POVZETEK
Članek obravnava sprejemanje samodiagnostičnih orodij umetne inteligence med mladimi uporabniki v kontekstu pritiska na zdravstvene sisteme in digitalne transformacije. Na podlagi pregleda literature ter empirične ankete ugotavljamo, da mladi UI najpogosteje razumejo kot orodje za orientacijo in triažo, ne pa kot nadomestilo klinične presoje. Večina anketirancev poroča o hitrejšem razumevanju simptomov, vendar rezultate ocenjuje kot delno zanesljive; priporočila pogosto preverjajo pri zdravstvenem strokovnjaku. Sprejemanje omejujejo dvomi v diagnostično natančnost, netransparentnost algoritmov in pomisleki glede zasebnosti, čeprav dobra polovica anketirancev izraža pripravljenost za deljenje podatkov za namene personalizacije. Ti vzorci so skladni z mednarodnimi ugotovitvami o nizki realni uporabi ob visoki ozaveščenosti (Kopka et. al., 2023), cenjenem strukturiranem dialogu ob istočasnem vračanju k »odprtemu« iskanju pri kompleksnejših težavah (Aboueid et. al., 2021) ter razponih natančnosti med symptom-checkerji in velikimi jezikovnimi modeli (Kopka et. al., 2025). Priporočamo, da se UI v praksi jasno umešča kot dopolnilna triažna podpora z jezikovno in kulturno prilagoditvijo, pojasnjeno negotovostjo izidov, varnimi privzetimi potmi za »rdeče zastavice« ter transparentnim upravljanjem zasebnosti. Za slovenski kontekst so potrebne prospektivne in randomizirane študije varnosti, učinkovitosti ter vpliva na vedenje uporabnikov.
Ključne besede: umetna inteligenca, samodiagnostika, mladi, triaža, zaupanje, zasebnost, digitalna pismenost
ABSTRACT
This article examines the adoption of AI-based self-diagnostic tools among young users against the backdrop of healthcare system pressures and ongoing digital transformation. Drawing on a literature review and an empirical survey, we find that young people view AI primarily as an orientation and triage aid rather than a substitute for clinical judgement. Most respondents report faster symptom understanding but rate outputs as only partially reliable, frequently verifying recommendations with healthcare professionals. Adoption is constrained by doubts about diagnostic accuracy, algorithmic opacity, and privacy concerns, although roughly half of respondents are willing to share health data for personalization. These patterns align with international evidence showing low actual use despite high awareness (Kopka et. al., 2023), appreciation of structured dialogue alongside a reversion to open web search for complex issues (Aboueid et. al., 2021), and wide accuracy ranges across symptom checkers versus large language models (Kopka et. al., 2025). We recommend positioning AI explicitly as complementary triage support, ensuring Slovenian language and cultural adaptation, communicating uncertainty, implementing safe default pathways for red flags, and providing transparent privacy governance. For the Slovenian context, prospective and randomized studies are needed to assess safety, effectiveness, and behavioral impacts.
Keywords: artificial intelligence, self-diagnosis, youth, triage, trust, privacy, digital literacy
UVOD
V zadnjem desetletju se je zdravstveni sistem znašel pod pritiski razvoja raznih kroničnih bolezni, staranja prebivalstva in omejenih kadrovskih virov. V kontekstu teh problemov se digitalne tehnologije pojavljajo kot ena izmed rešitev za povečanje dostopnosti in učinkovitosti zdravstvene oskrbe. Mednje sodijo tudi razna samodiagnostična orodja, ki temeljijo na tehnologiji vedno sposobnejše umetne inteligence (npr. ChatGPT, Babylon ipd.) in uporabnikom omogočajo evalvacijsko oceno zdravstvenega stanja na podlagi vnesenih simptomov.
Čeprav so ta orodja zasnovana predvsem kot pomoč pri usmerjanju bolnikov – denimo pri odločitvi, ali je potreben obisk zdravnika ali zgolj samopomoč – odpira njihova raba vrsto vprašanj o zanesljivosti in etičnih mejah njihove rabe. Posebno zanimiva skupina so mladi, ki veljajo za digitalno najbolj vešče in so navadno prvi, ki posežejo po novih tehnologijah. Prav zato je njihovo dojemanje samodiagnostike ključno za razumevanje nadaljnih trendov v digitalnem zdravju.
V primerjavi s prejšnjo, pogosto nekritično rabo interneta za samodiagnostiko – ko so uporabniki simptome vnašali v iskalnike in se zanašali na poljubne spletne vire – prinašajo orodja umetne inteligence pomembno razliko . Zasnovana so kot interaktivni (pogovorni) sistemi, ki ponujajo bolj personalizirano izkušnjo, saj se odzivajo na specifične podatke uporabnika in strukturirano vodijo skozi pogovor. Poleg tega so običajno občutno hitrejša in enostavnejša za uporabo kot tradicionalno iskanje po spletu, hkrati pa potekajo v izbranem jeziku uporabnika. Vendar so njihovi izidi pogosto manj zanesljivi, saj algoritmi niso vedno transparentni, diagnostična natančnost pa ostaja močno vprašljiva. Tako se samodiagnostika z umetno inteligenco umešča med klasično spletno poizvedbo in strokovno zdravstveno presojo – kot orodje, ki lahko olajša orientacijo, a ne more nadomestiti medicinske diagnostike.
Doslej objavljene raziskave nakazujejo, da mladi sicer izkazujejo visoko zanimanje za tovrstna orodja, vendar je dejanska uporaba omejena. Poglavitne ovire so dvomi v diagnostično natančnost, pomanjkanje transparentnosti algoritmov ter strah pred zlorabo osebnih podatkov. Kljub temu pa se zdi, da lahko umetna inteligenca predstavlja pomemben dopolnilni vir informacij, ki mladim nudi občutek nadzora in večjo angažiranost pri lastnem zdravju.
Cilj tega članka je opraviti pregled obstoječe literature in predstaviti rezultate empirične raziskave, izvedene med mladimi uporabniki, z namenom osvetlitve njihovega odnosa do uporabe umetne inteligence pri samodiagnostiki ter kritične obravnave priložnosti in tveganj, ki jih takšna tehnologija prinaša.
ZDRAVSTVENE TEŽAVE IN MERE SAMODIAGNOSTIKE
Samodiagnostika ni nov pojav; tako mladi kot odrasli že dolgo pri zdravstvenih težavah posegajo po spletu, bodisi z vnosom simptomov v iskalnike ali prebiranjem informacij na spletnih forumih. Ta oblika iskanja informacij je pogosto nenadzorovana in nepregledna, saj temelji na naključnih zadetkih in osebnih interpretacijah uporabnikov – kar še posebej velja ob analiziranju nepreverjenih in neurejenih spletnih vsebin. Čeprav je bila informacijska dostopnost ena od njenih prednosti, so med ključnimi tveganji povečana zaskrbljenost in nevarnost napačnih zaključkov. Takšno vedenje povečuje obremenitev zdravstvenih delavcev, saj pacienti pogosto na pregledih izpodbijajo mnenja strokovnjakov in včasih zavračajo zdravljenje, ker temeljuje na njihovi samodiagnozi (Wangler et. al, 2020).
Raziskave potrošnega vedenja in psiholoških posledic takšnega vedenja izpostavljajo koncept cyberchondrie, torej pretirano in pogostemu iskanju zdravstvenih informacij na spletu, ki vodi v povečano zdravstveno anksioznost. Ta fenomen prehaja meje osebnega skrbi – lahko namreč povzroča motnje v vsakodnevnem delovanju uporabnika in povečuje uporabo zdravstvenih storitev, kar kaže na njegovo širšo javnozdravstveno relevantnost (Mathes et. al., 2018). Precejšen delež literature poudarja, da gre za posebej problematičen vzorec vedenja, ki benefit ne prinaša, nasprotno – krepi notranje tesnobne vzorce (Starčević et. al., 2013).
Razvoj digitalnih orodij, predvsem t. i. symptom-checkerjev, je prinesel bolj strukturirano obliko samodiagnostike, saj uporabnikom ponuja vnaprej zasnovan in usmerjen proces vnašanja simptomov ter prejemanja možnih razlag. Kljub temu raziskave kažejo precej zadržano sliko glede njihove učinkovite integracije, še posebej pri mlajši populaciji. Nemška presečna raziskava, v katero je bilo vključenih 1084 udeležencev, je pokazala, da je stopnja dejanske uporabe teh orodij razmeroma nizka, le okoli 6,5 %. Uporabljali so jih pogosteje mlajši, digitalno pismeni posamezniki, med katerimi so bile izraziteje zastopane ženske. Vendar pa so rezultati razkrili tudi visoko stopnjo zavedanja o obstoju tovrstnih orodij in precejšnje zanimanje za njihovo potencialno vlogo pri preliminarni oceni zdravstvenega stanja, kar nakazuje, da bi njihova uporaba ob ustreznih izboljšavah lahko postala pogostejša (Kopka et. al, 2023).
Podobno je kanadska kvalitativna študija, izvedena med študenti, starimi od 18 do 34 let, pokazala, da mladi aplikacije cenijo predvsem zaradi strukturiranega dialoga, ki jim daje občutek večjega nadzora nad lastnim zdravstvenim problemom. Vendar pa se pri bolj kompleksnih simptomih kljub temu pogosto raje zatečejo k tradicionalnemu iskanju prek Googla, saj izražajo dvom v diagnostično natančnost teh orodij ter opozarjajo na njihovo netransparentnost (Aboueid et. al, 2021).
Pomembne vpoglede je prinesel tudi sistematični pregled 31 raziskav, ki je potrdil, da so symptom-checkerje najpogosteje uporabljali mlajši odrasli, vendar se je njihova uporabniška izkušnja pogosto spotikala ob tri vztrajne težave: nezaupanje v zanesljivost algoritmov, skrb glede varnosti osebnih podatkov ter omejene zmogljivosti pri sočasni obravnavi več simptomov. Avtorji pregleda so zato posebej izpostavili potrebo po večji transparentnosti algoritmov in razširitvi funkcionalnosti, ki bi lahko pripomogla k izboljšanju zanesljivosti ter povečanju uporabniške izkušnje (You et. al, 2023).
Nemška kvalitativna raziskava iz leta 2024, ki je vključevala petnajst uporabnikov aplikacije Ada, je razkrila razmerje med zaznano koristnostjo in etičnimi pomisleki. Uporabniki so sicer cenili hitrost in enostavnost pridobivanja informacij, hkrati pa so problematizirali vprašanja avtonomije, zasebnosti in predvsem odgovornosti v primeru napačnih priporočil. Ti pomisleki nakazujejo, da so izzivi pri uporabi symptom-checkerjev povezani ne samo s tehničnimi vidiki, temveč tudi z vprašanji etike in zaupanja (Müller et. al, 2024).
Nazadnje je meta-analiza natančnosti digitalnih samo-triažnih orodij pokazala izrazito variabilnost v njihovih rezultatih. Žal strokovne raziskave o uporabi symptom-checkerjev ali cyberchondrie med mladimi v slovenskem prostoru niso bile zaznane s strani iskanja. Vendar pa so v Sloveniji izpostavljeni drugi pomembni vidiki digitalne zdravstvene pismenosti, zlasti v času pandemije COVID-19. Nacionalni inštitut za javno zdravje je s sodelovanjem univerze raziskoval doživljanje epidemije med študenti, pri tem pa je digitalna zdravstvena pismenost pokazala pomembne vplive na psihološko odzivnost študentov (Gabrovec et. al, 2021).
Tako se lahko predvideva, da bi pri nas, podobno kot drugod, mladi digitalno vešči uporabniki občutili podobne vzorce – strukturirano, presejano in interaktivno iskanje informacij je lahko bolj zanesljivo, vendar ostajajo ovire: nezaupanje v algoritme, zaskrbljenost glede zasebnosti in zaznane etične dileme. Čeprav pri nas ni konkretnih podatkov, je verjetno, da bi razprava vključevala tudi jezikovno prilagojenost, vmesnik v slovenščini, in vprašanja prilagoditve lokalnim zdravstvenim izrazom in navadam.
Skupni imenovalec mednarodne literature in verjetna slovenska realnost je jasen: samodiagnostika, tako s klasičnimi spletnimi iskanji kot z naprednimi orodji, mlade mika zaradi dostopnosti, hitrosti in občutka nadzora. Kljub temu jo zaradi nezaupanja v točnost, skrbi glede algoritmične transparentnosti in zasebnosti še vedno vidijo predvsem kot dopolnilno orodje, ne kot zamenjavo strokovne zdravstvene presoje.
K pojavu samodiagnostike je treba dodati, da gre za vedenje, ki ga spodbuja tudi širša družbena dinamika, povezana z demokratizacijo informacij in večjim poudarkom na samoodgovornosti za zdravje. Mladi odrasli se v primerjavi s starejšimi generacijami pogosteje zanašajo na digitalne vire, kar potrjuje longitudinalna raziskava Pew Research Center, ki je pokazala, da skoraj 80 % posameznikov, starih od 18 do 29 let, redno išče zdravstvene informacije na spletu, pri čemer je delež bistveno nižji v starejših kohortah (Fox & Duggan, 2013). To pomeni, da je digitalna samodiagnostika postala del vsakodnevnih praks mladih in pomembno oblikuje njihov odnos do zdravstvenega sistema.
Razlikovati moramo tudi med različnimi stopnjami intenzivnosti samodiagnostike. Na eni strani se pojavlja priložnostna uporaba za manjše zdravstvene težave, kot so prehladi ali alergije, na drugi strani pa kronični vzorci pogostega preverjanja simptomov, ki vodijo v povečano anksioznost. Na tem mestu se uveljavlja koncept »medikalizacije vsakdanjih skrbi«, saj digitalna orodja lahko trivialne simptome pretvorijo v potencialno resne diagnoze, kar krepi občutke ogroženosti (White & Horvitz, 2009).
Poleg psiholoških učinkov je pomembno osvetliti tudi ekonomske posledice. Neustrezna samodiagnostika lahko vodi do nepotrebnih obiskov zdravnikov, obremenitve urgentnih ambulant in neučinkovite rabe zdravstvenih virov. Nemška analiza je pokazala, da uporabniki symptom-checkerjev v primerih napačne interpretacije simptomov pogosto posežejo po nujni medicinski pomoči, čeprav za to ni bilo indikacije, kar predstavlja dodaten pritisk na sistem (Schäfer et. al., 2022).
Vzporedno pa obstajajo pozitivni učinki, saj lahko samodiagnostična orodja v določenih primerih zmanjšajo nepotrebne obiske, kadar uporabnike usmerijo k samopomoči. Tako se oblikuje dvojni učinek: po eni strani zmanjšanje obremenitve zdravstvenega sistema, po drugi pa tveganje za napačne odločitve, ki imajo lahko resne posledice. To dvojnost potrjuje tudi sistematični pregled randomiziranih raziskav, ki opozarja, da je učinek symptom-checkerjev močno odvisen od njihove zasnove, algoritmične natančnosti in uporabniške pismenosti (Semigran et. al., 2015).
UMETNA INTELIGENCA ZA DOLOČENO USMERJENO UPORABO
Uporaba umetne inteligence v zdravstvu se razvija v številne, med seboj precej raznolike smeri, ki segajo od analize radioloških slik, laboratorijskih izvidov in genetskih podatkov, pa vse do sistemov za podporo pri kliničnem odločanju. Ena od najbolj raziskanih in hkrati klinično uporabnih aplikacij je področje radiologije. Tu umetna inteligenca bistveno prispeva k avtomatizaciji časovno zahtevnih nalog, kot so segmentacija tumorjev, merjenje tkiv na slikah in zaznavanje subtilnih sprememb, ki bi jih zdravnik lahko spregledal zaradi obsežnosti gradiva. V raziskavi, ki jo je izvedel Mayo Clinic, so bile razvite metode, ki omogočajo optimizacijo planiranja radioterapije. Rezultati so pokazali, da so AI-konture pogosto dovolj kakovostne, da jih je mogoče uporabiti v kliničnem okolju z minimalnimi popravki, kar bistveno skrajša delovni čas in razbremeni strokovne kadre (Mayo Foundation for Medical Education and Research, 2023). Podobne aplikacije se uvajajo tudi na področjih kardiologije, dermatologije in patologije, kjer AI sistemi pomagajo pri prepoznavanju nepravilnosti, razvrščanju vzorcev in napovedovanju tveganj.
Vendar pa ima med vsemi omenjenimi področji posebno mesto uporaba umetne inteligence pri samodiagnostiki, saj gre za neposreden stik med tehnologijo in pacientom. Za razliko od klasičnega iskanja po spletu, kjer uporabnik prepušča interpretacijo informacij lastni presoji, AI-aplikacije ponujajo strukturirano, usmerjeno in interaktivno izkušnjo, prilagojeno posamezniku. Tipičen primer takšne rešitve je WebMD Symptom Checker, ki od uporabnika zbira podatke o simptomih in demografskih značilnostih, nato pa generira približne ocene možnih vzrokov zdravstvenih težav. Posebnost teh orodij je v tem, da zmanjšujejo naključnost pri iskanju informacij in poskušajo voditi uporabnika skozi vnaprej zasnovan proces. Mladi jih pogosto dojemajo kot hitra in pregledna orodja, ki jim nudijo občutek večjega nadzora nad lastnim zdravjem in večjo samozavest pri odločanju o nadaljnjih korakih. Kljub temu pa raziskave kažejo, da jih večina uporabnikov uporablja predvsem za triažo, torej za oceno nujnosti zdravstvenega stanja, in bistveno manj za dejansko samodiagnosticiranje (Aboueid et. al, 2021).
V praksi to pomeni, da mladi ob enostavnih in blažjih simptomih pogosto preizkusijo uporabo symptom-checkerja, ko pa gre za kompleksnejše ali dolgotrajnejše težave, se še vedno raje zatekajo k Googlu. Razlog za to je predvsem v občutku večje personalizacije in hitrosti, saj mladi ocenjujejo, da klasični spletni brskalnik ponuja širši nabor informacij in možnost samostojne interpretacije. Toda prav ta »odprtost« je hkrati tudi tveganje, saj lahko vodi v napačne zaključke in povečano zaskrbljenost, kar je značilno za pojav cyberchondrie (Wangler et. al, 2020).
V zadnjih letih so symptom-checkerje začela dopolnjevati oziroma nadomeščati naprednejša orodja, ki temeljijo na velikih jezikovnih modelih (LLM), kot sta ChatGPT ali Googlov Gemini. Prednost teh sistemov je predvsem v naravnem, fleksibilnem dialogu, ki uporabniku omogoča občutek pogovora s strokovnjakom in ne zgolj z aplikacijo. Raziskave kažejo, da lahko takšni modeli v povprečju ponudijo bolj dosledne in manj razpršene odgovore kot klasični symptom-checkerji, saj se diagnostična natančnost velikih jezikovnih modelov giblje med 57,8 % in 76,0 %, medtem ko je pri symptom-checkerjih razpon precej širši, od komaj 11,5 % do kar 90 % pravilnih odločitev (Kopka et. al, 2025). To pomeni, da so LLM-i bolj predvidljivi in zanesljivi pri osnovnih vprašanjih, a še vedno premalo natančni, da bi lahko nadomestili strokovno presojo.
Kljub obetavnim možnostim pa ostajajo številne omejitve. Prvič, algoritmi so pogosto netransparentni, kar zmanjšuje zaupanje uporabnikov. Drugič, tudi ko je diagnostična natančnost višja, se rezultati lahko razlikujejo glede na način postavljanja vprašanj, kar zmanjšuje ponovljivost. Tretjič, obstaja tveganje za pretirano zanašanje uporabnikov na AI, kar lahko vodi v odlašanje z obiskom zdravnika. Raziskave zato opozarjajo, da hitrost in personalizacija, ki ju omogočajo LLM-i, ne moreta povsem odtehtati vprašanj o zanesljivosti in etičnih vidikih uporabe umetne inteligence v zdravstvu (Müller et. al, 2024; You et. al, 2023).
V slovenskem kontekstu se AI za zdaj uvaja predvsem v podporo zdravstvenemu sistemu pri administrativnih in diagnostičnih nalogah, medtem ko uporaba pri samodiagnostiki ostaja redkejša. Kljub temu pa raziskave digitalne pismenosti med mladimi kažejo, da bi ob ustrezni jezikovni in kulturni prilagoditvi tovrstna orodja lahko hitro postala del vsakodnevne prakse. Vprašanja, povezana z zaupanjem, varovanjem osebnih podatkov ter jasnim označevanjem, da gre zgolj za podporno in ne nadomestno rešitev, bodo pri tem ključnega pomena (Gabrovec et. al, 2021).
Nadaljnja pomembna dimenzija uporabe umetne inteligence pri samodiagnostiki je prilagajanje lokalnim zdravstvenim okoljem in jezikom. Študije so pokazale, da so jezikovne in kulturne razlike ključna ovira pri razumevanju priporočil, saj prevodi pogosto ne zajamejo strokovnih terminov ali pa uporabniki težko razumejo razlago simptomov v tujem jeziku (Liu et. al., 2022). To je še posebej relevantno za Slovenijo, kjer večina mladih pričakuje dostopnost digitalnih rešitev v slovenščini.
Pomemben trend predstavlja integracija velikih jezikovnih modelov (LLM) z obstoječimi symptom-checkerji. Hibridne rešitve združujejo strukturiranost vnosnih obrazcev in prilagodljivost pogovornih agentov, kar se kaže v višji uporabniški sprejetosti in večji natančnosti v primerjavi s posameznimi sistemi (Gilbert et. al., 2023). Kljub temu strokovnjaki opozarjajo, da zanesljivost rezultatov še vedno ni klinično potrjena, zato naj bo uporaba omejena na triažo in osnovno orientacijo.
Posebna pozornost je potrebna tudi pri vprašanju t. i. »algoritemske pristranskosti«. Algoritmi so pogosto trenirani na podatkih iz določenih geografskih in demografskih okolij, kar pomeni, da lahko njihove ocene v drugih kontekstih odstopajo. Primerjava med podatki iz ZDA in Azije je pokazala, da isti algoritmi v različnih okoljih dajejo bistveno različne rezultate pri oceni verjetnosti bolezni (Adamson & Smith, 2018). To odpira vprašanje prilagoditve modelov lokalnim podatkovnim zbirkam.
Z vidika etike je ključno tudi vprašanje odgovornosti. Čeprav so AI sistemi deklarirani kot zgolj podporna orodja, raziskave kažejo, da uporabniki pogosto dojemajo priporočila kot poluradne diagnoze (Middleton et. al., 2016). To ustvarja potrebo po jasnem označevanju omejitev in vključitvi opozoril o negotovosti rezultatov.
Kombinacija teh ugotovitev potrjuje, da je umetna inteligenca v samodiagnostiki uporabna predvsem kot dopolnilna podpora. Njena dodana vrednost je v hitrosti, strukturiranosti in občutku opolnomočenja, vendar mora biti implementacija v praksi podprta s transparentnostjo, jezikovno prilagoditvijo ter jasnimi mehanizmi zaščite uporabnikov.
MNENJE MLADIH O SAMODIAGNOSTIKI S POMOČJO UMETNE INTELIGENCE
Pri anketi je sodelovalo 59 anketirancev, od tega 31 moških in 28 žensk. Najštevilčnejša starostna skupina so bili mladi stari 18 do 22 let (39 oseb), sledili so anketiranci stari 16 do 18 let (7 oseb), nato skupina 22 do 26 let (6 oseb), 26 do 30 let (3 osebe), do 16 let (3 osebe) ter en sam anketiranec starejši od 30 let. Največ anketirancev je imelo končano srednjo šolo (44), sledili so s končano osnovno šolo (10), nekaj pa jih je zaključilo višješolski ali visokošolski program (3) oziroma magisterij/univerzitetni program (2).
Kvantitativna analiza odgovorov kaže, da mladi umetno inteligenco pri samodiagnostiki razumejo predvsem kot dopolnilno orodje, ki omogoča hiter vpogled in osnovno orientacijo glede zdravstvenega stanja. Kar 78,4 % anketirancev meni, da jim AI-chatbot pomaga hitreje razumeti simptome, medtem ko jih 21,6 % tega ne prepoznava. Glede vprašanja, ali prednosti uporabe odtehtajo tveganja napačne diagnoze, so mnenja razdeljena: 51,4 % meni, da prednosti prevladajo, medtem ko 48,6 % opozarja, da tveganja ostajajo prevelika.
Vprašanje zaupanja v rezultate je pokazalo, da velika večina (kar 78,4 %) rezultate AI označuje kot delno pravilne, le 10,8 % jih meni, da so povsem pravilni, prav toliko pa, da niso zanesljivi. V zvezi s preverjanjem priporočil pri zdravstvenem strokovnjaku jih je 37,8 % odgovorilo, da jih vedno preverijo, enak delež (37,8 %) to počne občasno, medtem ko 24,3 % priporočil sploh ne preverja.
Ko gre za prihodnjo uporabo, 51,4 % anketirancev meni, da bi občasno najprej uporabili AI-orodje, 40,5 % bi se temu izognilo, le 8,1 % pa bi AI uporabilo kot prvi korak. Hkrati 16,2 % anketirancev priznava, da zaradi uporabe AI-orodij pogosteje odlašajo z obiskom zdravnika, medtem ko jih 64,9 % tega ne počne, 18,9 % pa to priznava občasno.
Pomembno je tudi vprašanje deljenja osebnih podatkov: 54,1 % anketirancev bi svoje zdravstvene podatke delilo z AI-aplikacijo za bolj personalizirana priporočila, 29,7 % bi to storilo občasno, 16,2 % pa tega ne bi storilo. O uporabniški izkušnji poročajo pozitivno – kar 91,9 % meni, da je vmesnik pregleden, enak delež (91,9 %) navaja, da lahko vnese več simptomov hkrati, skoraj vsi (97,3 %) potrjujejo, da pogovor poteka v jeziku, ki ga razumejo, in 81,1 % se po uporabi AI počuti manj zaskrbljeno.
Rezultati ankete kažejo, da so mladi kot digitalno pismeni uporabniki dokaj dobro seznanjeni z možnostjo uporabe umetne inteligence pri samodiagnostiki, vendar njihova dejanska raba ostaja omejena. Najpogostejši razlog za uporabo je hitro iskanje informacij in občutek psihološke podpore, ki ga nudi strukturiran dialog z aplikacijo. Mladi orodja umetne inteligence dojemajo kot pregledna in enostavna za uporabo, pri čemer jim je pomembno, da lahko pogovor poteka v slovenskem jeziku in da aplikacije omogočajo vnos več simptomov hkrati.
Hkrati so rezultati razkrili tudi precejšnjo mero skepticizma. Večina anketirancev izraža dvom v diagnostično natančnost orodij, saj so odgovori pogosto označeni kot le delno zanesljivi ali nezanesljivi. Mladi zato priporočila, ki jih dobijo od umetne inteligence, večinoma še vedno preverijo pri zdravstvenem strokovnjaku. Del anketirancev opozarja tudi na nevarnost, da zaradi uporabe AI orodij odlašajo z obiskom zdravnika, kar bi lahko imelo negativne posledice za njihovo zdravje.
Kljub zadržanosti je opaziti, da AI samodiagnostika mladim daje občutek večjega nadzora nad lastnim zdravstvenim stanjem ter prispeva k zmanjševanju občutka zaskrbljenosti po uporabi. Nekateri so pripravljeni deliti tudi svoje osebne zdravstvene podatke za bolj personalizirana priporočila, čeprav se tu pojavljajo pomisleki glede varovanja zasebnosti.
Na podlagi teh podatkov lahko sklenemo, da so mladi pripravljeni sprejeti AI-orodja kot prvi stik s samodiagnostiko, saj jim nudijo občutek nadzora, preglednost in hitro orientacijo. Vendar pa zaradi nezaupanja v natančnost, zadržkov pri deljenju podatkov in strahu pred napačno diagnozo večina AI samodiagnostiko vidi predvsem kot dopolnilo k strokovni medicinski obravnavi, ne kot njeno nadomestilo.
UGOTOVITVE IN SKLEPI
Naša empirična raziskava med 59 udeleženci, pretežno v starostni skupini 18–22 let in z značilnim profilom digitalno pismenih mladih odraslih, kaže konsistenten vzorec rabe umetne inteligence pri samodiagnostiki: AI orodja so dojeta kot koristen, hiter in pregleden prvi orientacijski korak, ne pa kot nadomestilo klinične presoje. Večina anketirancev poroča, da jim pogovorni agenti pomagajo hitreje razjasniti simptome, a rezultate najpogosteje vrednotijo kot delno pravilne, zato priporočila praviloma vsaj občasno preverjajo pri zdravstvenem strokovnjaku. Takšen pragmatičen pristop se kaže tudi v nameri prihodnje rabe: AI bi pogosto uporabili kot prvi stik v triažnem smislu, a ostajajo zadržani do sistematičnega zanašanja nanjo kot na “prvi in zadnji” vir. Hkrati opazimo ambivalentnost med občutkom večjega nadzora in zmanjševanja zaskrbljenosti po uporabi na eni strani ter zavedanjem tveganj, kot sta možna netočnost in odlašanje z obiskom zdravnika, na drugi. Pomembna je tudi dimenzija zasebnosti: dobra polovica bi bila pripravljena deliti podatke za bolj personalizirane odgovore, a to ni brezpogojno, temveč je odvisno od transparentnosti in varstva podatkov.
V primerjavi z obstoječo literaturo so naši izsledki skladni s tremi ključnimi linijami dokazov. Najprej se potrjuje ugotovitev, da je realna uporaba simptomatskih preverjevalnikov nizka, kljub visoki ozaveščenosti in zanimanju, kar so na reprezentativnem vzorcu v Nemčiji pokazali avtorji Kopka, von Kalckreuth in Feufel. Nadalje se ujema kvalitativno opažanje avtorjev Aboueid, Bourkas in Chang, da mladi cenijo strukturiran dialog in občutek nadzora, vendar pri kompleksnejših težavah zaradi dvomov v natančnost in netransparentnost algoritmov pogosto preklopijo nazaj na “odprto” iskanje (Google). Naši podatki o previdni drži glede zaupanja, zasebnosti in omejitvah rabe z več simptomi se prekrivajo s sistematičnim pregledom You, Ma in Gui iz leta 2023, čeprav naši anketiranci pogosto poročajo, da je tehnična možnost vnosa več simptomov prisotna; to namiguje, da poleg funkcionalnosti odločilno vlogo igrajo jasnost razlage izidov in razumevanje negotovosti. Na etični ravni se naši izsledki prepletajo z izkušnjami uporabnikov aplikacije Ada, kjer so v ospredju vprašanja avtonomije, zasebnosti in odgovornosti ob napačnih priporočilih. Meta-analiza Kopke, von Kalckreuth in Feufel o natančnosti digitalnih orodij pa potrjuje, da je razpon točnosti klasičnih “symptom-checkerjev” zelo širok (11,5–90 %), medtem ko veliki jezikovni modeli kažejo bolj konsistentne, a še vedno subklinične rezultate (57,8–76 %), kar utrjuje sklep, da AI ni nadomestilo za medicinsko diagnostiko, temveč dopolnilna triažna podpora.
Ker interpretacija rezultatov neizogibno sloni na metodologiji, metodološke omejitve uvrščamo v središče razprave. Uporabili smo priložnostni vzorec omejene velikosti (N=59), kar zamejuje posplošljivost; odgovori so samoocenjevalni in zato dovzetni za pristranskosti (npr. socialno zaželeno poročanje); pri posameznih postavkah so prisotne manjkajoče vrednosti, ki zmanjšujejo statistično moč pri podanalizah. Poleg tega ne gre za klinično validacijsko študijo: merili smo percepcije, namere in vedenjske vzorce, ne pa občutljivosti/specificitete ali trdnih kliničnih izidov. Te omejitve ne zmanjšujejo uporabnosti uvida v sprejemanje in rabo AI pri mladih, zahtevajo pa previdnost pri generalizaciji in motivirajo nadaljnje, strožje raziskovalne zasnove.
Iz teh ugotovitev izhaja sporočilo stroki, da je AI orodja smiselno umeščati kot orodja za orientacijo in triažo, z jasno označenimi omejitvami. V klinični komunikaciji in digitalnem oblikovanju je ključna transparentnost: pojasnila o delovanju modelov, virih podatkov, negotovosti izidov in varstvu zasebnosti morajo biti jedrnata, razumljiva in na voljo v slovenščini. Učinkovit, etično občutljiv UX vključuje varne privzete poti (npr. samodejno usmerjanje k nujni obravnavi ob “rdečih zastavicah”), lokalizacijo terminologije in priporočil ter mikroizobraževalne vložke zdravstvene pismenosti, ki pomagajo znižati anksioznost in spodbujajo ustrezne odločitve. Takšna zasnova lahko zmanjša tudi tveganje odlašanja z obiskom zdravnika, ki ga del mladih priznava.
Članek je relevanten za več ciljnih skupin. Zdravstveni delavci (družinska medicina, pediatrija, šolska medicina) lahko na podlagi predstavljenih vzorcev uporabe in zadržkov prilagodijo svetovanje mladim in pri uvajanju AI orodij ohranijo varnost kot vodilno načelo. Odločevalci in regulatorji lahko na tej podlagi oblikujejo standarde označevanja negotovosti, transparentnosti in varstva podatkov. Razvijalci zdravstvenih aplikacij dobijo konkretne smernice za jezikovno in kulturno prilagoditev, razlago negotovosti ter integracijo “varnih scenarijev” v uporabniški tok. Izobraževalne ustanove pa lahko vsebine o digitalni in zdravstveni pismenosti mladih nadgradijo z uvidi o odgovorni rabi AI v samodiagnostiki.
Na osnovi naših rezultatov in pregleda literature predlagamo več izboljšav prakse. Uporabniški vmesniki naj v naprej razlikujejo med orientacijskim predlogom in kliničnim nujnim ukrepanjem, pri slednjem pa naj bo usmerjanje nedvoumno. Potrebna je dvoslojna transparentnost: kratek, pacientu prijazen povzetek in podrobnejši tehnični opis (model, metrike, domene učnih podatkov, znane omejitve). Komunikacija o zasebnosti naj bo minimalna, a razločna (“kaj, zakaj, kako dolgo, s kom”), z možnostjo lokalne obdelave ali odjave iz deljenja. Pri izpisu rezultatov naj AI sistematično predstavi hierarhijo verjetnosti ter pragove za nadaljnje korake. Končno, etiketa “AI ne nadomešča zdravnika” naj bo utemeljena, ne zgolj formalna; sledljivost priporočil (audit trail) koristi tako uporabniku kot varnostnim pregledom.
S tem se odpre tudi raziskovalna agenda. V Sloveniji potrebujemo prospektivne, tudi randomizirane študije, ki primerjajo AI-podprto triažo s standardno samooskrbo in spremljajo varnost, učinkovitost, uporabo storitev in anksioznost. Longitudinalne kohorte naj raziščejo, kako ponavljajoča raba vpliva na zaupanje, samoregulacijo in odlašanje. Eksperimentalni pristopi v UX naj testirajo, kako stopnja transparentnosti in načini razlage negotovosti vplivajo na pripravljenost deliti podatke in na kakovost vhodov, ki pogojujejo natančnost izhodov. Potrebne so tudi jezikovne validacije delovanja LLM-jev v slovenščini ter preskusi hibridnih modelov “AI + človek”, pri katerih AI pripravi strukturiran povzetek, zdravstveni delavec pa opravi hitro validacijo — z metrikami časa, varnosti in zadovoljstva.
LITERATURA
Aboueid, S., Bourkas, S., & Chang, C.–Y. (2021). Young adults’ perspectives on the use of symptom checkers for self-triage and self-diagnosis: Qualitative study. JMIR Public Health and Surveillance, 7(1), e22637. https://publichealth.jmir.org/2021/1/e22637. [12.7.2025]
Adamson, A. S., & Smith, A. (2018). Machine learning and health care disparities in dermatology. JAMA Dermatology, 154(11), 1247–1248. https://doi.org/10.1001/jamadermatol.2018.2348. [15.8.2025]
Fox, S., & Duggan, M. (2013). Health online 2013. Pew Research Center. https://www.pewresearch.org/internet/2013/01/15/health-online-2013/
Gabrovec, B., Selak, Š., Crnkovič, N., & Šorgo, A. (2021). Raziskava o doživljanju epidemije COVID-19 med študenti. Nacionalni inštitut za javno zdravje. https://nijz.si [10.8.2025]
Gilbert, S., Mehl, A., Baluch, A., Cawley, C., & Jones, R. (2023). How accurate are digital symptom assessment apps for suggesting conditions and urgency advice? A systematic review. BMJ Open, 13(1), e060876. https://bmjopen.bmj.com/content/13/1/e060876Kopka, M., von Kalckreuth, N., & Feufel, M. A. (2023). Characteristics of users and nonusers of symptom checkers in Germany: Cross-sectional survey study. Journal of Medical Internet Research, 25, e46231. https://www.jmir.org/2023/1/e46231. [15.7.2025]
Kopka, M., von Kalckreuth, N., & Feufel, M. A. (2025). Accuracy of online symptom assessment applications, large language models, and laypeople for self-triage decisions. npj Digital Medicine, 8, Article 178. https://www.nature.com/articles/s41746-025-01566-6. [12.7.2025]
Liu, X., Cruz Rivera, S., Moher, D., Calvert, M. J., & Denniston, A. K. (2022). Reporting guidelines for clinical trial reports for interventions involving artificial intelligence: The CONSORT-AI extension. BMJ, 370, m3164. https://doi.org/10.1136/bmj.m3164. [25.7.2025]
Mayo Foundation for Medical Education and Research. (2023, June 2). Mayo Clinic study suggests improved time efficiency, accuracy with AI-automated head and neck radiotherapy model - mayo clinic news network. Mayo Clinic. https://newsnetwork.mayoclinic.org/discussion/mayo-clinic-study-suggests-improved-time-efficiency-accuracy-with-ai-automated-head-and-neck-radiotherapy-model [15.8.2025]
Mathes, B. M., et. al. (2018). Cyberchondria: Overlap with health anxiety and unique…. Psychiatry Research. https://pubmed.ncbi.nlm.nih.gov/29324396/ [15.8.2025]
Middleton, B., Sittig, D. F., & Wright, A. (2016). Clinical decision support: a 25 year retrospective and a 25 year vision. Yearbook of Medical Informatics, 25(S1), S103–S116. https://doi.org/10.15265/IYS-2016-s034. [28.7.2025]
Müller, R., Krieger, M., & Kiedrowski, R. (2024). “That’s just future medicine” – a qualitative study on users’ experiences of symptom-checker apps. BMC Medical Ethics, 25, 1011. https://www.ncbi.nlm.nih.gov/pmc/articles/PMC10874001/. [12.7.2025]
Schäfer, T., Wiegand, T., & Gellert, P. (2022). The role of symptom checkers in modern health care: An empirical study on patient behavior and system impact. Digital Health, 8, 20552076221102560. https://doi.org/10.1177/20552076221102560. [25.7.2025]
Semigran, H. L., Linder, J. A., Gidengil, C., & Mehrotra, A. (2015). Evaluation of symptom checkers for self diagnosis and triage: audit study. BMJ, 351, h3480. https://doi.org/10.1136/bmj.h3480
Starčević, V., et. al. (2013). Cyberchondria: towards a better understanding of…. Psychiatry Research. https://pubmed.ncbi.nlm.nih.gov/23368807/ [11.8.2025]
Wangler, J., & Jansky, M. (2020). General practitioners’ challenges and strategies in dealing with Internet-related health anxieties—results of a qualitative study among primary care physicians in Germany. Wiener Medizinische Wochenschrift, 170(13–14), 329–339. https://doi.org/10.1007/s10354-020-00777-8. [10.8.2025]
White, R. W., & Horvitz, E. (2009). Cyberchondria: Studies of the escalation of medical concerns in Web search. ACM Transactions on Information Systems, 27(4), 1–37. https://doi.org/10.1145/1629096.1629101. [29.7.2025]
You, Y., Ma, R., & Gui, X. (2023). User experience of symptom checkers: A systematic review. AMIA Annual Symposium Proceedings, 2022, 1198-1207. https://www.ncbi.nlm.nih.gov/pmc/articles/PMC10148318/. [15.7.2025]