinaciji sa ljudskim nadzorom, jasnim kontekstom upotrebe i postojećim determinističkim, klinički validiranim sistemima.

Ograničenja LLM-ova u zdravstvu

Uprkos impresivnim sposobnostima, LLM-ovi imaju fundamentalna ograničenja. Njihova nedeterministička priroda znači da mogu generisati uvjerljive, ali netačne odgovore, što u kliničkom kontekstu predstavlja neprihvatljiv rizik bez ljudskog nadzora. Zbog toga se najuspješnije LLM primjene u zdravstvu danas pojavljuju kao “copilot” rješenja, odnosno alati koji pomažu kliničaru, ali ne funkcionišu kao samostalni, end-to-end sistemi.

Opšti modeli poput ChatGPT-a pokazali su šta je tehnički moguće, ali klinička primjena zahtijeva dodatne slojeve kontrole, auditabilnosti i jasne odgovornosti. U praksi, LLM-ovi u zdravstvu često zauzimaju periferne, ali vrlo korisne uloge, kao user-friendly sloj iznad već determinističkih i validiranih sistema.

Na primjer, umjesto da samostalno procjenjuje interakcije lijekova, LLM može služiti kao interfejs koji kliničaru omogućava brži i razumljiviji pristup postojećim, validiranim bazama podataka o interakcijama lijekova, koje su same po sebi obimne i kompleksne za svakodnevnu upotrebu.

Šta je još uvijek istraživački hype

Ako pratimo medicinsku literaturu, gotovo svakodnevno se pojavljuju novi AI modeli sa obećavajućim rezultatima. Ipak, većina njih ostaje u akademskom ili pilot okruženju, bez jasnog puta ka kliničkoj primjeni. Razlog za to nije samo tehnologija. Često su u pitanju:

  • nedostatak integracije u stvarni klinički ekosistem,
  • modeli trenirani na usko specifičnim institucionalnim podacima, čiji performans opada u drugačijem okruženju,
  • nejasni poslovni modeli,
  • regulatorni i organizacioni izazovi koji nose dodatne finansijske implikacije.

Zatvaranje ovog jaza između research-a i klinike predstavlja jedan od ključnih izazova za klinički AI u narednim godinama.

Zaključak: umjereni optimizam umjesto hype-a

AI već danas ima mjerljiv uticaj u određenim oblastima medicine, ali taj uticaj je daleko od univerzalnog.Najveća vrijednost trenutno leži u rješenjima koja:

  • pomažu kliničarima kroz second opinion i alate za podršku odlučivanju,
  • automatizuju administrativne zadatke poput dokumentacije,
  • poboljšavaju efikasnost bez preuzimanja kliničke odgovornosti.

Iskustvo iz prakse pokazuje da su upravo ovakvi fokusirani i umjereni pristupi trenutno najrealniji. Umjesto velikih obećanja o autonomnoj medicini, stvarni napredak danas dolazi kroz pojedinačne, specijalizovane AI alate koji poštuju kliničku složenost, regulatorni okvir i centralnu ulogu ljekara u donošenju odluka.

Istovremeno, ovakav “point-solution” pristup dodatno pojačava fragmentaciju u već složenoj zdravstvenoj IT infrastrukturi. Zbog toga pitanja standardizacije i interoperabilnosti postaju ključna za širu i održivu primjenu AI-ja u klinici.

Upravo tu kliničari imaju važnu ulogu, ne samo kao korisnici, već i kao aktivni učesnici u odlučivanju koje alate i sisteme žele koristiti i pod kojim uslovima.