Medycyna jest najważniejszym testem dla AI

Sztuczna inteligencja w medycynie nie jest zwykłym narzędziem cyfrowym. W banku algorytm może wpłynąć na kredyt, w szkole na pracę domową, w firmie na koszt procesu. W medycynie algorytm dotyka zdrowia, bólu, diagnozy, terapii i życia pacjenta. Właśnie dlatego AI w zdrowiu budzi równocześnie największe nadzieje i najpoważniejsze obawy.

.Medycyna jest jednym z najważniejszych obszarów zastosowań sztucznej inteligencji, bo opiera się na danych: obrazach, wynikach badań, opisach objawów, dokumentacji, genomice, historii leczenia, zaleceniach terapeutycznych i statystycznej ocenie ryzyka. Algorytm może widzieć wzorzec, którego człowiek nie dostrzega, albo przetworzyć tysiące informacji szybciej niż zespół lekarzy. Pacjent nie może jednak stać się obiektem eksperymentu prowadzonego przez system, którego działania nikt nie potrafi wyjaśnić.

Diagnostyka obrazowa: drugie oczy lekarza

.Najbardziej dojrzałym polem zastosowania AI pozostaje diagnostyka obrazowa. Radiologia, patomorfologia, dermatologia, kardiologia i okulistyka od lat korzystają z obrazów, w których choroba zostawia ślad. Algorytmy uczenia maszynowego potrafią analizować zdjęcia RTG, tomografię komputerową, rezonans magnetyczny, mammografię, obrazy mikroskopowe i zapis badań kardiologicznych.

W tekście „Sztuczna inteligencja to drugie oczy radiologów” opisano narzędzie AI, które potrafiło wykrywać mało widoczne obiekty w drogach oddechowych pacjentów lepiej niż doświadczeni radiolodzy. Inny tekst WcN, „Sztuczna inteligencja zrewolucjonizuje radiologię?”, pokazywał, że algorytmy mogą wspierać segmentację organów, detekcję anomalii i precyzyjne wymiarowanie zmian.

Lekarz nie staje się przez to zbędny. Rola lekarza przesuwa się jednak w stronę interpretacji, odpowiedzialności i rozmowy z pacjentem. AI może wskazać podejrzany obszar, porównać obraz z milionami przykładów i zaproponować klasyfikację. Lekarz musi ocenić, czy wynik ma sens w kontekście wieku, objawów, historii choroby, leczenia i ryzyka konkretnej osoby.

Od diagnozy do przewidywania chorób

.Sztuczna inteligencja nie ogranicza się do rozpoznawania tego, co już widać. Coraz częściej ma przewidywać, co dopiero może się wydarzyć. Modele analizujące historię zdrowia, wyniki badań, styl życia i dane populacyjne mogą wskazywać zwiększone ryzyko chorób serca, nowotworów, cukrzycy, chorób neurologicznych czy powikłań po leczeniu.

Na portalu pisaliśmy o modelu „Delphi-2M”, który potrafi oszacować długoterminowe ryzyko wystąpienia ponad tysiąca chorób. Pisaliśmy także o wykorzystaniu AI w diagnostyce rzadkich chorób genetycznych w tekście „Sztuczna inteligencja usprawni diagnostykę rzadkich chorób genetycznych”.

Potencjał jest ogromny, ale ryzyko równie realne. Prognoza medyczna może pomóc wcześniej zacząć profilaktykę. Może też obciążyć pacjenta lękiem, wpłynąć na ubezpieczenie, relację z pracodawcą albo dostęp do usług. Medycyna predykcyjna wymaga więc nie tylko dobrych modeli, ale także jasnych granic użycia danych.

Leki, terapie i cyfrowe bliźniaki

.Drugim wielkim obszarem jest odkrywanie leków i personalizacja terapii. AI może analizować strukturę cząsteczek, przeszukiwać literaturę naukową, typować cele terapeutyczne, porównywać reakcje pacjentów i przyspieszać projektowanie badań. W tekście „Jak sztuczna inteligencja zaczęła przepisywać leki” opisano model wykorzystujący elektroniczną dokumentację medyczną do ustalania indywidualnych zaleceń leczenia.

W perspektywie kilku lat coraz większe znaczenie mogą mieć cyfrowe bliźniaki pacjenta, czyli modele symulujące reakcję organizmu na interwencje medyczne. W tekście „Czym są cyfrowe bliźniaki? Odpowiedź AGH w Krakowie” wskazano, że takie rozwiązania, oparte na infrastrukturze fabryki AI, mogą pomagać przewidywać reakcje organizmu na leczenie.

Taki kierunek może zmienić medycynę z reaktywnej na bardziej prewencyjną i spersonalizowaną. Lekarz nie będzie pytał wyłącznie, co pacjentowi jest teraz, ale także co z dużym prawdopodobieństwem może mu się stać i jaka terapia będzie dla niego najbezpieczniejsza. Algorytm nie może jednak zamienić indywidualnego pacjenta w statystyczny przypadek. Medycyna precyzyjna musi pozostać medycyną człowieka, nie tylko danych.

Dokumentacja medyczna i pokusa automatycznej porady

.Najbliższym pacjentowi zastosowaniem AI będzie prawdopodobnie analiza dokumentacji medycznej. Chatboty i asystenci zdrowotny mogą tłumaczyć wyniki badań, porządkować historię choroby, przygotowywać pytania do lekarza, wyjaśniać zalecenia i przypominać o badaniach. Takie narzędzia mogą odciążyć system ochrony zdrowia i pomóc pacjentowi zrozumieć własną sytuację.

Granica między informacją a diagnozą jest jednak cienka. W tekście „Sztuczna inteligencja przeanalizuje badanie krwi, ale nie postawi diagnozy” zwrócono uwagę, że użytkownik nie powinien mieć przekonania, iż otrzymuje diagnozę od ChatGPT. W kolejnym tekście, „ChatGPT Health nie skieruje do lekarza, będzie uspokajał”, opisano ryzyko związane z oceną pilności problemów zdrowotnych przez system oparty na dużym modelu językowym.

Zdrowie psychiczne pokazuje te zagrożenia jeszcze mocniej. Tekst „Naukowcy odradzają korzystanie z pomocy sztucznej inteligencji w kryzysie psychicznym” przypomina, że chatbot nie może zastąpić profesjonalnej pomocy w sytuacji zagrożenia życia. System, który brzmi empatycznie, niekoniecznie potrafi rozpoznać kryzys.

Kto odpowiada za błąd maszyny

.Najtrudniejsze pytanie brzmi: kto odpowiada za błąd AI w medycynie? Lekarz, który zaufał wynikowi? Szpital, który wdrożył system? Firma, która stworzyła model? Dostawca danych? Regulator, który dopuścił narzędzie do użycia? Pacjent, który skorzystał z aplikacji bez konsultacji?

W tekście „Sztuczna inteligencja w medycynie potrzebuje regulacji prawnych” ten problem został postawiony wprost. Zawód lekarza jest obarczony odpowiedzialnością, ale algorytm wprowadza nowy łańcuch decyzji: projektant, dostawca, placówka, lekarz i użytkownik mogą uczestniczyć w tym samym procesie, choć każdy na innym etapie.

AI Act wzmacnia znaczenie tego pytania, ponieważ oprogramowanie AI przeznaczone do celów medycznych może być traktowane jako system wysokiego ryzyka. W praktyce oznacza to konieczność zarządzania ryzykiem, jakości danych, nadzoru człowieka, informacji dla użytkownika i kontroli działania systemu. Medycyna nie może przyjąć modelu „czarnej skrzynki”, która działa, dopóki nie wydarzy się tragedia.

Lekarz pozostaje ostatnim gwarantem zaufania

.Sztuczna inteligencja w medycynie nie powinna być opisywana jako rywal lekarza. Znacznie trafniejsze jest myślenie o niej jako o warstwie wspomagającej: drugim spojrzeniu, narzędziu porządkowania danych, systemie ostrzegania, asystencie dokumentacyjnym i mechanizmie przyspieszania badań.

Pacjent nie ufa jednak samemu wynikowi obliczenia. Pacjent ufa lekarzowi, instytucji i procedurze. AI może zwiększyć jakość leczenia, jeśli zostanie wpisana w ten porządek. Algorytm musi być testowany, monitorowany i wyjaśnialny na tyle, by lekarz wiedział, kiedy mu zaufać, a kiedy go zatrzymać.

Medycyna przyszłości nie będzie wolna od sztucznej inteligencji. Najlepsza medycyna przyszłości nie będzie jednak także medycyną oddaną maszynie. Przewagę uzyska system, w którym AI analizuje szybciej, lekarz rozumie więcej, a pacjent zachowuje prawo do jasnej odpowiedzi: kto podjął decyzję i kto za nią odpowiada.

Szymon Ślubowski