Dirbtinis intelektas (DI) – tai kompiuterinių sistemų gebėjimas atlikti užduotis, kurioms įprastai reikalingas žmogaus intelektas, pavyzdžiui, mokytis, atpažinti dėsningumus, analizuoti vaizdus, suprasti kalbą ir priimti sprendimus. Sveikatos priežiūroje DI sistemos analizuoja didelius duomenų kiekius ir padeda atlikti užduotis, tokias kaip ligų diagnostika, rizikos vertinimas ar gydymo planavimas.
Dirbtinio intelekto sistemose dažniausiai taikomi trys pagrindiniai metodai:
Mašininis mokymasis (angl. machine learning): DI metodas, kai sistema mokosi iš duomenų, atpažįsta dėsningumus ir prognozuoja rezultatus, nors nėra iš anksto užprogramuota atlikti kiekvieną konkrečią užduotį. Kuo daugiau kokybiškų duomenų naudojama modeliui mokyti, tuo tikslesni būna jo rezultatai.
Gilusis mokymasis (angl. deep learning): pažangesnė mašininio mokymosi sistema, kurioje naudojami daugiasluoksniai neuroniniai tinklai, iš dalies paremti žmogaus smegenų veikimo principais. Šis metodas leidžia analizuoti sudėtingus duomenis, pavyzdžiui, medicininius vaizdus, klinikinius įrašus ar genetinę informaciją.
Natūralios kalbos apdorojimas (angl. natural language processing) – DI metodas, leidžiantis kompiuteriams suprasti, analizuoti ir generuoti žmogaus kalbą.
📌 Pagrindinės sąvokos:
Algoritmas: taisyklių arba instrukcijų seka, pagal kurią kompiuteris sprendžia užduotį arba priima sprendimą.
Mokymosi duomenys: duomenų rinkinys, naudojamas mašininio mokymosi modeliui mokyti atpažinti dėsningumus.
Neuroninis tinklas: skaičiavimo modelis, sukurtas pagal žmogaus smegenų veikimo principus, naudojamas giliojo mokymosi modeliuose sudėtingiems duomenims analizuoti.
Natūralios kalbos apdorojimas: dirbtinio intelekto sritis, leidžianti kompiuteriams suprasti, analizuoti ir generuoti žmogaus kalbą. Šis metodas naudojamas, pavyzdžiui, analizuojant klinikinius įrašus ar pacientų pateiktą informaciją apie simptomus.
Kompiuterinė rega: dirbtinio intelekto sritis, leidžianti kompiuteriams interpretuoti ir analizuoti vaizdinę informaciją, pavyzdžiui, rentgeno, magnetinio rezonanso tomografijos ar akių dugno vaizdus.
Šališkumas (kalbant apie DI sistemas): sisteminė DI sistemos rezultatų paklaida, atsirandanti dėl netinkamų arba nepakankamai reprezentatyvių mokymo duomenų ir galinti lemti neteisingus ar mažiau tikslius rezultatus tam tikroms gyventojų grupėms.
Dirbtinis intelektas (DI) vis plačiau taikomas Europos sveikatos priežiūros sistemose. DI sistemos padeda atlikti ligų diagnostiką, priimti klinikinius sprendimus, planuoti gydymą ir vertinti pacientų sveikatos riziką. Pastaraisiais metais sparčiai tobulėjant giliojo mokymosi metodams, ypač kompiuterinės regos ir natūralios kalbos apdorojimo srityse, iš esmės pasikeitė kompiuterinių technologijų taikymas radiologijoje, patologijoje, kardiologijoje, diabetologijoje, psichiatrijoje, onkologijoje ir daugelyje kitų medicinos sričių (Esteva ir kt., 2019; Koteluk ir kt., 2021; Rajpurkar ir kt., 2022; Gou ir kt., 2024).
Pasaulio sveikatos organizacija (PSO) išskiria šias pagrindines DI sistemų taikymo sritis sveikatos priežiūroje: diagnostika ir ligų prognozavimas; kliniknė priežiūra; moksliniai tyrimai ir vaistų kūrimas; sveikatos sistemų valdymas ir planavimas; visuomenės sveikatos stebėsena; sveikatos stiprinimas; ligų prevencija; pasirengimas ekstremalioms situacijoms; reagavimas į ligų protrūkius (Pasaulio sveikatos organizacija, 2021).
Moksliniai tyrimai rodo, kad DI reikšmingai prisideda prie mokslo, verslo, pramonės, švietimo ir sveikatos priežiūros pažangos. Sveikatos priežiūros srityje automatizuotos priemonės ir modeliai vis dažniau taikomi ligų diagnostikai, o artimiausiu metu tikimasi dar spartesnio DI diegimo ir platesnio jo taikymo klinikinėje praktikoje (Alowais ir kt., 2023).
Praktiniai taikymo pavyzdžiai
Širdies ir kraujagyslių ligos
Elektrokardiogramų analizė – DI padeda nustatyti širdies ritmo sutrikimus ir kitus širdies veiklos pakitimus.
Širdies ir kraujagyslių ligų rizikos vertinimas – DI modeliai, remdamiesi klinikiniais duomenimis, padeda įvertinti individualią paciento riziką.
Pagalba priimant klinikinius sprendimus – DI padeda priimti sprendimus dėl diagnostikos, gydymo planavimo ir paciento nukreipimo tolesnei priežiūrai.
Pavyzdžiui: Philips Cardiologs – CE ženklu* pažymėta DI sistema, naudojanti giliojo mokymosi neuroninius tinklus elektrokardiogramoms analizuoti. Ji padeda sveikatos priežiūros specialistams greičiau ir tiksliau diagnozuoti pacientus, kartu sumažindama rutininių EKG analizės užduočių apimtį. (https://www.usa.philips.com/healthcare/technology/ai-cardiology-solutions).
Diabetas
Diabetinės retinopatijos patikra – DI analizuoja tinklainės vaizdus ir padeda anksti nustatyti diabetinės retinopatijos požymius.
Nuolatinė gliukozės stebėsena – DI padeda prognozuoti gliukozės koncentracijos pokyčius ir individualizuoti diabeto valdymą.
Pavyzdžiui: IDx-DR / Digital Diabetic Retinopathy Screening – CE ženklu pažymėta DI programinė įranga, skirta naudoti oftalmologų klinikinėje praktikoje. Analizuodama tinklainės vaizdus, ji leidžia ankstyvosiose ligos stadijose nustatyti diabetinės retinopatijos požymius. (https://www.healthvisors.com/en/idx-dr/)
Depresija
Natūralios kalbos apdorojimu pagrįstos atrankos priemonės – analizuoja rašytinę ar žodinę kalbą siekiant nustatyti galimus depresijos požymius.
Kalbos analizė – balso ypatybių analizė padeda nustatyti galimus depresijos požymius klinikinių pokalbių metu.
Skaitmeniniai terapijos pagalbininkai – DI priemonės padeda pacientams tarp psichoterapijos seansų.
Pavyzdžiui: Limbic Access - DI pagrįstas virtualus pagalbininkas, skirtas pacientų nukreipimui ir pagalbai priimant klinikinius sprendimus psichikos sveikatos priežiūros srityje. Sistema, naudodama tikimybinį DI modelį, automatiškai parengia išsamią klinikinę ataskaitą, kurioje pateikiami paciento nusiskundimai, rizikos lygis, klinikiniai įrašai ir vertinimo rezultatai. (https://limbic.ai/access)
*CE žyma (pranc. Conformité Européenne) yra gaminio atitikties Europos Sąjungos reikalavimams ženklinimas. Jis rodo, kad gamintojas deklaruoja, jog gaminys atitinka visus jam taikomus ES teisės aktų saugos, sveikatos, aplinkos apsaugos ir kitus reikalavimus.
Dirbtinis intelektas (DI) vis plačiau integruojamas į Europos sveikatos priežiūros sistemas, kur yra pasitelkiamas atliekant ligų diagnostiką, priimant klinikinius sprendimus, planuojant gydymą ir vertinant pacientų sveikatos riziką. Šios technologijos suteikia reikšmingų galimybių didinti sveikatos priežiūros veiksmingumą ir gerinti pacientų gydymo rezultatus.
Naujausioje Pasaulio sveikatos organizacijos (PSO) ataskaitoje, kurioje vertinamas sparčiai augantis DI taikymas 27 Europos Sąjungos valstybėse narėse, nurodoma, kad beveik trys ketvirtadaliai ES šalių jau naudoja DI pagrįstas diagnostikos priemones. Jos apima medicininių vaizdų analizę, ligų nustatymą ir pagalbą priimant klinikinius sprendimus. Ataskaitoje taip pat pažymima, kad 74 proc. ES valstybių narių naudoja DI diagnostikai, 63 proc. - susirašinėjimų robotus pacientų įtraukimui ir komunikacijai gerinti, o beveik pusė šalių jau yra įsteigusios specializuotas pareigybes, susijusias su dirbtiniu intelektu ir duomenų mokslu sveikatos priežiūros srityje. Be to, kelios valstybės narės planuoja artimiausiu metu pradėti arba plėsti DI mokymo programas sveikatos priežiūros specialistams (Pasaulio sveikatos organizacija, 2026).
Remiantis 2024 m. birželio - 2025 m. kovo mėn. surinktais duomenimis, ataskaita rodo, kad Europos sveikatos priežiūros sistemos aktyviai kuria prielaidas saugiam, teisingam ir atsakingam DI technologijų diegimui bei taikymui (Pasaulio sveikatos organizacija, 2026).
Projektas AEQUITAS orientuotas į tris pagrindines ligų sritis – širdies ir kraujagyslių ligas, depresiją ir cukrinį diabetą. Šios sritys pasirinktos dėl didelio jų paplitimo, reikšmingo poveikio visuomenės sveikatai ir dokumentuotų netolygumų, susijusių su pacientų lytimi bei rasine ar etnine kilme.
Širdies ir kraujagyslių ligų srityje DI naudojamas pagalbai priimant klinikinius sprendimus, nuotolinės sveikatos priežiūros (telemedicinos) paslaugoms, širdies ir kraujagyslių ligų rizikos vertinimui, individualizuotam gydymui, prognoziniams modeliams ir nuotolinei pacientų stebėsenai (Bernstein ir kt., 2025; Naskar ir kt., 2025).
Diabeto srityje DI padeda stebėti pacientų būklę, stiprina savipriežiūrą, taip pat taikomas diagnostikai, gydymui ir ligos prevencijai (Contreras ir Vehi, 2018; Khalifa ir Albadawy, 2024; Naskar ir kt., 2025; Sheng ir kt., 2024).
Depresijos srityje DI naudojamas atrankinei patikrai, diagnostikai ir gydymui. Ypatingas dėmesys skiriamas depresijos nustatymui pasitelkiant didžiuosius kalbos modelius (Large Language Models, LLM) (Cao ir kt., 2025; Kumari ir kt., 2025; Mao ir kt., 2023; Wang ir kt., 2025).
Nepaisant daugybės privalumų, dirbtinio intelekto taikymas kelia ir tam tikrų rizikų. Tyrimai rodo, kad DI sistemos gali lemti klaidingą duomenų interpretavimą, taip pat sustiprinti šališkumą ir diskriminaciją (Varona ir Suarez, 2022).
DI modeliai analizuoja didelius duomenų kiekius, atpažįsta statistinius dėsningumus ir jais remdamiesi pateikia rezultatus, pavyzdžiui, siūlomą diagnozę, paciento rizikos vertinimą ar gydymo rekomendacijas. Kad tai būtų įmanoma, modelis pirmiausia turi būti apmokytas naudojant turimus duomenis, pavyzdžiui, medicininius vaizdus, klinikinius duomenis, vaizdo ir garso įrašus ar tekstinę informaciją. Mokymo metu modelis palaipsniui koreguoja savo parametrus, kad kuo tiksliau atliktų jam pavestas užduotis.
Todėl itin svarbi yra mokymo duomenų kokybė ir reprezentatyvumas. Jeigu modelio mokymui naudojami šališki duomenys, pavyzdžiui, jei juose vyrauja vyrų arba tik tam tikros rasinės ar etninės grupės pacientų duomenys, DI modelis atkartos šiuos netolygumus. Tokiu atveju jis paprastai tiksliau veiks toms gyventojų grupėms, kurios yra pakankamai reprezentuojamos mokymo duomenyse, o kitoms grupėms jo tikslumas bus mažesnis, todėl gali atsirasti diskriminacinis poveikis. Daugelis tyrimų rodo, kad DI sistemos neretai mokomos naudojant šališkus duomenų rinkinius, todėl jos ne mažina, o dar labiau sustiprina jau egzistuojančius netolygumus.
Sveikatos priežiūros srityje nustatyta, kad šališkumo gali būti ir duomenyse, naudojamuose širdies ir kraujagyslių ligų, depresijos bei cukrinio diabeto diagnostikai ir gydymui (Cirillo ir kt., 2020). Šis šališkumas yra intersekcinis, t. y. jis pasireiškia kelių tapatybės požymių sankirtoje. Kitaip tariant, netolygumai susiję ne tik su pacientų lytimi, bet ir su jų rasine ar etnine kilme, o skirtingi diskriminacijos pagrindai gali veikti kartu ir vienas kitą sustiprinti.
Dirbtinio intelekto sistemose pasireiškiantis šališkumas ir diskriminacija gali pažeisti šias Europos Sąjungos pagrindinių teisių chartijoje (2009) įtvirtintas pagrindines teises:
21 straipsnis. Diskriminacijos uždraudimas - „Draudžiama bet kokia diskriminacija, ypač dėl asmens lyties, rasės, odos spalvos, tautinės ar socialinės kilmės, genetinių bruožų, kalbos, religijos ar tikėjimo, politinių ar kitokių pažiūrų, priklausymo tautinei mažumai, turtinės padėties, gimimo, negalios, amžiaus, seksualinės orientacijos”.
Svarbu: Šiame straipsnyje vartojama sąvoka „lytis“ neapsiriboja vien biologine lytimi. Europos Sąjungos teisėje ji aiškinama plačiau ir apima diskriminaciją dėl socialinės lyties bei lytinės tapatybės, įskaitant diskriminaciją dėl lyties keitimo. Nors istoriškai ši sąvoka buvo siejama su dvinarės lyties (moters ir vyro) samprata, Europos Sąjungos teisė palaipsniui tapo labiau įtrauki. Europos Komisija ir Europos Sąjungos Teisingumo Teismas (ESTT) sąvoką „lytis“ aiškina plačiau – ji apima ir diskriminaciją, susijusią su lyties keitimu.
22 straipsnis. Moterų ir vyrų lygybė – „Visose srityse turi būti užtikrinta moterų ir vyrų lygybė, įskaitant priėmimą į darbą, darbą ir atlyginimą.”.
Svarbu: Nors Chartijos 23 straipsnyje aiškiai kalbama apie moterų ir vyrų lygybę užimtumo, darbo ir darbo užmokesčio srityse, AEQUITAS mokymų kontekste šis principas aiškinamas plačiau. Jis apima lygias galimybes naudotis sveikatos priežiūros paslaugomis, vienodą diagnostikos ir gydymo kokybę bei apsaugą nuo diskriminacijos dėl socialinės lyties naudojant DI sistemas klinikinėje praktikoje.
35 straipsnis. Sveikatos apsauga - „Kiekvienas turi teisę į profilaktinę sveikatos priežiūrą ir teisę į gydymą nacionalinių teisės aktų ir praktikos nustatyta tvarka. Apibrėžiant ir vykdant visą Sąjungos politiką ir veiklą, užtikrinamas aukštas žmonių sveikatos apsaugos lygis.”
📌Svarbiausia žinutė: Dirbtinis intelektas jau yra neatsiejama Europos sveikatos priežiūros sistemų dalis, o jo plėtra vyksta sparčiau nei kuriamos jo valdymo ir priežiūros sistemos. Supratimas, kaip veikia DI sistemos, kur jos taikomos ir kokias rizikas jos kelia, yra būtina sąlyga siekiant jas taikyti atsakingai, etiškai ir teisingai visų pacientų atžvilgiu.
Toliau: Modulis II
Alowais, S.A., Alghamdi, S.S., Alsuhebany, N. et al. Revolutionizing healthcare: the role of artificial intelligence in clinical practice. BMC Med Educ 23, 689 (2023). https://doi.org/10.1186/s12909-023-04698-z
Bernstein, B. S., Streather, S., & O’Gallagher, K. (2025). The Emerging Role of Artificial Intelligence in Heart Failure. Future Cardiology, 21(10), 795–801.
Cao, Y., Dai, J., Wang, Z., Zhang, Y., Shen, X., Liu, Y., & Tian, Y. (2025). Machine Learning Approaches for Depression Detection on Social Media: A Systematic Review of Biases and Methodological Challenges. Journal of Behavioral Data Science, 5(1), 67–102. https://doi.org/10.35566/jbds/caoyc
Cirillo, D., Catuara-Solarz, S., Morey, C., Guney, E., Subirats, L., Mellino, S., Gigante, A.A., Valencia, A., Rementeria, M.J., Chadha, A.S., & Mavridis, N. (2020). Sex and gender differences and biases in artificial intelligence for biomedicine and healthcare. npj Digit. Med. 3(81). https://doi.org/10.1038/s41746-020-0288-5
Contreras, I., & Vehi, J. (2018). Artificial Intelligence for Diabetes Management and Decision Support: Literature Review. Journal of Medical Internet Research, 20(5), e10775. https://doi.org/10.2196/10775
Esteva, A., Robicquet, A., Ramsundar, B., Kuleshov, V., DePristo, M., Chou, K., Cui, C., Corrado, G., Thrun, S., & Dean, J. (2019). A guide to deep learning in healthcare
European Union, Charter of Fundamental Rights of the European Union, 2012/C 326/02, Strasbourg: EU. https://eur-lex.europa.eu/legal-content/EN/TXT/?uri=CELEX:12012P/TXT
Gou, F., Liu, J., Xiao, C., & Wu, J. (2024). Research on Artificial-Intelligence-Assisted Medicine: A Survey on Medical Artificial Intelligence. Diagnostics, 14(14), 1472. https://doi.org/10.3390/diagnostics14141472
Khalifa, M., & Albadawy, M. (2024). Artificial intelligence for diabetes: Enhancing prevention, diagnosis, and effective management. Computer Methods and Programs in Biomedicine Update, 5, 100141. https://doi.org/10.1016/j.cmpbup.2024.100141
Koteluk, O., Wartecki, A., Mazurek, S., Kołodziejczak, I., & Mackiewicz, A. (2021). How Do Machines Learn? Artificial Intelligence as a New Era in Medicine. Journal of Personalized Medicine, 11(1), Article 1. https://doi.org/10.3390/jpm11010032
Kumari, M., Singh, G., & Pande, S. D. (2025). A Survey of Current Progress in Depression Detection Using Deep Learning and Machine Learning. Biomedical Materials & Devices. https://doi.org/10.1007/s44174-025-00301-9
Mao, K., Wu, Y., & Chen, J. (2023). A systematic review on automated clinical depression diagnosis. Npj Mental Health Research, 2(1), 20. https://doi.org/10.1038/s44184-023-00040-z
Naskar, S., Sharma, S., Kuotsu, K., Halder, S., Pal, G., Saha, S., Mondal, S., Biswas, U. K., Jana, M., & Bhattacharjee, S. (2025). The biomedical applications of artificial intelligence: An overview of decades of research. Journal of Drug Targeting, 33(5), 717–748. https://doi.org/10.1080/1061186X.2024.2448711
Rajpurkar, P., Chen, E., Banerjee, O., & Topol, E. J. (2022). AI in health and medicine. Nature Medicine, 28(1), Article 1. https://doi.org/10.1038/s41591-021-01614-0
Sheng, B., Pushpanathan, K., Guan, Z., Lim, Q. H., Lim, Z. W., Yew, S. M. E., Goh, J. H. L., Bee, Y. M., Sabanayagam, C., Sevdalis, N., Lim, C. C., Lim, C. T., Shaw, J., Jia, W., Ekinci, E. I., Simó, R., Lim, L.-L., Li, H., & Tham, Y.-C. (2024). Artificial intelligence for diabetes care: Current and future prospects. The Lancet Diabetes & Endocrinology, 12(8), 569–595. https://doi.org/10.1016/S2213-8587(24)00154-2
Varona, D., & Suárez, J. L. (2022). Discrimination, Bias, Fairness, and Trustworthy AI. Applied Sciences, 12(12), 5826. https://doi.org/10.3390/app12125826
Wang, L., Wang, C., Li, C., Murai, T., Bai, Y., Song, Z., Zhang, S., Zhang, Q., Huang, Y., Bi, X., & Jiang, J. (2025). AI-assisted multi-modal information for the screening of depression: A systematic review and meta-analysis. Npj Digital Medicine, 8(1), 523. https://doi.org/10.1038/s41746-025-01933-3
World Health Organization. 2021. “Ethics and governance of artificial intelligence for health: WHO guidance.” World Health Organization.
World Health Organization. 2026. “Artificial intelligence is reshaping health systems: state of readiness across the European Union.” World Health Organization.