PŘEHLEDOVÉ ČLÁNKY / REVIEW ARTICLES Umělá inteligence v anesteziologii: od vývoje k bezpečné klinické praxi, narativní přehled | 163 / Anest intenziv Med. 2026;37(3):162-171 / ANESTEZIOLOGIE A INTENZIVNÍ MEDICÍNA www.aimjournal.cz lékařů v možnostech i limitech této technologie. Základní AI gramotnost je proto nutno chápat jako novou součást profesní kompetence lékaře, který se bude podílet na jejím bezpečném zavádění do praxe, bude schopen kriticky interpretovat výstupy AI a posuzovat její přínos v konkrétním perioperačním kontextu [3, 4]. Vysoká přesnost AI modelu v preklinickém nebo offline hodnocení totiž neznamená automaticky, že nástroj bude bezpečný, použitelný a přínosný v konkrétním klinickém prostředí [3, 5]. Cílem článku je nabídnout praktickou orientaci v současných a blízkých možnostech AI v anesteziologii se zvláštním důrazem na klinickou zralost jednotlivých aplikací, implementační realismus a bezpečnost. Metodika V tomto nesystematickém přehledovém článku byla jako vodítko kvalitativních kritérií při zpracování použita škála SANRA (Scale for the Assessment of Narrative Review Articles) [6]. Primárním rešeršním zdrojem byl PubMed/MEDLINE, doplňkově byly ověřovány vydavatelské databáze, referenční seznamy klíčových prací a institucionální zdroje WHO, FDA, Evropské komise, Evropské unie a národní regulační dokumenty relevantní pro české prostředí. Hledané termíny zahrnovaly zejména: „artificial intelligence“, „machine learning“, „deep learning“, „large language models“, „anaesthesia/anaesthesiology“, „perioperative medicine“, „hypotension prediction“, „postoperative delirium“, „clinical decision support“, „software as a medical device“ a „human factors“. Zařazovány byly práce s přímým vztahem k anesteziologii, perioperační medicíně, intenzivní péči, klinické validaci nebo implementaci AI do klinické praxe. Přednostně byly využity recentní přehledy, metodické rámce, randomizované studie, prospektivní a validační kohorty, regulační dokumenty a práce s jasným či potenciálním dopadem na klinickou praxi. Starší práce byly zařazeny tehdy, pokud představovaly klíčovou primární studii nebo obecně uznávaný rámec. U studií vývoje nebo hodnocení výkonu predikčních modelů byl jako referenční rámec pro posouzení úplnosti a transparentnosti reportování použit TRIPOD+AI [7]. Poslední kontrola zařazených zdrojů a případné novější relevantní literatury byla provedena 10. 8. 2026. AI v perioperační péči: jak hodnotit AI nástroje a kde se s nimi anesteziolog může setkat Připravenost AI nástroje pro klinické využití Posouzení připravenosti AI nástrojů pro použití v praxi usnadňují metodické a regulační rámce vztažené k jednotlivým fázím jejich Obr. 1. Fáze zrání AI nástroje a příslušné metodické rámce Popis: Schéma znázorňuje šest fází, jimiž prochází nástroj umělé inteligence (AI) od vývoje modelu po auditovaný klinický provoz. Vodorovná linie odděluje fáze výzkumu, v nichž model existuje, ale dosud není klinicky použitelným nástrojem, od fází, v nichž nástroj vstupuje do klinické praxe. Rámce uvedené vpravo u jednotlivých fází představují metodické a regulační dokumenty, které se k dané fázi vztahují. Rámce WHO [1] a FUTURE‑AI [4] se uplatňují průřezově ve všech fázích. Zkratky: AI – artificial intelligence (umělá inteligence); TRIPOD+AI – Transparent Reporting of a multivariable prediction model for Individual Prognosis Or Diagnosis, rozšíření pro umělou inteligenci; DECIDE‑AI – Developmental and Exploratory Clinical Investigations of DEcision support systems driven by Artificial Intelligence; EU MDR – European Union Medical Device Regulation (nařízení Evropské unie o zdravotnických prostředcích); EU AI Act – European Union Artificial Intelligence Act (nařízení Evropské unie o umělé inteligenci); FUTURE‑AI – Fairness, Universality, Traceability, Usability, Robustness, Explainability (akronym šesti vůdčích principů důvěryhodné AI); WHO – World Health Organization (Světová zdravotnická organizace). Schéma je vlastní zpracování autora. Koncepce fází vychází z principů reportovacího rámce TRIPOD+AI [7], hodnoticího rámce DECIDE‑AI [5] a rámce důvěryhodné a nasaditelné AI FUTURE‑AI [4]. Výzkumná fáze Klinická fáze Vysoká predikční přesnost v interní validaci nezajišťuje bezpečné a přínosné použití v odlišném lokálním prostředí. 1 • Vývoj a interní validace trénink, výběr proměnných, výkonnost 5 • Klinická implementace začlenění do pracovních postupů, klinická reakce 2 • Externí/lokální validace ověření na jiné populaci, kalibrace 6 • Klinický provoz s auditem sledování výkonu, revalidace TRIPOD+AI transparentní reportování vývoje a validace modelu DECIDE-AI časné klinické hodnocení – užitečnost, bezpečnost, lidské faktory FUTURE-AI • WHO FUTURE-AI – principy důvěryhodné Al WHO – etika a řízení průřezově všemi fázemi 3 • Časné klinické hodnocení pilotní nasazení v reálném provozu EU MDR + EU Al Act regulace zdravotnické Al 4 • Regulační autorizace ověření shody s předpisy, klasifikace rizika hranice: model existuje – ještě není klinickým nástrojem
RkJQdWJsaXNoZXIy NDA4Mjc=