Blog

Τεχνητή Νοημοσύνη στην ιατρική: Επανάσταση ή νέες ανισότητες;

17/04/2026
Συνεντεύξεις / Αρθρογραφία

Ειδικά στον χώρο της υγείας, όπου το διακύβευμα είναι ανθρώπινες ζωές, οι προβληματισμοί αυτοί αποκτούν ιδιαίτερο βάρος. Επιστήμονες και γιατροί διεθνώς επισημαίνουν ότι η ΤΝ είναι ένα εργαλείο σημαντικό μεν, αλλά τα δεδομένα πάνω στα οποία βασίζεται ενδέχεται να ενσωματώνουν ανισότητες που δεν είναι άμεσα ορατές. Ο επιστήμονας οφείλει να παρατηρεί, ν’ αμφισβητεί, να συγκρίνει, για να συνθέσει νέες θέσεις που οδηγούν σε εξελίξεις

Σε αυτό το πλαίσιο, ιδιαίτερο ενδιαφέρον έχει η προσέγγιση της αιματολόγου Ελευθερίας Χατζημιχαήλ, η οποία θέτει στο επίκεντρο της συζήτησης μια απλή αλλά καθοριστική ερώτηση:

Η Τεχνητή Νοημοσύνη και οι ανισότητες στην Υγεία: πρόοδος για όλους ή προνόμιο για λίγους;

Κάθε φορά που συζητώ για ΤΝ στην ιατρική, φτάνω πάντα στην ίδια ερώτηση: Για ποιον ασθενή μιλάμε ακριβώς;

Πολλοί μιλούν για την Τεχνητή Νοημοσύνη ως βασικό συστατικό μιας νέας βιοϊατρικής επανάστασης. Την τεχνολογία που θα φέρει την εξειδικευμένη γνώση σε κάθε γωνιά του πλανήτη, θα κάνει τη διάγνωση πιο ακριβή για όλους, θα μειώσει τα ιατρικά σφάλματα, θα ενισχύσει την εξατομικευμένη ιατρική, θα επιταχύνει την ανακάλυψη νέων φαρμάκων και τις εγκρίσεις τους. Η υπόσχεση είναι δελεαστική και, σε πολλά σημεία, δικαιολογημένη.

Αλλά η υπόσχεση δεν είναι το ίδιο με την πραγματικότητα. Και η ερώτηση που πρέπει να κάνουμε δεν είναι «τι μπορεί να κάνει η ΤΝ;» αλλά «για ποιον θα το κάνει;»/

Η ΤΝ δεν ξεκινά από ουδέτερο έδαφος

Η Τεχνητή Νοημοσύνη μαθαίνει από δεδομένα. Αυτό είναι και η δύναμή της και η αδυναμία της. Γιατί τα δεδομένα υγείας που έχουμε στη διάθεσή μας δεν αντικατοπτρίζουν ισότιμα όλους τους ανθρώπους στον κόσμο. Προέρχονται κυρίως από μεγάλα νοσοκομεία ανεπτυγμένων χωρών, από συγκεκριμένες εθνικότητες, από ασθενείς που είχαν πρόσβαση σε εξετάσεις και ακολούθησαν θεραπείες.

Αν λοιπόν εκπαιδεύσεις έναν αλγόριθμο κυρίως σε αυτά τα δεδομένα, θα είναι εξαιρετικός σε αυτούς τους ανθρώπους. Αλλά όταν τον εφαρμόσεις σε μια γυναίκα μεγαλύτερης ηλικίας από την επαρχία, ή σε έναν ασθενή με διαφορετικό γενετικό υπόβαθρο, ή σε κάποιον με σπάνιο νόσημα που δεν εκπροσωπείται στα δεδομένα εκπαίδευσης, η ακρίβειά του μειώνεται. Και το πρόβλημα είναι ότι αυτό δεν φαίνεται εύκολα. Η απόφαση βγαίνει «επιστημονικά» από τον αλγόριθμο και λίγοι τη θέτουν υπό αμφισβήτηση.

Αυτό δεν είναι θεωρητική ανησυχία. Είναι ήδη τεκμηριωμένο στη βιβλιογραφία. Αλγόριθμοι εκτίμησης καρδιαγγειακού κινδύνου έχουν δείξει χαμηλότερη ακρίβεια σε γυναίκες, εν μέρει γιατί εκπαιδεύτηκαν κυρίως σε ανδρικούς πληθυσμούς. Συστήματα ανίχνευσης δερματικών βλαβών, συμπεριλαμβανομένου του μελανώματος, αποδίδουν χειρότερα σε έγχρωμα άτομα, γιατί οι εικόνες εκπαίδευσης προέρχονταν συντριπτικά από ανοιχτόχρωμα δέρματα. Το πρόβλημα, επομένως, δεν είναι υποθετικό, αλλά υπαρκτό.

Ο κίνδυνος της διπλής ιατρικής

Πέρα από την ακρίβεια των αλγορίθμων, υπάρχει ένα ακόμα βαθύτερο ζήτημα: ποιος έχει πρόσβαση σε αυτά τα εργαλεία εξαρχής.

Η ΤΝ απαιτεί υποδομές, δεδομένα και ανθρώπους εκπαιδευμένους να τη χρησιμοποιούν σωστά. Και αυτά δεν κατανέμονται ισότιμα, όχι μόνο μεταξύ χωρών, αλλά ούτε καν εντός της ίδιας χώρας.

Αν δεν υπάρξει συνειδητός σχεδιασμός, κινδυνεύουμε να φτάσουμε σε ένα σύστημα όπου μεγάλα αστικά κέντρα και ιδιωτικές δομές προσφέρουν ιατρική υψηλής ακρίβειας, ενώ οι υπόλοιποι μένουν με ό,τι υπάρχει. Δεν θα συνέβαινε αυτό από κακή πρόθεση. Θα συνέβαινε από παράλειψη. Από το να αφήσουμε την τεχνολογία να αναπτυχθεί χωρίς να αναρωτηθούμε ποιους ωφελεί και ποιους αφήνει πίσω.

Η άλλη πλευρά: Γιατί αξίζει να παλέψουμε

Θα ήταν άδικο να σταματήσουμε εδώ, γιατί η ΤΝ έχει επίσης πραγματική δυνατότητα να μειώσει ανισότητες. Μπορεί να φέρει εξειδικευμένη γνώση σε περιοχές που δεν έχουν πρόσβαση σε ειδικούς, να υποστηρίξει γιατρούς που εργάζονται μόνοι τους με περιορισμένους πόρους, να βοηθήσει στην πρώιμη διάγνωση εκεί που η πρόσβαση στο σύστημα υγείας είναι δύσκολη.

Αλλά αυτό δεν γίνεται αυτόματα. Απαιτεί να διαλέξουμε να το κάνουμε. Να επενδύσουμε σε δεδομένα αντιπροσωπευτικά για όλους. Να αξιολογούμε τους αλγορίθμους και σε πληθυσμούς που υποεκπροσωπούνται. Να σχεδιάζουμε εργαλεία με γνώμονα την πρόσβαση και όχι μόνο την απόδοση.

Τι σημαίνει αυτό για εμάς τους γιατρούς

Ο ρόλος μας δεν τελειώνει λοιπόν στο να χρησιμοποιούμε τα εργαλεία που μας δίνονται. Έχουμε και έναν άλλο ρόλο, που ίσως είναι ο πιο σημαντικός: να αναρωτιόμαστε αν αυτά τα εργαλεία «δουλεύουν» για τον ασθενή που έχουμε μπροστά μας. Να ρωτάμε σε ποιους πληθυσμούς έχει εκπαιδευτεί ένας αλγόριθμος πριν τον εφαρμόσουμε. Να εκπροσωπούμε εκείνους που δεν έχουν φωνή στα δεδομένα.

Η ισότητα στην υγεία δεν είναι τεχνικό ζήτημα που θα λυθεί από καλύτερους αλγορίθμους. Είναι αξιακή επιλογή που γίνεται από ανθρώπους. Και αυτή η επιλογή αρχίζει από εμάς, μέσα στα εξεταστήρια, στις αίθουσες των συνεδρίων και στα συμβούλια που αποφασίζουν πώς εφαρμόζεται η τεχνολογία στην κλινική πράξη.

Η ΤΝ μπορεί να γίνει εργαλείο που μοιράζει τη γνώση πιο δίκαια. Αλλά μόνο αν εμείς επιλέξουμε να το κάνουμε έτσι. Γιατί η ίδια τεχνολογία μπορεί να γίνει πολλαπλασιαστής προόδου ή πολλαπλασιαστής ανισοτήτων. Το αποτέλεσμα δεν θα το καθορίσει ο αλγόριθμος. Θα το καθορίσουν οι αποφάσεις που παίρνουμε σήμερα, ως γιατροί, ως επιστήμονες, ως κοινωνία.