Science: Umělá inteligence poprvé překonala lékaře v klinickém uvažování na reálných případech z urgentního příjmu
Studie v časopise Science ukázala, že velký jazykový model OpenAI o1 překonal certifikované lékaře v diagnostice, zejména v podmínkách urgentního třídění s neúplnými daty. V dvojitě zaslepeném testu na reálných anamnézách byla přesnost AI vyšší a lékaři nedokázali rozlišit její závěry od lidských.
Článek v Science z 30. dubna 2026 není jen benchmark. Je to právní precedens zabalený do vědeckého protokolu. Skupina Brodera a Manraiho nejen dokázala, že stroj stanovuje diagnózy lépe než lékař; vytvořili důkazní základnu, která v horizontu 5–7 let změní standardy lékařské nedbalosti a – ironicky – učiní používání AI lékařem nikoli právem, ale povinností.
Podstata: co se skutečně děje
Studie publikovaná v Science poprvé porovnala OpenAI o1 se stovkami živých lékařů v slepém testu na reálných urgentních případech z Beth Israel Deaconess Medical Center. Výsledek: ve fázi třídění, kdy je dat minimum, byla přesnost modelu 67,1 % oproti 55,3 % a 50,0 % u dvou ošetřujících lékařů. Recenzenti hádali, kdo napsal závěr – člověk nebo stroj – pouze v 15 % případů.
Klíčové ale nejsou ani čísla. Model o1-preview dosáhl 89 % v testech Grey Matters na taktiku vedení, zatímco lékaři s přístupem k GPT-4 získali 41 % a lékaři s běžnými nástroji 34 %. To znamená, že přítomnost živého specialisty mezi pacientem a algoritmem výsledek nezlepšovala, ale zhoršovala. Lidský faktor – sebevědomí, kognitivní zkreslení, únava – působil nikoli jako filtr, ale jako překážka.
Časová osa a kontext
Cesta k této publikaci trvala 65 let. V roce 1959 publikovali Ledley a Lusted v Science článek, který navrhl považovat složité klinické případy za zlatý standard hodnocení lékařských výpočetních systémů. Od té doby každá technologie – od naivního Bayesova klasifikátoru po symptom checkery – procházela testem na úlohách NEJM.
Do roku 2023 stroje prohrávaly s lékaři tak zjevně, že kontrolní skupiny lidí nebyly potřeba. GPT-4 poprvé ukázal výsledky vyžadující srovnání s člověkem. V roce 2025 OpenAI vydala o1-preview – model s postupným logickým odvozováním (chain-of-thought) a na začátku roku 2026 plnohodnotný o1. Výzkumníci z Harvardu stihli provést experimenty v úzkém okně mezi vydáním modelu a jeho zastaráním: dnes v laboratořích již testují o3 a GPT-5.3 s multimodálními schopnostmi.
Důležitý chronologický detail: rukopis byl přijat v dubnu a v květnu ho svět diskutuje s opožděním o jednu technologickou generaci. To, co čteme nyní, je včerejšek průmyslu.
Kdo vyhrává a kdo prohrává
Vyhrávají:
OpenAI. Studie byla publikována v Science, nikoli v úzce specializovaném lékařském časopise. To firmě přináší nikoli klinické, ale reputační aktivum: model „myslí jako lékař“ se mění na narativ „myslí lépe než lékař“. Odhadovaná hodnota OpenAI po uzavření kola v květnu 2026 se blíží 400 miliardám USD a každá taková publikace přidává k multiplikátoru 0,2–0,3x.
Lékařské startupy budující „druhý názor“ jako službu. Před publikací byl jejich produkt volitelným nástrojem. Nyní mají citaci z Science, kde AI bez lékaře překonává lékaře s internetem. To otevírá trh B2B prodeje do nemocnic v hodnotě 8,4 miliardy USD.
Pacienti se vzácnými a složitými diagnózami. Model u případů CPR zahrnul správnou diagnózu do diferenciálního seznamu v 78,3 % případů a s přihlédnutím k „blízkým“ diagnózám v 97,9 %. To znamená, že druhý názor od AI může stát 14 dolarů za inferenci místo 2500 dolarů za konzultaci na klinice Mayo.
Prohrávají:
Lékaři primární péče a urgentní medicíny. Studie metodicky demontuje obrannou tezi „AI je pomocník, ne náhrada“. Pokud stroj překonává člověka právě v podmínkách neúplných informací – a to je hlavní argument pro lidskou intuici – pak se hodnota lékaře posouvá od diagnostika ke komunikátorovi a operátorovi procedur. To snižuje tržní hodnotu kognitivní práce v medicíně v horizontu 10 let.
Vývojáři tradičních CDS systémů. Výsledek 34 % pro lékaře s běžnými nástroji oproti 89 % u o1-preview je rozsudek smrti pro znalostní báze jako UpToDate a Isabel Healthcare, pokud do 18 měsíců neintegrují reasoning modely do svého rozhraní.
Výrobci specializovaného lékařského softwaru. Když model obecného určení překonává odborníky na jejich poli, specializovaná řešení ztrácejí smysl. Proč kupovat software za 120 000 USD ročně, když předplatné API za 800 USD měsíčně poskytuje lepší výsledek?
Co média neříkají
Za prvé: autoři studie mají střety zájmů, které nejsou v titulcích artikulovány. Adam Rodman je hostující výzkumník v Google DeepMind. Eric Horvitz pracuje pro Microsoft. To výsledky nediskredituje, ale vysvětluje, proč se ve studii testoval právě OpenAI o1, a nikoli konkurenční modely. Žádná publikace této úrovně není neutrální.
Za druhé: model neprokázal převahu v nejdůležitější metrice – odhalování „diagnóz, které nelze přehlédnout“. V testech NEJM Healer identifikoval o1-preview život ohrožující stavy s mediánem 0,92, ale rozdíl oproti lékařům nebyl statisticky významný. To je časovaná bomba: AI může být celkově přesnější, ale pokud přehlíží meningitidu nebo disekci aorty stejně často jako člověk, jeho zavedení na urgentním příjmu vytváří riziko katastrofálních chyb.
Za třetí: náklady na inferenci. Výzkumníci uvádějí, že zpracování jednoho případu CPC na o1-preview stojí 3,20 až 42,10 USD v závislosti na složitosti. Pokud urgentní příjem přijme 200 pacientů denně, spuštění modelu na každém vyjde na 640–8 420 USD denně, tedy 230 000–3 miliony dolarů ročně. To je srovnatelné s platem jednoho až dvou lékařů a nemocniční administrátoři budou počítat právě takto.
Za čtvrté: studie testovala text, ale medicína je multimodální. Redakční komentář v Science přímo uvádí, že GPT-5.3 a Gemini 3.1 Pro již zpracovávají text, obrázky, audio a video. To znamená, že další publikace – pravděpodobně za 6–8 měsíců – ukáže převahu multimodálních modelů nad lékaři v úlohách vyžadujících interpretaci snímků a fyzikálních dat. Výsledky Brodera jsou spodní hranicí možností AI, nikoli stropem.
Předpověď: následujících 30 dní a 90 dní
30 dní (do 5. června 2026):
Lékařské pojišťovny, včetně UnitedHealth Group a Aetna, zahájí interní testování LLM druhého názoru. Úkol: zjistit, zda lze snížit náklady na zbytečné konzultace specialistů. Pilotní projekty odstartují ve 3–5 velkých sítích, rozpočet každého 2–4 miliony USD.
JAMA a NEJM vydají redakční články vyzývající k opatrnosti. Rétorika bude: „působivé výsledky, ale jsou nutné prospektivní studie“. To je standardní obranná reakce lékařského establishmentu, který v AI vidí hrozbu pro svůj expertní monopol.
OpenAI a Google zintenzivní jednání s FDA o regulačním rámci pro SaMD (Software as a Medical Device) založený na reasoning modelech. Otázka není, zda takové systémy schválí, ale jakou třídu rizika jim přiřadí – II nebo III. Na tom závisí náklady na uvedení na trh: 2 miliony USD oproti 15 milionům na klinické zkoušky.
90 dní (do 5. srpna 2026):
Objeví se první preprinty s multimodálními modely v klinických úlohách. Očekává se, že GPT-5.3 s přístupem k CT snímkům a audionahrávkám dýchání překoná pneumology v diagnostice intersticiálních plicních onemocnění.
Začne tichá integrace LLM druhého názoru na urgentních příjmech pěti předních akademických center v USA. Formálně jako výzkumné protokoly, fakticky jako pracovní nástroj. Lékaři jej budou používat stejně, jako dnes používají UpToDate, ale bez informování pacientů.
Klíčový právní precedens se ještě nestal, ale jeho obrysy jsou již vidět. První soudní žaloba, kde se advokát zeptá lékaře: „Proč jste nevyužil AI druhý názor, když publikovaná data v Science ukazují jeho převahu v urgentní diagnostice?“, změní standard lékařské péče rychleji než jakákoli klinická doporučení. Studie Brodera a Manraiho se stane citovaným dokumentem u soudu – nikoli jako vědecká práce, ale jako důkaz, že standard péče se vyvinul.
— Editorial Team
