Teljes cikk:

Cuocolo, R., Bernardini, D., Pinto dos Santos, D. et al. 
AI medical device post-market surveillance regulations: consensus recommendations by the European Society of Radiology. 
Insights Imaging 16, 275 (2025).
https://doi.org/10.1186/s13244-025-02146-8

ESR ajánlások:

1. Az orvosi képalkotás szakemberei nem ismerik kellőképpen a PMS-t (forgalomba hozatal utáni felügyelet) és a klinikai gyakorlatban az AI-alapú orvostechnikai eszközökre vonatkozó klinikai nyomonkövetési követelményeket és előírásokat, ideértve az ilyen rendszerek üzemeltetőjeként betöltött feladataikat is.
   Megjegyzés: Az ESR és az Európai Orvosi Képalkotási Informatikai Társaság (European Society of Medical Imaging Informatics) közelmúltbeli felmérése rávilágított arra, hogy a radiológusok nem ismerik az AI-re vonatkozó előírásokat és különösen a PMS-t, függetlenül attól, hogy jelenleg AI-alapú orvostechnikai eszközöket üzemeltetnek-e vagy sem [1].
   
   
2. A PMS-nek (forgalomba hozatal utáni felügyeletnek) tartalmaznia kell egy platformot, amely biztosítja a folyamatosan gyűjtött teljesítményadatok hozzáférhetőségét a bevezetők számára, lehetővé téve mind az orvosi képalkotó szakemberek általi figyelemmel kísérést, mind a PMCF által előírt, releváns eseményekről szóló ad hoc jelentéstételt.
   Megjegyzés: Az adatgyűjtés önmagában nem elegendő ahhoz, hogy az orvosi képalkotó szakemberek teljes mértékben tisztában legyenek az intézményi szinten bevezetett AI-alapú orvostechnikai eszközök folyamatos teljesítményével (és esetleges romlásával). Ez az információ egyértelműen elengedhetetlen a bevezetők egyes kötelezettségeinek, például a PMCF-nek (piaci forgalomba hozatal utáni klinikai visszajelzésnek) a teljesítéséhez.
   
   
3. Az adatgyűjtést, amelyet az AI-alapú orvostechnikai eszközök üzemeltetői végezhetnek, intézményi szinten kell megvalósítani (pl. egy osztályon/kórházban dolgozó, erre a feladatra kijelölt személyzet által kezelt, félig automatizált rendszer segítségével), ahelyett, hogy egyetlen orvosok önkéntes tevékenységére támaszkodnának.

   Megjegyzés: Jelenleg egyes mesterséges intelligencia alapú orvostechnikai eszközök szolgáltatói az alkalmazók önkéntes alapú, időszakos jelentéseire támaszkodnak a mesterséges intelligencia klinikai gyakorlatban való teljesítményével kapcsolatos adatok tekintetében. Ezeket a gyakorlatokat fel kell váltani az intézményi erőforrások (pl. informatikai infrastruktúra) kihasználásával történő szisztematikus adatgyűjtéssel, hogy biztosítható legyen a megbízhatóság és a bizonyítékok megbízhatóbb gyűjtése.

4. Egy adott AI-alapú orvostechnikai eszköz összes üzemeltetőjének képesnek kell lennie arra, hogy a jelenlegi adatvédelmi előírásoknak megfelelő formában hozzáférést kérjen a PMS-re és a rendszer teljesítményére vonatkozó összesített adatokhoz.
   Megjegyzés: Az AI-alapú orvostechnikai eszközök teljesítményére vonatkozó adatok hozzáférhetősége jelentősen segítheti az orvosokat a rendszer megbízhatóságának értékelésében és a betegellátást negatívan befolyásoló problémák időben történő felismerésében.

5. Új AI-alapú orvostechnikai eszköz bevezetésekor a PMS-rendszert is egyidejűleg rendelkezésre kell bocsátani. Ha egy már meglévő eszközhöz új funkciót adnak hozzá, a PMS-t a kontextusnak megfelelően frissíteni kell, hogy az tartalmazza az új információkat.
   Megjegyzés: A PMS kritikus jellegére tekintettel nem elfogadható semmiféle késedelem a klinikai használatban lévő összes AI-alapú orvostechnikai eszközhöz tartozó adatgyűjtő és teljesítményfigyelő eszközök bevezetésében.

6. A folyamatos figyelemmel kísérésen túlmenően a szolgáltatóknak időszakos (pl. 6–12 havonta) felülvizsgálatokat kell végezniük a PMS-adatokon, és azokat be kell mutatniuk a telepítőknek, hogy a gyógyászati eszközök használata tájékozottan, folyamatosan történjen, és a teljesítmény romlása időben felismerhető legyen.
   Megjegyzés: A rendszeres összefoglaló jelentés, amelynek időzítése a betegellátás szempontjából az orvostechnikai eszköz fontosságától függ, szükséges eszköz a bevezetők által végzett teljesítményértékelés megvalósíthatóságának biztosításához, még mélyreható műszaki ismeretek nélkül is.

7. Bizonyos felhasználási esetekben (pl. képalkotás) további adatok (pl. nem AI-vel rekonstruált képek) gyűjtése lehet szükséges az AI-alapú orvostechnikai eszköz rendszeres teljesítményértékeléséhez.
   Megjegyzés: Tekintettel az AI-alapú orvostechnikai eszközök széles körű alkalmazási területeire, nem mindig áll rendelkezésre a teljesítmény és a minőség értékeléséhez szükséges alapadatok. Ha lehetséges, a szükséges adatokat rendszeresen össze kell gyűjteni, hogy ilyen értékelések elvégezhetők legyenek. Az AI-val támogatott kép-rekonstrukció tipikus példája egy ilyen helyzetnek, mivel a nem AI-val rekonstruált képeket nem szerzik be a klinikai rutinban referenciastandardként.

8. A hatékony PMS érdekében a szolgáltatóknak meg kell adniuk az AI-alapú orvostechnikai eszköz alapvető pontossági mutatóit, beleértve a bizonytalansági mérőszámokat (pl. 95%-os konfidencia-intervallumok). Ezeknek a PMS-platformon jól láthatónak kell lenniük a felhasználók számára, hogy megkönnyítsék a gyenge teljesítmény vagy egyéb problémák észlelését.
   Megjegyzés: Mivel az AI-alapú orvostechnikai eszközök tanúsításához alapszintű teljesítményt kell meghatározni, ezeket az adatokat a bevezetők rendelkezésére kell bocsátani, hogy megkönnyítsék a PMS és PMCF célú teljesítményfigyelés feladatát, elkerülve a klinikai bevezetés utáni teljesítményromlás felismerésének felesleges késedelmét.

9. Az AI-alapú orvostechnikai eszközök üzemeltetői fontolóra kell vegyék, hogy tájékoztassák a beutaló orvost és/vagy a betegeket az AI-vel kapcsolatos problémákról és azok megoldásáról, ha az esemény súlyossága és/vagy klinikai relevanciája ezt indokolja (pl. a PMCF-előírások szerint jelentéstételi kötelezettség alá eső esemény).
   Megjegyzés: Tekintettel az AI-alapú orvostechnikai eszközök újdonságára és arra, hogy azok használatával kapcsolatban az orvosi szakmák és a betegek különböző mértékben vannak tisztában, az AI-alapú orvostechnikai eszközök teljesítményével kapcsolatos problémák kezelésének és azok betegellátásra gyakorolt hatásának korlátozásának legjobb gyakorlatát eseti alapon kell értékelni. A negatív következmények kockázatának csökkentése érdekében elengedhetetlen a betegellátásban részt vevő többi érdekelt féllel való kommunikáció.

10. A PMCF-kötelezettségek betartásának megkönnyítése érdekében célszerű, hogy a PMS-hez használt platform lehetővé tegye a felhasználói visszajelzések rögzítését is. Ezeknek az információknak ugyanazon platformon keresztül más, ugyanazon intézményben dolgozó orvosok számára is hozzáférhetőnek kell lenniük, hogy megkönnyítsék a mesterséges intelligenciával működő orvostechnikai eszközökkel kapcsolatos kritikus problémák helyi szintű felismerését.
    Megjegyzés: Mivel a PMCF a PMS-től eltérő feladatot jelent, a nemkívánatos események jelentését a lehető legnagyobb mértékben egyszerűsíteni kell, kihasználva a PMS célokra már rendelkezésre álló technológiákat. Az ilyen adatok más felhasználók számára való hozzáférhetősége (az adatvédelmi törvényekkel összhangban) szintén elengedhetetlen az AIaMD-vel (mesterséges intelligencia mint orvostechnikai eszköz) kapcsolatos problémák gyors orvoslásához.

11. Az ESR az interoperábilis PMS-szabványok mellett áll ki, amelyek megkönnyítik a több szolgáltatótól származó AI-orvostechnikai eszközök közös platformjainak használatát. Ez a gyakorlat jelentősen növelné a PMS hozzáférhetőségét és kezelhetőségét mind a szolgáltatók, mind a felhasználók számára, mivel az AI-orvostechnikai eszközök száma és azok klinikai gyakorlatban való alkalmazása várhatóan növekedni fog az elkövetkező években.
    Megjegyzés: Az AI-alapú orvostechnikai eszközök használata és a PMS közötti súrlódások csökkentése érdekében a közös szabványok nagyban elősegítenék az interoperabilitást és a szükséges információkhoz való hozzáférés megkönnyítését, csökkentve ezzel a bevezetők terheit, amikor rendszeresen több eszközzel kell együttműködniük.

12. A szolgáltatók közös szoftverplatformokat alkalmazhatnak a többféle AI-alapú orvostechnikai eszközhöz való hozzáférés optimalizálása érdekében. Ebben az esetben az összes AI-alapú orvostechnikai eszköz adatainak összesítésének megkönnyítése érdekében ajánlott az interoperábilis PMS-szabványok használata. Például előnyösebb lenne a szoftverplatform szintjén egységes felhasználói felületen keresztül hozzáférni az adott platformon keresztül szállított összes eszköz monitorozásához, mint az egyes orvostechnikai eszközök dedikált felületén belül elszigetelt PMS-rendszereket használni.
    Megjegyzés: Ha közös orvostechnikai eszköz-szolgáltatási platformot alkalmaznak, a PMS egyetlen platformon való központosítása jelentős előnyt jelenthet a telepítők számára a kritikus PMS-adatokhoz való hozzáférés akadályainak eltávolításában, amikor a közös szoftverplatformon keresztül szállított AI-orvostechnikai eszközök teljesítményét figyelik.

Következtetés

Az AI technológiát alkalmazó orvostechnikai eszközök egyre gyakoribbak a klinikai gyakorlatban. A radiológia más területein elérhető legjobb gyakorlatokhoz képest még mindig hiányosságok tapasztalhatók az orvosok tudatosságában. Ez a helyzet különösen nyilvánvaló a PMS és a PMCF esetében, ahol ezeket az aktív hatályos szabályozások elvileg egyértelműen meghatározzák, de a jelenlegi tisztázatlan szabványosítás és követelmények miatt nem alkalmazzák őket. Az ESR e tekintetben megfogalmazott ajánlásai remélhetőleg az első lépést jelentik a szükséges iránymutatások és tudatosság kialakítása felé közösségünkben, hogy javuljon az AI orvostechnikai eszközökként való bevezetésének és nyomon követésének következetessége, ugyanakkor az orvosok egyértelmű referencia-szabványhoz juthatnak, amikor ezekkel az új technológiákkal foglalkoznak, amelyek a korábbi gyakorlathoz képest egyedülálló kihívásokat jelentenek.

Rövidítések
AIaMDs: mesterséges intelligencia mint orvostechnikai eszközök
ESR: Európai Radiológus Társaság
MDR: orvostechnikai eszközökre vonatkozó rendelet
PMCF: forgalomba hozatal utáni klinikai visszajelzés
PMS: forgalomba hozatal utáni felügyelet

Teljes cikk:
Cuocolo, R., Bernardini, D., Pinto dos Santos, D. et al. 
AI medical device post-market surveillance regulations: consensus recommendations by the European Society of Radiology. 
Insights Imaging 16, 275 (2025).
https://doi.org/10.1186/s13244-025-02146-8

Brin, D., Tau, N.
Cost-effectiveness of artificial intelligence tools in radiology: a systematic review. 
Eur Radiol (2025).
DOI: 10.1007/s00330-025-12242-4

Bevezetés

A radiológia az elsők között alkalmazta a klinikai mesterséges intelligenciát (AI), egyre több eszközt vetve be a diagnosztikai pontosság javítása és a munkafolyamatok racionalizálása érdekében. 2025-re több mint 270 CE-jelöléssel ellátott radiológiai AI-termék lesz elérhető Európában [1], és több mint 950 FDA-engedélyezett AI-kompatibilis orvostechnikai eszköz tartalmaz radiológiai alkalmazásokat az Egyesült Államokban (USA) [2]. A jelentett felhasználás főként felmérési adatokon alapul, amelyek szerint az Egyesült Államok radiológiai osztályainak körülbelül kétharmada valamilyen formában használja az AI-t [3], míg Európában az alkalmazás aránya alacsonyabbnak tűnik, de fokozatosan növekszik [4,5,6,7].

A gazdasági életképesség kritikus fontosságú a fenntartható bevezetéshez, különösen az erőforrás-igényes egészségügyi rendszerekben, ahol a döntéshozatal a többletköltségektől és -haszonoktól függ [8, 9].

A gazdasági életképesség arra utal, hogy az AI-eszközök bevezetésének egészségügyi előnyei meghaladják-e a szükséges további pénzügyi beruházásokat. Ezek a beruházások általában magukban foglalják a szoftver kezdeti beszerzésével és a folyamatos éves előfizetési költségekkel, a számítástechnikai infrastruktúrával, a karbantartással, a klinikai munkafolyamatba való integrációval és a személyzet képzésével kapcsolatos költségeket [10]. Az AI bevezetésének költségei ritkán nyilvánosak, gyártónként és egészségügyi rendszerenként eltérőek, és gyakran alulbecsült tételeket tartalmaznak (pl. gyártói árképzési modellek, munkafolyamat-integrációs költségek, teljesítményfigyelés, modellfrissítések). Évente több tízezer vagy akár több százezer dollárba is kerülhetnek. A közzétett gazdasági modellek általában a költségeket több tízezer dollárra becsülik a beállítási költségek és az alacsony egy- vagy két számjegyű dollárösszegű tanulmányonkénti díjak alapján, néhány esetben pedig néhány száz dollárra becsülik a betegek számát [7, 11,12,13]. A gazdasági életképességet különböző típusú egészségügyi gazdasági elemzésekkel lehet értékelni, például költségminimalizálási elemzéssel (CMA) vagy költséghatékonysági elemzéssel (CEA).

Míg az AI-alkalmazások fejlesztői a hatékonyság növelését és a radiológiai munkaidő és költségek csökkentését állítják, kevés empirikus, valós bizonyíték van, amely nagymértékű, tartós időmegtakarítást igazolna [14,15,16,17,18,19]. Tudomásunk szerint eddig még nem készült olyan szisztematikus áttekintés, amely összefoglalná az AI radiológiai alkalmazásának költséghatékonyságára vonatkozó bizonyítékokat.

E szisztematikus áttekintés célja az volt, hogy értékelje a radiológiában alkalmazott AI-alapú eszközök költséghatékonyságára vonatkozó meglévő bizonyítékokat, betekintést nyújtson azok gazdasági életképességébe, és meghatározza a további vizsgálatra szoruló területeket.

Anyagok és módszerek

A PRISMA 2020 irányelveknek [20] megfelelően szisztematikus irodalomáttekintést végeztünk. A keresést a PubMed, a Cochrane Library, a Scopus, a Web of Science és az Embase adatbázisokban végeztük. A 2025. január 23-ig megjelent angol nyelvű cikkeket vettük figyelembe. A keresési stratégia magában foglalta a Medical Subject Headings (MeSH) és a „mesterséges intelligencia”, „radiológia” és „költséghatékonyság” kifejezésekkel kapcsolatos cím/absztrakt kifejezéseket. Az összes adatbázis teljes keresési szintaxisa a függelékben található.

A felvétel kritériumai a következőket értékelő tanulmányok voltak:

1. radiológiai alapú mesterséges intelligencia beavatkozás képdiagnosztikában és -értelmezésben, valamint
2. formális költségelemzés.

A szűrés során nem korlátoztuk az értékelés típusát vagy az egészségügyi eredmények mérőszámát. A megfelelő keretek között szerepelt a CMA, a CEA, a költség-haszon (CUA), a költség-haszon (CBA) és a költségvetési hatások elemzése (BIA). Kizártuk az eredeti költség- vagy eredményadatokkal nem rendelkező kéziratokat, a gazdasági elemzéssel nem rendelkező áttekintéseket, a nem angol nyelvű cikkeket, a kutatási protokollokat, a konferencia-összefoglalókat és a nem publikált (nem lektorált) tanulmányokat, a kizárólag fogászati képalkotásra összpontosító tanulmányokat (mivel azok inkább a fogászati gyakorlatra vonatkoznak, mint az általános diagnosztikai radiológiára), a képalkotó diagnosztikával vagy AI-képértelmezéssel közvetlenül nem kapcsolatos költségek értékelését, valamint a radiológiával nem kapcsolatos vagy AI-t nem tartalmazó kéziratokat.

Két bíráló (N.T. és D.B.) függetlenül vizsgálta a címeket és az absztraktokat a megfelelőség szempontjából. A teljes szövegek átvizsgálását is mindkét bíráló elvégezte, és az eltéréseket megbeszélés útján oldották meg, amíg konszenzusra nem jutottak. Az adatok kinyerését egy bíráló (D.B.) végezte egy szabványosított sablon segítségével, a második bíráló (N.T.) felügyelete alatt. A kinyert adatok között szerepeltek a tanulmány jellemzői (első szerző, folyóirat, év, ország, képalkotási módszer, radiológiai terület, AI szoftver), módszertani jellemzők (fizető perspektíva, modelltípus, kohort populáció, AI felhasználási eset és referencia beavatkozás), a tanulmány legfontosabb gazdasági eredményei és főbb korlátai.

A bevont tanulmányok módszertani minőségét szisztematikusan értékelték a mesterséges intelligencián alapuló beavatkozásokra vonatkozó egységes egészségügyi gazdasági értékelési jelentési szabványok (CHEERS-AI) ellenőrzőlistájának segítségével, amely az eredeti CHEERS 2022 38 tételből álló kiegészítése, és amelynek célja a mesterséges intelligencia beavatkozások gazdasági értékelésének átlátható jelentésének egységesítése [21].

Eredmények

A keresés 360 publikációt talált, amelyek közül tíz [12, 13, 22,23,24,25,26,27,28,29] felelt meg a beválasztási kritériumoknak és tartalmazott formális gazdasági értékeléseket a radiológiában alkalmazott AI eszközökről (1. ábra). Bár a kritériumok bármilyen formális gazdasági értékelést megengedtek, a felvett szakirodalom kilenc, minőségi életévekkel (QALY) és egy, fogyatékossággal korrigált életévekkel (DALY) alapuló CEA-t tartalmazott. CMA, CBA vagy BIA tanulmányokat nem azonosítottak.

Az 1. táblázat összefoglalja a tanulmányok jellemzőit, a 2. táblázat pedig bemutatja a legfontosabb gazdasági eredményeket és a jelentett korlátokat az egyes tanulmányok esetében. A tanulmányok tervezésének, a minta méretének és a modellezési feltételezéseknek a nagyfokú változatossága miatt nem volt lehetséges formális metaanalízis elvégzése. A CHEERS-AI alapú módszertani minőségértékelést a 3. táblázat foglalja össze. A 38 tételre vonatkozó általános megfelelés mérsékelt volt (medián megfelelési arány 0,68, tartomány 0,58–0,79). Az eredeti CHEERS alapvető tételeinek jelentése általában erős volt. Valamennyi tanulmány egyértelműen leírta modelljének indokait és felépítését, az analitikai módszereket és feltételezéseket, a bizonytalanság kezelését, az aktuális és árfolyamadatokat, valamint megfelelő részleteket szolgáltatott a tanulmány populációjáról, környezetéről, perspektívájáról, összehasonlító tényezőiről, eredményeiről, erőforrás-felhasználásáról és költségeiről, valamint főbb megállapításairól. Az egészségügyi gazdasági elemzési tervek és az időhorizont legalább részben minden tanulmányban szerepelt. Ezzel szemben az AI-specifikus jelentések változatosabbak voltak. A felhasználói autonómia, az AI hatásának mérése, a képzési adatok jellemzői, a validációs stratégia, az időbeli tanulás vagy frissítés, a végrehajtási követelmények és a populációs eredmények részletei gyakran csak részben szerepeltek a jelentésekben, vagy teljesen hiányoztak. Az AI teljesítményével kapcsolatos bizonytalanságokat következetesebben kezelték, mint más AI-specifikus területeket.

A tíz cikk mindegyike modellekkel (Markov-modellek, döntési fák vagy hibrid szimulációk) dolgozott, amelyeket gyakran megfigyelési kohorszokból vagy publikált tanulmányokból származó adatokkal paramétereztek. Azonban egyik tanulmány sem értékelte előre a költséghatékonysági eredményeket. A fizetők perspektívái között szerepelt az egészségügyi fizető (7/10), a társadalmi (2/10) és az egészségügyi szolgáltató (1/10).

A tíz tanulmány közül négy a rákszűrésében, többek között a mell- és tüdőrák szűrésében alkalmazott mesterséges intelligenciát értékelte. A többi tanulmány az akut stroke felismerésére, a fertőzések (COVID-19 és tuberkulózis) ellenőrzésére, valamint a véletlenszerűen felfedezett rendellenességek, például vesemasszák és csigolyatörések felismerésére összpontosított. Öt tanulmány kereskedelmi forgalomban kapható AI-szoftvereket értékelte, míg a többi helyi intézmények által fejlesztett eszközöket vagy elméleti modelleket használt. A tanulmányok többsége az Egyesült Államokból (5/10) vagy az Egyesült Királyságból (3/10) származó egészségügyi adatokat használt, egy-egy tanulmány pedig belga és pakisztáni adatokat.

A mellrák szűrés volt a leggyakrabban értékelt klinikai alkalmazás. Ezek az elemzések [12, 22, 24] az AI-t kockázatrétegző eszközként vagy másodlagos olvasóként értékelték, és eredményeiket következetesen a megfelelő egészségügyi rendszerek elfogadott fizetési hajlandóság (WTP) küszöbértékeinek határain belül vagy azok közelében jelentették. Egyes modellekben az AI-alapú szűrési stratégiák jelentős költségmegtakarításokkal jártak, a QALY-k (a várható élettartamot és az életminőséget ötvöző standard mérőszám) növekedése mellett.

Gazdasági besorolás szerint hét tanulmány jelentette, hogy az AI domináns (a modell feltételezései szerint hatékonyabb és olcsóbb) [13, 22, 23, 25,26,27,28]. Három tanulmány költséghatékony volt, de nem domináns [12, 24, 29]. Egyetlen tanulmány sem találta az AI-t egyértelműen „nem költséghatékonynak” az elsődleges eredményében.

Megbeszélés

Szisztematikus áttekintésünk során csak tíz olyan tanulmányt találtunk, amely az AI-eszközök költséghatékonyságát értékelte a diagnosztikai radiológiában. Ehhez képest az AI-nek a radiológiában betöltött szerepe gyorsan növekedett. Egy bibliometriai elemzés több mint 11 000 AI-vel és gépi tanulással kapcsolatos publikációt azonosított a radiológiával kapcsolatos területeken 2000 és 2021 között [30], és a konferencia-tevékenység is hasonlóan bővült: 2019 és 2024 között közel 300 AI-vel kapcsolatos ülésszakot tartottak a főbb nemzetközi találkozókon, köztük 110-et az RSNA 2024-en [31]. Ez a kontraszt aláhúzza a tanulmányunkban tárgyalt bizonyítékhiányt.

A radiológiában alkalmazott AI költséghatékonyságáról rendelkezésre álló tanulmányok túlnyomórészt elméleti modellezésen alapulnak, nem pedig a valós világból származó prospektív költségadatokon, és sokan nem kereskedelmi forgalomban kapható vagy prototípus AI-rendszereket értékelnek a széles körben alkalmazott klinikai szoftverek helyett.

Érdemes megjegyezni, hogy a legtöbb modell nyilvánosan elérhető amerikai és brit adatforrásokból merített adatokat, ami korlátozza az általánosíthatóságot a különböző egészségügyi rendszerekre. Bár a tanulmányok hatóköre, keretei és módszertana eltérő volt, a legtöbbjük arra a következtetésre jutott, hogy az AI-beavatkozások költséghatékonyak lehetnek, ha azokat a megfelelő egészségügyi rendszerek WTP-küszöbértékeivel mérik össze. Az amerikai elemzések a domináns stratégiáktól (alacsonyabb költségek és nagyobb hatékonyság a modell feltételezései alapján) a költséghatékony stratégiákig terjedtek, amelyek jóval alacsonyabbak voltak az általánosan elfogadott amerikai WTP küszöbértéknél (100 000–150 000 USD/QALY [32]). Hasonlóképpen, az egyesült királyságbeli tanulmányok eredményei a National Institute for Health and Care Excellence (NICE) küszöbértékeken belül vagy azok közelében voltak (20 000–30 000 font/QALY [33]).

Bár nem korlátoztuk az értékelés típusát, a rendelkezésre álló bizonyítékok kilenc QALY-alapú CUA-t és egy DALY-alapú CEA-t tartalmaztak, CMA, CBA vagy BIA nélkül, ami korlátozta a keretek közötti összehasonlításokat. A CUA-k részben azért dominálnak, mert ezek a preferált keretek a visszatérítés és a nemzeti egészségügyi technológiaértékelés (HTA) döntéseihez. Ugyanakkor az alternatív elemzési formák hiánya inkább az AI gazdasági értékeléseinek elvégzésében és jelentésében jelenleg fennálló hiányosságokat tükrözi, mintsem a mi áttekintésünk módszertani választását. Bár a legtöbb tanulmány QALY-alapú CUA-kat alkalmazott, ez a mutató nem feltétlenül tükrözi teljes mértékben az AI hatását a radiológiában, különösen a munkafolyamat hatékonyságának javítására tervezett eszközök esetében, amelyek közvetett hatással lehetnek az egészségügyi eredményekre, ahelyett, hogy azokat közvetlenül mérnék. Ilyen esetekben alternatív megközelítések, például CMA vagy időhatékonysági elemzések nyújthatnak relevánsabb betekintést.

Az bizonyítékok alapja korlátozott, mivel kizárólag elméleti modellezésre támaszkodik, nem pedig valós gazdasági adatokra. Az ilyen tanulmányok gyakran ideális feltételeket feltételeztek, például az AI-ajánlások 100%-os betartását, további munkafolyamat-késedelmek hiányát és rögzített algoritmus-teljesítményt, amelyek a mindennapi klinikai gyakorlatban nem feltétlenül állnak fenn. Ezek a feltételezések a költséghatékonyság túlbecsléséhez vagy alulbecsléséhez vezethetnek, és korlátozhatják a megállapítások külső érvényességét, különösen azokban a tanulmányokban, amelyek csak marginális költséghatékonyságról számolnak be, ahol a valós körülmények kis változásai megváltoztathatják a következtetéseket.

Az AI gazdasági hatásának értékelése a radiológiai gyakorlatban bonyolult feladat, mivel a megvalósítási modellek sokfélék (pl. használatonkénti vagy vállalati licencelés), a bevált munkafolyamatokba való integrálás kihívásokkal jár, a globális egészségügyi rendszerek (állami, félig állami vagy teljesen magán) között különbségek vannak, és az AI-hez alkalmazott standard gazdasági módszerek is eltérőek. Annak érdekében, hogy a döntéshozók beléphessenek a radiológiában az AI használatának erőforrás-igényes világába, a jövőbeli kutatásoknak olyan prospektív és pragmatikus tanulmányokra kell összpontosítaniuk, amelyek a klinikai gyakorlatban már AI-t alkalmazó egészségügyi rendszerek valós költség-, felhasználási és eredményadatait használják fel. Bár a központi gazdasági értékelési módszerek és jelentési szabványok jól megalapozottak (pl. QALY-k, inkrementális költséghatékonysági arány (ICER-ek), CHEERS), az AI-értékelések legfőbb kihívása az, hogy a diagnosztikai pontosságot és a munkafolyamatok változásait következetesen mérhető, betegszintű eredményekké és döntéshozatal szempontjából releváns költségekké alakítsák át, valamint az AI-specifikus költségelemek (licencelés, integráció és karbantartás, teljesítményfigyelés és modellfrissítések) átlátható jelentése. Áttekintésünkben gyakran hiányzott az AI-specifikus jelentés. Ennek egyik magyarázata lehet, hogy a legtöbb vizsgált tanulmány a CHEERS-AI 2024-es megjelenése előtt készült. A jelentési szabványok fejlődésével a CHEERS-AI kiterjesztés hasznos, domain-specifikus keretrendszert kínálhat az AI gazdasági értékeléseinek konzisztenciájának és átláthatóságának javítására, ahol ez alkalmazható.

A jövőbeli elemzéseknek a tervezett bevezetési környezetre vonatkozóan ország- vagy rendszerspecifikus költségadatokat is fel kell használniuk, mivel a rendszerek közötti átvihetőség korlátozott, és fontolóra kell venniük a költségek bemutatását az emberi erőforrás alternatíváival (pl. radiológusok fizetése) összefüggésben, hogy kontextusba helyezzék, valóban költségmegtakarítást jelent-e az AI.

A szolgáltatói szempontból végzett értékelések, amelyek tartalmazzák a tényleges beszerzési, integrációs és karbantartási költségeket, tovább javíthatják a döntések relevanciáját az intézményi vezetés számára.

A működési hatásokra vonatkozó adatok, például a munkafolyamatok változásai, a radiológusok termelékenysége és a downstream ellátás igénybevétele integrálása elengedhetetlen lesz az AI radiológiai gazdasági értékének átfogó megértéséhez. Eközben a gyártók termékeik költséghatékonyságára vonatkozó állításait óvatosan kell értelmezni, mivel nincsenek prospektív, valós költségelemzések.

Összegzésként elmondható, hogy a radiológiában alkalmazott mesterséges intelligencia költséghatékonyságára vonatkozó jelenlegi bizonyítékok korlátozottak, mivel az összes rendelkezésre álló tanulmány modellezett feltételezéseken alapul, nem pedig prospektív implementációs adatokon. Bár ezek az elemzések arra utalnak, hogy a mesterséges intelligencia bizonyos feltételek mellett számos diagnosztikai alkalmazásban költséghatékony lehet, eredményeiket korlátozza a módszertani heterogenitás és az idealizált feltételezések.

A jövőbeli kutatásoknak elsőbbséget kell adniuk a prospektív, standardizált gazdasági értékeléseknek, amelyek figyelembe veszik a valós teljesítményt, a költségeket és a munkafolyamatra gyakorolt hatást, hogy pontosabban meg lehessen határozni az AI értékét a klinikai radiológiai gyakorlatban.

Economic Value of AI in Radiology: A Systematic Review

Bevezetés

• összefoglalni a jelenlegi bizonyítékokat az AI gazdasági értékéről a teljes radiológiai munkafolyamatban, a tervezéstől a diagnózisig, a kezelés tervezéséig és a számlázásig;
• értékelni a meglévő gazdasági elemzések minőségét a kialakult keretek felhasználásával; és
• azonosítani a kritikus ismerethiányokat a jövőbeli kutatási és befektetési döntések irányítása érdekében.

Anyagok és módszerek

Ez a szisztematikus irodalomáttekintés előzetesen regisztrálásra került a SPROSPERO-ban (CRD42024588552 [14]). Az eredeti protokoll a PROSPERO platformon elérhető, az esetleges változtatások a S1. mellékletben vannak leírva. A helyi etikai bizottság (Ärztekammer Hamburg, Németország) szerint a publikált adatok irodalomáttekintéséhez nem volt szükség jóváhagyásra. A jelentés a szisztematikus áttekintések és metaanalízisek preferált jelentési elemeinek (azaz PRISMA) 2020 irányelveit követi (lásd a S2. mellékletet). Ez a tanulmány nem kapott finanszírozást, és a szerzők kijelentik, hogy nincsenek összeférhetetlenségi érdekeik. A megállapításokat alátámasztó adatok a szerzőtől kérhetők. Az egészségügyi gazdasági kifejezések szótára az 1. táblázatban található:

A felülvizsgálat három fő célját módszertanilag a következőképpen kezelték:

• az AI gazdasági értékére vonatkozó bizonyítékok összefoglalása és a tanulmányok munkafolyamat-fókuszuk szerint történő kategorizálása;
• a meglévő gazdasági elemzések minőségének értékelése a CHEQUE (Criteria for Health Economic Quality Evaluation) eszköz felhasználásával; és
• a szakirodalomban és a szakértői elemzésekben fellelhető hiányosságok azonosítása.

Szisztematikus irodalomkutatás

Kiválasztási folyamat

Adatkinyerés

A torzítás kockázatának értékelése

Szintézis módszerek

Eredmények

A tanulmányok kiválasztása

A kiválasztott tanulmányok jellemzői

A tanulmányok minőségének értékelése

A tanulmány eredményei

CAD-re vonatkozó tanulmányok

Gép tanulással kapcsolatos tanulmányok

NLP-el és hipotetikus AI-modellekkel kapcsolatos tanulmányok

Azonosított ismerethiányok

Megbeszélés

1. az orvosi képalkotásban alkalmazott AI gazdasági értéke nagy volumenű vagy erőforrás-korlátozott környezetben jelentkezik;
2. a költséghatékonyság erősen függ a licencmodellektől;
3. a valós adatok magasabb költségeket mutatnak, mint a hipotetikus AI-eszközökre vonatkozó modellezési tanulmányok feltételezései;
4. sok értékelés nem elég módszertanilag szigorú, vagy nem veszi figyelembe az egészségügyi eredményeket vagy a különböző egészségügyi rendszereket.

---

1. az AI főként nagy volumenű, erőforrás-igényes feladatokban mutat gazdasági értéket, ahol pontossága megegyezik vagy meghaladja az emberi teljesítményt, vagy ahol radiológushiány van (22,25,28). Erőforrás-gazdag környezetben (pl. tüdőrák szűrés) az AI csökkenti a munkaterhelést, miközben megőrzi a pontosságot (29). Az alacsonyabb komplexitású feladatok, például a mellkasröntgenek esetében az AI csak korlátozott előnyt kínál, kivéve az emberi erőforrások szűkösségével jellemzett környezeteket, például a tuberkulózis szűrést Pakisztánban (25).
2. a költséghatékonyság nagyon érzékeny a fizetési struktúrákra. A fix árú licencelés általában jobban teljesít, mint a használat alapú fizetési modellek, különösen a nagy volumenű környezetben. Például Killelea és munkatársai (23) megállapították, hogy a mellrák szűrés használatonkénti fizetés esetén költséges, míg Bashir és munkatársai (25) kimutatták, hogy a fix árú licencelés hatékony a tuberkulózis szűrésében.
3.  a valós világban végzett tanulmányok gyakran emelkedett költségekről számolnak be (23,24), míg a hipotetikus AI-eszközökre vonatkozó modellezési tanulmányok inkább megtakarításokat jósolnak (33,34). Killelea és társai (23) arról számoltak be, hogy a mammográfiás szűrés egy főre jutó költségei 2001 és 2008 között 44 dollárról 63 dollárra emelkedtek a digitalizálás és a CAD használata miatt, a Medicare kiadásai pedig 666 millió dollárról 962 millió dollárra nőttek. Guerriero és társai (24) hasonló költségnövekedést tulajdonítottak a licencdíjaknak és a csökkent specifitásból eredő magasabb visszahívási arányoknak.
4. sok gazdasági értékelés nem volt módszertanilag szigorú és interdiszciplináris. A tanulmányok közel fele csak a költségekkel foglalkozott (23,25,28,29,36,39,40), kihagyva a gazdasági értékértékeléshez szükséges alapvető egészségügyi eredményeket. Az AI-vel kapcsolatos kiadásokat gyakran nem jelentették megfelelően (8,35,36), és az egészségügyi rendszer különbségei jelentősen befolyásolták a gazdasági eredményeket. Például a WTP küszöbértékek 400 USD/QALY-tól Malawiban (26) 100 000 USD-ig terjedtek az Egyesült Államokban és Európában (30,32,37), vagy az afrikai környezetben hatékonyan alkalmazott megoldások, mint például a WhatsApp (pl. Mansour et al [35]), nem felelnének meg a magas jövedelmű országok adatvédelmi törvényeinek. Ezért az árstruktúrák és a klinikai munkafolyamatok alapvetően meghatározzák az AI költséghatékonyságát a különböző egészségügyi környezetben. Egy másik figyelmen kívül hagyott tényező a „teljesítményeltérés” volt, amelynek során a frissítések vagy az adatok változása megváltoztatja az AI teljesítményét, ami hatással van a hosszú távú költséghatékonyságra.

Rethinking radiology reports: A survey of referring physicians’ perspectives
Reschke, Philipp et al.
European Journal of Radiology, Volume 187, 112068, June 2025
DOI: 10.1016/j.ejrad.2025.112068

A radiológiai leletek kulcsfontosságúak a diagnosztikai képalkotás és a klinikai döntéshozatal összekapcsolásában, kritikus kommunikációs eszközként szolgálnak a radiológusok és a beutaló orvosok között [1]. Bár egyes beutaló orvosok maguk is elemezhetik a képalkotó vizsgálatokat, a radiológus lelete jelentős hozzáadott értéket jelent, mivel részletesebb és pontosabb értékelést nyújt [2–4].
A radiológiai leletek hagyományosan diktálószoftver segítségével készült szabad szöveges beviteli módra támaszkodnak, amelyek rugalmasságot nyújtanak, de formátumuk, teljességük és pontosságuk tekintetében eltérőek. A leletek stílusa gyakran tükrözi a radiológusok egyéni preferenciáit. Míg egyesek részletes és terjedelmes leleteket írnak, mások a tömör, kérdésorientált leletekre koncentrálnak. Az olyan tulajdonságok, mint az egyértelműség, a teljesség, a szerkezet és a relevancia határozzák meg a magas színvonalú leleteket. A szabványosítás hiánya azonban hatással lehet azok konzisztenciájára és értelmezhetőségére [5,6].
A szabad szöveges leletekkel ellentétben a strukturált leletek alternatív megközelítést kínálnak. A leleteket előre meghatározott kérdésekkel és válaszlehetőségekkel rendelkező, előre definiált sablonok segítségével szisztematikusan állítják össze. A strukturált leletek kidolgozására irányuló erőfeszítéseket radiológiai társaságok kezdeményezték. Az Európai Radiológiai Társaság (ESR) és más szakmai szervezetek jelentős támogatásának ellenére ez a módszer Európában nem terjedt el széles körben, mivel hiányoznak a szabványosított leletsablonok és nem elégségesek a bevezetés ösztönzői [7,8].
A radiológiai leletek minősége attól függ, hogy mennyire felelnek meg a beutaló orvosok igényeinek. Azonban a beutaló orvosok és a radiológusok közötti közvetlen kommunikáció és visszajelzés hiánya gyakran hiányosságokat eredményez a leletek klinikai hasznosságának megértésében. A beutaló orvosok habozhatnak kifejezni zavarukat, ami oda vezet, hogy a radiológusok túlbecsülik leleteik minőségét. A radiológusok, különösen a radiológus rezidensek, gyakran passzívan fejlesztik leletkészítési készségeiket, mások leleteit olvasva és azok megközelítését utánozva, ami tovább erősíti a radiológiai leletek strukturális problémáit [9]. Az esetkonferenciák az interdiszciplináris kommunikáció kérdését kezelik azzal, hogy szakembereket hoznak össze komplex esetek megvitatására.
Ez a tanulmány elsősorban a beutaló orvosok radiológiai leletekkel kapcsolatos preferenciáit vizsgálta, azzal a céllal, hogy azonosítsa a klinikai hasznosságukat növelő kulcsfontosságú tényezőket.

2. Módszerek

Etikai jóváhagyásra nem volt szükség, mivel a felmérés csak orvosok véleményét gyűjtötte össze. A tanulmány betartotta az etikai irányelveket, és minden elemzést a helyi adatvédelmi előírásoknak megfelelően végeztek.

2.1 Beválasztási és kizárási kritériumok

A 2023. júniusától 2025. márciusáig végzett prospektív felmérésben olyan sebészek, belgyógyászok és háziorvosok vettek részt, akik rendszeresen igénybe veszik radiológiai szolgáltatásokat Németország vidéki és városi területein, kivéve a nem praktizáló orvosokat. A résztvevőket véletlenszerűen választották ki az összes hierarchikus szintről. A kizárási kritériumok a következők voltak: nyugdíjazás, radiológiai szolgáltatások igénybevételének hiánya, valamint a demográfiai adatok vagy legalább egy felmérési kérdés kitöltésének elmulasztása (1. ábra).

2.2 A felmérés kialakítása

A felmérési eszköz finomítására 10 orvos részvételével kísérleti tesztet végeztek és az orvosok visszajelzései alapján módosították a kérdéseket. A kísérleti fázis után véletlenszerűen kiválasztott orvosokat kerestek meg e-mailben. Négy hét elteltével emlékeztető üzenetet küldtek. A sorrend hatásának minimalizálása érdekében a kérdések sorrendjét véletlenszerűen állapították meg. Az anonimitás fenntartásával csökkentették a válaszok torzítását.
A felmérés kitöltési idejét a résztvevő felmérésének kezdete és befejezése közötti időtartamként mérték. Az interkvartilis tartományt (IQR) jelentősen meghaladó vagy alulmúló, illetve a tipikus tartományon kívül eső kitöltési időket kiugró értéknek tekintették, és kizárták az elemzésből.

2.3 Kérdésformátumok

Csúszkás skála kérdések
A csúszkás skála kérdés azt mérte, hogy a radiológiai leletek milyen gyakran adtak teljes választ a beutalási kérdésre, −100 (soha) és +100 (mindig) közötti elégedettségi pontszámmal, 10 pontos intervallumokra osztva. Egy másik csúszka (−50 és +50 között) a tömör (−50 és −20 között), közepes (−10 és +10 között) vagy részletes (+20 és +50 között) leletek preferenciáit értékelte. Egy harmadik csúszka (-100 és +100 között) értékelte a leletek stílusának preferenciáit, az értékek szabad szöveget (-100 és -50 között), vegyes leleteket (-50 és +50 között) vagy strukturált leleteket (+50 és +100 között) jelöltek (a vegyes jelentés a szabad szöveget strukturált jelentéssel kombinálja az egyértelműség érdekében).
Egyszeri választású kérdések
A válaszadók kiválasztották a fő okot, amiért a radiológusok nem tudnak teljes mértékben foglalkozni a klinikai kérdéssel. Meghatározták a radiológiai leletek olvashatóságát és használhatóságát javító módszereket, valamint a jelentésekben gyakran hiányzó információk típusát. Egy 7 pontos Likert-skála segítségével értékelték, hogy a beutaló orvosok milyen gyakran küzdenek a radiológiai leletekben szereplő releváns részletek megtalálásával (1 = soha, 7 = mindig). A beutaló orvosok egy 7 pontos Likert-skála segítségével értékelték a multidiszciplináris megbeszélések (pl. tumorboardok) hasznosságát a radiológiai leletek megértésében, ahol 1 = nem hasznos és 7 = nagyon hasznos.

2.4 Statisztikai elemzés

A minta összefoglalásához leíró statisztikákat, köztük átlagot, mediánt, modust és szórást alkalmaztunk. A statisztikai elemzések egyirányú ANOVA-t, kategóriás változókra vonatkozó chi-négyzet próbákat, egy mintára vonatkozó z-próbákat és egy mintára vonatkozó t-próbákat tartalmaztak, a szignifikancia küszöbértékét p < 0,05-re állítva.

3 Eredmények

3.1 A résztvevők jellemzői

A tanulmányban eredetileg figyelembe vett 300 orvos közül 42-t kizártak: 20 orvos nem vett igénybe radiológiai szolgáltatásokat, 12 csak a kérdőív demográfiai részét töltötte ki, a központi kérdésekre nem válaszolt, 10 pedig nyugdíjas volt. Végül 258 résztvevő került be a tanulmányba: 93 belgyógyász, 90 sebész és 75 háziorvos (1. ábra - fent).

Az összes 75 háziorvos magánpraxisban dolgozott, míg a belgyógyászok és sebészek kórházakban voltak alkalmazásban. A 180 kórházi orvos közül 110 beosztott orvos, 79 vezető orvos és egy főorvos volt.
A kérdőív kitöltésének átlagos ideje, a kiugró értékek kiszűrése után, 6:53 perc volt. A belgyógyászok átlagos tapasztalata 9 év (medián/módusz: 9 év), a sebészeké 10,5 év (medián: 11, módusz: 10 év), a háziorvosoké pedig 19,2 év (medián: 18,5, módusz: 10 év) volt (1. táblázat).

3.2 Elégedettség a radiológiai lelet teljességével

A beutaló orvosok elégedettségi pontszáma (38,4 ± 24,3) mérsékelt elégedettséget jelezte, és szignifikánsan meghaladta a semleges értéket (p < 0,0001). (2. ábra) Az általános orvosok mérsékelt elégedettséget fejeztek ki (átlag 47,7 ± 21,3). A belgyógyászok hasonló elégedettségi szintet jeleztek (belgyógyászok: átlag 42,8 ± 22,9). A sebészek jelentették a legmagasabb fokú elégedetlenséget (átlag 15,3 ± 26), p < 0,0001.

3.3 A radiológiai leletek hosszával kapcsolatos preferenciák

A beutaló orvosok 55 %-a a rövid, tömör leleteket részesítette előnyben (−50 és −20 közötti tartomány). Egy kisebb csoport (21,7 %) a közepes hosszúságú leleteket részesítette előnyben (−10 és +10 közötti tartomány). Ezzel szemben a beutaló orvosok csak 23,3 %-a preferálta a hosszú, részletes leleteket (+10 és +50 közötti tartomány). A beutaló orvosok szignifikánsan preferálták a tömör leleteket (p < 0,001). A sebészek szignifikánsan erőteljesebb preferenciát mutattak a tömör leleteket iránt (átlag: –23,9 ± 22,0) a belgyógyászokhoz (−12,37 ± 36,8, p < 0,01) és az általános orvosokhoz (−14,6 ± 36,1, p < 0,05) képest. (3. ábra).

3.4 A szabad szöveges és a strukturált leletek közötti preferenciák

A beutaló orvosok 25,7 %-a preferálta a szabad szöveges vagy strukturálatlan leleteket (−100 és −50 között), míg 74,3 %-uk a félig strukturált leleteket (−50 és +50 között) vagy a teljesen strukturált leleteket (+50 és +100 között) részesítette előnyben. (4. ábra) A beutaló orvosok szignifikánsan preferálták a strukturált leleteket (p < 0,001).
A belgyógyászok és a sebészek szignifikánsan erőteljesebb preferenciát mutattak a strukturált leletek iránt (belgyógyászok: átlag 34,4 ± 56,9, sebészek: átlag 41,8 ± 56,3) az általános orvosokhoz (átlag −25,2 ± 56,9).

3.5 A radiológiai leletek javításának kihívásai

A beutaló orvosok szerint a hiányos leletek fő okai a következők voltak: „a radiológusok nem értik a klinikai kontextust” (36,1%), „hiányoznak az előzetes vizsgálati képek” (16%), „nem megfelelő képalkotási technikák” (10,3%) és „nem egyértelmű vagy kétértelmű kérdés a beutaló formanyomtatványon” (12,6%). További tényezőként említették a „korlátozott képminőséget” (9,2%) és a „kommunikáció hiányát” (9,2%), valamint az „időnyomást” (6,2%). A „radiológusok klinikai kontextus iránti megértésének hiánya” jelentősen gyakrabban került kiválasztásra, mint az összes szakterületen a normális eloszlás alapján statisztikailag várható lett volna (p < 0,001). A sebészek szignifikánsan gyakrabban említették a „nem egyértelmű vagy kétértelmű kérdéseket a beutaló formanyomtatványon”, mint az általános orvosok és a belgyógyászok (p < 0,05). Ezzel szemben a belgyógyászok szignifikánsan gyakrabban jelentették a „korlátozott képminőséget”, mint a sebészek és az általános orvosok (p < 0,05). (5. ábra).

3.6 A radiológiai leletek olvashatósága

A beutaló orvosok kevés vagy közepes nehézséget jelentettek a radiológiai leletekben szereplő orvosi információk megtalálásában. A többség közepes nehézséget (63,2 %, 3–5 csillag) tapasztalt az orvosi információk megtalálásában, míg 32,5 % alacsony nehézséget (1–2 csillag) és 4,3 % magas nehézséget (6–7 csillag) tapasztalt. A közepes nehézséget (3–5 csillag) szignifikánsan gyakrabban választották, mint amit a normális eloszlás alapján statisztikailag várható lett volna az összes szakterületen (p < 0,01).

3.7 Az olvashatóság javítására irányuló megközelítések

A beutaló orvosok 43,8 %-a a jobb olvashatóság és használhatóság érdekében a „strukturált leletet” részesítette előnyben, míg 26,5 % a „tömör rész” mellett döntött. (2. táblázat)

A „tömör” szignifikánsan gyakrabban szerepelt az általános orvosok válaszai között, mint a belgyógyászoké és a sebészeké. Ezzel szemben a „strukturált lelet” szignifikánsan gyakrabban szerepelt a sebészek és a belgyógyászok válaszai között, mint az általános orvosoknál (p < 0,05). (6. ábra).

3.8 Hiányzó információk a radiológiai leletekben

A beutaló orvosok a „diagnózis megállapítása” opciót választották a leggyakrabban (39 %), ezt követte a „további diagnosztikai intézkedésekre vagy utánkövető vizsgálatokra vonatkozó ajánlások” (23 %). A „diagnózis megállapítása” opciót szignifikánsan gyakrabban jelölték meg, mint amit a normális eloszlás alapján statisztikailag várható lett volna az összes szakterületen (p < 0,001). (3. táblázat).

3.9 A multidiszciplináris megbeszélések fontossága

A beutaló orvosok 33,6 %-a értékelte a multidiszciplináris megbeszéléseket nagyon hasznosnak a radiológiai leletek megértése szempontjából (7 csillag), további 51,3 % pedig 5 vagy 6 csillaggal értékelte azokat pozitívan. Csak 1,4 %-uk találta azokat egyáltalán nem hasznosnak (1 csillag). Az átlagos értékelés 5,7 ± 1,4 csillag volt. Minden szakterület jelentősen a semleges felett (4 csillag) értékelte a multidiszciplináris megbeszélések jelentőségét a leletek megértése szempontjából (p < 0,001). A belgyógyászok a multidiszciplináris megbeszélések hasznosságát a radiológiai leletek megértése szempontjából jelentősen pozitívabban értékelték, mint a sebészek és az általános orvosok (p < 0,05). (7. ábra).

4 Megbeszélés

Elemzésünk több fő megállapítást is feltár, amelyek rávilágítanak a radiológiai leletek minőségének javítására irányuló lehetőségekre a beutaló orvosok szempontjából.

Először is, a sebészek és a belgyógyászok a tömör és strukturált leleteket részesítik előnyben, míg az általános orvosok a szabad szöveges jelentéseket preferálják.

Másodszor, a felmérésben részt vevő beutaló orvosok a „diagnózis megállapítását” és a „további diagnosztikai vagy utánkövető vizsgálatokra vonatkozó ajánlásokat” jelölték meg a radiológiai leletekben leggyakrabban hiányzó elemekként.

Harmadszor, a felmérésben részt vevő beutaló orvosok leggyakrabban a „radiológusok klinikai kontextus iránti megértésének hiányát” jelölték meg a hiányos radiológiai leletek fő okaként.

Végül, a beutaló orvosok határozottan támogatják a multidiszciplináris megbeszéléseket a radiológiai leletek megértésének javítása érdekében.

A szabad szöveges leletek és a strukturált leletek iránti preferenciák a tanulmányunkban eltérőek voltak. Ennek oka az lehet, hogy ezek az orvosi szakterületek eltérő módon viszonyulnak a radiológia leleteihez. Az általános orvosok előnyben részesíthetik a szabad szöveges leleteket, mert azok rugalmasan kezelik a legkülönbözőbb állapotokat. A belgyógyászok és a sebészek előnyben részesíthetik a strukturált leleteket, mert azok pontos, szabványosított válaszokat adnak konkrét klinikai kérdésekre. A strukturált elemeket opcionális szabad szöveges szakaszokkal kombináló hibrid formátumok mindkét szakma igényeit kielégíthetik.

A strukturált leletek iránti preferenciáról szóló eredményeink a sebészek és a belgyógyászok körében megegyeznek Stanzione és munkatársai (2021) eredményeivel, akik kimutatták, hogy a COVID-19-es betegek mellkas-CT-jének strukturált leletei javítják a beutaló orvosok elégedettségét. [10] Ezenkívül Stanzione áttekintése kimutatta, hogy ez javítja a hasi MRI konzisztenciáját [11]. Továbbá Hawkins és munkatársainak tanulmánya kimutatta, hogy a strukturált lelet sablonok bevezetése csökkentette a beszédfelismerő szoftverek által okozott hibákat, beleértve a zavaros kifejezéseket vagy a kifejezések félreértelmezését [12].

Az Amerikai Radiológiai Kollégium (ACR) úttörő szerepet játszott az olyan szabványosított leletezési rendszerek bevezetésében, mint a BI-RADS és a LI-RADS az Amerikai Egyesült Államokban, amelyeket azóta országszerte alkalmaznak. Ezek a rendszerek szabványosítják a mell- és máj képalkotás leleteit, javítva a kommunikációt és a leleteket [13–16].

Európában a strukturált leletek széles körű elterjedése lassabb volt. A dos Santos és munkatársai által azonosított, az európai országok közötti elterjedési arányok közötti különbségek kulturális és szervezeti tényezőknek, például a különböző egészségügyi rendszereknek, erőforrásoknak és szakmai gyakorlatoknak tulajdoníthatók [8]. Ezenkívül a strukturált leletek megkövetelik a radiológusoktól, hogy a képek és a leletek sablonja között váltsanak, ami megzavarja a munkafolyamatot [8,17]. A komplex esetek kezelése gyakran időigényesebbé válik a sablon alapú formátumok használatával. Az ilyen esetekben felmerülő véletlen leletek nem illeszkednek a strukturált lelet sablonokba, mivel ezeket a sablonokat általában konkrét klinikai kérdések és feltételezett diagnózisok kezelésére tervezték [18]. Tágabb összefüggésben a beutaló orvosok – akik a radiológiai leletek elsődleges célközönsége – eltérő preferenciái kihívást jelenthetnek a strukturált lelet rendszerek széles körű elterjedése szempontjából.

Bebizonyítottuk, hogy a legtöbb beutaló orvos a tömör leleteket részesíti előnyben. A kutatások azt mutatják, hogy a beutaló orvosok gyakran figyelmen kívül hagyják a leletek egy részét, hangsúlyozva a vélemény rész fontosságát [19]. Úgy véljük, hogy a tömör leletek számának növekedése csökkentheti annak valószínűségét, hogy a beutaló orvosok kihagyják a leletek leíró részét. A radiológusoknak egyensúlyt kell teremteniük a tömörség és a teljes dokumentáció szükségessége között, hogy minimalizálják az orvosi-jogi kockázatokat, például a releváns eltérések kihagyását [20,21].

Felmérésünkben a legtöbb beutaló orvos jelezte, hogy a radiológiai leletekben gyakran hiányoznak a további diagnosztikai intézkedésekre vagy utánkövető vizsgálatokra vonatkozó ajánlások, valamint a végleges diagnózisok. A rendellenes eredmények utánkövető képalkotási ajánlásai a radiológiai leletek 2–5 %-ában szerepelnek [22]. Például a jóindulatú elváltozásokat kifejezetten osztályozni kell, és egyértelműen jelezni kell, hogy azok nem igényelnek további diagnosztikai eljárásokat. A leletben szereplő „Ez a jóindulatú elváltozás nem indokol további vizsgálatot” megjegyzés segíthet minimalizálni a felesleges vizsgálatokat. Ha ez az értékelés vagy ajánlás hiányzik, a beutaló orvosnak vagy saját osztályozást kell készítenie, vagy kapcsolatba kell lépnie a radiológussal [23].

A kontroll képalkotó vizsgálat ajánlása klinikailag összetett kérdés. Egyes radiológusok haboznak ajánlásokat tenni, mivel nem rendelkeznek a teljes klinikai képpel. Például, ha a beteg antibiotikumos kezelés alatt már javul, akkor felesleges lehet követő CT-t ajánlani tüdőgyulladás esetén, mivel ez a képalkotáson nem látható. Ezenkívül a radiológiai leletekben szereplő végleges diagnózis megadása egyértelmű útmutatást és bizonyosságot nyújt a beutaló orvosoknak a klinikai döntéshozatalban. Ez kihívást jelent a radiológusok számára, mivel a képalkotási eredményeket gyakran nehéz véglegesen osztályozni. A klinikai gyakorlatban a végleges diagnózisok kivételesek, és a radiológusok általában olyan kifejezéseket használnak, mint „összhangban van” vagy „utal”, hogy jelezzék a diagnózis bizonyosságát. Az „összhangban van” kifejezés nagyobb bizalmat jelez a diagnózisban, míg az „utal” kifejezés a diagnózis alátámasztását jelenti, de nem elég konkrét.
Khorasani és munkatársai jelentős eltéréseket találtak a radiológusok és a nem radiológusok között a radiológiai leletekben gyakran használt kifejezések diagnosztikai bizonyosságának értelmezésében. Ez aláhúzza a diagnosztikai bizonyosság kifejezéseinek egységesítésének fontosságát a világos és következetes kommunikáció biztosítása érdekében [24]. A radiológusok számára célzott képzés ösztönözheti a pontosabb nyelvhasználatot, lehetővé téve számukra, hogy eredményeiket nagyobb bizonyossággal és egyértelműségével közöljék, miközben csökken a túlzott óvatosságra utaló megfogalmazások száma [25].
Ebben a tanulmányban minden szakterület a radiológusok klinikai kontextusának hiányos megértését jelölte meg a hiányos leletek fő okaként.

Elegendő háttérinformáció nélkül a radiológusok nehezen tudnak megfelelő kontextust biztosítani leleteikben. Korábbi tanulmányok kimutatták, hogy a radiológiai leletekbe klinikai információk felvétele javítja az értelmezés pontosságát [26,27].
Általánosabban elmondható, hogy a beutaló orvosok és a radiológusok közötti korlátozott konzultáció a képalkotás előtt, a radiológusok kizárása a képalkotás megfelelőségének értékeléséből a képalkotás megrendelésének időpontjában, valamint a képalkotásnak a képalkotási vizsgálat napján végleges tényként való felfogása mind hozzájárulnak a leletek hiányosságaihoz az összes résztvevő tekintetében [28–30].

Az interdiszciplináris együttműködés minden szempontból történő erősítése ezért elengedhetetlen a radiológiai leletek klinikai relevanciájának, pontosságának és hatásának javításához. Eredményeink megerősítik a multidiszciplináris megbeszélések értékét a beutaló orvosok számára a radiológiai leletek megértésében. Dendl és munkatársainak kutatása kimutatta, hogy az ilyen megbeszélések az esetek 37%-ában diagnosztikai vagy terápiás változásokhoz vezettek, ami kiemeli jelentőségüket a betegellátás javításában [31]. Ezek a megbeszélések javítják a radiológusok és a beutaló orvosok közötti kommunikációt, csökkentik az orvosi hibákat és a felesleges képalkotást, ami viszont csökkenti a kapcsolódó kezelési költségeket. Például kimutatták, hogy a radiológusok és az intenzív osztály orvosai közötti strukturált kétoldalú visszajelzés megakadályozza a képalkotással kapcsolatos orvosi hibákat azáltal, hogy újraértékeli a legutóbbi vizsgálatokat, lehetővé téve a korai felismerést és korrekciót. Ez a proaktív megközelítés növeli a betegbiztonságot és optimalizálja az erőforrások kihasználtságát [32]. Azonban ezeknek a megbeszéléseknek jelentős alternatív költségei vannak. A Midwest Academic Medical Center egyik tanulmánya megállapította, hogy a radiológusok évente 3,358 órát töltenek ezeken a találkozókon – ami két teljes munkaidős állásnak felel meg –, ami 1,2 millió dollár megtérítetlen költséget jelent [33]. Ezen pénzügyi szempontok ellenére a klinikai előnyök meghaladják a hátrányokat. A klinikai előnyök és a gazdasági fenntarthatóság közötti egyensúly megteremtése érdekében az intézményeknek célzott esettanulmányokat és strukturált találkozóformátumokat kell vizsgálniuk.

Számos korlátozást kell megvitatni.
Először is, ez a tanulmány önbevalláson alapuló adatokra támaszkodott, ami válasz torzítást okozhat, mivel a résztvevők társadalmilag kívánatos válaszokat vagy hiányos információkat adhatnak. Tanulmányunkban stratégiákat alkalmaztunk a válasz torzítás enyhítésére, például a válaszok anonimizálását és véletlenszerű mintavételt.
Másodszor, a felmérés formátuma előre meghatározott válaszlehetőségeket kínált, ami korlátozhatta a válaszokat.
Harmadszor, a tanulmányban nagy arányban vettek részt asszisztens orvosok, akiknek eltérő tapasztalataik vagy elvárásaik lehetnek a vezető orvosokhoz képest.
Negyedszer, a strukturált leletekkel kapcsolatos kérdések nem voltak kontextusalapúak, mivel nem vették figyelembe a konkrét klinikai helyzeteket vagy állapotokat. Ötödször, bár a tanulmány a radiológiai leletek különböző aspektusait vizsgálta, például a leletek hosszát, szerkezetét és teljességét, nem elemezte konkrétan, hogy ezek a tényezők hogyan befolyásolják a beutaló orvosok döntéseit vagy a klinikai eredményeket.
Végül, a tanulmány a belgyógyászokra, sebészekre és háziorvosokra összpontosított, és ezzel potenciálisan figyelmen kívül hagyta más szakterületek perspektíváit. A további tanulmányoknak alcsoport-elemzést is tartalmazniuk kell, hogy értékeljék a strukturált leletek hatását bizonyos típusú leletekre, például az onkológiai vagy mozgásszervi állapotokra vonatkozóakra, és értékeljék, hogy a strukturált formátumok egyértelmű előnyöket kínálnak-e ezekben a kontextusokban.

Összegzésként ez a tanulmány hangsúlyozza annak fontosságát, hogy a radiológusok a leleteiket a beutaló orvosok igényeihez igazítsák, és javítsák az interdiszciplináris kommunikációt a pontosabb és érthetőbb radiológiai leletek biztosítása érdekében.

Az ESR (Európai Radiológus Társaság) Páciensekkel foglalkozó tanácsadó csoportja (PAG) rendszeresen ülésezik, hozzájárul az oktatási törekvésekhez, a betegek álláspontját képviseli a protokollokkal és a minőséggel kapcsolatos valamennyi ESR tevékenységben.
Az ESR valamennyi irányelve és közzétett tudományos cikkei, protokolljai (pl,: ESR Essentials) ma már tartalmaznak a betegek számára készült összefoglalókat (Patient summary), amelyek a laikus olvasók számára közérthető nyelven összefoglalják a dokumentumok fő üzeneteit. 
Ezekből szemlézve folyamatosan a legfontosabbak:

Cikk:
Palombo, M., Bodini, B., Grussu, F. et al. 
ESR Essentials: diffusion-weighted MRI—practice recommendations by the European Society for Magnetic Resonance in Medicine and Biology. 
Eur Radiol (2025).
https://doi.org/10.1007/s00330-025-12033-x