Anest. intenziv. Med. 2026;37(3):162-171 | DOI: 10.36290/aim.2026.030

Umělá inteligence v anesteziologii: od vývoje k bezpečné klinické praxi, narativní přehledPřehledový článek

Šoltesová K. ORCID...1, Astapenko D. ORCID...1-5
1 Klinika anesteziologie, resuscitace a intenzivní medicíny, Fakultní nemocnice Hradec Králové
2 Lékařská fakulta v Hradci Králové, Univerzita Karlova
3 Vojenská lékařská fakulta, Univerzita obrany v Brně
4 Fakulta zdravotnických studií, Technická univerzita v Liberci
5 Department of Anesthesia, Pain Management and Perioperative Medicine, Dalhousie University, Halifax, Nova Scotia, Canada

Umělá inteligence nabývá na významu také v anesteziologii, avšak mezi technickým vývojem nových nástrojů a jejich bezpečným zavedením do klinické praxe přetrvává významná implementační mezera. Článek podává prakticky orientovaný, narativní přehled toho, s čím se anesteziolog může setkat již dnes nebo v blízké budoucnosti v předoperační, intraoperační a pooperační fázi péče o pacienta. Pro zmíněné aplikace jsou uvedeny jejich klinická zralost i hlavní bariéry přímého přenosu do praxe. Součástí přehledu je proto také praktický rámec bezpečného zavádění této nové technologie do klinické praxe, zahrnující implementaci, regulaci, klinickou odpovědnost, lidské faktory, důvěru v automatizaci a gramotnost lékařů v oblasti umělé inteligence.

Klíčová slova: umělá inteligence, anesteziologie, perioperační péče, strojové učení, klinická rozhodovací podpora, klinická implementace.

Artificial intelligence in anaesthesiology: from development to safe clinical practice, a narrative review

Artificial intelligence is becoming increasingly relevant to anaesthesiology; however, a substantial implementation gap persists between the technical development of new tools and their safe adoption in clinical practice. This article provides a practically oriented narrative review of what the anaesthesiologist may encounter today or in the near future across the preoperative, intraoperative, and postoperative phases of patient care. For each application, its clinical maturity and the principal barriers to direct translation into practice are outlined. The review, therefore, also includes a practical framework for the safe adoption of this new technology in clinical practice, covering implementation, regulation, clinical accountability, human factors, trust in automation, and artificial intelligence literacy among clinicians.

Keywords: artificial intelligence, anaesthesiology, perioperative care, machine learning, clinical decision support, clinical implementation.

Vloženo: 29. červen 2026; Revidováno: 12. srpen 2026; Přijato: 18. srpen 2026; Zveřejněno: 14. říjen 2026  Zobrazit citaci

ACS AIP APA ASA Harvard Chicago Chicago Notes IEEE ISO690 MLA NLM Turabian Vancouver
Šoltesová K, Astapenko D. Umělá inteligence v anesteziologii: od vývoje k bezpečné klinické praxi, narativní přehled. Anest. intenziv. Med. 2026;37(3):162-171. doi: 10.36290/aim.2026.030.
Sdílet...
Stáhnout citaci
  • BibTeX (.bib)
  • Bookends (.ris)
  • EasyBib (.ris)
  • EndNote (.enw)
  • EndNote 8 (.xml)
  • ISI WoS (.isi)
  • Medlars (.medlars)
  • Mendeley (.ris)
  • MODS (.xml)
  • Papers (.ris)
  • RefWorks (.txt)
  • RefManager (.ris)
  • RIS (.ris)
  • MS Word (.xml)
  • Zotero (.ris)
    • Koupit PDF - 40 Kč
    bude odemčeno 14.10.2027

    Reference

    1. World Health Organization. Ethics and governance of artificial intelligence for health: WHO guidance [Internet]. Geneva: World Health Organization; 2021 [cited 2026 May 16]. Available from: https://www.who.int/publications/i/item/9789240029200.
    2. Dost B, Turan Eİ, Aydin ME, Ahiskalioğlu A, Narayanan M, Yilmaz R, et al. Artificial intelligence in anaesthesiology: current applications, challenges, and future directions. Turk J Anaesthesiol Reanim. 2025;53(6):282-292. doi: 10.4274/TJAR.2025.252320. Přejít k původnímu zdroji...
    3. King CR, Fritz BA. Machine learning models in anaesthesiology: bridging the gap from model training to implementation. Br J Anaesth. 2026;136(6):1723-1726. doi: 10.1016/j.bja.2026.03.022. Přejít k původnímu zdroji...
    4. Lekadir K, Frangi AF, Porras AR, Glocker B, Cintas C, Langlotz CP, et al. FUTURE-AI: international consensus guideline for trustworthy and deployable artificial intelligence in healthcare. BMJ. 2025;388:e081554. doi: 10.1136/bmj-2024-081554. Přejít k původnímu zdroji... Přejít na PubMed...
    5. Vasey B, Nagendran M, Campbell B, Clifton DA, Collins GS, Denaxas S, et al. Reporting guideline for the early stage clinical evaluation of decision support systems driven by artificial intelligence: DECIDE-AI. BMJ. 2022;377:e070904. doi: 10.1136/bmj-2022-070904. Přejít k původnímu zdroji... Přejít na PubMed...
    6. Baethge C, Goldbeck-Wood S, Mertens S. SANRA - a scale for the quality assessment of narrative review articles. Res Integr Peer Rev. 2019;4:5. doi: 10.1186/s41073-019-0064-8. Přejít k původnímu zdroji... Přejít na PubMed...
    7. Collins GS, Moons KGM, Dhiman P, Riley RD, Beam AL, Van Calster B, et al. TRIPOD+AI statement: updated guidance for reporting clinical prediction models that use regression or machine learning methods. BMJ. 2024;385:e078378. doi: 10.1136/bmj-2023-078378. Přejít k původnímu zdroji...
    8. Mbadjeu Hondjeu AR, Zhao ZY, Newton L, Ajenkar A, Hladkowicz E, Ladha K, et al. Large language models in perioperative medicine-applications and future prospects: a narrative review. Can J Anaesth. 2025;72(6):1000-1014. doi: 10.1007/s12630-025-02980-w. Přejít k původnímu zdroji... Přejít na PubMed...
    9. World Health Organization. Ethics and governance of artificial intelligence for health: guidance on large multi-modal models [Internet]. Geneva: World Health Organization; 2024 [cited 2026 May 16]. Available from: https://www.who.int/publications/i/item/9789240084759.
    10. Ke YH, Yang Ong BS, Jin L, Sim JXL, Chan CH, Soh CR, et al. Clinical and economic impact of a large language model in perioperative medicine: a randomized crossover trial. NPJ Digit Med. 2025;8:462. doi: 10.1038/s41746-025-01858-x. Přejít k původnímu zdroji... Přejít na PubMed...
    11. Bihorac A, Ozrazgat-Baslanti T, Ebadi A, Motaei A, Madkour M, Pardalos PM, et al. MySurgeryRisk: development and validation of a machine-learning risk algorithm for major complications and death after surgery. Ann Surg. 2019;269(4):652-662. doi: 10.1097/SLA.0000000000002706. Přejít k původnímu zdroji... Přejít na PubMed...
    12. Xue B, Li D, Lu C, King CR, Wildes T, Avidan MS, et al. Use of machine learning to develop and evaluate models using preoperative and intraoperative data to identify risks of postoperative complications. JAMA Netw Open. 2021;4(3):e212240. doi: 10.1001/jamanetworkopen.2021.2240. Přejít k původnímu zdroji...
    13. Fritz BA, King CR, Abdelhack M, Chen Y, Kronzer A, Abraham J, et al. Effect of machine learning models on clinician prediction of postoperative complications: the Perioperative ORACLE randomised clinical trial. Br J Anaesth. 2024;133(5):1042-1050. doi: 10.1016/j.bja.2024.08.004. Přejít k původnímu zdroji... Přejít na PubMed...
    14. Lammers-Lietz F, Akyüz L, Boraschi D, Borchers F, de Bresser J, Chatterjee S, et al. Prediction and risk evaluation of delirium after surgery in older patients: development and internal validation of an algorithm from the prospective BioCog cohort study. Br J Anaesth. 2026;136(5):1495-1508. doi: 10.1016/j.bja.2026.01.025. Přejít k původnímu zdroji...
    15. Harris C, Pimpalkar A, Aggarwal A, Yang J, Chen X, Schmidgall S, et al. Preoperative risk prediction of major cardiovascular events in noncardiac surgery using the 12-lead electrocardiogram: an explainable deep learning approach. Br J Anaesth. 2025;135(5):1161-1171. doi: 10.1016/j.bja.2025.07.085. Přejít k původnímu zdroji... Přejít na PubMed...
    16. Ouyang D, Theurer J, Stein NR, Hughes JW, Elias P, He B, et al. Electrocardiographic deep learning for predicting post-procedural mortality: a model development and validation study. Lancet Digit Health. 2024;6(1):e70-e78. doi: 10.1016/S2589-7500(23)00220-0. Přejít k původnímu zdroji... Přejít na PubMed...
    17. Heringlake M, Schemke S, Muras LH. Künstliche Intelligenz in der Anästhesiologie - Schwerpunkt Hämodynamik. Anasthesiol Intensivmed Notfallmed Schmerzther. 2026;61(3):163-171. doi: 10.1055/a-2683-2991. Přejít k původnímu zdroji... Přejít na PubMed...
    18. Wijnberge M, Geerts BF, Hol L, Lemmers N, Mulder MP, Berge P, et al. Effect of a machine learning-derived early warning system for intraoperative hypotension vs standard care on depth and duration of intraoperative hypotension during elective noncardiac surgery: the HYPE randomized clinical trial. JAMA. 2020;323(11):1052-1060. doi: 10.1001/jama.2020.0592. Přejít k původnímu zdroji... Přejít na PubMed...
    19. Enevoldsen J, Vistisen ST. Performance of the hypotension prediction index may be overestimated due to selection bias. Anesthesiology. 2022;137(3):283-289. doi: 10.1097/ALN.0000000000004320. Přejít k původnímu zdroji... Přejít na PubMed...
    20. Vistisen ST, Enevoldsen J. CON: The hypotension prediction index is not a validated predictor of hypotension. Eur J Anaesthesiol. 2024;41(2):118-121. doi: 10.1097/EJA.0000000000001939. Přejít k původnímu zdroji... Přejít na PubMed...
    21. Kouz K, Monge García MI, Cerutti E, Lisanti I, Draisci G, Frassanito L, et al. Intraoperative hypotension when using hypotension prediction index software during major noncardiac surgery: a European multicentre prospective observational registry (EU HYPROTECT). BJA Open. 2023;6:100140. doi: 10.1016/j.bjao.2023.100140. Přejít k původnímu zdroji...
    22. Ripollés-Melchor J, Tomé-Roca JL, Zorrilla-Vaca A, Aldecoa C, Colomina MJ, Bassas-Parga E, et al. Hemodynamic management guided by the hypotension prediction index in abdominal surgery: a multicenter randomized clinical trial. Anesthesiology. 2025;142(4):639-654. doi: 10.1097/ALN.0000000000005355. Přejít k původnímu zdroji... Přejít na PubMed...
    23. Michard F, Abou-Arab O. Hemodynamic phenotyping 4.0. Anaesth Crit Care Pain Med. 2026;45(2):101647. doi: 10.1016/j.accpm.2025.101647. Přejít k původnímu zdroji... Přejít na PubMed...
    24. Eun DI, Shim K, Lee H, Lim Y, Lim H, Lee H, et al. VitalDB Arrhythmia Database: an anesthesiologist-validated large-scale intraoperative arrhythmia dataset with beat and rhythm labels. Sci Data. 2026;13:838. doi: 10.1038/s41597-026-07076-8. Přejít k původnímu zdroji... Přejít na PubMed...
    25. Ye J, Bronstein S. Artificial intelligence in anesthesiology drug administration. Anesthesiol Clin. 2025;43(3):431-451. doi: 10.1016/j.anclin.2025.05.002. Přejít k původnímu zdroji...
    26. Felippe VA, Dias HS, da Hora DAB, Wegner BFM, Wegner GRM, González GL, et al. Closed-loop systems for automated hypnotic drug delivery during general anaesthesia: a systematic review and meta-analysis. Br J Anaesth. 2026;136(6):1811-1821. doi: 10.1016/j.bja.2026.03.020. Přejít k původnímu zdroji... Přejít na PubMed...
    27. Joosten A, Rinehart J, Bardaji A, Van der Linden P, Jame V, Van Obbergh L, et al. Anesthetic management using multiple closed-loop systems and delayed neurocognitive recovery: a randomized controlled trial. Anesthesiology. 2020;132(2):253-266. doi: 10.1097/ALN.0000000000003014. Přejít k původnímu zdroji... Přejít na PubMed...
    28. Nagata O, Matsuki Y, Matsuda S, Hazama K, Fukunaga S, Nakatsuka H, et al. Anesthesia management via an automated control system for propofol, remifentanil, and rocuronium compared to management by anesthesiologists: an investigator-initiated study. J Clin Med. 2023;12(20):6611. doi: 10.3390/jcm12206611. Přejít k původnímu zdroji... Přejít na PubMed...
    29. Joosten A, Chirnoaga D, Van der Linden P, Barvais L, Alexander B, Duranteau J, et al. Automated closed-loop versus manually controlled norepinephrine infusion in patients undergoing intermediate- to high-risk abdominal surgery: a randomised controlled trial. Br J Anaesth. 2021;126(1):210-218. doi: 10.1016/j.bja.2020.08.051. Přejít k původnímu zdroji... Přejít na PubMed...
    30. Schmierer T, Li T, Li Y. Harnessing machine learning for EEG signal analysis: innovations in depth of anaesthesia assessment. Artif Intell Med. 2024;151:102869. doi: 10.1016/j.artmed.2024.102869. Přejít k původnímu zdroji... Přejít na PubMed...
    31. Ahn JH, Lee H, Gambus P, Yoon HK, Ju JW, Lee HC. Development of a deep learning-based prediction model for postoperative delirium using intraoperative electroencephalogram in adults. NPJ Digit Med. 2025;8:661. doi: 10.1038/s41746-025-02033-y. Přejít k původnímu zdroji... Přejít na PubMed...
    32. Sezari P, Sabouri AS, Dabbagh A, Karimian M. Applied artificial intelligence in airway management: a narrative review. Anesthesiol Clin. 2025;43(3):549-561. doi: 10.1016/j.anclin.2025.05.007. Přejít k původnímu zdroji...
    33. Harris J, Kamming D, Bowness JS. Artificial intelligence in regional anesthesia. Curr Opin Anaesthesiol. 2025;38(5):605-610. doi: 10.1097/ACO.0000000000001505. Přejít k původnímu zdroji...
    34. Chan JJI, Ma J, Leng Y, Tan KK, Tan CW, Sultana R, et al. Machine learning approach to needle insertion site identification for spinal anesthesia in obese patients. BMC Anesthesiol. 2021;21(1):246. doi: 10.1186/s12871-021-01466-8. Přejít k původnímu zdroji... Přejít na PubMed...
    35. Cecconi M, Greco M, Shickel B, Angus DC, Bailey H, Bignami E, et al. Implementing artificial intelligence in critical care medicine: a consensus of 22. Crit Care. 2025;29(1):290. doi: 10.1186/s13054-025-05532-2. Přejít k původnímu zdroji... Přejít na PubMed...
    36. Moll V, Khanna AK, Mathur P. Artificial intelligence for the prediction of postoperative complications in the critically ill. Crit Care Sci. 2025;37:e20250025. doi: 10.62675/2965-2774.20250025. Přejít k původnímu zdroji... Přejít na PubMed...
    37. Nemati S, Holder A, Razmi F, Stanley MD, Clifford GD, Buchman TG. An interpretable machine learning model for accurate prediction of sepsis in the ICU. Crit Care Med. 2018;46(4):547-553. doi: 10.1097/CCM.0000000000002936. Přejít k původnímu zdroji...
    38. Wong A, Otles E, Donnelly JP, Krumm A, McCullough J, DeTroyer-Cooley O, et al. External validation of a widely implemented proprietary sepsis prediction model in hospitalized patients. JAMA Intern Med. 2021;181(8):1065-1070. doi: 10.1001/jamainternmed.2021.2626. Přejít k původnímu zdroji... Přejít na PubMed...
    39. Alfieri F, Ancona A, Tripepi G, Rubeis A, Arjoldi N, Finazzi S, et al. Continuous and early prediction of future moderate and severe acute kidney injury in critically ill patients: development and multi-centric, multi-national external validation of a machine-learning model. PLoS One. 2023;18(7):e0287398. doi: 10.1371/journal.pone.0287398. Přejít k původnímu zdroji... Přejít na PubMed...
    40. Glebov M, Lazebnik T, Katsin M, Orkin B, Berkenstadt H, Bunimovich-Mendrazitsky S. Predicting postoperative nausea and vomiting using machine learning: a model development and validation study. BMC Anesthesiol. 2025;25:135. doi: 10.1186/s12871-025-02987-2. Přejít k původnímu zdroji... Přejít na PubMed...
    41. Zhang JT, Hu XY, Duan W, Ji MH, Yang JJ. Application of deep learning-based facial pain recognition model for postoperative pain assessment. J Clin Anesth. 2025;105:111898. doi: 10.1016/j.jclinane.2025.111898. Přejít k původnímu zdroji...
    42. Duran HT, Kingeter M, Reale C, Weinger MB, Salwei ME. Decision-making in anesthesiology: will artificial intelligence make intraoperative care safer? Curr Opin Anaesthesiol. 2023;36(6):691-697. doi: 10.1097/ACO.0000000000001318. Přejít k původnímu zdroji... Přejít na PubMed...
    43. Bignami E, Darhour LJ, Franco G, Guarnieri M, Bellini V. AI policy in healthcare: a checklist-based methodology for structured implementation. J Anesth Analg Crit Care. 2025;5:56. doi: 10.1186/s44158-025-00278-3. Přejít k původnímu zdroji... Přejít na PubMed...
    44. Abdelwanis M, Alarafati HK, Tammam MMS, Simsekler MCE. Exploring the risks of automation bias in healthcare artificial intelligence applications: a Bowtie analysis. Journal of Safety Science and Resilience. 2024;5(4):460-469. doi: 10.1016/j.jnlssr.2024.06.001. Přejít k původnímu zdroji...
    45. Budzyń K, Romańczyk M, Kitala D, Kołodziej P, Bugajski M, Adami HO, et al. Endoscopist deskilling risk after exposure to artificial intelligence in colonoscopy: a multicentre, observational study. Lancet Gastroenterol Hepatol. 2025;10(10):896-903. doi: 10.1016/S2468-1253(25)00133-5. Přejít k původnímu zdroji...
    46. European Parliament, Council of the European Union. Regulation (EU) 2024/1689 of 13 June 2024 laying down harmonised rules on artificial intelligence (Artificial Intelligence Act) [Internet]. Official Journal of the European Union. 2024 Jul 12;L 2024/1689 [cited 2026 May 18]. Available from: http://data.europa.eu/eli/reg/2024/1689/oj.
    47. European Parliament, Council of the European Union. Regulation (EU) 2017/745 of the European Parliament and of the Council of 5 April 2017 on medical devices, amending Directive 2001/83/EC, Regulation (EC) No 178/2002 and Regulation (EC) No 1223/2009 and repealing Council Directives 90/385/EEC and 93/42/EEC [Internet]. Official Journal of the European Union. 2017;L117:1-175 [cited 2026 May 18]. Available from: https://eur-lex.europa.eu/eli/reg/2017/745/oj/eng.
    48. U.S. Food and Drug Administration. Artificial intelligence-enabled medical devices [Internet]. Silver Spring (MD): U.S. Food and Drug Administration; 2026 Mar 4 [cited 2026 May 18]. Available from: https://www.fda.gov/medical-devices/software-medical-device-samd/artificial-intelligence-enabled-medical-devices.
    49. Zákon č. 375/2022 Sb., o zdravotnických prostředcích a diagnostických zdravotnických prostředcích in vitro. In: e-Sbírka [Internet]. Praha: Ministerstvo vnitra České republiky; 2022 [cited 2026 May 30]. Available from: https://e-sbirka.gov.cz/sb/2022/375.
    50. Zákon č. 325/2021 Sb., o elektronizaci zdravotnictví [Internet]. Praha: Parlament České republiky; 2021 [cited 2026 May 18]. Available from: https://mzd.gov.cz/zakon-c-325-2021-sb-o-elektronizaci-zdravotnictvi/.
    51. Ministerstvo zdravotnictví České republiky. Metodický pokyn poskytovatelům zdravotních služeb k problematice umělé inteligence pro klinickou praxi. Věstník Ministerstva zdravotnictví České republiky [Internet]. 2025 Nov 19 [cited 2026 May 24];20:3-26. Available from: https://mzd.gov.cz/vestnik/vestnik-20-2025/.
    52. Vyhláška č. 444/2024 Sb., o zdravotnické dokumentaci [Internet]. Praha: Ministerstvo zdravotnictví České republiky; 2024 [cited 2026 May 24]. Available from: https://www.zakonyprolidi.cz/cs/2024-444.
    53. European Parliament, Council of the European Union. Regulation (EU) 2016/679 of 27 April 2016 on the protection of natural persons with regard to the processing of personal data and on the free movement of such data (General Data Protection Regulation) [Internet]. Official Journal of the European Union. 2016 May 4;L119:1-88 [cited 2026 Aug 10]. Available from: https://eur-lex.europa.eu/eli/reg/2016/679/oj.
    54. Zákon č. 372/2011 Sb., o zdravotních službách a podmínkách jejich poskytování (zákon o zdravotních službách) [Internet]. Praha: Parlament České republiky; 2011 [cited 2026 May 24]. Available from: https://www.zakonyprolidi.cz/cs/2011-372.

    Zpět na obsah


    Anesteziologie a intenzivní medicína

    Vážená paní, pane,
    upozorňujeme Vás, že webové stránky, na které hodláte vstoupit, nejsou určeny široké veřejnosti, neboť obsahují odborné informace o léčivých přípravcích, včetně reklamních sdělení, vztahující se k léčivým přípravkům. Tyto informace a sdělení jsou určena výhradně odborníkům dle §2a zákona č.40/1995 Sb., tedy osobám oprávněným léčivé přípravky předepisovat nebo vydávat (dále jen odborník).
    Vezměte v potaz, že nejste-li odborník, vystavujete se riziku ohrožení svého zdraví, popřípadě i zdraví dalších osob, pokud byste získané informace nesprávně pochopil(a) či interpretoval(a), a to zejména reklamní sdělení, která mohou být součástí těchto stránek, či je využil(a) pro stanovení vlastní diagnózy nebo léčebného postupu, ať už ve vztahu k sobě osobně nebo ve vztahu k dalším osobám.

    Prohlašuji:

    1. že jsem se s výše uvedeným poučením seznámil(a),
    2. že jsem odborníkem ve smyslu zákona č.40/1995 Sb. o regulaci reklamy v platném znění a jsem si vědom(a) rizik, kterým by se jiná osoba než odborník vstupem na tyto stránky vystavovala.

    Ne
    Ano

    Pokud vaše prohlášení není pravdivé, upozorňujeme Vás,
    že se vystavujete riziku ohrožení svého zdraví, popřípadě i zdraví dalších osob.