Kliniczny tandem pod nadzorem: kiedy AI rzeczywiście wspiera lekarza

Lekarz kontra algorytm to fałszywa alternatywa. Prawdziwa gra toczy się o to, jak połączyć intuicję chirurga z chłodną obliczeniowością procesora, by system nie stał się dla personelu kolejnym utrudnieniem. Najnowszy przegląd literatury naukowej opublikowany w npj Digital Medicine, obejmujący analizę aż 140 badań empirycznych i 17 tysięcy rekordów z ostatniej dekady, przynosi jasną konkluzję: sama precyzja algorytmu nic nie znaczy bez precyzyjnego wkomponowania go w realny obieg pracy szpitalnej.

Temat nabiera krytycznej wagi właśnie teraz, gdy wchodzi w życie unijny AI Act. Regulacje te wymuszają na placówkach medycznych ścisły nadzór ludzki i pełne bezpieczeństwo danych, podczas gdy sukces kliniczny zależy od tzw. skalibrowanego zaufania. Bez jasnej odpowiedzialności zawodowej lekarza, nawet najszybszy system pozostaje tylko kosztowną ciekawostką, która zamiast pomagać, generuje szum informacyjny.

Skuteczność mierzona w procentach

Liczby bronią technologii, o ile używamy jej z głową. Dane z 2024 roku pokazują, że klinicyści współpracujący z AI osiągają średnio 82-85% trafności diagnostycznej. To odczuwalny skok względem 75% notowanych przy tradycyjnych metodach pracy. Jeszcze ciekawiej wyglądają wyniki w modelu „AI-second”, gdzie lekarz najpierw stawia własną diagnozę, a potem weryfikuje ją z maszyną. Takie podejście poprawia wyniki w podejmowaniu decyzji klinicznych aż o 14,9%. Eksperci z Google DeepMind podkreślają: „Kluczem do sukcesu wydaje się być staranne projektowanie interakcji człowiek-AI, uwzględniające zarówno mocne strony obu stron, jak i potencjalne pułapki”.

Luka między paragrafem a praktyką

Autorzy opracowania punktują rozdźwięk między oczekiwaniami regulatorów z WHO a rzeczywistością badawczą. Przepisy kładą nacisk na nadzór, ale większość testów sprawdza krótkoterminowe parametry techniczne. Pomija się realny wpływ na zdrowie pacjenta czy obciążenie poznawcze personelu. Przykładowo, analizy genomów przez AI potrafią być od 80 do nawet 100 razy szybsze niż te wykonywane przez ludzi, co teoretycznie odciąża system. Jednak w praktyce to, co działa w szybkiej diagnostyce genetycznej, bywa kompletnie nieadekwatne przy skomplikowanych decyzjach terapeutycznych, gdzie kontekst życiowy pacjenta jest nieuchwytny dla kodu.

Odpowiedzialność, której nie da się oddelegować

Współczesna medycyna nie potrzebuje kolejnej „czarnej skrzynki”. Dokumenty PAN i raporty kliniczne wskazują, że sam nadzór to za mało. Jak twierdzą autorzy raportu w npj Digital Medicine: „Sam nadzór człowieka jest niewystarczający, jeśli nie idzie za nim możliwość zakwestionowania sugestii algorytmu oraz pełna identyfikowalność ścieżki decyzyjnej”. Chodzi o tzw. contestability – prawo lekarza do powiedzenia „nie” maszynie i posiadania dowodów na to, dlaczego tak uważa.

• AI najlepiej sprawdza się w zadaniach o sztywnych ramach, jak segregacja pacjentów (triaż).
• Automatyzacja dokumentacji uwalnia czas dla pacjenta, nie odbierając lekarzowi decyzyjności.
• Interpretacja obrazów medycznych przez AI powinna pełnić rolę asysty, nie ostatecznego werdyktu.

Przyszłość technologii w ochronie zdrowia zależy od tego, czy uda się upodobnić te narzędzia do wsparcia rzemieślniczego. Maszyna ma przejąć żmudne i powtarzalne procesy, pozwalając człowiekowi zostać w centrum opieki. Tylko w tym modelu możemy mówić o realnym postępie, a nie o medialnym gadżecie, który ładnie wygląda w statystykach, ale zawodzi przy szpitalnym łóżku.