Sztuczna inteligencja lepsza niż lekarze. Wyniki badań z USA

Nowoczesne systemy wspomagające decyzje medyczne osiągają już lepsze wyniki diagnostyczne niż certyfikowani lekarze interniści – potwierdzają to wspólne badania Harvardu i Stanfordu. Ale prawdziwa rewolucja dopiero nadchodzi.

Otwiera się nowa era: nie automatyzacji, lecz współpracy człowieka z narzędziem zdolnym analizować miliony danych w ułamku sekundy. To zmiana, która dotyczy nie tylko ochrony zdrowia, ale także każdego sektora, w którym odpowiedzialność, czas i jakość mają kluczowe znaczenie.

Przekraczanie granic diagnostyki

Jeszcze niedawno innowacyjne narzędzia komputerowe w medycynie stanowiły ciekawostkę. Dziś okazuje się, że nowoczesne systemy analityczne przewyższają specjalistów w rozwiązywaniu skomplikowanych przypadków medycznych. Przekonały się o tym autorytety z Harvard Medical School i Stanford University, badając model o1‑preview (OpenAI) w sześciu scenariuszach – zarówno tych teoretycznych, mozaikowych, jak i praktycznych dyżurowych w Bostonie.

Model ten trafnie identyfikował właściwe rozpoznanie w swojej piątce propozycji aż w 78 % przypadków NEJM – podczas gdy lekarze uzyskiwali najczęściej około 65 %. W warunkach pierwszego kontaktu z pacjentem trafność była jeszcze lepsza – precyzyjna diagnoza lub bardzo zbliżona pojawiła się w 66 % sytuacji, co znacznie przewyższało wyniki lekarzy.

Podwójne spojrzenie jako nowy standard

Niemal jak w Kodeksie Dobrych Praktyk – autorzy sugerują model „wzajemnego nadzoru”: system analizuje dane i generuje hipotezy, a lekarz weryfikuje je, uwzględniając kontekst i indywidualność pacjenta. To nie zastąpienie fachowca, tylko sprzężenie dwóch kompetencji.

Model, który myśli jak lekarz

Jak system radzi sobie lepiej niż człowiek? Odpowiedź znajduje się w arXiv-owskiej publikacji („Superhuman performance of a large language model…”), która potwierdza, że analiza danych przez model opiera się na tzw. „ponownym przyswajaniu” – generuje odpowiedzi, sprawdza, ponownie analizuje i dopracowuje przed finalną wersją. Takie podejście przypomina proces myślowy lekarza, ale trwa przecież znacznie krócej i operuje na większym zasobie pamięci.

Dlaczego to działa?

Rozbudowana baza wiedzy – model ma dostęp do milionów publikacji naukowych i informacji klinicznych, które u lekarza wymagają lat nauki i doświadczenia.

Zewnętrzna refleksja – model potrafi „zatrzymać się i sprawdzić swoją pracę” – proces, którego lekarze nie wykonują tak systematycznie w codziennej praktyce.

Intuicja jako sztuka uzupełniająca – model świetnie radzi sobie z przypadkami o jasnych objawach, myli się częściej tam, gdzie potrzebne są niuanse i doświadczenie; właśnie wtedy lekarz reaguje intuicyjnie i zwykle się sprawdza.

Ekonomiczny wymiar zmian

Choroby diagnozowane szybciej i z wyższą precyzją oznaczają mniejsze koszty – mniej niepotrzebnych badań, mniej błędów terapeutycznych i szybciej podejmowane właściwe leczenie. To skutkuje istotną oszczędnością i lepszym wykorzystaniem personelu w strukturach medycznych.

Jednak wdrożenie efektu „podwójnego spojrzenia” wymaga solidnego zaplecza technicznego – infrastruktury zabezpieczającej prywatność (certyfikaty HIPAA), mechanizmów audytu decyzji i pełnej dokumentacji. To generuje nowe rynki – od centrów obliczeniowych po zaawansowane oprogramowanie medyczne.

Diagnoza przyszłości już dziś – AI wchodzi do gabinetu

W 1959 roku pojawiła się pierwsza koncepcja testowania komputerów medycznych na tych samych przypadkach, które trafiały do lekarzy. Dziś – ponad 60 lat później – granica została przesunięta. Modele językowe nowej generacji, takie jak o1-preview od OpenAI, wykazują skuteczność diagnostyczną wyższą niż wielu certyfikowanych internistów.

To nie jest spekulacja. To wynik rygorystycznych badań przeprowadzonych przez zespoły Harvard Medical School i Stanford University. Testy obejmowały m.in. przypadki z konferencji NEJM, realne sytuacje z izb przyjęć, a także zadania obejmujące planowanie leczenia. W każdym z nich sztuczna inteligencja nie tylko dotrzymywała kroku lekarzom, ale wręcz ich przewyższała.

Wyniki, które trudno zignorować

W analizie 143 przypadków z New England Journal of Medicine, model AI umieszczał właściwą diagnozę wśród pięciu najbardziej prawdopodobnych w 78% przypadków – o 13 punktów więcej niż średnia historyczna dla lekarzy. Jeszcze większa różnica pojawiła się w sytuacjach pierwszego kontaktu – gdzie dostępne dane są ograniczone. AI trafnie rozpoznała lub wskazała właściwą diagnozę w dwóch trzecich przypadków – znacząco przewyższając wyniki uzyskiwane przez dyżurujących internistów.

Dlaczego AI zyskuje przewagę?

Model o1-preview ma unikalną cechę: zanim udzieli odpowiedzi, kilkukrotnie przepisał własne rozumowanie. Ta wieloetapowa refleksja, wspierana ogromną pamięcią operacyjną, pozwala na symulowanie procesu diagnostycznego z precyzją, którą trudno osiągnąć w warunkach klinicznych. Dodatkowo, AI dysponuje dostępem do najbardziej aktualnych wytycznych, literatury naukowej oraz baz danych epidemiologicznych. To oznacza, że nie tylko “czyta więcej”, ale też zapamiętuje i przetwarza to z prędkością i dokładnością, która przewyższa ludzkie możliwości.

Co to oznacza dla systemów ochrony zdrowia?

Z biznesowego punktu widzenia – bardzo dużo. Morgan Stanley szacuje, że zastosowanie AI w diagnostyce i planowaniu leczenia może obniżyć koszty systemowe o miliardy dolarów rocznie. Mniej zbędnych badań, szybsze rozpoznania, mniejsze obciążenie kadry. W dodatku – nowe możliwości dla firm dostarczających infrastrukturę: prywatne chmury zgodne z HIPAA, certyfikowane platformy integrujące API modeli językowych czy wyspecjalizowane interfejsy dla personelu medycznego.

Lekarz + AI: model podwójnego spojrzenia

Wyniki badań nie eliminują roli lekarza. Wręcz przeciwnie – otwierają przestrzeń do modelu współpracy. AI jako pierwszy konsultant, lekarz jako weryfikator, interpretator i ten, kto bierze odpowiedzialność. Zwłaszcza tam, gdzie konieczne są wartości niemierzalne: empatia, relacja, priorytetyzacja celów życiowych pacjenta. Model “double check” – czyli wspólna analiza – staje się realną strategią kliniczną.

Co dalej? Kierunek: kliniczny co-pilot

W świetle publikacji z Harvardu i Stanfordu oraz raportu opublikowanego na arXiv.org (https://arxiv.org/abs/2412.10849), ewolucja AI w medycynie wydaje się nieunikniona. Na horyzoncie są rozwiązania, które w czasie rzeczywistym analizują notatkę lekarza, wskazują brakujące dane, proponują różnicową listę schorzeń, a nawet wypełniają zlecenia. Start-upy z branży health-tech już teraz pracują nad integracją AI z urządzeniami do diagnostyki obrazowej czy systemami EHR.

Regulacje, rynek, przewaga

Regulacyjnie to nadal terytorium nie do końca zagospodarowane. Europejski AI Act i lokalne regulacje zdrowotne będą kształtować ramy wdrożeń. Firmy, które dziś zainwestują w zgodność i bezpieczeństwo, zyskają przewagę w momencie masowego rolloutu. Zwyciężą ci, którzy nie tylko wdrożą AI, ale też zrobią to transparentnie, bezpiecznie i etycznie.

Dla kogo jest ta rewolucja?

Nie tylko dla szpitali akademickich. Wkrótce AI trafi do lokalnych przychodni, firm ubezpieczeniowych, platform telemedycznych. Diagnostyka oparta o modele językowe stanie się usługą dostępną przez API – na żądanie, zintegrowaną z ekosystemem medycznym. To zmieni układ sił – zarówno w branży, jak i w podejściu do zdrowia publicznego.

Sztuczna inteligencja nie zastępuje lekarzy. Ale zmienia sposób, w jaki pracują. W 2025 roku diagnoza staje się wspólnym wysiłkiem człowieka i maszyny. I choć to dopiero początek, już teraz widać, że ci, którzy tę zmianę zrozumieją i wykorzystają, będą liderami nowej epoki w ochronie zdrowia.

Dowiedz się więcej o wpływie AI na sektory przemysłu i infrastruktury. Poznaj realne wdrożenia, dane rynkowe i strategie firm w naszym raporcie: AI in Construction and Industry 2026–2040