Science: Sztuczna inteligencja po raz pierwszy przewyższyła lekarzy w klinicznym rozumowaniu na prawdziwych przypadkach nagłych
Badanie opublikowane w Science wykazało, że duży model językowy OpenAI o1 przewyższył certyfikowanych lekarzy w stawianiu diagnoz, szczególnie w warunkach triażu nagłego z niepełnymi danymi. W podwójnie ślepym teście na prawdziwych historiach chorób dokładność AI była wyższa, a lekarze nie byli w stanie odróżnić jej wniosków od ludzkich.
Artykuł w Science z 30 kwietnia 2026 roku to nie tylko benchmark. To precedens prawny zapakowany w protokół naukowy. Zespół Brodera i Manrai nie tylko udowodnił, że maszyna stawia diagnozy lepiej niż lekarz; stworzył bazę dowodową, która w perspektywie 5–7 lat zmieni standardy zaniedbania medycznego i – ironicznie – uczyni korzystanie z AI przez lekarza nie prawem, a obowiązkiem.
Istota: co naprawdę się dzieje
Badanie opublikowane w Science po raz pierwszy porównało OpenAI o1 z setkami żyjących lekarzy w ślepym teście na prawdziwych przypadkach nagłych z Beth Israel Deaconess Medical Center. Wynik: na etapie triażu, gdy danych jest minimum, dokładność modelu wyniosła 67,1% wobec 55,3% i 50,0% u dwóch lekarzy prowadzących. Recenzenci odgadywali, kto napisał opinię – człowiek czy maszyna – tylko w 15% przypadków.
Ale kluczowe nie są nawet liczby. Model o1-preview uzyskał 89% w testach Grey Matters dotyczących taktyki postępowania, podczas gdy lekarze z dostępem do GPT-4 osiągnęli 41%, a lekarze z konwencjonalnymi narzędziami – 34%. Oznacza to, że obecność żywego specjalisty między pacjentem a algorytmem nie poprawiała, a pogarszała wynik. Czynnik ludzki – pewność siebie, zniekształcenia poznawcze, zmęczenie – działał nie jako filtr, ale jako przeszkoda.
Chronologia i kontekst
Droga do tej publikacji zajęła 65 lat. W 1959 roku Ledley i Lusted opublikowali w Science artykuł proponujący uznanie złożonych przypadków klinicznych za złoty standard oceny medycznych systemów komputerowych. Od tego czasu każda technologia – od naiwnego Bayesa po symptom-checkery – przechodziła test na zadaniach z NEJM.
Do 2023 roku maszyny przegrywały z lekarzami tak wyraźnie, że grupy kontrolne z ludzi były niepotrzebne. GPT-4 po raz pierwszy pokazał wyniki wymagające porównania z człowiekiem. W 2025 roku OpenAI wydało o1-preview – model z krokowym wnioskowaniem logicznym (chain-of-thought), a na początku 2026 – pełny o1. Badacze z Harvardu zdążyli przeprowadzić eksperymenty w wąskim oknie między premierą modelu a jego dezaktualizacją: dziś w laboratoriach testuje się już o3 i GPT-5.3 z możliwościami multimodalnymi.
Ważny szczegół chronologiczny: manuskrypt został przyjęty w kwietniu, a w maju świat dyskutuje o nim z opóźnieniem o pokolenie technologiczne. To, co czytamy teraz, to wczorajszy dzień branży.
Kto wygrywa, a kto przegrywa
Wygrywają:
OpenAI. Badanie opublikowano w Science, a nie w wąsko specjalistycznym czasopiśmie medycznym. Daje to firmie nie kliniczny, ale reputacyjny aktyw: narracja „model myśli jak lekarz” przekształca się w „myśli lepiej niż lekarz”. Szacunkowa wartość OpenAI po zamknięciu rundy w maju 2026 roku zbliża się do 400 miliardów USD, a każda taka publikacja dodaje do mnożnika 0,2–0,3x.
Startupy medyczne budujące „drugą opinię” jako usługę. Przed publikacją ich produkt był opcjonalnym narzędziem. Teraz mają cytat z Science, gdzie AI bez lekarza przewyższa lekarza z internetem. Otwiera to rynek sprzedaży B2B do szpitali o wartości 8,4 miliarda USD.
Pacjenci z rzadkimi i złożonymi diagnozami. Model w przypadkach CPC uwzględniał prawidłową diagnozę na liście różnicowej w 78,3% przypadków, a z uwzględnieniem „bliskich” diagnoz – w 97,9%. Oznacza to, że druga opinia od AI może kosztować 14 dolarów za inferencję zamiast 2500 dolarów za konsultację w Mayo Clinic.
Przegrywają:
Lekarze podstawowej opieki zdrowotnej i medycyny ratunkowej. Badanie metodycznie demontuje tezę obronną „AI to pomocnik, a nie zastępstwo”. Jeśli maszyna przewyższa człowieka właśnie w warunkach niepełnej informacji – a to główny argument na rzecz ludzkiej intuicji – to wartość lekarza przesuwa się z diagnozy na komunikację i wykonywanie procedur. Obniża to rynkową wartość pracy poznawczej w medycynie w horyzoncie 10 lat.
Twórcy tradycyjnych systemów CDS. Wynik 34% dla lekarzy z konwencjonalnymi narzędziami wobec 89% dla o1-preview to wyrok śmierci dla baz wiedzy takich jak UpToDate i Isabel Healthcare, jeśli nie zintegrują modeli wnioskujących w swoim interfejsie w ciągu najbliższych 18 miesięcy.
Producenci specjalistycznego oprogramowania medycznego. Gdy model ogólnego przeznaczenia przewyższa ekspertów na ich własnym polu, niszowe rozwiązania tracą sens. Po co kupować oprogramowanie za 120 000 USD rocznie, skoro subskrypcja API za 800 USD miesięcznie daje lepszy wynik?
Czego media nie mówią
Po pierwsze: autorzy badania mają konflikty interesów, które nie są artykułowane w nagłówkach. Adam Rodman – gościnny badacz w Google DeepMind. Eric Horwitz pracuje w Microsoft. Nie dyskredytuje to wyników, ale wyjaśnia, dlaczego w badaniu testowano właśnie OpenAI o1, a nie konkurencyjne modele. Żadna publikacja tego poziomu nie jest neutralna.
Po drugie: model nie wykazał przewagi w najważniejszej metryce – wykrywaniu „diagnoz, których nie można przeoczyć”. W testach NEJM Healer o1-preview identyfikował stany zagrażające życiu z medianą 0,92, ale różnica w stosunku do lekarzy nie była istotna statystycznie. To bomba z opóźnionym zapłonem: AI może być ogólnie dokładniejsze, ale jeśli pomija zapalenie opon mózgowych lub rozwarstwienie aorty równie często jak człowiek, jego wdrożenie w nagłych przypadkach stwarza ryzyko katastrofalnych błędów.
Po trzecie: koszt inferencji. Badacze wspominają, że przetworzenie jednego przypadku CPC na o1-preview kosztuje od 3,20 do 42,10 USD w zależności od złożoności. Jeśli oddział ratunkowy przyjmuje 200 pacjentów dziennie, uruchomienie modelu na każdym kosztowałoby 640–8 420 USD dziennie, czyli 230 000–3 miliony dolarów rocznie. To porównywalne z pensją jednego-dwóch lekarzy, i administratorzy szpitali będą liczyć właśnie tak.
Po czwarte: badanie testowało tekst, ale medycyna jest multimodalna. Komentarz redakcyjny w Science wprost wskazuje, że GPT-5.3 i Gemini 3.1 Pro już przetwarzają tekst, obrazy, audio i wideo. Oznacza to, że następna publikacja – prawdopodobnie za 6–8 miesięcy – pokaże przewagę modeli multimodalnych nad lekarzami w zadaniach wymagających interpretacji zdjęć i danych fizykalnych. Wyniki Brodera to dolna granica możliwości AI, a nie sufit.
Prognoza: następne 30 dni i 90 dni
30 dni (do 5 czerwca 2026):
Firmy ubezpieczeń medycznych, w tym UnitedHealth Group i Aetna, rozpoczną wewnętrzne testy LLM jako drugiej opinii. Cel: sprawdzić, czy można obniżyć koszty niepotrzebnych konsultacji specjalistycznych. Projekty pilotażowe zostaną uruchomione w 3–5 dużych sieciach, budżet każdego – 2–4 miliony USD.
JAMA i NEJM opublikują artykuły redakcyjne wzywające do ostrożności. Retoryka będzie brzmieć: „imponujące wyniki, ale potrzebne są prospektywne badania”. To standardowa reakcja obronna establishmentu medycznego, który widzi w AI zagrożenie dla swojego monopolu eksperckiego.
OpenAI i Google zintensyfikują negocjacje z FDA w sprawie ram regulacyjnych dla SaMD (Software as a Medical Device) opartych na modelach wnioskujących. Pytanie nie brzmi, czy takie systemy zostaną zatwierdzone, ale jaką klasę ryzyka im przypiszą – II czy III. Od tego zależy koszt wprowadzenia na rynek: 2 miliony USD wobec 15 milionów na badania kliniczne.
90 dni (do 5 sierpnia 2026):
Pojawią się pierwsze preprinty z modelami multimodalnymi w zadaniach klinicznych. Oczekuje się, że GPT-5.3 z dostępem do zdjęć TK i nagrań oddechu przewyższy pulmonologów w diagnostyce śródmiąższowych chorób płuc.
Rozpocznie się cicha integracja LLM jako drugiej opinii na oddziałach ratunkowych pięciu wiodących akademickich ośrodków w USA. Formalnie – jako protokoły badawcze, faktycznie – jako narzędzie pracy. Lekarze będą go używać tak, jak dziś używają UpToDate, ale bez informowania pacjentów.
Kluczowy precedens prawny jeszcze nie nastąpił, ale jego zarysy są już widoczne. Pierwszy pozew sądowy, w którym adwokat zapyta lekarza: „Dlaczego nie skorzystał Pan z drugiej opinii AI, skoro opublikowane w Science dane pokazują jej przewagę w diagnostyce nagłych przypadków?”, zmieni standard opieki medycznej szybciej niż jakiekolwiek wytyczne kliniczne. Badanie Brodera i Manrai stanie się cytowanym dokumentem w sądzie – nie jako praca naukowa, ale jako dowód, że standard opieki ewoluował.
— Editorial Team
