Sztuczna inteligencja przyspiesza diagnostykę i prace nad nowymi lekami. Algorytmy potrzebują testów na rzeczywistych danych pacjentów

Coraz mocniej do ochrony zdrowia wkracza sztuczna inteligencja. W Polsce w 2024 roku korzystało z niej już 13,2 proc. szpitali, czyli niemal dwukrotnie więcej niż rok wcześniej – wynika z badania Centrum e-Zdrowia. Najczęściej wykorzystywana jest w diagnostyce obrazowej i laboratoryjnej. Bardzo istotnym aspektem są także prace nad nowymi lekami, które znacząco przyspieszają dzięki algorytmom AI. W wykorzystaniu tej technologii wiodącą rolę będzie odgrywać dostęp do szerokiej bazy danych.

– Sztuczna inteligencja już w praktyce jest stosowana w systemie ochrony zdrowia. Myślę, że jeszcze parę lat zabierze nam, zanim będzie ona wykorzystywana w codziennej praktyce we wszystkich szpitalach, natomiast już dziś widzimy wiele zastosowań, które pomagają zarówno pacjentom, jak i lekarzom, np. na etapie diagnostyki – mówi agencji Newseria Adam Krenke, dyrektor ds. strategii w Roche Polska.

Według danych Centrum e-Zdrowia najczęściej AI wspiera radiologów w analizie tomografii komputerowej, a także pomaga w podejmowaniu decyzji klinicznych. Dzięki temu skraca się czas potrzebny na postawienie diagnozy, a tym samym rośnie szansa na szybsze wdrożenie terapii. Coraz częściej pojawiają się też rozwiązania oparte na AI wspierające obsługę pacjentów, np. chatboty, czy analizę danych z elektronicznej dokumentacji medycznej. W całym sektorze, nie tylko w szpitalach, narzędzia AI wdraża ok. 4,7 proc. podmiotów leczniczych, co pokazuje, że skala wdrożeń wciąż rośnie, ale pozostaje ograniczona poza dużymi ośrodkami.

Eksperci podkreślają, że sztuczna inteligencja nie zastąpi lekarzy, ale będzie ich realnym wsparciem – od przewidywania pogorszenia stanu pacjenta, przez analizę interakcji lekowych, po wsparcie w komunikacji z chorymi. Aby jednak rozwiązania te były skuteczne, muszą powstawać w ścisłej współpracy środowiska naukowego, klinicznego i technologicznego. Roche rozwija koncepcję „Lab in the Loop”, w której dane z badań laboratoryjnych i klinicznych służą do trenowania modeli AI wspierających tworzenie nowych leków. Te modele wskazują kolejne kroki eksperymentalne, co przyspiesza proces odkrywania nowych terapii.

– Proces tworzenia nowego leku zajmuje ponad 10 lat i pochłania kilka miliardów dolarów. Ludzki organizm składa się z 37 bln komórek, mamy 10 tys. różnych rodzajów komórek w ciele, 20 tys. genów, które tworzą nasze ciało, i komórki, czytając odpowiedni fragment tego genomu, odpowiadają na niego, więc liczba kombinacji, które mogą pójść nie tak w tym procesie, jest niewiarygodnie duża. Jeżeli już mamy zidentyfikowaną chorobę, to samych małych cząsteczek, które mogą być potencjalnie kandydatami na lek, jest 10⁶⁰ – tłumaczy Adam Krenke.

Dzięki sztucznej inteligencji możliwe jest nie tylko szybsze typowanie obiecujących cząsteczek, ale i trafniejsze przewidywanie odpowiedzi pacjentów na leczenie. Takie podejście zwiększa szanse na skuteczne terapie w onkologii, neurologii czy chorobach autoimmunologicznych.

– Stworzyliśmy algorytm wytrenowany na bazie wszystkich eksperymentów, które dotychczas w firmie Roche były przeprowadzone na przestrzeni lat. Mierząc się z nowym problemem, pytamy algorytm: wygeneruj nam wszystkie możliwe cząsteczki, które potencjalnie są w stanie adresować nam dany cel terapeutyczny. Później zawężamy te wyniki i kilkaset tych najbardziej obiecujących syntetyzujemy, wprowadzamy do laboratorium i badamy. Na bazie tych wyników możemy zasilić nimi algorytm, stworzyć kolejne zapytanie i cały czas ulepszać te propozycje – podkreśla przedstawiciel Roche.

Kluczowe znaczenie dla rozwoju AI ma reprezentatywność danych, na których uczą się algorytmy.

– Niezwykle ważne jest to, żeby dane polskich pacjentów były udostępniane, oczywiście w bezpieczny, zanonimizowany sposób, aby te algorytmy, które są trenowane z wykorzystaniem tych danych, mogły odzwierciedlać specyfikę naszej populacji – tłumaczy Adam Krenke.

Obecnie znacząca część danych, na których trenowane są globalne algorytmy, pochodzi z populacji amerykańskich czy zachodnioeuropejskich. Włączenie zanonimizowanych danych klinicznych z polskich szpitali pozwoli na dokładniejsze odwzorowanie specyfiki lokalnej i podniesienie jakości wyników. Taki proces już się odbywa w polskich ośrodkach akademickich i klinicznych. Uniwersyteckie Centrum Kliniczne w Gdańsku oraz Gdański Uniwersytet Medyczny prowadzą projekty AI (od predykcji w SOR po systemy monitoringu IoT) i budują środowisko, w którym pomysły można szybko testować i wdrażać do praktyki.

– Mamy bardzo dużą grupę pacjentów, to są dziesiątki czy nawet setki tysięcy hospitalizacji, setki tysięcy wizyt poradnianych, miliony badań laboratoryjnych, setki tysięcy badań obrazowych, dzięki temu mamy w skali roku ogromną bazę pacjentów. Staramy się te dane porządkować, dzięki temu mamy możliwość pracy z danymi i rozwijania narzędzi AI – mówi Dariusz Szplit, kierownik Działu Innowacji, Analityki i Wdrożeń Technologii Medycznych Uniwersyteckiego Centrum Klinicznego w Gdańsku. 

Takie podejście pozwala sprawdzić, jak globalne algorytmy radzą sobie na polskich danych klinicznych, i daje szansę na odkrycie nowych wzorców diagnostycznych. Poland Healthcare Datathon 2025 stał się przestrzenią, w której środowisko naukowe, lekarze i inżynierowie mogą wspólnie opracowywać innowacyjne rozwiązania dla medycyny. To wydarzenie pomaga przełożyć potencjał sztucznej inteligencji na praktyczne narzędzia wspierające diagnostykę i leczenie pacjentów. Część programu odbyła się w formule hackathonu – uczestnicy zmierzyli się z analizą rzeczywistych, zanonimizowanych danych klinicznych z Uniwersyteckiego Centrum Klinicznego, poszukując nowych metod interpretacji i praktycznych zastosowań AI w ochronie zdrowia.

W ramach wydarzenia przeprowadzono LLM-a-thon – pierwszą w Polsce ocenę dużych modeli językowych, takich jak Claude, DeepSeek czy MediChat AI, w języku polskim i na lokalnych danych medycznych dotyczących chorób neurologicznych.

– Szukaliśmy odpowiedzi na pytanie, na ile precyzyjnie modele sztucznej inteligencji, dostępne dziś dla pacjentów, są w stanie odpowiedzieć na pytania, z którymi mierzą się pacjenci ze stwardnieniem rozsianym. Choć stosowanie modeli językowych na własną rękę jest niewskazane, to taka ewaluacja służy edukacji oraz podnoszeniu świadomości społeczeństwa na ten temat. Tak samo porównamy, czy i na ile odpowiedzi udzielane właśnie przez algorytmy sztucznej inteligencji są w stanie pomóc lekarzom w udzieleniu pełnej holistycznej informacji pacjentom – wskazuje Adam Krenke.

– Tworząc tak duże bazy danych i systematyzując dane pacjentów, mamy unikalną możliwość przekazania ich w bardzo konkretnej, obwarowanej prawnie i zanonimizowanej formie, w celu tworzenia rozwiązań przemysłowych czy technicznych. Dlatego ta współpraca z firmami czy politechniką jest dla nas całkowicie naturalna – wskazuje Dariusz Szplit.

Takie inicjatywy jak Datathon pozwalają nie tylko testować algorytmy na rzeczywistych danych, ale też wypracowywać praktyczne rozwiązania przydatne w codziennym funkcjonowaniu szpitala. Obecnie w Uniwersyteckim Centrum Klinicznym i na Gdańskim Uniwersytecie Medycznym trwają testy systemu AdmedVoice, który zapisuje to, co mówi lekarz, i odpowiednio to kataloguje. Przykładowo w trakcie wizyty pacjenta lekarz nie będzie musiał poświęcać czasu na wypełnianie formularzy, szukanie informacji czy wystawianie recept, bo zrobi to za niego AI. Dzięki temu więcej czasu będzie mógł poświęcić osobie potrzebującej pomocy. AdmedVoice sprawdzi się również na sali operacyjnej. Po zabiegu czy wielogodzinnej operacji lekarze nie będą musieli uzupełniać własnoręcznie kartoteki pacjenta.

– Teraz pracujemy nad rozwiązaniem IoT, które monitoruje zarówno parametry pacjenta, jak i jego położenie w oddziale ratunkowym. Przykładowo pozwala to na uniknięcie sytuacji, w której pacjent opuści w sposób nieoczekiwany oddział ratunkowy, szczególnie dotyczy to osób starszych, które mogą się nie orientować w przestrzeni  – wskazuje kierownik Działu Innowacji, Analityki i Wdrożeń Technologii Medycznych UCK w Gdańsku. – Ciekawym przykładem jest zastosowanie AI w polipragmazji. To jest bardzo praktyczne wykorzystanie AI – pacjenci zażywają bardzo dużo leków, przynoszą je do szpitala z domu, biorą leki w domu, lekarze czasem nie do końca wiedzą, jakie leki zażywają pacjenci. Jeśli nam się uda to zaewidencjonować oraz połączyć z informacjami o lekach szpitalnych,  AI może nas wspomóc w tym, żeby przeprowadzić taką analizę.

Przeczytaj także: Sztuczna inteligencja coraz skuteczniejsza w interpretacji wyników badań i leczeniu. Potrzebna edukacja specjalistów i pacjentów

Źródło: biznes.newseria.pl

Last Updated on 14 października, 2025 by Krzysztof Kotlarski