forrás:
Standards for Radiology Events and Learning
Meetings (REALMs), second edition
Embracing fallibility – shaping a positive culture for thinking
better and learning safely
NOVEMBER 2026 Clinical Radiology
https://www.rcr.ac.uk/media/rp3gs0vc/rcr-publications-standards-for-radiology-events-and-learning-meetings-realms-2nd-edition.pdf
(pdf)
Miért hibáznak az orvosok még a csúcstechnológia korában is?
5 meglepő tanulság a modern radiológia kulisszái mögül
1. A tévedhetetlenség illúziója a modern orvostudományban
A modern orvostudomány világában széles körben elterjedt az a feltételezés, hogy a nagy felbontású képalkotó berendezések, a szuperszámítógépek és a mesterséges intelligencia korában a diagnosztika hibátlanul és tévedhetetlenül működik. A klinikai valóság azonban lényegesen összetettebb. Még a legfejlettebb technológia és a legszigorúbb szakmai protokollok mellett is jelen vannak az emberi tévedések a mindennapi orvosi gyakorlatban.
A Royal College of Radiologists (RCR) 2026-os REALMs (Radiology Events and Learning Meetings) útmutatója pontosan erre a kihívásra világít rá. Az útmutató központi gondolata: „A gyarlóság elfogadása – pozitív kultúra kialakítása a jobb gondolkodásért és a biztonságos tanulásért”.
A dokumentum rávilágít, hogy a diagnosztikai biztonság növelése nem a tévedhetetlenség irreális elvárásából, hanem a hibák nyílt és rendszerszintű elfogadásából ered.
A modern egészségügy legfontosabb kérdése nem az, hogy miként kerülhetjük el a hibázás puszta tényét, hanem az, hogy hogyan tanulhatunk a hibákból anélkül, hogy bűnbakot keresnénk?
Ha a radiológusoknak a megszokottnál lényegesen több esetet kell leletezniük egy nap alatt, a diagnosztikai hibák valószínűsége drasztikusan megugrik. A hibák tehát a rendszerek felépítéséből és a humán kogníció természetéből adódnak.
A REALM keretrendszerének alapelve a hibázhatóság elfogadása (embracing fallibility). A cél nem az egyéni felelősségre vonás vagy a hibák osztályozása, hanem egy olyan pszichológiailag biztonságos tér megteremtése, ahol a tévedésekből, a bizonytalan esetekből és a kiváló felismerésekből (jó találatokból) egyaránt tanulni lehet.
A kultúraváltás alapja a megbecsülés és a senior vezetői támogatás: a tapasztalt szakorvosoknak és a REALM-vezetőknek saját elkövetett tévedéseik névtelen bemutatásával kell példát mutatniuk. A találgatások, az utólagos folyosói pletykák és az egyéni mutatók számonkérése szigorúan tilosak. A REALM minden leletező szakemberre vonatkozik – beleértve a szakorvosokat, rezidenseket, leletező radiográfusokat és szonográfusokat is.
2. A technológia fejlődik, a tévedési arány változatlan
A radiológiai leletezés terén a statisztikai adatok meglepő állandóságot mutatnak. A napi rutindiagnosztikában a valós idejű tévesztési arány átlagosan 3–5%, míg az eltérést mutató vizsgálatok visszamenőleges (retrospektív) vizsgálata során az esetek mintegy 30%-ánál mutatható ki mulasztás a leletben.

Ezeket a számokat először Henry Garland írta le több mint 75 évvel ezelőtt, 1949-ben. A leginkább elgondolkodtató tény, hogy a tévedési arányok a szubspecializáció, a digitális képalkotás, a technológiai fejlődés és a strukturált leletezés ellenére sem változtak lényegesen az elmúlt évtizedekben.
A diagnosztikai döntéshozatal kognitív igényei miatt még a legtapasztaltabb radiológusokkal is előfordul elnézés, értelmezési hiba pályafutásuk során.
Ez a paradoxon azt bizonyítja, hogy a hibák nem az egyéni képzetlenségből vagy hanyagságból erednek. Sokkal inkább a diagnosztikai munka kognitív igényeiből, az emberi gondolkodásmód alapvető korlátaiból és a rendszerek felépítéséből – például a túlterheltségből vagy a napi megszokottnál magasabb esetszámból – fakadnak.
3. Amikor az automatizáció rontja a szakértő teljesítményét
A mesterséges intelligencia (AI) integrációja rohamosan halad: a radiológiai osztályok 75%-a használ már AI-eszközöket, döntően a képek értelmezésének támogatására (58%) és az esetek priorizálására (26%). Ugyanakkor az automatizáció megjelenése új típusú ember-gép hibalehetőségeket is felszínre hozott.
Különösen kritikus jelenség az úgynevezett „automatizációs torzítás” (automation bias), amely során a leletező túlzottan támaszkodik az AI kimenetére. Ha az AI téves eredményt ad, ez a jelenség még a legtapasztaltabb szakemberek diagnosztikai teljesítményét is leronthatja.
| AI-hibatípus | Leírás |
| Mulasztási hiba (Omission error) | A leletező nem azonosítja az eltérést, mert az AI-eszköz sem emelte ki azt. |
| Bizalmi hiba (Commission error) | A leletező elfogad egy olyan AI-kimenetet, amely utólag tévesnek bizonyul. |
| Algoritmikus averzió (Algorithmic aversion) | A leletező elutasítja az AI kimenetét, amely utólag helyesnek bizonyul. |
| Automatizációs önelégültség (Automation complacency) | Az AI-kimenet ellenőrzése idővel felületessé válik, mivel az eszköz általában helyesen működik. |
Mindamellett elengedhetetlen különbséget tenni a felhasználó kognitív torzításai és a rendszerszintű „AI-tényezők” (AI factors) között. Utóbbiak a mesterséges intelligencia tervezési, telepítési vagy működési környezetéből fakadó latent hibalehetőségek, amelyek függetlenek az orvos egyéni tudásától. Ilyenek például az operatív szinkronizációs fennakadások – amikor az AI elemzése nem áll rendelkezésre a sürgősségi betegellátás kritikus perceiben –, a határok túllépése (boundary failures), amikor a modellt nem validált betegcsoporton vagy műtermékes képeken alkalmazzák, vagy hibás a workflow-integráció.
Az AI-eszközök alkalmazása során ezért elengedhetetlen marad az „ember a hurokban” (human in the loop) elv. Az AI kizárólag klinikai döntéstámogató eszközként szolgálhat, amely nem helyettesítheti az emberi leletező szakmai és diagnosztikai ítélőképőségét.
4. Miért kell elválasztani a tanulást a felelősségre vonástól?
A tanulási folyamatok hatékonyságának alapfeltétele a szigorú „Tűzfal-elv” (firewall principle). Ennek lényege, hogy a tanulási (pl. discrepantia meet) megbeszéléseket teljesen külön kell választani a klinikai irányítástól, a fegyelmi eljárásoktól, a jogi/hatósági vizsgálatoktól és az egyéni teljesítményméréstől.
A tanulási célú megbeszéléseken tilos pontozni, osztályozni vagy egyéni hibaarányokat felfedni. A találkozók nem használhatók az egyéni kompetencia felmérésére vagy a betegkárosodás mértékének megállapítására. Ez a megközelítés teremti meg a pszichológiai biztonság (psychological safety) és a Sidney Dekker által megfogalmazott méltányos kultúra (just culture) alapjait. A méltányos kultúrában a szakemberek bízhatnak abban, hogy a megosztott információkat kizárólag tanulásra és a rendszer jobbítására használják fel, jogi vagy retorziós fenyegetettség nélkül.
A REALM működésének legfontosabb sarokköve a tűzfal-elv (firewall principle). A REALM ülések és azok dokumentációja teljesen különállnak az intézményi betegbiztonsági, fegyelmi, jogi vagy teljesítményértékelési folyamataitól. A REALM jegyzőkönyvei és anyagai soha nem használhatók fel egyéni teljesítménymérésre vagy számonkérésre. Ha egy külső szervezet, jogi képviselő vagy az intézményi vezetés REALM-adatokat kér, a kérést el kell utasítani, és a hivatalos betegbiztonsági (governance) csatornákhoz kell irányítani.
Minden osztálynak évente legalább 12 órányi REALM megbeszélést kell szerveznie, és minden leletező szakembernek a munkaidejéből védett időben legalább a részvételi idő 50%-át (évente 6 órát) teljesítenie kell. A megbeszéléseket tilos videóra venni vagy hanganyagként rögzíteni, mert az rombolná a résztvevők közötti nyíltságot és bizalmat.
A folyamat kulcsszereplői:
- REALM-vezető: kijelölt tapasztalt szakorvos, aki független a minőségbiztosítási (governance) vezetői tisztségtől az érdekellentétek elkerülése érdekében. Feladata a megbeszélések moderálása, az anonimizálás és a tanulságok összegzése.
- Bejelentő (Notifier): az a kolléga, aki az eltérést vagy a bemutatandó esetet észleli egy korábbi vizsgálat felülvizsgálata során. Feladata a névtelen beküldés mellett az elsődleges leletező közvetlen, tiszteletteljes tájékoztatása és szükség esetén a lelet kiegészítése (addendum).
- Elsődleges leletező (Primary reporter): az a szakember, aki az eredeti leletet készítette. A REALM során a kiléte végig rejtve marad.
Amennyiben a REALM során rendszerszintű hiányosság (például szoftverhiba, veszélyes munkafolyamat, kommunikációs fennakadás) derül ki, azt a betegbiztonsági osztály felé eszkalálni kell. Ez nem szegi meg a névtenséget, hiszen nem az egyént, hanem a rendszer hibáját tárja fel az intézményi fejlődés érdekében.
Ez az elv analóg a törvényileg védett „biztonságos tér” (safe space) intézményével, amelyet a légiközlekedési és egészségügyi kivizsgáló testületek alkalmaznak: védett közeget biztosít a tapasztalatcserének anélkül, hogy a résztvevőknek büntetőjogi vagy adminisztratív szankcióktól kellene tartaniuk.
Ahhoz, hogy a REALM érdemi tanulási élményt nyújtson, az eseteket gondosan elő kell készíteni. A legfőbb szabály a teljes anonimitás: nemcsak a beteg személyes adatait és azonosítóit kell eltávolítani a képekről és a megjegyzésekből, hanem az elsődleges leletező és a bejelentő kilétét is fedve kell tartani. Szigorúan tilos az esetek pontozása, osztályozása vagy a hiba súlyosságának szubjektív megbélyegzése! A fókusz kizárólag a tanulási pontokon és az oktatási értéken van.
A kommunikáció standardizált folyamatok segítségével történik:
- Közvetlen visszajelzés: a bejelentő közvetlenül és tiszteletteljesen tájékoztatja az elsődleges leletezőt a megbeszélés előtt, a kollégiális bizalom építése érdekében.
- Tanulási összefoglalók: az ülések után névtelen tanulási összefoglaló készül, amelyet az egész osztály megkap, így azok is részesülnek a tanulságokból, akik személyesen nem tudtak jelen lenni.
- Jó találatok elismerése: a kiemelkedő diagnosztikai teljesítményeket (good spots) és a tanulságos eseteket egyaránt értékelni kell a pozitív motiváció erősítésére.
A REALM-vezető évente egyszer átfogó éves áttekintést (Annual Review) készít. Ebben összesíti a megtartott ülések számát, a megbeszélt esettípusokat, a visszatérő kognitív torzításokat, a jó találatokat és a sikeresen eszkalált rendszerszintű tényezőket. Ez az éves jelentés nem tartalmaz személyes adatokat, de kiváló visszacsatolást ad a teljes osztály folyamatos fejlődéséről.
Amennyiben az oktatási és tanulási fórumokat egyéni számonkérésre vagy teljesítménymérésre használják fel, a szakemberek elzárkóznak a hibák feltárásától. Ez tragikus elhallgatáshoz és a kollektív tanulási lehetőségek teljes elvesztéséhez vezet.
5. A kognitív torzítások és a human faktor szerepe
A diagnosztikai tévesztések hátterében az esetek döntő többségében nem egyéni hanyagság, hanem összetett emberi és rendszerszintű tényezők állnak. Az emberi gondolkodásra jellemző kognitív torzítások természetes módon befolyásolják a döntéshozatalt:
- Keresési elégedettség (Satisfaction of search) a leletező hajlamos idő előtt lezárni a képek átvizsgálását, miután egy elsődleges eltérést már azonosított, így a további rendellenességek rejtve maradhatnak.
- Rögzítés (Anchoring) túlzott támaszkodás a kezdeti információkra vagy a klinikai kórelőzményre, amely beszűkíti a diagnosztikai figyelmet az elsőként felmerült hipotézisre.
- Megerősítési torzítás (Confirmation bias) az a jelenség, amikor a szakember elsősorban azokat az elváltozásokat veszi észre, amelyek alátámasztják az előzetes feltételezését, miközben az ellentmondó leleteket figyelmen kívül hagyja.
- Vakság a figyelmetlenség miatt (Inattentional blindness) mellékes, de fontos eltérés figyelmen kívül hagyása a fő feladatra való fokozott fókuszálás miatt.
- Keretezési torzítás (Framing bias) a beutaló specifikus megfogalmazása szűkíti a vizsgáló figyelmét.
A kognitív torzítások mélyebb elemzéséhez a modern biztonságtudomány a SHEEP-modellt (Systems, Human interaction, Equipment, Environment, Personal factors) hívja segítségül. Ez a keretrendszer rávilágít a „ténylegesen elvégzett munka” (work as done) és az „elképzelt munka” (work as imagined) közötti szakadékra. A mindennapi gyakorlatban az orvosok gyakran kénytelenek apró munkafolyamat-módosításokat és áthidaló megoldásokat alkalmazni a túlterheltség és a megszakítások közepette.
A REALM megbeszélések a légiközlekedésből és a sebészetből ismert „fekete doboz” (Black Box) elvét ültetik át a radiológiába: a hibák és a majdnem-hibák (near misses) szisztematikus rögzítésével a rejtett rendszerszintű hiányosságokat válogatják ki. Amikor a megbeszéléseken fény derül az ilyen hiányosságokra (például IT-hibákra vagy elavult protokollokra), azokat egy anonim eszkalációs útvonalon kell továbbítani a vezetés felé, biztosítva, hogy a rendszer hibaüzenete megelőzze a jövőbeli betegkárosodást.
6. A kiégés csendes járványa és a „második áldozat” szindróma
A radiológia a kiégés által leginkább veszélyeztetett szakterületek közé tartozik: a klinikai igazgatók 98%-a aggódik a munkahelyi stressz, a kiégés és a morál miatt. A szakmát érintő túlterheltséget jól szemlélteti, hogy a szakorvosok támogatott szakmai fejlődési ideje (SPA) 25%-kal csökkent az elmúlt évtizedben. Ennek következtében a szakorvosok idő előtt hagyják el a pályát: a kórházi radiológus szakorvosok távozásának medián életkora 50 év (77%-uk 60 év alatti), míg a nem szakorvos besorolású orvosok (SAS) körében ez a medián életkor mindössze 37 év. A távmunka és a teleradiológia terjedése a rugalmasság mellett tovább növelte a professzionális elszigetelődést.
Egy műhiba elkövetése után az orvosok gyakran megélik a „második áldozat” (second victim) szindrómát. Ennek során a szakember súlyos bűntudatot, szorongást és az önbecsülés elvesztését tapasztalja. Megfelelő kollegiális és szervezeti támogatás hiányában ez a mentális teher tovább növeli a jövőbeli hibázások kockázatát.
A bajtársi támogatás (peer support) és a strukturált reflektív gyakorlatok alapvető védőhálót jelenthetnek. Az olyan célzott támogató struktúrák, mint a Schwartz-körök (a munkatársi élmények érzelmi feldolgozására), a Bálint-csoportok vagy a 24/7 elérhető bajtársi hálózatok (például a RISE program), bizonyítottan csökkentik a kiégést és elősegítik a szakmai felépülést. A tévedések nyílt, megértő közegben való feldolgozása segít a szakmai önbizalom helyreállításában és a kiégés megelőzésében.
Főbb tanulságok
- A diagnosztikai hibák aránya évtizedek óta stabil (3-5% valós időben, 30% visszamenőleg); a hibák elsősorban a rendszerekből és az emberi gondolkodás működéséből adódnak.
- A REALM független a fegyelmi és minőségbiztosítási folyamatoktól (tűzfal-elv); tilos a teljesítménymérés, az esetek pontozása és az egyéni hibáztatás.
- Évente legalább 12 óra REALM tartandó, és a leletezőknek legalább a részvételi idő 50%-án jelen kell lenniük.
- Az AI-interakciók (automatizációs torzítás, algoritmikus averzió) tanulási esetként kezelendők; a végső felelősség mindig az embert terheli.
- A kognitív torzítások (horgonyzás, keresési kielégülés) és a SHEEP-modell szerinti humán faktorok azonosítása segíti a munkakörülmények és a betegbiztonság javítását.
A biztonságos és magas minőségű betegellátás nem a hibák eltagadásából vagy a felelősök kiemeléséből fakad, hanem a tévedések nyílt, anonim és rendszerszintű feldolgozásából. A technológiai fejlődés és a mesterséges intelligencia korában az emberi tényezők megértése és a pszichológiailag biztonságos tanulási környezet megteremtése jelenti a fenntartható fejlődés alapját.
forrás:
Standards for Radiology Events and Learning
Meetings (REALMs), second edition
Embracing fallibility – shaping a positive culture for thinking
better and learning safely
NOVEMBER 2026 Clinical Radiology
https://www.rcr.ac.uk/media/rp3gs0vc/rcr-publications-standards-for-radiology-events-and-learning-meetings-realms-2nd-edition.pdf
(pdf)
- - -

- - -
A REALM 10 Alapvető Standardja:
Standard 1: A biztonság, az együttérzés és a tanulás kultúrája
A REALM működésének elengedhetetlen alapfeltétele az empátián és empátiás vezetésen (compassionate leadership) alapuló, pszichológiailag biztonságos intézményi kultúra. A találkozókat olyan nyílt, támogatói légkörben kell lefolytatni, ahol a hibákból és nehéz esetekből való tanulás a napi szakmai gyakorlat természetes részét képezi.
- Viselkedési normák és elvárások: minden ülés kezdetén explicit módon meg kell erősíteni az alapvető viselkedési szabályokat. Tilos a megbélyegző vagy minősítő nyelvhasználat, valamint az érintett személyek közvetlen vagy közvetett azonosítása. A találkozót követően szigorúan tilos az esetek „folyosói megbeszélése” vagy az egyéni felelősségre vonás.
- Vezetői szerepvállalás: a vezető klinikusoknak és a REALM-vezetőnek aktívan mintázniuk kell a saját kognitív hibázhatóságukat (modelling fallibility). Az anonimitás elve alól a vezetői esetek sem képeznek kivételt: önkéntes beazonosítás még szemléltetési szándékkal sem javasolt, mert az eltereli a figyelmet a rendszerszintű tanulságokról az egyéni magyarázkodás irányába.
- Szervezeti felelősség: az intézményi és osztályos vezetés felelőssége a pszichológiai biztonságot veszélyeztető magatartási formák (például megszégyenítés, nyilvános kritika) azonnali megszüntetése, összhangban a Civility Saves Lives elveivel és a szakmai etikai kódexekkel.
Standard 2: Védett tér biztosítása a közös tanuláshoz
A szervezeti tanuláshoz dedikált, védett időkeretet és infrastrukturális hátteret kell biztosítani, elválasztva az operatív betegellátási nyomástól.
- Kötelező időkeret és gyakoriság: osztályos szinten évente legalább 12 óra védett REALM megbeszélést kell szervezni, amelyből minden leletező orvosnak és szakembernek legalább 6 órát kell teljesítenie. Évente legalább 6 ülést kell tartani, hibrid vagy virtuális részvételi opciókkal.
- A felvételkészítés tilalma: a találkozókról hang- vagy videófelvétel készítése szigorúan tilos, mivel ez alapjaiban rombolná a résztvevők nyíltságát és a pszichológiai biztonságot.
- A tűzfal-elv (Firewall Principle): a REALM teljesen független a klinikai irányítási (clinical governance), minőségbiztosítási, fegyelmi és panaszkezelési folyamatoktól. A REALM dokumentációja (esetleírások, jegyzőkönyvek) ezen eljárásokban nem használható fel. A formális adatigényléseket a klinikai irányítási szervekhez kell átirányítani.
- Rendszerszintű eszkaláció: ha az anonim esetelemzés során rendszerszintű hiányosságok (például kommunikációs fennakadások, IT/PACS hibák, túlterheltségi kockázatok) derülnek ki, azokat előre rögzített eszkalációs útvonalon keresztül el kell juttatni a minőségirányítási vezetéshez, megőrizve az egyéni leletezők anonimitását.
Standard 3: Részvétel és elköteleződés
A REALM tanulási folyamataiban minden képi diagnosztikai leletezést végző szakembernek aktívan részt kell vennie, függetlenül foglalkoztatási formájától vagy beosztásától.
- Résztvevői kör és részvételi arány: a szakorvosoknak (konzultánsoknak) és szakorvosjelölteknek/rezidenseknek a megbeszélések teljes időtartamának legalább 50%-án jelen kell lenniük. A folyamatba be kell vonni a szakasszisztenseket (radiográfusokat, szonográfusokat) és a távleletező partnereket is.
- Aktív esetbeadás: minden másodleletező szakembertől elvárás, hogy évente legalább egy saját problémás esetet nyújtson be a helyi REALM adatbázisba a levont tanulságok megjelölésével.
- Szakképzési támogatás: a radiológus rezidensek jelenlétét és esetbeadásait a szakképzési portfólióban és az éves kompetencia-felülvizsgálatokon (ARCP) hivatalosan el kell ismerni.
Standard 4: Szerepkörök és felelősségek
A hatékony és független működés érdekében a REALM-en belüli feladatköröket pontosan meg kell határozni, és el kell különíteni a minőségbiztosítási vezetői pozícióktól.
- Független REALM-vezető: a REALM-vezetőnek kijelölt szakorvosnak kell lennie, aki dedikált munkaidő-kerettel (munkatervben rögzített PA – Programmed Activity) rendelkezik. Általános szabályként egy nagy forgalmú osztályon a REALM-vezetés hétenként 1,0 PA (kb. 4 óra) időkeretet igényel; kisebb szakterületi ülések esetén ez legalább 0.5 PA.
- A szerepek összeférhetetlensége: a REALM-vezető nem tölthet be egyidejűleg klinikai irányítási (clinical governance), betegbiztonsági vagy osztályvezetői tisztséget. Ezen szerepek összevonása összeférhetetlenséget teremt és aláássa a bizalmat.
- A bejelentő - másodleletező (Notifier) és az első leletező (Primary Reporter): a bejelentő az a szakember, aki egy korábbi vizsgálat másodleletezése során eltérést, hibát vagy kiemelkedő diagnosztikai teljesítményt (good spot) észlel. A bejelentő köteles közvetlen, kollegiális visszajelzést adni az elsőleletezőnek. Amennyiben a betegellátást érintő kockázat merül fel, a bejelentő felelőssége a klinikai kiegészítés (addendum) kezdeményezése és a kezelőorvos értesítése.
Standard 5: Esetek előkészítése a tanuláshoz
Az esetek feldolgozása kizárólag oktatási és rendszerszintű elemzési célokat szolgálhat, elkerülve az egyéni teljesítmény minősítését.
- Teljes körű anonimizálás: a bemutatott képi és szöveges anyagokból minden betegazonosítót (név, születési dátum, törzsszám) és a leletező személyére utaló adatot el kell távolítani.
- A pontozás és osztályozás tilalma: a REALM üléseken szigorúan tilos az eltérések vagy hibák számszerű pontozása, fokozatba sorolása vagy egyéni hibaráta-statisztikák vezetése. A hibapontozás a klinikai irányítási eljárások feladata.
- Tematikus feldolgozás: az eseteket célszerű kognitív torzítások, humán tényezők vagy specifikus szakmai témák köré csoportosítani, elősegítve a mélyebb megértést.
Standard 6: A kommunikáció szabványosítása és optimalizálása
A REALM működését átlátható, tiszteletteljes és szabványosított kommunikációs folyamatoknak kell kísérniük.
- Bejelentések és visszajelzések: a bejelentőnek az eset beküldésével egyidejűleg tájékoztatnia kell az elsőleletezőt. A REALM-vezető visszaigazolást küld a beküldőnek a feldolgozásról.
- Esemény utáni tanulási összefoglalók: az üléseket követően anonimizált tanulási pontokat (post-meeting summary) kell eljuttatni az osztály minden leletezőjéhez, biztosítva a tudásmegosztást azok számára is, akik nem tudtak jelen lenni.
- Éves áttekintés: a REALM-vezető évente egyszer rövid, összesített elemzést készít a megtartott ülések számáról, a feltárt rendszerszintű témákról és a kognitív tanulságokról, egyéni vagy eseti azonosítók nélkül.
Standard 7: REALM(AI) – Gyakorlati tanulás a mesterséges intelligenciából
A mesterséges intelligencia klinikai alkalmazása új típusú interakciókat és hibamintázatokat hoz létre az ember és a gép között, amelyeket specifikus keretrendszerben kell elemezni.
- Humán–AI interakciós eseménytípusok:
- Automatizációs torzítás (Automation bias): az AI kimenetére való túlzott hagyatkozás, amely lecsökkenti az önálló klinikai mérlegelést (megjelenhet omissziós/kihagyási vagy kommissziós/elkövetési hibaként).
- Algoritmus-averzió (Algorithmic aversion): az AI helyes jelzésének elvetése vagy figyelmen kívül hagyása, gyakran a korábbi téves AI-jelzések miatti bizalomvesztés következtében.
- Automatizációs kényelem (Automation complacency): a felülvizsgálat alapossága idővel csökken, mert az AI eszköz többnyire helyes eredményt ad.
- Klinikai felelősség: az AI kizárólag döntéstámogató eszköz; a diagnosztikai felelősség minden esetben a leletező orvost („human-in-the-loop”) terheli.
Standard 8: A hibák okainak megértése – Humán tényezők, kognitív torzítások és biztonságtudomány
A radiológiai események elemzése során a biztonságtudomány és a kognitív pszichológia eredményeire kell támaszkodni.
- Rendszer-feltételek és a SHEEP-modell: A hibák a leletező gondolkodása, a munkakörnyezet és a rendszerszintű feltételek összetett interakciójából fakadnak. A REALM a SHEEP-modellt alkalmazza a feltételek feltárására:
- Systems (Rendszerek és folyamatok)
- Human interaction (Emberi interakciók és kommunikáció)
- Equipment (Berendezések, PACS, munkaállomások)
- Environment (Környezet: világítás, zaj, megszakítások)
- Personal factors (Személyes tényezők: fáradtság, kognitív túlterhelés)
- Gyakori kognitív torzítások: a találkozókon nevesíteni kell az olyan ismert torzításokat, mint a horgonyzási effektus (anchoring), a keresési elégedettség (satisfaction of search), a megerősítési torzítás (confirmation bias), a keretezési torzítás (framing bias) vagy a korai lezárás (premature closure).
Standard 9: Reflektív gyakorlat és szakmai jóllét
A REALM fórumot biztosít a kollektív és egyéni reflektív gyakorlathoz, támogatva a szakemberek mentális egészségét és csökkentve a kiégést (burnout).
- A kiégés és a szakmai izoláció kezelése: a radiológusok körében tapasztalható magas kiégési arány és a PACS miatti izoláció ellen a kollegiális támogatás (peer support) a leghatékonyabb védőfaktor.
- Reflektív modell: a Gibbs-féle vagy Kolb-féle reflektív ciklus alkalmazása (mi történt, milyen érzéseket váltott ki, miért történt, mit tehetünk másképp) segíti a feldolgozást.
- Dokumentációs óvatosság: az egyéni reflektív jegyzetek a személyes tanulást szolgálják. A reflektív feljegyzésekben kerülni kell a betegazonosítókat és a ténybeli esetleírásokat, amelyeket a klinikai dokumentációban kell rögzíteni.
Standard 10: REALM közösségépítés az RCR-en keresztül
A helyi REALM tapasztalatokat országos és nemzetközi tanulási hálózatba kell bekötni.
- Regisztráció és hálózat: a REALM-vezetők regisztrálnak a központi REALM jegyzékbe, elősegítve a tudásmegosztást.
- National Case Submissions: Minden osztály célként tűzi ki legalább évi 4 oktatási eset feltöltését a központi tanulási platformra (beleértve a ritka leleteket, jó észleléseket és AI-eseményeket), megelőzve, hogy az egyes osztályok izoláltan ismételjék meg ugyanazokat a rendszerszintű hibákat.
forrás:
forrás:



forrás: 