Sztuczna inteligencja zmienia diagnostykę i interpretację badań, pomimo halucynacji
Lekarze odnotowują postęp GPT-5 w konsultacyjnym wsparciu, ale ostrzegają: obecne sieci neuronowe popełniają >50% błędów przy interpretacji badań.
Sztuczna inteligencja w medycynie: pomoc lekarza czy ryzyko dla pacjenta?
Wprowadzenie
Sztuczna inteligencja na dobre wkroczyła do praktyki medycznej. Sieci neuronowe już odczytują zdjęcia rentgenowskie, piszą epikryzy i pomagają interpretować wyniki TK, MRI i EKG. Wydaje się, że przyszłość opisana w powieściach fantastycznych nadeszła: algorytmy obiecują przyspieszyć diagnostykę, zmniejszyć obciążenie lekarzy i uczynić medycynę bardziej dostępną.
Jednak wraz z pierwszymi sukcesami pojawiają się pierwsze pytania. Na ile można ufać asystentowi AI? Co się dzieje, gdy nowoczesny model językowy podejmuje się stawiania diagnozy? W 2026 roku seria głośnych badań udzieliła na te pytania niepokojącej, choć nie ostatecznej, odpowiedzi. Przełomowe możliwości AI w „rutynowych” zadaniach łączą się z szokującą niekompetencją w tym, co najważniejsze – w myśleniu klinicznym.
Szczegóły wydarzenia i chronologia
Dane z pierwszej ręki: porażka w 80% przypadków
W kwietniu 2026 roku autorytatywne czasopismo JAMA Network Open opublikowało wyniki zakrojonego na szeroką skalę badania przeprowadzonego przez specjalistów z Mass General Brigham – jednego z największych systemów naukowo-medycznych w USA.
Naukowcy przetestowali 21 nowoczesnych modeli językowych (w tym GPT-5, Gemini 3.0 Flash i Grok 4) na 29 standaryzowanych scenariuszach klinicznych. Ocena obejmowała wszystkie etapy myślenia klinicznego: od zbierania skarg po ostateczną diagnozę. Wyniki okazały się paradoksalne.
Z jednej strony, gdy modele otrzymywały pełny obraz kliniczny (wyniki badań, dane obrazowe), wykazywały imponującą dokładność, stawiając prawidłową ostateczną diagnozę w ponad 90% przypadków. Stwarza to złudzenie potęgi AI.
Z drugiej strony – i to jest najważniejsze – na etapie wstępnej diagnozy różnicowej, gdy informacji jest jeszcze mało, a lekarz musi rozważać możliwe opcje, wszystkie modele poniosły druzgocącą porażkę. Nie były w stanie sformułować poprawnej diagnozy różnicowej w ponad 80% przypadków.
„Modele te doskonale podają ostateczną diagnozę, gdy dane są już kompletne, ale mają poważne trudności na początkowym, otwartym etapie, gdy informacji jest jeszcze mało” – wyjaśnił Aria Rao, główny autor badania.
Google AdInline article slot
Halucynacje i tendencyjność systemowa
Równolegle w kwietniu 2026 roku w czasopiśmie npj Digital Medicine (Nature) ukazało się kolejne niepokojące badanie, poświęcone szczegółowej analizie działania GPT-5. Naukowcy oceniali nie tylko dokładność, ale także bezpieczeństwo modelu.
Wnioski okazały się zniechęcające. Po pierwsze, poziom „halucynacji” (gdy model pewnie podaje fałszywe informacje, biorąc fikcję za fakt) wzrósł. Podczas przetwarzania scenariuszy klinicznych z celowo wprowadzonymi błędami GPT-5 „połykał” fałszywe dane w 65% przypadków (wobec 53% dla GPT-4o).
Po drugie, model wykazał wyraźną tendencyjność socjodemograficzną. Przy identycznych objawach pacjenci z grup LGBTQ+, bezdomni i przedstawiciele mniejszości etnicznych otrzymywali zalecenia dotyczące nieuzasadnionej hospitalizacji psychiatrycznej w 100% przypadków.
Wpływ i znaczenie
Dla ochrony zdrowia: nowe narzędzie ze starymi ryzykami
Badania te zadają poważny cios koncepcji „diagnosty AI”. Pokazują, że współczesne algorytmy nie posiadają myślenia klinicznego – nie potrafią rozumować w warunkach niepewności, ważyć prawdopodobieństw i wątpić. Jak zauważył dr Mark Succi, diagnostyka różnicowa to „sztuka medycyny”, której AI nie jest jeszcze w stanie odtworzyć.
W praktyce oznacza to, że pacjenci i lekarze ufający „opinii” sieci neuronowej na wczesnych etapach ryzykują pójście błędną ścieżką. Nieprawidłowa wstępna diagnoza może prowadzić do:
- Zlecania niepotrzebnych i traumatycznych procedur
- Opóźnienia krytycznie ważnego leczenia
- Wzrostu lęku u pacjentów („rak” zamiast „pieprzyka”)
Jak ostrzega współautor badania Mark Suchi: „Nawet jeśli ostatecznie dojdziemy do prawidłowej odpowiedzi, błędna diagnoza różnicowa może prowadzić do opóźnień w leczeniu, niepotrzebnych procedur z powikłaniami i wysokich kosztów”.
Dla lekarzy: powód do przewartościowania roli
Jednocześnie oczywiste jest, że AI skutecznie radzi sobie z rutynową analityką. W dziedzinie obrazowania medycznego (interpretacja zdjęć) i patologii (analiza preparatów histologicznych) sieci neuronowe osiągają wysokie wyniki i są już wdrażane do praktyki.
Zatem główny wniosek roku 2026 to wyraźny podział stref odpowiedzialności: AI może być błyskawicznym kalkulatorem i pomocnikiem, ale decyzje i diagnozy musi podejmować wyłącznie człowiek. Na obecnym etapie sztuczna inteligencja nie zastępuje lekarza, a jedynie daje mu „drugą opinię”.
Reakcja kluczowych graczy
Reakcja środowiska zawodowego na opublikowane dane była natychmiastowa.
Badacze z Mass General Brigham apelują o ostrożność i rezygnację z „marketingowych iluzji”. „Pomimo ciągłego postępu, duże modele językowe ogólnego przeznaczenia nie są jeszcze gotowe do autonomicznego użytku w klinice” – oświadczył Mark Succi. Badacze podkreślają, że współczesna AI nie posiada mechanizmów uzasadnienia klinicznego niezbędnych do bezpiecznej pracy w systemie opieki zdrowotnej.
Rosyjscy eksperci również aktywnie komentują sytuację. Wiceprezes Domu Ubezpieczeń VSK Marina Liashenko podkreśla kluczową zasadę: „ufaj, ale sprawdzaj”. Jej zdaniem krytyczne myślenie i profesjonalna kontrola ze strony lekarza pozostają kluczowymi czynnikami podejmowania decyzji.
Jewgienij Muchametszyn, zastępca naczelnego lekarza federalnej sieci optyków „Szczęśliwe Spojrzenie”, dodaje aspekt regulacyjny: dla bezpiecznego wdrożenia AI w medycynie niezbędne są jasne ramy – certyfikacja rozwiązań cyfrowych, przejrzystość algorytmów i obowiązkowe wskazanie, że korzystanie z AI ma charakter rekomendacyjny.
Co ciekawe, sami technolodzy nie kwestionują tych wniosków. Badanie wykazało, że prosta „podpowiedź ochronna” (mitigation prompt) obniża poziom halucynacji GPT-5 z katastrofalnych 65% do akceptowalnych 7,67%. Problem nie polega na tym, że AI jest „głupia”, ale na tym, że jest domyślnie niewłaściwie używana.
Prognoza i wnioski
Dokąd zmierza branża
Główny wniosek roku 2026 brzmi ostro, ale trzeźwiąco: sprzedawanie modeli językowych jako pełnoprawnych „diagnostów klinicznych” jest na razie przedwczesne i niebezpieczne.
Niemniej jednak przyszłość AI w medycynie istnieje i polega nie na zastąpieniu lekarza, ale na jego wzmocnieniu. Najbardziej prawdopodobne scenariusze najbliższych lat:
- Ścisłe regulacje. Wprowadzanie systemów AI na rynek musi wiązać się z obowiązkową certyfikacją i kontrolą, analogiczną do wyrobów medycznych. Przejrzystość algorytmów (walka z „czarnymi skrzynkami”) stanie się obowiązkowym wymogiem.
- „Bezpieczne” środowiska. Medyczne systemy AI będą działać w ograniczonych ramach – nie jako otwarte chatboty, ale jako wąsko wyspecjalizowane narzędzia do konkretnego zadania (np. wykrywanie guza w TK).
- Pomocnik, a nie zastępstwo. Rola AI zostanie sprowadzona do rutynowej analityki, sprawdzania poprawności wypełniania kart i szybkiego wyszukiwania informacji w bazach danych, pozostawiając złożone rozumowanie diagnostyczne człowiekowi.
Jak słusznie zauważył jeden z recenzentów badania, nawet jeśli technologie nauczą się poprawnie odpowiadać na większość zapytań, statystycznie istotna liczba błędów pozostanie. „Halucynacje” AI w dziedzinie, w której ceną błędu jest życie pacjenta, są niedopuszczalne. Dlatego pomimo „przełomu” w przetwarzaniu danych, stawianie diagnozy jeszcze długo pozostanie prerogatywą człowieka.
— Editorial Team
