OpenAI o1 překonal lékaře v diagnostice na základě dat z příjmu
Podle publikace v Science vykázal model AI o1-preview přesnost 78,3 % u nejsložitějších případů z NEJM, čímž překonal živé lékaře i předchozí verze GPT-4. Největší rozdíl ve prospěch AI byl pozorován ve fázi třídění na příjmu, kdy je dostupných informací o pacientovi nejméně.
Zatímco titulky křičí „AI překonala lékaře na příjmu“, skutečný příběh je jemnější a znepokojivější. 29. dubna 2026 zveřejnil časopis Science studii, která ve skutečnosti není o vítězství algoritmu, ale o zlomu v metodologii lékařského výzkumu AI. Skupina vedená Peterem Broderem z Beth Israel Deaconess Medical Center a Harvardské lékařské školy poprvé provedla slepé srovnání modelu OpenAI o1 s živými lékaři nikoli na výukových vinětách, ale na reálných, nestrukturovaných datech z oddělení urgentního příjmu – a zároveň ukázala, že model selhává právě tam, kde jsou sázky nejvyšší.
Podstata: nikoli náhrada lékaře, ale redefinice standardu důkazů
Studie sestávala ze šesti experimentů. Pět používalo strukturované klinické případy, šestý – 76 reálných případů z příjmu Beth Israel Deaconess Medical Center v Bostonu. Ve všech fázích model o1 vykázal výsledky převyšující lékařské: ve fázi třídění činila přesnost diferenciální diagnózy 67,1 % oproti 55,3 % a 50,0 % u dvou ošetřujících lékařů. Rozdíl byl největší právě v okamžiku minimálních informací – při prvním kontaktu s pacientem.
Klíčový závěr studie je však skryt v detailech. Autoři zdůrazňují: o1-preview neprokázal statisticky významnou převahu nad lékaři v identifikaci „cannot-miss diagnoses“ – stavů, jejichž přehlédnutí je smrtelně nebezpečné. Model brilantně generuje široký diferenciální rozsah, ale o nic lépe než člověk neidentifikuje hlavní hrozbu. To není vedlejší poznámka, ale centrální výsledek pro hodnocení bezpečnosti.
Metodologie je působivá: diagnózy generované modelem a lékaři hodnotili dva další specialisté, kteří nevěděli, čí odpověď analyzují – člověka nebo stroje. Zaslepení fungovalo: recenzenti správně určili zdroj pouze v 15 % a 3 % případů. Jinými slovy, texty o1 jsou klinicky nerozeznatelné od textů napsaných kompetentním lékařem.
Chronologie a kontext: závod hodnotících metod
Studie nevznikla ve vzduchoprázdnu. Již v 50. letech 20. století navrhli Ledley a Lusted case-based benchmarky jako standard hodnocení lékařských výpočetních systémů. Od té doby sloužily klinicko-patologické konference NEJM jako zlatý standard: každá generace generátorů diferenciální diagnózy byla testována na těchto případech.
Do roku 2024 byly modely strojového učení pro diagnostiku natolik slabé, že srovnání s lékaři postrádalo smysl. Situace se změnila s příchodem GPT-4, který se v řadě úkolů začal přibližovat lidské úrovni. o1-preview se stal prvním reasoning modelem, který prošel rozsáhlým slepým testováním proti lékařům různých úrovní vzdělání.
Zásadně nové v Broderově designu je použití reálných záznamů z urgentního příjmu, nikoli očištěných vinět. To je odpověď na hlavní kritiku předchozích prací: výukové případy jsou pečlivě strukturované, zatímco reálná klinická informace je chaotická, nadbytečná a obsahuje chyby. Šestý experiment dokázal: model je schopen extrahovat signál ze šumu stejně dobře jako zkušený klinik.
Kdo vyhrává a kdo prohrává
Vyhrávají ti, kteří vsází na „doplněného lékaře“, nikoli na „náhradu lékaře“. OpenAI získává validaci své reasoning architektury v nejnáročnější doménové oblasti – medicíně. To posiluje pozici společnosti v jednáních s nemocničními sítěmi a pojišťovnami. Harvardská lékařská škola a BIDMC upevňují status centra hodnocení klinické AI: publikace v Science s transparentní metodologií vytváří šablonu, kterou budou ostatní reprodukovat.
Prohrávají vývojáři systémů klinické podpory rozhodování předchozí generace – symptom checkery na bayesovských sítích a pravidlech definitivně zastaraly. Prohrávají i ty startupy, které prodávají „AI doktora“ jako samostatnou entitu: Broderova studie jasně ukazuje, že model není bezpečný bez lékaře právě v kritických bodech.
Co média neříkají
První nejednoznačný moment – střet zájmů. Adam Rodman, jeden ze spoluautorů, je hostujícím výzkumníkem v Google DeepMind a Eric Horwitz je zaměstnancem Microsoftu. To data nekompromituje, ale vysvětluje, proč je studie zaměřena na možnosti modelu, nikoli na rizika jeho nasazení.
Druhý moment – textové omezení modelu. o1 nemá přístup k obrázkům, fyzikálním datům, audiálním informacím. V urgentní medicíně jsou vzhled pacienta, zápach, zvuk dýchání kritickými signály. Model pracující pouze s textem je principiálně omezený.
Třetí a nejdůležitější aspekt – regulační mezera. Souběžně s publikací v Science vydal časopis Nature Medicine dva články požadující, aby lékařská AI prokázala zlepšení klinických výsledků, nikoli pouze přesnost na benchmarkách. Tato časová shoda není náhodná: komunita výzkumníků AI uznává, že většina nasazených systémů neprokázala reálný přínos pro pacienty.
Prognóza: následujících 30 dní a 90 dní
V nejbližších 30 dnech očekávám, že alespoň jedna velká nemocniční síť v USA – pravděpodobně Mass General Brigham – oznámí plány prospektivní studie o1 jako nástroje „druhého názoru“ na příjmu. Nebude to RCT, ale observační studie s hodnocením shody mezi diagnózami modelu a konečnou diagnózou při propuštění.
V 90denním horizontu vydá FDA discussion paper o statusu LLM jako clinical decision support software. Klíčová otázka: pokud model nepřevyšuje lékaře v identifikaci cannot-miss diagnoses, může být schválen pro autonomní použití? Odpověď bude téměř jistě záporná, což ochladí trh „AI diagnostiků“, ale urychlí vývoj human-in-the-loop systémů.
Hlavní prognóza: Broderova studie se stane precedentem, který změní standard hodnocení lékařské AI. Od nynějška nestačí ukázat accuracy na benchmarku – je třeba slepé srovnání s lékaři na reálných datech a povinná analýza bezpečnosti v kritických bodech. Startupy, které nejsou připraveny na takovou úroveň validace, ztratí přístup k rizikovému kapitálu do 12 měsíců. To není krize, ale dospívání trhu: medicína vyžaduje nejen přesnost, ale prokazatelnou bezpečnost.
— Editorial Team
