OpenAI o1 prokázal převahu nad lékaři v diagnostice složitých případů na pohotovosti
Studie s účastí lékařů z Harvardu a Stanfordu ukázala, že model LLM o1-preview překonal lidi v diagnostice klinických případů, zejména v podmínkách omezených informací ve fázi třídění na pohotovostních odděleních. Model dosáhl přesnosti 78,3 % při stanovení diagnóz na základě materiálů NEJM.
Ne diagnóza, ale demonstrace síly: jak OpenAI o1 odhaluje slabé místo třídění a klade otázku o přerozdělení moci na pohotovostním oddělení
[Podstata]: co se skutečně děje
- dubna 2026 časopis Science zveřejnil studii, kterou mnozí spěchali nazvat „AI porazila lékaře". Titulek křičí, ale je nepřesný. Ve skutečnosti se stalo něco jemnějšího a důležitějšího: OpenAI o1-preview prokázal, že je schopen překonat certifikované internisty právě v okamžiku, kdy je lidská mysl nejzranitelnější – v prvních minutách po příjmu pacienta na pohotovost, kdy je informací kriticky málo a cena chyby maximální.
Výzkumníci z Harvardu, Stanfordu a Beth Israel Deaconess Medical Center provedli šest paralelních experimentů. Nejvýmluvnější nebyly akademické viněty, ale 76 reálných případů z pohotovostního oddělení Beth Israel v Bostonu. Model dostal přesně stejná data jako dva ošetřující lékaři: text z elektronické zdravotní dokumentace, vitální funkce, několik řádků od sestry na příjmu. Žádné předzpracování, žádné nápovědy.
Ve fázi třídění – když pacient teprve překročí práh – stanovil o1 přesnou nebo velmi blízkou diagnózu v 67,1 % případů. První lékař – 55,3 %, druhý – 50 %. Rozdíl není jen statisticky významný. Znamená, že v každém šestém případě model nabízí správnou odpověď tam, kde se oba specialisté mýlí.
Chronologie a kontext
Studie Petera G. Brodeura a kolegů, publikovaná 30. dubna 2026, se opírá o metodologii, která se příznivě liší od předchůdců. Zaprvé, poprvé bylo provedeno přímé srovnání LLM a lékařů na nestrukturovaných, reálných klinických datech – nikoli na učebních případech, ale na chaosu, který představuje zdravotní dokumentace skutečného pacienta. Zadruhé, recenzenti nevěděli, čí odpověď hodnotí – člověka nebo stroje. Slepá metoda se vydařila: jeden hodnotící lékař uhodl zdroj pouze v 15 % případů, druhý ve 3 %.
To je důležité, protože předchozí studie AI v medicíně byly často kritizovány právě za absenci „lidské základní úrovně" (human baseline) a za hodnocení na čistopisech vzdálených reálné klinické praxi. Brodeur a kolegové uzavírají obě tyto metodologické mezery.
Kontext je však širší než jedna publikace. o1-preview, na kterém probíhala většina experimentů, už není nejnovějším modelem. V době publikace studie OpenAI vydala o3. To znamená, že výsledky, které šokovaly lékařskou komunitu v dubnu 2026, odrážejí nikoli vrchol možností, ale pouze mezibod na trajektorii, která každým měsícem stoupá vzhůru.
Kdo vyhrává a kdo prohrává
Vyhrávají:
OpenAI a další vývojáři reasoningových modelů. Studie v Science je zlatým standardem validace, který otevírá cestu ke klinickým zkouškám a potenciálně k FDA-clearance pro AI asistenty lékařů. Trh AI v urgentní medicíně se v roce 2026 odhaduje na 4,2 miliardy dolarů s prognózou růstu na 12,8 miliardy dolarů do roku 2032; studie Brodeur et al. je katalyzátorem, který může tento růst urychlit.
Pacienti se vzácnými a složitými onemocněními. Model ukázal zvláštní sílu právě tam, kde se lidský lékař potýká s kognitivními zkresleními: efektem ukotvení k prvnímu dojmu, předčasným uzavřením diagnostického hledání, vlivem nedávné zkušenosti. Pro pacienta s atypickou prezentací infarktu nebo s lupusem maskujícím se jako plicní embolie je AI asistent ne luxusem, ale pojistkou proti missed diagnosis.
Medicínské startupy budující systémy podpory rozhodování na bázi LLM. Publikace jim dává argument pro dialog s nemocničním vedením: „Chcete snížit diagnostic error rate? Tady máte Science."
Prohrávají:
Lékaři pohotovostních oddělení – ale ne jako profese, nýbrž jako nositelé dosavadního modelu rozhodování. Studie ukázala, že největší rozdíl vzniká při třídění – právě tam, kde je lékař nucen rozhodovat rychle a na základě minimálních informací. To neznamená, že AI nahradí lékaře. Ale znamená to, že lékař pracující bez AI asistenta bude brzy vnímán stejně jako lékař, který si nemyje ruce.
Vývojáři AI řešení, která nepoužívají reasoningovou architekturu. GPT-4o, testovaný paralelně s o1, vykázal výrazně slabší výsledky jak ve fázi třídění, tak při prvním lékařském kontaktu. Rozdíl mezi generacemi modelů (o1-preview překonal GPT-4 o 16 procentních bodů v případech NEJM CPC) znamená, že společnosti, které investovaly do předchozí generace LLM pro klinické aplikace, musí urychleně aktualizovat svůj stack.
Skeptikové, kteří tvrdili, že AI není schopna klinického myšlení. Model dosáhl 89 % v úlohách management reasoning oproti 34 % u lékařů s přístupem k vyhledávačům. To není pouhé „uhádnutí odpovědi", ale demonstrace schopnosti vážit protichůdné informace a rozhodovat se v podmínkách nejistoty.
Co média neříkají
Nezřejmý insight: hlavní senzací studie není diagnóza, ale management reasoning.
Všechny titulky křičí o „diagnostice na ER" a „67% přesnosti při třídění". Ale nejšokující číslo v článku je 89 % proti 34 % v úlohách management reasoning. Co to je? Není to „stanov diagnózu". Je to „co dělat dál": zda nasadit antibiotikum, jak vést rozhovor o konci života, jaký je cíl léčby s ohledem na kontext pacienta.
Thomas Buckley, doktorand HMS, který se studie účastnil, vysvětluje: management reasoning je složitější než diagnostický, protože vyžaduje zohlednění nejen objektivních charakteristik případu, ale i subjektivních faktorů – kontextu, preferencí pacienta, nejistoty prognózy. Skutečnost, že reasoningový model překonává lékaře právě v tomto – a nejen v procházení symptomů – naznačuje, že AI začíná ovládat území tradičně považované za „lidské": rozhodování v podmínkách neúplných informací s ohledem na hodnotové soudy.
Druhý insight: model selhal v „cannot-miss diagnoses" – a to je dobrá zpráva.
Jeden z nejméně diskutovaných, ale kriticky důležitých výsledků: o1-preview statisticky významně nepřekonal lékaře v identifikaci „cannot-miss" diagnóz – těch stavů, které pacienta zabijí v nejbližších hodinách, pokud jsou přehlédnuty. V experimentu s případy NEJM Healer získal model plný počet bodů v 78 z 80 hodnocení, ale v bezpečnosti – identifikaci těchto cannot-miss hrozeb – se od lékařů nelišil.
To je nejdůležitější pojistka proti technooptimismu. Model rozšiřuje diferenciální diagnostiku, nachází vzácná onemocnění, ale nepřekonává člověka ve vytřídění nejnebezpečnějších a nejnaléhavějších stavů. A právě to je hlavním úkolem lékaře na ER, jak správně poznamenává Kristen Panthagani, lékařka urgentní medicíny: „Mým hlavním cílem není uhodnout konečnou diagnózu, ale určit, zda máte stav, který vás může zabít."
Prognóza: následujících 30 dní a 90 dní
30 dní (do poloviny června 2026):
Očekává se, že OpenAI oznámí výsledky testování o3 na stejné baterii testů, která byla použita v publikované studii. Vzhledem k tomu, že o3 je již k dispozici a výzkumníci jej zmiňují v limitations, je to otázka nejbližších týdnů. Pokud o3 prokáže významný nárůst v cannot-miss diagnoses, změní to tón diskuse z „AI pomáhá, ale nenahrazuje" na „kdy začnou klinické zkoušky?"
Paralelně několik velkých nemocničních systémů – pravděpodobně Mass General Brigham a Mount Sinai – oznámí zahájení prospektivních zkoušek AI asistentů na pohotovostních odděleních. David Reich, hlavní klinický ředitel Mount Sinai, již nazval studii „dokonalou výzvou k akci".
90 dní (do poloviny srpna 2026):
Klíčovým katalyzátorem bude publikace paralelních studií téže skupiny o multimodálních modelech. Arjun Manrai uvedl, že tým již testuje AI na snímcích a vidí „rychlý pokrok". Pokud multimodální model schopný analyzovat nejen text, ale i rentgenové snímky, prokáže srovnatelnou nebo lepší kvalitu v cannot-miss diagnoses, přesune se diskuse z roviny „druhého názoru" do roviny „standardu péče".
Současně začnou profesní společnosti (American College of Emergency Physicians, Society of Hospital Medicine) vydávat předběžné pokyny pro integraci AI do klinických pracovních postupů. A klíčovou otázkou nebude „zda AI nahrazuje lékaře", ale „kdo nese odpovědnost za chybu, pokud lékař odmítl doporučení modelu a pacient utrpěl újmu". Jak poznamenal Adam Rodman, „formální systém accountability pro AI diagnózy v současnosti neexistuje". Do konce léta se toto právní vakuum stane hlavním tématem lékařských konferencí.
— Editorial Team
