OpenAI o1 wykazał przewagę nad lekarzami w diagnozowaniu skomplikowanych przypadków na ostrym dyżurze
Badanie z udziałem lekarzy z Harvardu i Stanforda wykazało, że model LLM o1-preview przewyższył ludzi w diagnozowaniu na podstawie przypadków klinicznych, szczególnie w warunkach ograniczonej informacji na etapie triażu na oddziałach ratunkowych. Model osiągnął dokładność 78,3% w stawianiu diagnoz na podstawie materiałów NEJM.
Nie diagnoza, a demonstracja siły: jak OpenAI o1 ujawnia słabe ogniwo triażu i stawia pytanie o redystrybucję władzy na oddziale ratunkowym
[Sedno]: co naprawdę się dzieje
30 kwietnia 2026 roku czasopismo Science opublikowało badanie, które wielu pospieszyło nazwać „AI pokonało lekarzy”. Nagłówek krzykliwy, ale niedokładny. W rzeczywistości wydarzyło się coś bardziej subtelnego i ważniejszego: OpenAI o1-preview zademonstrował, że jest w stanie przewyższyć certyfikowanych lekarzy internistów właśnie w tym momencie, w którym ludzki umysł jest najbardziej podatny na błędy – w pierwszych minutach przyjęcia pacjenta na oddział ratunkowy, gdy informacji jest krytycznie mało, a cena błędu jest maksymalna.
Naukowcy z Harvardu, Stanforda i Beth Israel Deaconess Medical Center przeprowadzili sześć równoległych eksperymentów. Najbardziej wymowny – nie akademickie winietki, ale 76 rzeczywistych przypadków z oddziału ratunkowego Beth Israel w Bostonie. Model otrzymał dokładnie te same dane, co dwóch lekarzy prowadzących: tekst z elektronicznej karty medycznej, parametry życiowe, kilka linijek od pielęgniarki z izby przyjęć. Żadnego wstępnego przetwarzania, żadnych podpowiedzi.
Na etapie triażu – gdy pacjent dopiero przekracza próg – o1 postawił trafną lub bardzo zbliżoną diagnozę w 67,1% przypadków. Pierwszy lekarz – 55,3%, drugi – 50%. Różnica jest nie tylko istotna statystycznie. Oznacza, że w co szóstym przypadku model proponuje prawidłową odpowiedź tam, gdzie obaj specjaliści się mylą.
Chronologia i kontekst
Badanie Petera G. Brodeura i współpracowników, opublikowane 30 kwietnia 2026 roku, opiera się na metodologii, która korzystnie różni się od poprzedników. Po pierwsze, po raz pierwszy przeprowadzono bezpośrednie porównanie LLM i lekarzy na nieustrukturyzowanych, rzeczywistych danych klinicznych – nie na przypadkach szkoleniowych, ale na chaosie, jakim jest karta medyczna prawdziwego pacjenta. Po drugie, recenzenci nie wiedzieli, czyją odpowiedź oceniają – człowieka czy maszyny. Metoda ślepa się udała: jeden lekarz oceniający odgadł źródło tylko w 15% przypadków, drugi – w 3%.
To ważne, ponieważ poprzednie badania AI w medycynie często krytykowano właśnie za brak „ludzkiego poziomu bazowego” (human baseline) i za ocenę na czystopisach, dalekich od rzeczywistej praktyki klinicznej. Brodeur i współpracownicy zamykają obie te metodologiczne luki.
Kontekst jest jednak szerszy niż jedna publikacja. o1-preview, na którym przeprowadzono większość eksperymentów, nie jest już najnowszym modelem. W momencie publikacji badania OpenAI wypuściło o3. Oznacza to, że wyniki, które zszokowały środowisko medyczne w kwietniu 2026 roku, odzwierciedlają nie szczyt możliwości, a jedynie punkt pośredni na trajektorii, która z każdym miesiącem pnie się w górę.
Kto wygrywa, a kto przegrywa
Wygrywają:
OpenAI i inni twórcy modeli reasoningowych. Badanie w Science to złoty standard walidacji, który otwiera drogę do badań klinicznych i potencjalnie do clearance FDA dla asystentów AI lekarza. Rynek AI w medycynie ratunkowej wyceniany jest na 4,2 miliarda dolarów w 2026 roku, z prognozą wzrostu do 12,8 miliarda dolarów do 2032 roku; badanie Brodeura i in. to katalizator, który może przyspieszyć ten wzrost.
Pacjenci z rzadkimi i złożonymi chorobami. Model wykazał szczególną siłę właśnie tam, gdzie ludzki lekarz napotyka na zniekształcenia poznawcze: efekt zakotwiczenia przy pierwszym wrażeniu, przedwczesne zamknięcie poszukiwań diagnostycznych, wpływ ostatnich doświadczeń. Dla pacjenta z atypową prezentacją zawału lub z toczniem maskującym się jako zatorowość płucna, asystent AI to nie luksus, a ubezpieczenie przed missed diagnosis.
Startupy medyczne budujące systemy wsparcia decyzji oparte na LLM. Publikacja daje im argument w rozmowie z administracją szpitala: „Chcesz zmniejszyć wskaźnik błędów diagnostycznych? Oto Science”.
Przegrywają:
Lekarze oddziałów ratunkowych – ale nie jako zawód, a jako nosiciele dotychczasowego modelu podejmowania decyzji. Badanie wykazało, że największa różnica występuje podczas triażu – właśnie tam, gdzie lekarz musi podjąć decyzję szybko i na podstawie minimalnej ilości informacji. Nie oznacza to, że AI zastąpi lekarza. Oznacza to jednak, że lekarz pracujący bez asystenta AI wkrótce będzie postrzegany tak, jak lekarz niemyjący rąk.
Twórcy rozwiązań AI niekorzystających z architektury reasoningowej. GPT-4o, testowany równolegle z o1, wykazał znacznie słabsze wyniki zarówno na etapie triażu, jak i podczas pierwszego kontaktu lekarskiego. Różnica między pokoleniami modeli (o1-preview przewyższył GPT-4 o 16 punktów procentowych w przypadkach NEJM CPC) oznacza, że firmy, które zainwestowały w poprzednią generację LLM do zastosowań klinicznych, muszą pilnie zaktualizować swój stack.
Sceptycy, którzy twierdzili, że AI nie jest zdolne do myślenia klinicznego. Model uzyskał 89% w zadaniach management reasoning wobec 34% u lekarzy z dostępem do wyszukiwarek. To nie tylko „zgadywanie odpowiedzi”, ale demonstracja zdolności do ważenia sprzecznych informacji i podejmowania decyzji w warunkach niepewności.
Czego media nie dopowiadają
Nieoczywisty insight: główną sensacją badania nie jest diagnoza, a management reasoning.
Wszystkie nagłówki krzyczą o „diagnostyce na SOR” i „67% dokładności przy triażu”. Ale najbardziej szokująca liczba w artykule to 89% wobec 34% w zadaniach management reasoning. Co to takiego? To nie „postaw diagnozę”. To „co robić dalej”: czy przepisać antybiotyk, jak prowadzić rozmowę o końcu życia, jaki jest cel leczenia w kontekście pacjenta.
Thomas Buckley, doktorant HMS uczestniczący w badaniu, wyjaśnia: management reasoning jest trudniejszy niż diagnostyczny, ponieważ wymaga uwzględnienia nie tylko obiektywnych cech przypadku, ale także subiektywnych czynników – kontekstu, preferencji pacjenta, niepewności rokowań. Fakt, że model reasoningowy przewyższa lekarzy właśnie w tym – a nie tylko w przeglądaniu objawów – wskazuje, że AI zaczyna opanowywać terytorium tradycyjnie uważane za „ludzkie”: podejmowanie decyzji w warunkach niepełnej informacji z uwzględnieniem sądów wartościujących.
Drugi insight: model oblał „cannot-miss diagnoses” – i to dobra wiadomość.
Jeden z najmniej omawianych, ale krytycznie ważnych wyników: o1-preview nie przewyższył istotnie statystycznie lekarzy w wykrywaniu „cannot-miss” diagnoz – tych stanów, które zabiją pacjenta w ciągu najbliższych godzin, jeśli zostaną przeoczone. W eksperymencie z przypadkami NEJM Healer model uzyskał pełną punktację w 78 z 80 ocen, ale pod względem bezpieczeństwa – wykrywania tych właśnie zagrożeń cannot-miss – nie różnił się od lekarzy.
To najważniejszy bezpiecznik przed technooptymizmem. Model poszerza diagnostykę różnicową, znajduje rzadkie choroby, ale nie przewyższa człowieka w odsiewaniu najniebezpieczniejszych i najpilniejszych stanów. A właśnie to jest głównym zadaniem lekarza na SOR, jak słusznie zauważa Kristen Panthagani, lekarka medycyny ratunkowej: „Moim głównym celem nie jest odgadnięcie ostatecznej diagnozy, ale ustalenie, czy masz stan, który może cię zabić”.
Prognoza: następne 30 dni i 90 dni
30 dni (do połowy czerwca 2026 roku):
Spodziewane jest, że OpenAI ogłosi wyniki testowania o3 na tej samej baterii testów, która została użyta w opublikowanym badaniu. Biorąc pod uwagę, że o3 jest już dostępny, a badacze wspominają o nim w ograniczeniach, to kwestia najbliższych tygodni. Jeśli o3 wykaże znaczący wzrost w cannot-miss diagnoses, zmieni to ton dyskusji z „AI pomaga, ale nie zastępuje” na „kiedy badania kliniczne?”
Równolegle kilka dużych systemów szpitalnych – prawdopodobnie Mass General Brigham i Mount Sinai – ogłosi uruchomienie prospektywnych badań asystentów AI na oddziałach ratunkowych. David Reich, główny dyrektor kliniczny Mount Sinai, już nazwał badanie „idealnym wezwaniem do działania”.
90 dni (do połowy sierpnia 2026 roku):
Kluczowym katalizatorem będzie publikacja równoległych badań tej samej grupy nad modelami multimodalnymi. Arjun Manrai poinformował, że zespół już testuje AI na obrazach i widzi „szybki postęp”. Jeśli model multimodalny, zdolny do analizy nie tylko tekstu, ale także zdjęć rentgenowskich, wykaże porównywalną lub lepszą jakość w cannot-miss diagnoses, rozmowa przejdzie z płaszczyzny „drugiej opinii” do płaszczyzny „standardu opieki”.
Jednocześnie towarzystwa zawodowe (American College of Emergency Physicians, Society of Hospital Medicine) zaczną wydawać wstępne wytyczne dotyczące integracji AI w kliniczne procesy pracy. Kluczowe pytanie nie będzie brzmiało „czy AI zastępuje lekarza”, ale „kto ponosi odpowiedzialność za błąd, jeśli lekarz odrzucił zalecenie modelu, a pacjent ucierpiał”. Jak zauważył Adam Rodman, „formalny system odpowiedzialności za diagnozy AI obecnie nie istnieje”. Pod koniec lata ta luka prawna stanie się głównym tematem konferencji medycznych.
— Editorial Team
