14/08/2026
Η τεχνητή νοημοσύνη στη Νευρολογία δημιουργεί μια ενδιαφέρουσα συνάντηση δύο κόσμων.
Η Νευρολογία είναι ίσως από τις τελευταίες ειδικότητες όπου εξακολουθούμε να υπερηφανευόμαστε για την παρατήρηση. Για το βλέμμα του γιατρού. Για τον τρόπο που μπαίνει ο ασθενής στο ιατρείο, για το πώς σηκώνεται από την καρέκλα, για μια μικρή ασυμμετρία στην κίνηση, για μια λέξη που δυσκολεύεται να βρει, για κάτι στο βάδισμα που δύσκολα περιγράφεται αλλά αμέσως μας τραβά την προσοχή.
Και τώρα εμφανίζεται απέναντί μας μια μηχανή που είναι εξαιρετικά καλή ακριβώς σε αυτό: στην αναγνώριση προτύπων. Αναπόφευκτα λοιπόν γεννιέται το ερώτημα: πόσο από αυτό που κάνουμε μπορεί να το κάνει ένας υπολογιστής; Η εύκολη απάντηση είναι «όλο και περισσότερο». Η πιο ενδιαφέρουσα όμως απάντηση είναι ότι ίσως πρόκειται για λάθος ερώτημα.
Ο υπολογιστής βλέπει διαφορετικά
Ένας αλγόριθμος δεν κουράζεται. Δεν βαριέται στην καταγραφή ενός ηλεκτροεγκεφαλογραφήματος. Δεν παραβλέπει μια μικρή μεταβολή επειδή έχει εξετάσει ήδη πολλούς ασθενείς. Μπορεί να συγκρίνει μια μαγνητική τομογραφία με χιλιάδες άλλες, να μετρήσει όγκους εγκεφαλικών δομών, να εντοπίσει λεπτές μεταβολές που το ανθρώπινο μάτι δύσκολα ποσοτικοποιεί. Στη Νευρολογία αυτό έχει προφανείς εφαρμογές. Στην άνοια, στην πολλαπλή σκλήρυνση, στα αγγειακά εγκεφαλικά επεισόδια, στην επιληψία, στη νόσο του Πάρκινσον, σχεδόν παντού υπάρχουν πλέον πειραματικά ή ήδη κλινικά συστήματα τεχνητής νοημοσύνης. Και όμως, εδώ χρειάζεται η πρώτη επιφύλαξη.
Ένας αλγόριθμος μπορεί να είναι εξαιρετικός στο ερευνητικό δείγμα πάνω στο οποίο δοκιμάστηκε και αρκετά λιγότερο εξαιρετικός όταν βγει από το εργαστήριο και συναντήσει την πραγματική ζωή. Μια μεγάλη συστηματική ανασκόπηση του 2026 σε εφαρμογές τεχνητής νοημοσύνης στις νευροεκφυλιστικές παθήσεις έδειξε ακριβώς αυτό το πρόβλημα: εντυπωσιακές επιδόσεις συχνά συνυπάρχουν με περιορισμένη εξωτερική επικύρωση και προβλήματα αναπαραγωγιμότητας. Η Ιατρική, άλλωστε, έχει μια ενοχλητική ιδιότητα: οι πραγματικοί ασθενείς δεν μοιάζουν ποτέ απολύτως με τα datasets.
Θα μπορούσε μια κάμερα να κάνει νευρολογική εξέταση;
Εδώ τα πράγματα γίνονται ακόμη πιο ενδιαφέροντα. Ας φανταστούμε ότι ζητάμε από έναν ασθενή με νόσο του Πάρκινσον να περπατήσει μπροστά σε μια κάμερα. Ένα σύστημα computer vision μπορεί ήδη να αναλύσει το μήκος του βήματος, την ταχύτητα, την κίνηση των άνω άκρων, ίσως ακόμη και στοιχεία βραδυκινησίας ή αστάθειας. Αυτό που σήμερα ο νευρολόγος χαρακτηρίζει ως «ήπιο», «μέτριο» ή «σαφώς χειρότερο από την προηγούμενη επίσκεψη», αύριο θα μπορούσε να συνοδεύεται από αντικειμενικές αριθμητικές μετρήσεις. Δεν μου φαίνεται απίθανο, αντίθετα, νομίζω ότι σε ορισμένους τομείς των κινητικών διαταραχών θα μας φαίνεται σε λίγα χρόνια περίεργο που βασιζόμασταν αποκλειστικά στο μάτι μας. Αυτό όμως δεν σημαίνει ότι η κάμερα «εξετάζει τον ασθενή». Μετρά την κίνηση. Η διαφορά είναι σημαντική.
Το ΗΕΓ είναι ίσως το ιδανικό πεδίο
Όποιος έχει διαβάσει πολλές ώρες ηλεκτροεγκεφαλογραφημάτων καταλαβαίνει εύκολα γιατί το ΗΕΓ αποτελεί σχεδόν φυσικό πεδίο εφαρμογής της τεχνητής νοημοσύνης. Τεράστιες ποσότητες δεδομένων, επαναλαμβανόμενα μοτίβα, αναζήτηση σχετικά σπάνιων παθολογικών φαινομένων μέσα σε πολύωρες καταγραφές. Ήδη υπάρχουν συστήματα που μπορούν να διακρίνουν φυσιολογικά από παθολογικά ηλεκτροεγκεφαλογραφήματα ή να επισημάνουν πιθανές επιληπτόμορφες εκφορτίσεις. Εδώ, κατά τη γνώμη μου, βρίσκεται και μια καλή εικόνα του μέλλοντος.
Η τεχνητή νοημοσύνη θα μπορούσε να μου πει: «Κοίτα προσεκτικά αυτά τα δεκαπέντε δευτερόλεπτα.» Αλλά εγώ είμαι αυτός που θα πρέπει να αποφασίσω αν αυτό που βλέπω είναι επιληπτόμορφη εκφόρτιση, φυσιολογική παραλλαγή, τεχνικό artifact ή κάτι άνευ σημασίας. Και, κυρίως, θα πρέπει να αποφασίσω τι σημαίνει αυτό για τον συγκεκριμένο άνθρωπο. Αυτή η τελευταία παράγραφος είναι ίσως όλη η συζήτηση για την τεχνητή νοημοσύνη στην Ιατρική συμπυκνωμένη σε μία φράση.
Και μετά ήρθαν τα μεγάλα γλωσσικά μοντέλα
Μέχρι πρόσφατα, όταν μιλούσαμε για τεχνητή νοημοσύνη στην Ιατρική, εννοούσαμε κυρίως ειδικούς αλγορίθμους: έναν για MRI, έναν για ΗΕΓ, έναν για κάποια συγκεκριμένη διάγνωση. Τα μεγάλα γλωσσικά μοντέλα άλλαξαν το παιχνίδι, επειδή για πρώτη φορά ο γιατρός μπορεί να συνομιλεί με την τεχνητή νοημοσύνη. Μπορώ να δώσω ένα μεγάλο ιστορικό και να ζητήσω να το οργανώσει. Να συνοψίσει έναν φάκελο. Να αναζητήσει πιθανές διαφορικές διαγνώσεις. Να με βοηθήσει να εντοπίσω βιβλιογραφία. Να μετατρέψει σημειώσεις σε ένα οργανωμένο ιατρικό κείμενο. Αυτό είναι εντυπωσιακά χρήσιμο.
Είναι επίσης επικίνδυνα πειστικό.
Γιατί ένα γλωσσικό μοντέλο έχει μια ιδιότητα που στην Ιατρική απαιτεί ιδιαίτερη προσοχή: μπορεί να κάνει λάθος χωρίς να ακούγεται καθόλου αβέβαιο. Μια λάθος απάντηση μπορεί να είναι γλωσσικά άψογη, πλήρης, λογικοφανής και απολύτως λανθασμένη. Στην κλινική Ιατρική η ευφράδεια δεν αποτελεί κριτήριο αλήθειας.
Τι λοιπόν δεν μπορεί να κάνει;
Αυτό είναι ίσως το πιο ενδιαφέρον ερώτημα. Η τεχνητή νοημοσύνη μπορεί να επεξεργαστεί τεράστιες ποσότητες πληροφορίας πολύ γρηγορότερα από εμάς. Δεν έχει όμως πραγματική αίσθηση του ασθενούς που κάθεται απέναντί της. Ο άνθρωπος που λέει «ζαλίζομαι» μπορεί να εννοεί ίλιγγο, αστάθεια, τάση λιποθυμίας, φόβο ότι θα πέσει ή κάτι που δεν μπορεί καν να περιγράψει. Ο γιατρός δεν καταγράφει απλώς τη λέξη. Προσπαθεί να καταλάβει τι σημαίνει. Ο ασθενής επίσης δεν είναι απλά ένα σύνολο δεδομένων. Έχει φόβους, προσδοκίες, οικογένεια, οικονομικές δυνατότητες, προηγούμενες εμπειρίες, ανοχή στον κίνδυνο. Δύο άνθρωποι με την ίδια ακριβώς διάγνωση μπορεί να χρειάζονται διαφορετική συζήτηση και μερικές φορές διαφορετική απόφαση. Και υπάρχει κάτι ακόμη πιο θεμελιώδες. Η μηχανή μπορεί να προτείνει. Δεν αναλαμβάνει όμως την ευθύνη. Ο γιατρός είναι εκείνος που τελικά πρέπει να πει: «Αυτό πιστεύω ότι συμβαίνει και αυτό προτείνω να κάνουμε».
Θα μας αντικαταστήσει;
Δεν νομίζω ότι αυτό είναι το σωστό ερώτημα. Σχεδόν κάθε μεγάλη τεχνολογική αλλαγή στην Ιατρική συνοδεύτηκε από ανάλογους φόβους. Η αξονική και η μαγνητική τομογραφία δεν κατάργησαν τη Νευρολογία. Άλλαξαν όμως δραματικά τον τρόπο με τον οποίο την ασκούμε. Το ίδιο πιθανότατα θα συμβεί με την τεχνητή νοημοσύνη. Θα αναλάβει δουλειές που σήμερα καταναλώνουν χρόνο χωρίς να απαιτούν όλο το εύρος της ιατρικής σκέψης: μετρήσεις, ταξινομήσεις, προκαταρκτική ανάλυση δεδομένων, αναζήτηση πληροφορίας, οργάνωση φακέλων. Και ίσως αυτό να είναι το πιο ενδιαφέρον παράδοξο. Όσο περισσότερο η μηχανή αναλαμβάνει τη «μηχανική» πλευρά της Ιατρικής, τόσο περισσότερο μπορεί να μας αναγκάσει να θυμηθούμε ποια είναι η μη μηχανική πλευρά της.
Να ακούμε.
Να παρατηρούμε.
Να αμφιβάλλουμε.
Να συνθέτουμε.
Να εξηγούμε.
Να αποφασίζουμε μαζί με έναν άλλο άνθρωπο.
Ίσως λοιπόν η τεχνητή νοημοσύνη δεν είναι ανταγωνιστής του νευρολόγου. Ίσως γίνει ένας εξαιρετικά ικανός νέος συνεργάτης: γρήγορος, ακούραστος, με απίστευτη μνήμη — αλλά ένας συνεργάτης που χρειάζεται συνεχώς επίβλεψη. Και αν χρησιμοποιηθεί σωστά, μπορεί να μας αφήσει περισσότερο χρόνο για το μόνο πράγμα που εξακολουθεί να βρίσκεται στον πυρήνα της Ιατρικής:
τον ασθενή απέναντί μας.
Ενδεικτική βιβλιογραφία
1. Teo JT, Eshaghi A, Richardson MP, et al. Moving artificial intelligence from research to real-world clinical use in neurology. Nature Reviews Neurology. 2026;22:498–506.
2. Endrizzi W, et al. The landscape of artificial intelligence in neurodegenerative diseases: a systematic review. Communications Medicine. 2026.
3. Friedrich MU, Relton S, Wong D, Alty J. Computer Vision in Clinical Neurology: A Review. JAMA Neurology. 2025;82:407–415.
4. Tveit J, Aurlien H, Plis S, et al. Automated Interpretation of Clinical Electroencephalograms Using Artificial Intelligence. JAMA Neurology. 2023;80:805–812.
5. Shah R, Jotterand F. Large Language Models in Neurology Treatment Decision-Making: a Scoping Review. Journal of Medical Systems. 2025;49:115.