W ciągu ostatnich lat sztuczna inteligencja przestała być jedynie tematem badań akademickich i stała się narzędziem rzeczywiście używanym w szpitalach, klinikach i laboratoriach. Systemy oparte na AI coraz częściej wspierają lekarzy w podejmowaniu decyzji, automatyzują prace związane z dokumentacją medyczną oraz pomagają analizować obrazy radiologiczne czy wyniki badań laboratoryjnych. Wprowadzono już wiele systemów zatwierdzonych klinicznie, a równocześnie dostępność dużych zbiorów danych medycznych i moc obliczeniowa umożliwiają rozwój coraz bardziej złożonych modeli. 

W tym artykule opisujemy, w jakich obszarach medycyny AI jest obecnie stosowana oraz jakie ryzyka i ograniczenia warto wziąć pod uwagę. 

AI w diagnostyce i obrazowaniu

Jednym z pierwszych obszarów medycyny, w którym sztuczna inteligencja zaczęła przynosić korzyści, jest diagnostyka obrazowa. DIagnostyka generuje ogromne ilości danych w postaci obrazów z tomografii komputerowej, rezonansu magnetycznego czy zdjęć rentgenowskich. Analiza takich materiałów wymaga czasu i doświadczenia specjalisty, a jednocześnie jest zadaniem dobrze dopasowanym do metod uczenia maszynowego. Modele AI można trenować na setkach tysięcy obrazów, dzięki czemu uczą się rozpoznawać wzorce chorobowe, które dla człowieka mogą być subtelne lub trudne do zauważenia.

Jednym z dobrze udokumentowanych zastosowań AI w radiologii jest wykrywanie zmian nowotworowych w obrazach płuc. W badaniach nad analizą tomografii komputerowej klatki piersiowej wykazano, że wsparcie algorytmów może zwiększać skuteczność wykrywania guzków płucnych, czyli małych zmian, które mogą być wczesnym objawem raka płuca. W jednym z badań porównujących pracę radiologów z i bez wsparcia AI wykazano, że u lekarzy z mniejszym doświadczeniem wykrywalność takich zmian wzrosła z około 64% do 77% po włączeniu systemu AI do analizy obrazów.

Podobne wyniki pokazują badania, w których AI działa jako tzw. „second reader” obrazu medycznego. W takim modelu radiolog najpierw interpretuje zdjęcie samodzielnie, a następnie otrzymuje wskazówki wygenerowane przez algorytm. W badaniach analizujących zastosowanie takiego podejścia w diagnostyce obrazów klatki piersiowej wykazano, że systemy AI mogą zwiększać czułość wykrywania zmian nawet o kilka lub kilkanaście punktów procentowych, a jednocześnie pomagać radiologom identyfikować niewielkie guzki płucne, które wcześniej mogły zostać przeoczone. W analizie obejmującej obrazy z wielu ośrodków klinicznych wykorzystanie AI poprawiło również dokładność lokalizacji zmian na zdjęciach rentgenowskich klatki piersiowej.

Szczególnie duże znaczenie systemy AI mają w diagnostyce udaru mózgu, gdzie liczy się każda minuta. W analizie obrazów tomografii komputerowej i rezonansu magnetycznego algorytmy są wykorzystywane do wykrywania zarówno udaru niedokrwiennego, jak i krwotocznego. W metaanalizie badań porównujących systemy AI z radiologami wykazano, że modele osiągają bardzo wysoką skuteczność diagnostyczną. Dla udaru niedokrwiennego średnia czułość wynosiła około 86,9%, a swoistość 88,6%, natomiast dla udaru krwotocznego odpowiednio 90,6% i 93,9%. Czułość oznacza, jak dobrze system wykrywa rzeczywiście chore osoby (czyli jak rzadko „przegapia” udar), natomiast swoistość mówi o tym, jak często poprawnie rozpoznaje osoby zdrowe.

Oznacza to, że algorytmy w wielu przypadkach zbliżają się do poziomu specjalistów, szczególnie w analizie pilnych badań obrazowych. Systemy te działają niemal w czasie rzeczywistym, co pozwala szybciej zidentyfikować pacjentów wymagających natychmiastowej interwencji i rozpocząć leczenie w tzw. oknie terapeutycznym, czyli ograniczonym czasie (często liczonym w godzinach od wystąpienia objawów), w którym leczenie udaru jest najskuteczniejsze i może znacząco zmniejszyć ryzyko trwałych uszkodzeń mózgu.

Sztuczna inteligencja w diagnostyce obrazowej najlepiej sprawdza się jako narzędzie wspierające lekarza. Systemy AI potrafią szybko analizować duże ilości danych, wskazywać podejrzane obszary i pomagać w priorytetyzacji przypadków, co jest istotne w sytuacjach wymagających natychmiastowej reakcji, takich jak właśnie opisywany udar mózgu. Jednak ich skuteczność zależy od jakości danych, kontekstu klinicznego oraz sposobu integracji z pracą specjalisty.

Najlepsze wyniki osiąga się podczas współpracy człowieka z algorytmem, gdy AI pełni rolę „drugiej pary oczu”, a ostateczna decyzja pozostaje po stronie lekarza. To podejście pozwala łączyć szybkość i skalę analizy danych z doświadczeniem klinicznym i rozumieniem kontekstu.

Generatywna sztuczna inteligencja w praktyce klinicznej

W przeciwieństwie do systemów analizujących obrazy medyczne, generatywna sztuczna inteligencja pracuje głównie na tekście, języku i wiedzy. Modele językowe są trenowane na ogromnych zbiorach danych tekstowych i uczą się przewidywać kolejne słowa w zdaniu, co oznacza, że potrafią generować spójne odpowiedzi, streszczać informacje, czy prowadzić dialog przypominający rozmowę z człowiekiem. W kontekście medycyny przekłada się to na zupełnie inny typ zastosowań niż w radiologii. Zamiast analizować obrazy, modele te wspierają pracę z danymi medycznymi.

Jednym z najbardziej praktycznych zastosowań generatywnej AI jest automatyzacja pracy nad dokumentacją medyczną. W codziennej pracy lekarze spędzają znaczną część czasu na tworzeniu notatek z wizyt, uzupełnianiu historii choroby czy przygotowywaniu dokumentacji dla systemów szpitalnych. W niektórych systemach ochrony zdrowia może to być nawet kilkadziesiąt procent czasu pracy. W przeglądzie zastosowań generatywnej AI w praktyce klinicznej opisano, że modele językowe mogą generować wstępne wersje notatek na podstawie rozmowy z pacjentem, nagrań audio lub krótkich punktów wprowadzonych przez lekarza, automatycznie przekształcając je w ustrukturyzowaną dokumentację medyczną.

Co istotne, proces ten nie polega jedynie na „przepisywaniu” rozmowy, ale na jej interpretacji. Model musi zidentyfikować kluczowe informacje kliniczne, takie jak objawy, historia choroby czy zalecenia, i uporządkować je zgodnie ze standardami dokumentacji. W analizowanych wdrożeniach wskazuje się, że takie podejście może znacząco skrócić czas tworzenia notatek i zmniejszyć obciążenie administracyjne lekarzy, choć jednocześnie wymaga weryfikacji przez człowieka ze względu na ryzyko błędów lub pominięć.

Drugim ważnym obszarem jest wyszukiwanie i synteza wiedzy medycznej. Lekarze często muszą podejmować decyzje na podstawie aktualnych badań naukowych, które są rozproszone w tysiącach publikacji. Modele językowe mogą pełnić rolę „warstwy pośredniej”. Przyjmują pytanie w języku naturalnym i generują odpowiedź opartą na dostępnej wiedzy. Takie systemy mogą wspierać podejmowanie decyzji klinicznych, szczególnie w mniej oczywistych przypadkach wymagających integracji wielu źródeł informacji.

Coraz większe znaczenie mają również modele multimodalne, które łączą różne typy danych, np. tekst, obrazy medyczne i dane strukturalne, takie jak wyniki badań laboratoryjnych. W artykule “From large language models to multimodal AI: a scoping review on the potential of generative AI in medicine” opisano, że klasyczne modele językowe działające wyłącznie na tekście mają ograniczoną użyteczność kliniczną, ponieważ w praktyce decyzje medyczne rzadko opierają się na jednym źródle informacji. W odpowiedzi na to powstają systemy, które potrafią jednocześnie analizować opis przypadku pacjenta, obrazy diagnostyczne oraz dane z dokumentacji medycznej, a następnie integrować te informacje w jedną, spójną interpretację.

Oznacza to, że model może np. powiązać opis objawów z konkretnymi zmianami widocznymi w badaniu obrazowym i wynikami laboratoryjnymi, zamiast analizować każdy z tych elementów osobno. Takie podejście lepiej odzwierciedla rzeczywisty proces diagnozy, w którym lekarz łączy wiele fragmentów informacji, aby postawić zaplanować leczenie. Jednocześnie autorzy podkreślają, że rozwój modeli multimodalnych jest nadal na wczesnym etapie, więc wyzwaniem pozostaje m.in. brak dużych, dobrze opisanych zbiorów danych łączących różne typy informacji oraz trudności w ocenie jakości generowanych odpowiedzi.

Jednak generatywne modele AI wprowadzają nowe wyzwania. Najczęściej wskazywanym problemem są tzw. „halucynacje”, czyli sytuacje, w których model tworzy przekonująco brzmiące, ale nieprawdziwe informacje. Może to oznaczać np. błędne rekomendacje dotyczące leczenia, niedokładne odpowiedzi na pytania kliniczne lub nawet odwołania do nieistniejących badań naukowych. Nawet jeśli ogólna jakość odpowiedzi jest wysoka, to pojedyncze błędy mogą mieć poważne konsekwencje kliniczne.

Z tego powodu w medycynie generatywne modele AI powinny być traktowane jako narzędzie wspierające, a nie jedyne źródło wiedzy. Są najbardziej wartościowe wtedy, gdy działają jako system pomocniczy. Przyspieszają dostęp do informacji i wspierają analizę danych, ale ostateczna interpretacja i decyzja pozostaje po stronie lekarza.

Sztuczna inteligencja w chirurgii i opiece okołooperacyjnej

W przeciwieństwie do systemów analizujących obrazy czy tekst, zastosowania AI w chirurgii dotyczą bezpośrednio działań wykonywanych na pacjencie. Obejmują one zarówno planowanie zabiegów, wsparcie decyzji w trakcie operacji, jak i monitorowanie pacjenta po jej zakończeniu. W tym kontekście sztuczna inteligencja najczęściej nie działa samodzielnie, lecz jako element bardziej złożonych systemów, np. robotów chirurgicznych lub narzędzi analizujących obraz w czasie rzeczywistym.

Jednym z najważniejszych obszarów jest planowanie operacji. Na podstawie danych obrazowych, takich jak tomografia komputerowa czy rezonans magnetyczny, systemy AI mogą tworzyć szczegółowe modele anatomiczne pacjenta i pomagać chirurgowi zaplanować przebieg zabiegu. W artykule “Artificial intelligence in surgical medicine: a brief review” podkreślono, że takie podejście pozwala lepiej przewidzieć możliwe komplikacje i dostosować strategię operacyjną do przypadku konkretnego pacjenta.

Coraz większą rolę odgrywa również wsparcie śródoperacyjne, czyli działanie AI w trakcie samej operacji. Systemy analizujące obraz z kamery chirurgicznej mogą w czasie rzeczywistym rozpoznawać struktury anatomiczne, takie jak np. naczynia krwionośne czy określone typy tkanek, i wskazywać je chirurgowi. W bardziej zaawansowanych przypadkach AI może również ostrzegać przed wejściem w tzw. „strefy ryzyka”, czyli obszary, których uszkodzenie może prowadzić do powikłań.

Zastosowania AI obejmują także chirurgię robotyczną, gdzie systemy wspomagają precyzyjne wykonywanie ruchów narzędzi operacyjnych. W artykule o chirurgii wspieranej przez AI wskazano, że takie podejście może prowadzić do skrócenia czasu operacji, zmniejszenia liczby powikłań oraz szybszego powrotu pacjentów do zdrowia.

Jednym z przykładów zastosowań sztucznej inteligencji w chirurgii jest system da Vinci, wykorzystywany w chirurgii minimalnie inwazyjnej. W dużej metaanalizie obejmującej ponad 200 badań porównano operacje wykonywane z użyciem robotów z klasyczną laparoskopią i chirurgią tradycyjną. Wykazano, że zabiegi robotyczne były o 56% rzadziej przerywane i w tych przypadkach nie przechodzono w ich trakcie na operację otwartą, czyli bardziej inwazyjną procedurę wymagającą większego nacięcia. Taka zmiana jest czasem konieczna, gdy pojawiają się komplikacje lub ograniczenia techniczne. Badania wskazują również na mniejszą liczbę powikłań pooperacyjnych i krótszy pobyt w szpitalu, choć same operacje mogą trwać nieco dłużej niż w przypadku tradycyjnych metod.

Robot nie „operuje samodzielnie”, ale zwiększa precyzję ruchów chirurga. Eliminuje drżenie rąk, umożliwia bardzo dokładne manipulowanie narzędziami i zapewnia lepszy widok pola operacyjnego. Dzięki temu dobrze sprawdza się w zabiegach wymagających dużej dokładnoście. Jednocześnie badania pokazują, że efekty kliniczne zależą od wielu czynników, w tym doświadczenia zespołu i rodzaju procedury, co oznacza, że roboty chirurgiczne nie są uniwersalnym rozwiązaniem dla wszystkich przypadków.

Coraz bardziej zaawansowane są także systemy analizujące obraz w czasie rzeczywistym podczas operacji. W wyżej przytoczonych badaniach opisano rozwiązania, które potrafią rozpoznawać struktury anatomiczne na obrazie z kamery laparoskopowej. Równolegle rozwijane są koncepcje tzw. „cyfrowych bliźniaków pacjenta” (digital twins), czyli modeli 3D integrujących dane obrazowe i kliniczne, które pozwalają symulować przebieg operacji jeszcze przed jej wykonaniem i lepiej przygotować strategię zabiegu.

Podsumowując, zastosowania AI w chirurgii różnią się od innych obszarów medycyny tym, że bezpośrednio wpływają na przebieg zabiegów i bezpieczeństwo pacjenta w czasie rzeczywistym.  Podobnie jak w diagnostyce, kluczowy pozostaje model współpracy człowieka z technologią, ponieważ AI zwiększa możliwości chirurga, ale nie powinna podejmować za niego decyzji.

AI w systemach szpitalnych i zarządzaniu opieką

Poza diagnostyką i leczeniem sztuczna inteligencja coraz częściej znajduje zastosowanie w organizacji pracy szpitali i zarządzaniu opieką nad pacjentem. Choć te zastosowania są mniej spektakularne niż roboty chirurgiczne czy analiza obrazów, w praktyce mogą mieć równie duży wpływ na jakość i dostępność opieki zdrowotnej. Przykłady opisane w tej sekcji pochodzą z przeglądu “Artificial Intelligence in Healthcare: A Narrative Review of Recent Clinical Applications, Implementation Strategies, and Challenges”.

Jednym z kluczowych obszarów jest monitorowanie pacjentów i wczesne wykrywanie pogorszenia ich stanu zdrowia. Systemy AI analizują dane zbierane na bieżąco, takie jak tętno, ciśnienie krwi, poziom tlenu czy wyniki badań laboratoryjnych, i mogą wykrywać subtelne zmiany, które dla człowieka mogłyby być trudne do zauważenia w natłoku informacji. Takie podejście jest wykorzystywane m.in. do wczesnego wykrywania sepsy czy pogorszenia stanu pacjentów na oddziałach intensywnej terapii, co pozwala szybciej wdrożyć leczenie i zmniejszyć ryzyko powikłań.

AI wspiera również zarządzanie w szpitalu. Modele predykcyjne mogą prognozować liczbę przyjęć na oddziały ratunkowe, przewidywać czas hospitalizacji czy identyfikować pacjentów, którzy mogą wymagać ponownej hospitalizacji. Dzięki temu możliwe jest lepsze planowanie zasobów, takich jak liczba łóżek czy dostępność personelu medycznego. Oznacza to krótsze kolejki, bardziej efektywne wykorzystanie infrastruktury i mniejsze obciążenie systemu.

Duże znaczenie ma także zdalne monitorowanie pacjentów, szczególnie w kontekście starzejącego się społeczeństwa i rosnącej liczby chorób przewlekłych. Systemy AI analizujące dane z inteligentnych urządzeń (np. smartwatchy czy sensorów medycznych) mogą wykrywać niepokojące zmiany w stanie zdrowia i informować o nich pacjentów lub nawet bezpośrednio medyków. Takie podejście pozwala przenieść część opieki poza szpital, co jest ważne w przypadku długoterminowego leczenia.

Wyzwania

Mimo tego, że zastosowania AI w medycynie rozwijają się bardzo dynamicznie, ich wdrażanie wiąże się z wyzwaniami, które nie zawsze są widoczne na pierwszy rzut oka. W wyżej wspomnianym artykule podkreślono, że największe wyzwania nie wynikają wyłącznie z samej technologii, ale z jakości danych, sposobu integracji systemów oraz organizacji pracy w placówkach medycznych.

Jednym z problemów jest jakość i reprezentatywność danych. Modele AI uczą się na podstawie istniejących zbiorów danych medycznych, które mogą być niepełne, niespójne lub pochodzą z ograniczonej liczby ośrodków. W efekcie system może działać bardzo dobrze w warunkach, w których był trenowany, ale znacznie gorzej w innych populacjach pacjentów lub w innym szpitalu. To zjawisko ogranicza możliwość przenoszenia rozwiązań między różnymi systemami opieki zdrowotnej.

Drugim wyzwaniem są kwestie związane z integracją AI z codzienną praktyką kliniczną. Nawet dobrze działające modele często nie są wykorzystywane w praktyce, jeśli nie są dopasowane do sposobu pracy lekarzy i personelu medycznego. Systemy, które wymagają dodatkowego czasu, zmiany przyzwyczajeń lub pracy w oddzielnych narzędziach, mogą być ignorowane, niezależnie od ich potencjalnej skuteczności.

Kolejnym problemem jest bezpieczeństwo i prywatność danych. Systemy AI wymagają dostępu do dużych ilości wrażliwych informacji medycznych, co niesie ryzyko naruszeń prywatności. Wraz z rosnącą liczbą systemów cyfrowych w ochronie zdrowia rośnie również znaczenie odpowiedniego zarządzania danymi oraz ich zabezpieczania.

Istnieją także ograniczenia związane z oceną skuteczności systemów AI. Wiele modeli jest testowanych w warunkach kontrolowanych, które nie odzwierciedlają w pełni rzeczywistego środowiska klinicznego. Oznacza to, że wyniki osiągane w badaniach mogą nie przekładać się bezpośrednio na rzeczywiste zastosowania, szczególnie w bardziej złożonych i dynamicznych sytuacjach.

Z tych powodów skuteczne wdrażanie AI w medycynie wymaga nie tylko rozwoju technologii, ale także odpowiednich strategii implementacji, obejmujących jakość danych, integrację z istniejącymi procesami oraz ciągłą ocenę działania systemów w praktyce klinicznej.

Podsumowanie

AI w medycynie coraz częściej pojawia się w diagnostyce, leczeniu operacyjnym, przy przygotowywaniu dokumentacji i zarządzaniu opieką nad pacjentem. Jak pokazują opisane przykłady, największa wartość użycia sztucznej inteligencji w tym obszarze polega na zdolności do analizy dużych ilości danych i wspierania decyzji w sytuacjach, gdzie liczy się czas, wysoka precyzja i dostęp do wiedzy.

Mimo swoich zalet, AI nie jest rozwiązaniem uniwersalnym. W wielu przypadkach działa najlepiej w jasno określonych zadaniach, takich jak analiza obrazów czy automatyzacja przygotowywania dokumentacji, natomiast w bardziej złożonych sytuacjach nadal wymaga ścisłej współpracy z człowiekiem. Ograniczenia związane z jakością danych, ryzykiem błędów czy trudnościami we wdrażaniu pokazują, że skuteczność tych systemów zależy nie tylko od modeli, ale także od kontekstu, w którym są używane.

Dlatego najbardziej realistycznym scenariuszem rozwoju AI w medycynie nie jest zastąpienie lekarzy, ale usprawnienie współpracy między człowiekiem a technologią. Systemy AI mogą przejmować powtarzalne i czasochłonne zadania, wspierać analizę danych i zwiększać dostępność opieki, podczas gdy kluczowe decyzje wymagające zrozumienia kontekstu, odpowiedzialności i empatii pozostają po stronie człowieka.