Z ostatniej chwili
- 10 września 2026
Najwięcej emocji wzbudza sformułowanie, że AI zaczyna "diagnozować" pacjentów. W praktyce jej rola ma być bardziej precyzyjna. Algorytm wykonuje analizę obrazu i przekazuje wynik lekarzowi, ale nie zastępuje radiologa ani nie podejmuje samodzielnie decyzji o leczeniu. Może natomiast działać jak dodatkowa para oczu, która bardzo szybko przegląda setki obrazów i zwraca uwagę na subtelne nieprawidłowości. W przypadku udaru, podejrzanej zmiany nowotworowej czy poważnego urazu nawet skrócenie czasu potrzebnego do zauważenia problemu może mieć duże znaczenie dla dalszej diagnostyki.
Podstawą systemowego wdrożenia ma być Platforma Usług Inteligentnych, przygotowywana przez Centrum e-Zdrowia. Nie jest to pojedynczy program działający w jednym szpitalu, lecz infrastruktura pozwalająca podmiotom leczniczym korzystać z różnych wyspecjalizowanych modeli AI. Każdy z nich będzie przeznaczony do określonego zadania diagnostycznego. Jeden może analizować mammografię, inny tomografię klatki piersiowej, a kolejny zdjęcia RTG wykonywane po urazach. Wynik analizy ma następnie trafiać do lekarza jako element wspierający opis badania.
Takie podejście różni się od korzystania z ogólnych chatbotów czy popularnych narzędzi generatywnej AI. W diagnostyce medycznej potrzebne są modele przeznaczone do konkretnego zastosowania, odpowiednio zwalidowane i spełniające wymagania dla wyrobów medycznych. Lekarz ma wiedzieć, jakie zadanie wykonuje dany algorytm i jakie są ograniczenia jego działania. Dzięki centralnej platformie szpitale nie będą musiały samodzielnie od podstaw budować całej infrastruktury potrzebnej do każdego kolejnego rozwiązania.
Ministerstwo Zdrowia wskazało pięć pierwszych obszarów. AI ma wykrywać patologie w tomografii komputerowej klatki piersiowej, analizować badania obrazowe mózgu pod kątem zmian niedokrwiennych i krwotocznych, wspierać rozpoznawanie zmian pourazowych kości na zdjęciach RTG, poszukiwać zmian nowotworowych w mammografii oraz analizować klasyczne RTG klatki piersiowej. Są to badania wykonywane w polskich szpitalach każdego dnia w bardzo dużej liczbie.
Dobór tych zastosowań nie jest przypadkowy. Diagnostyka obrazowa opiera się na analizie ogromnej ilości danych wizualnych, a właśnie w rozpoznawaniu wzorców na obrazach modele sztucznej inteligencji rozwijają się szczególnie szybko. Pojedyncza tomografia może obejmować setki przekrojów, które lekarz musi dokładnie przejrzeć. AI może wykonać wstępną analizę praktycznie natychmiast i oznaczyć te fragmenty, które według modelu wymagają szczególnej uwagi radiologa.
Jednym z najważniejszych zastosowań ma być analiza badań wykonywanych przy podejrzeniu udaru. Algorytmy mają pomagać rozpoznawać zmiany niedokrwienne oraz krwotoczne w obrazowaniu mózgu. W ostrych stanach neurologicznych czas ma szczególne znaczenie, ponieważ część metod leczenia można zastosować tylko w określonym czasie od początku objawów. Im szybciej lekarze otrzymają informację o charakterze zmian, tym szybciej można zdecydować o dalszym postępowaniu.
Dużą wartością AI może być również automatyczne nadawanie badaniom priorytetu. Na radiologa dyżurującego w szpitalu może czekać jednocześnie wiele badań o różnym stopniu pilności. Jeśli system rozpozna obraz mogący odpowiadać świeżemu krwawieniu albo zmianom związanym z udarem, może przesunąć badanie wyżej w kolejce do oceny. Algorytm nie decyduje wtedy o trombolizie, trombektomii czy innym leczeniu, ale pomaga szybciej skierować uwagę lekarza na pacjenta, dla którego każda minuta może mieć znaczenie.
Wykrywanie zmian nowotworowych piersi jest jednym z oficjalnie wskazanych zastosowań nowych narzędzi. AI może analizować mammogram i zaznaczać obszary, które na podstawie wyuczonych wzorców wyglądają podejrzanie. Może to dotyczyć na przykład niewielkich zagęszczeń, zaburzeń architektury tkanki czy innych zmian wymagających szczegółowej oceny. Radiolog otrzymuje dzięki temu dodatkową informację podczas interpretacji badania.
Nie oznacza to jednak, że czerwony znacznik wygenerowany przez program będzie diagnozą raka. W piersiach występują liczne zmiany łagodne, a część obrazów wymaga porównania z wcześniejszą mammografią, dodatkowego USG, rezonansu lub biopsji. AI może zarówno zgłosić zmianę, która ostatecznie okaże się niegroźna, jak i nie zauważyć nieprawidłowości. Ostateczna interpretacja obrazu i decyzja o dalszej diagnostyce pozostają więc zadaniem lekarza.
Tomografia komputerowa klatki piersiowej jest bardzo szczegółowym badaniem, w którym lekarz analizuje płuca, drogi oddechowe, śródpiersie i inne widoczne struktury na dużej liczbie przekrojów. Model AI może automatycznie przeszukiwać cały materiał i oznaczać miejsca odbiegające od prawidłowego obrazu. Jednym z ważnych zastosowań jest pomoc w wykrywaniu zmian mogących mieć charakter nowotworowy, w tym niewielkich guzków płuca.
Algorytm może również zwracać uwagę na inne patologie widoczne w klatce piersiowej, zależnie od dokładnego zakresu certyfikowanego modelu. Nie każda znaleziona nieprawidłowość oznacza jednak nowotwór. Niewielkie guzki płucne są stosunkowo częste i wiele z nich ma charakter łagodny. Dlatego AI przede wszystkim pomaga znaleźć i zmierzyć zmianę, natomiast jej znaczenie ocenia lekarz, uwzględniając wygląd, wielkość, wcześniejsze badania oraz sytuację kliniczną pacjenta.
Tak. To jeden z obszarów, w którym sztuczna inteligencja może mieć szczególnie duże znaczenie ze względu na liczbę wykonywanych badań. Zdjęcia RTG klatki piersiowej powstają codziennie na SOR-ach, oddziałach, w poradniach i w diagnostyce ambulatoryjnej. Radiolog musi ocenić obraz pod kątem licznych potencjalnych patologii, a algorytm może wykonywać dodatkową automatyczną analizę jeszcze zanim lekarz przygotuje ostateczny opis.
Największą zaletą może być połączenie wykrywania nieprawidłowości z priorytetyzacją kolejki. Jeśli większość oczekujących zdjęć wygląda prawidłowo lub przedstawia zmiany niewymagające natychmiastowej reakcji, a jedno zawiera cechy poważnej patologii, system może zwrócić na nie szczególną uwagę. Nie eliminuje to konieczności opisania pozostałych badań, ale pozwala lepiej zarządzać czasem specjalisty i potencjalnie szybciej reagować na przypadki pilne.
Modele AI mają również wspierać diagnostykę zmian pourazowych układu kostnego. Zdjęcia wykonywane po upadkach, wypadkach i urazach należą do podstawowych badań w szpitalnych oddziałach ratunkowych. Część złamań jest bardzo wyraźna, jednak niektóre pęknięcia mogą być subtelne, szczególnie gdy nie doszło do istotnego przemieszczenia fragmentów kości albo zmiana znajduje się w trudnym anatomicznie miejscu.
AI może zaznaczyć obszar podejrzany o złamanie i zasugerować lekarzowi dokładniejsze przyjrzenie się konkretnemu fragmentowi obrazu. Taka funkcja działa podobnie do dodatkowego sprawdzenia badania przez drugiego obserwatora. Nie oznacza jednak, że brak alarmu ze strony programu automatycznie wyklucza uraz. Jeżeli objawy kliniczne pacjenta pozostają niepokojące, lekarz nadal może zlecić dodatkowe projekcje RTG, tomografię, rezonans lub inne badania niezależnie od wyniku modelu.
Nie. Oficjalnie Platforma Usług Inteligentnych jest przedstawiana jako cyfrowy asystent radiologa. Jej zadaniem jest wspieranie diagnostyki, a nie przejęcie odpowiedzialności za cały proces. Algorytm może znaleźć zmianę, zaznaczyć ją, dokonać pomiarów, zaproponować elementy opisu albo nadać badaniu priorytet. Lekarz nadal musi zobaczyć obrazy, ocenić wynik AI i połączyć go z pozostałymi informacjami dotyczącymi pacjenta.
Radiolog dysponuje również kontekstem, którego pojedynczy model nie zawsze posiada. Wie, dlaczego badanie zostało wykonane, zna opis objawów, może porównywać je z wcześniejszym obrazowaniem i oceniać kilka chorób jednocześnie. W medycynie bardzo często istotne jest także to, czego algorytm nie został zaprojektowany do szukania. Dlatego najbardziej prawdopodobnym kierunkiem jest współpraca lekarza z AI, a nie stworzenie oddziału radiologii działającego bez specjalistów.
Nie. Wynik modelu AI jest informacją pomocniczą. Algorytm może określić prawdopodobieństwo określonej patologii, wskazać podejrzany obszar lub zasugerować, że badanie powinno zostać szybko przejrzane przez specjalistę. To wciąż nie jest równoznaczne z diagnozą wpisywaną do dokumentacji pacjenta i decyzją o rozpoczęciu konkretnego leczenia. Ostateczna interpretacja wymaga udziału personelu medycznego.
Ma to szczególne znaczenie w onkologii. Podejrzana zmiana w mammografii czy tomografii nie oznacza jeszcze rozpoznania nowotworu. Często konieczne są kolejne badania, a ostateczne potwierdzenie choroby może wymagać pobrania materiału do oceny histopatologicznej. Podobnie w neurologii sama analiza obrazu jest tylko jednym z elementów oceny pacjenta. AI może przyspieszyć diagnostykę, ale nie skraca całej medycyny do pojedynczej automatycznej odpowiedzi "choroba jest" albo "choroby nie ma".
Każdy system diagnostyczny może generować wyniki fałszywie dodatnie i fałszywie ujemne. Wynik fałszywie dodatni pojawia się wtedy, gdy algorytm zaznacza podejrzaną zmianę, która ostatecznie okazuje się niegroźna. Wynik fałszywie ujemny oznacza sytuację odwrotną - patologia jest widoczna, ale model jej nie zgłasza. Dlatego nawet wysoka skuteczność wykazana podczas walidacji nie oznacza stuprocentowej bezbłędności w każdym badaniu.
Właśnie z tego powodu lekarz nie powinien przestawać samodzielnie oceniać obrazów tylko dlatego, że system AI nie zgłosił alarmu. Istnieje ryzyko tak zwanego nadmiernego zaufania do automatyzacji, kiedy człowiek zaczyna przyjmować sugestię komputera bez odpowiedniej kontroli. Bezpieczne wdrożenie powinno działać odwrotnie - dodać kolejną warstwę kontroli, a nie zastępować doświadczenie specjalisty mechanicznym zatwierdzaniem wyniku algorytmu.
SOR jest środowiskiem, w którym jednocześnie pojawia się bardzo wielu pacjentów, a ich stan może zmieniać się szybko. Badania obrazowe wykonywane są przez całą dobę, również w nocy i w dni wolne. Radiolog może mieć jednocześnie do oceny badania pacjentów po urazach, z podejrzeniem udaru, dusznością, bólem w klatce piersiowej i wieloma innymi problemami. Nie każde z nich jest równie pilne.
AI może pomóc we wstępnym uporządkowaniu tej kolejki. Jeśli algorytm analizujący mózg zobaczy cechy możliwego krwawienia albo model RTG zauważy poważny uraz, system może oznaczyć badanie jako wymagające szybszej oceny. Nie zastępuje to medycznego triage prowadzonego na SOR, ale dodaje informację pochodzącą bezpośrednio z obrazu. Dla przypadków, w których opóźnienie o kilkadziesiąt minut może mieć znaczenie, taka możliwość jest szczególnie wartościowa.
To jeden z głównych oczekiwanych efektów. Automatyczna analiza może wykonywać część powtarzalnej pracy, wskazywać najważniejsze fragmenty obrazu i pomagać w przygotowywaniu propozycji elementów opisu. Dzięki temu radiolog może szybciej przechodzić przez dużą liczbę badań, szczególnie tych bardziej typowych. Jeśli podobna oszczędność pojawi się przy tysiącach badań, ta sama liczba lekarzy może potencjalnie obsłużyć większą liczbę pacjentów.
Nie oznacza to jednak automatycznego zniknięcia kolejek do tomografii czy mammografii. Na czas oczekiwania wpływa również liczba aparatów, techników elektroradiologii, dostępnych godzin pracy, finansowanie świadczeń i organizacja konkretnej placówki. AI może przyspieszyć przede wszystkim analizowanie już wykonanego badania. Jest narzędziem zwiększającym możliwości istniejącego systemu, ale nie zastąpi inwestycji w sprzęt, kadry i dostępność świadczeń.
Ministerstwo Zdrowia określiło maksymalną liczbę podmiotów leczniczych, które mogą korzystać z narzędzi dostępnych na Platformie Usług Inteligentnych, na 400. Chodzi o szpitale udzielające świadczeń finansowanych ze środków publicznych. To skala zdecydowanie większa niż lokalny pilotaż w kilku najbardziej zaawansowanych ośrodkach i może pozwolić na rozpowszechnienie technologii również poza największymi miastami.
Nie oznacza to jednak, że wszystkie placówki od pierwszego dnia otrzymają identyczny zestaw narzędzi i natychmiast zaczną wysyłać każde badanie do AI. Szpitale różnią się profilem działalności, liczbą wykonywanych badań oraz posiadaną infrastrukturą. Ośrodek prowadzący dużą diagnostykę onkologiczną może szczególnie wykorzystywać mammografię i TK, natomiast szpital z dużym SOR-em może mocniej korzystać z analizy urazów i badań mózgu. Centralna platforma ma umożliwić dopasowanie usług do potrzeb placówki.
Potencjalnie tak. Największe szpitale kliniczne często posiadają bardziej rozbudowane działy IT, duże zespoły radiologów i środki umożliwiające samodzielne wdrażanie nowych technologii. Mniejsza placówka może mieć znacznie większy problem z zakupem kilku oddzielnych systemów AI, ich integracją, utrzymaniem oraz oceną, czy poszczególne rozwiązania spełniają wszystkie wymagania.
Centralna platforma może ograniczyć tę różnicę. Jeśli certyfikowane modele będą dostępne poprzez wspólną infrastrukturę, mniejszy szpital nie będzie musiał samodzielnie budować całego środowiska dla każdego algorytmu. Może to być szczególnie istotne w regionach, w których dostęp do specjalistów jest mniejszy. AI nie tworzy oczywiście dodatkowego radiologa, ale może pomóc istniejącemu zespołowi szybciej analizować badania oraz sprawniej identyfikować przypadki wymagające pilnej konsultacji.
Obrazy medyczne należą do danych dotyczących zdrowia i wymagają szczególnej ochrony. Platforma nie ma działać na zasadzie przesyłania zdjęć pacjentów do przypadkowej ogólnodostępnej usługi AI. Ma być częścią infrastruktury e-zdrowia, a wykorzystywane modele mają stanowić certyfikowane rozwiązania przeznaczone do zastosowań medycznych. Kontrola dostępu, bezpieczeństwo transmisji i możliwość ustalenia, kto korzystał z danych, będą więc podstawowymi elementami całego systemu.
Ryzyko cybernetyczne nie znika jednak tylko dlatego, że rozwiązanie jest centralne. Szpitale należą do instytucji szczególnie atrakcyjnych dla cyberprzestępców, ponieważ przechowują ogromną ilość wrażliwych informacji. Rozwój systemów AI musi dlatego iść równolegle z zabezpieczaniem sieci, urządzeń, kont użytkowników i integracji pomiędzy systemami. Bezpieczeństwo medycznej AI to nie tylko pytanie o trafność algorytmu, ale również o ochronę danych pacjentów przed nieuprawnionym dostępem.
Wykorzystanie sztucznej inteligencji nie zmienia tego, że dokumentacja medyczna i ostateczny wynik badania pozostają elementem procesu prowadzonego przez podmiot leczniczy. W praktyce sposób informowania pacjenta o użyciu dodatkowego narzędzia może zależeć od organizacji konkretnej usługi i obowiązujących wymogów. Z punktu widzenia pacjenta najważniejsze jest jednak to, że za ocenę kliniczną nadal odpowiada personel medyczny, a nie anonimowy algorytm.
Wraz z rozpowszechnianiem AI można oczekiwać coraz większej potrzeby transparentności. Pacjenci będą chcieli wiedzieć, czy badanie analizował model, jaką funkcję pełnił i kto zatwierdził ostateczny wynik. Takie informacje mogą mieć znaczenie dla zaufania do nowych technologii. Najgorszym rozwiązaniem byłoby przedstawianie AI jako magicznego systemu, który "wie lepiej". Powinna być traktowana jak jedno z narzędzi wykorzystywanych przez lekarza podczas diagnostyki.
Potencjalnie tak, szczególnie w sytuacjach, gdy zmiana jest niewielka, a lekarz analizuje bardzo dużą liczbę badań. Drugi niezależny mechanizm sprawdzający obraz może zwrócić uwagę na fragment, który warto ponownie przeanalizować. Centrum e-Zdrowia wskazuje właśnie wykrywanie subtelnych patologii jako jedno z oczekiwanych zastosowań PUI. Technologia może być więc dodatkową barierą chroniącą przed częścią przeoczeń.
Nie można jednak powiedzieć, że AI po prostu usuwa ryzyko błędu. Sama może generować błędne wskazania. Może również wpływać na decyzję lekarza, który zbyt mocno zaufa sugestii algorytmu. Najlepszy wynik powinien pojawić się wtedy, gdy mocne strony obu stron się uzupełniają - komputer szybko analizuje bardzo dużą ilość danych i wykrywa określone wzorce, natomiast człowiek interpretuje je w szerszym kontekście i potrafi zakwestionować wynik, który nie pasuje do sytuacji klinicznej.
Tak, ponieważ różnica między pojedynczymi wdrożeniami a centralną platformą dostępną dla setek szpitali jest bardzo duża. Narzędzia AI były już wcześniej używane punktowo w polskich placówkach, ale PUI ma stworzyć mechanizm ich systemowego udostępniania. Oznacza to, że technologia może stopniowo stać się zwykłym elementem pracy radiologa, podobnie jak wcześniej cyfrowe systemy przechowywania i przeglądania badań zastąpiły tradycyjne klisze.
Pierwszym testem będzie diagnostyka obrazowa - TK, RTG, mammografia oraz badania mózgu. Jeśli system rzeczywiście skróci czas opisów, poprawi priorytetyzację i pomoże wykrywać subtelne zmiany bez zwiększenia liczby niepotrzebnych alarmów, podobny model może być rozwijany dalej. Najważniejsze pozostanie jednak zachowanie właściwej proporcji. Sztuczna inteligencja może coraz więcej wykrywać i analizować, ale w polskich szpitalach ma przede wszystkim pomagać lekarzom szybciej i trafniej podejmować decyzje dotyczące konkretnych pacjentów.
