Sztuczna inteligencja (AI) w ochronie zdrowia przechodzi od fazy eksperymentalnej do roli fundamentalnego elementu nowoczesnej medycyny. Sposób, w jaki dziś uregulujemy dostęp do danych, technologii i finansowania, zdecyduje, czy AI przyczyni się do zmniejszenia nierówności zdrowotnych, czy wręcz przeciwnie – stworzy nową elitarną kastę „superzdrowych”, podczas gdy reszta społeczeństwa poniesie koszty postępu.
„Sztuczna inteligencja nie jest już futurystyczną wizją. Nawet mniejsze szpitale powiatowe wdrażają algorytmy w praktyce klinicznej. Według raportu Centrum e-Zdrowia korzysta z nich już ponad 13 proc. placówek” – mówi Ligia Kornowska, dyrektor ds. innowacji medycznych w Polskiej Federacji Szpitali i liderka inicjatywy Koalicja AI w Zdrowiu.
Algorytmy najczęściej wspierają lekarzy w analizie obrazów medycznych i wczesnym wykrywaniu zmian patologicznych. Liczba wdrożeń podwaja się z roku na rok.
Chociaż AI przyspiesza rozwój medycyny precyzyjnej, odkrywanie nowych leków i diagnostykę, nad sektorem wisi poważne ryzyko, że najbardziej zaawansowane terapie staną się usługą premium, niedostępną dla ogółu.
Wybierz jedno z poniższych pytań i zobacz, jak AI może wpłynąć na medycynę.
HtmlCode
Czytaj także w BUSINESS INSIDER
„Dwa kryzysy w każdym kraju”. Wybitny naukowiec i autor „Sapiens” wieszczy przyszłość z AI
Świat dwóch prędkości: elita superzdrowych kontra reszta
Na tegorocznym Światowym Forum Ekonomicznym w Davos liderzy dyskutowali o zagrożeniu powstania „świata dwóch prędkości”. Chodzi o scenariusz, w którym najbardziej zaawansowane technologie trafiają głównie do najbogatszych systemów i instytucji prywatnych. W kontekście medycyny jest to szczególnie wrażliwa kwestia.
Według Ligii Kornowskiej, kluczowym punktem zwrotnym będzie powszechne wdrożenie analityki predykcyjnej. Stanowi to fundamentalną zmianę paradygmatu: przejście od medycyny reaktywnej do proaktywnej.
- Tekst powstał w ramach akcji redakcyjnej: AI. Kod długowieczności
AI, analizując obszerne zbiory danych, umożliwia nie tyle leczenie, co przewidywanie ryzyka i personalizację profilaktyki. Docelowo takie technologie mogą znacząco wydłużyć okres życia w dobrym zdrowiu i napędzać rozwój trendu długowieczności (longevity).
Ma to również swoją ciemną stronę: „superzdrowie” może stać się luksusem dostępnym tam, gdzie biznes dostrzega największy zwrot z inwestycji. To jednak nie jedyny problem, z którym współczesna medycyna musi się zmierzyć przy wdrażaniu AI.
- Czytaj także: Tyle płacą lekarzom i pielęgniarkom. Liczby wciąż szokują, a w lipcu znowu wzrosną
AI dziedziczy nasze uprzedzenia
Eksperci z branży medycznej, z którymi rozmawiano, są zgodni: podstawowym problemem nie jest sama AI, lecz jej zdolność do doskonałego powielania i wzmacniania błędów zakodowanych w danych.
„Systemy uczą się na podstawie danych historycznych, a te często zawierają istniejące uprzedzenia i nierówności. Jeśli dane wejściowe są niereprezentatywne, algorytmy będą te nierówności po prostu powielać” – tłumaczy dr hab. Piotr Sankowski, dyrektor Instytutu Badawczego IDEAS i profesor w Instytucie Informatyki Uniwersytetu Warszawskiego.
Jak dodaje, największym wyzwaniem jest próba powierzenia sztucznej inteligencji całościowych decyzji dotyczących zarządzania procesem leczenia czy finansowania opieki zdrowotnej.
Algorytmy trenowane na wąskiej grupie danych
Tradycyjna medycyna nie jest wolna od dyskryminacji. Jej standardy przez dekady budowano na ograniczonych populacjach badawczych i w nierównych strukturach społecznych, co pozostawiło w systemie liczne uprzedzenia.
Jednym z najbardziej znanych przykładów jest niedostateczna reprezentacja kobiet w badaniach klinicznych w XX wieku. Z obawy przed potencjalnym wpływem eksperymentalnych terapii na przebieg ciąży, wiele projektów badawczych wykluczało kobiety z udziału w testach. W efekcie leki testowano głównie na organizmach mężczyzn, a uzyskane wyniki uogólniano na całą populację. W praktyce oznaczało to, że kobiety częściej doświadczały skutków ubocznych leków, a objawy wielu chorób opisywano według „męskiego wzorca”.
Jak przypomina Ligia Kornowska, skala problemu w USA była drastyczna: aż 80 proc. leków wycofywanych z rynku z powodu działań niepożądanych dotyczyło skutków obserwowanych u kobiet. Doprowadziło to do powstania wytycznych zobowiązujących badaczy do uwzględniania w badaniach klinicznych kobiet, dzieci i mniejszości etnicznych.
Choć powoli zaczynamy rozliczać się z nauką płynącą z tych uprzedzeń, przed nami długa droga. Według danych World Economic Forum, dziś jedynie 6 proc. prywatnych inwestycji w innowacje zdrowotne dotyczy zdrowia kobiet, z czego większość i tak koncentruje się na zdrowiu reprodukcyjnym i nowotworach.
Zobacz więcej:
HtmlCode
Utrwalanie podziałów społecznych
Problem ograniczonej reprezentacji dotyczy także innych grup. W wielu krajach dane kliniczne opisują przede wszystkim pacjentów z uprzywilejowanych części społeczeństwa — dobrze udokumentowanych, lepiej ubezpieczonych, mieszkających w dużych miastach. W efekcie algorytmy diagnostyczne mogą gorzej działać u osób żyjących poza tym głównym nurtem: u osób o innym pochodzeniu etnicznym, u seniorów czy u pacjentów z niższym statusem społeczno-ekonomicznym.
Ligia Kornowska podkreśla, że nawet bardzo dobry algorytm może działać gorzej w innej populacji niż ta, na której był trenowany. Przykładem jest narzędzie do analizy mammografii stworzone na danych pacjentek ze Stanów Zjednoczonych. W USA znacząco poprawiało wykrywalność nowotworów, ale w Wielkiej Brytanii jego skuteczność była wyraźnie niższa. To dowód na to, że w medycynie AI nie jest produktem uniwersalnym.
Innym, jeszcze mroczniejszym przykładem jest algorytm używany przez amerykańskie firmy ubezpieczeniowe do planowania opieki nad pacjentami. System likwidacji szkód i planowania opieki, oceniając koszty leczenia, nauczył się „oszczędzać” na pacjentach z biedniejszych dzielnic i mniejszości etnicznych. Dane historyczne podpowiedziały mu, że ci pacjenci „zawsze” mieli niższe wydatki, ponieważ po prostu mieli gorsze ubezpieczenia i rzadziej byli kierowani na drogie procedury — algorytm „uznał”, że można ich leczyć taniej, automatyzując tym samym społeczną niesprawiedliwość.
To tutaj zaczynają się prawdziwe schody: bez demokratyzacji dostępu do danych, AI pozostanie luksusową opcją dla wybranych.
Regulacyjne blokady i czasochłonny proces budowania podstaw
Bez dostępu do dużych i kompletnych zbiorów danych klinicznych nie można zweryfikować, czy nowe technologie są bezpieczne i skuteczne w różnych grupach społecznych.
Piotr Sankowski zwraca uwagę na problem rozproszenia: skutecznej AI nie da się wytrenować na danych z jednego szpitala. Potrzebna jest skala i różnorodność, ale tutaj pojawia się systemowy paraliż.
„Dane medyczne są ekstremalnie trudne do anonimizacji, co sprawia, że ich udostępnianie przez publiczne szpitale jest procesem skomplikowanym i przewlekłym” – wyjaśnia Sankowski. Jednym z największych wyzwań rozwoju AI w medycynie jest więc pogodzenie prywatności pacjentów z potrzebą dostępu do danych.
„W Europie bardzo mocno ograniczamy dostęp do danych medycznych. Z jednej strony to dobrze, bo chronimy prywatność pacjentów. Z drugiej jednak utrudnia to rozwój nowych technologii” – tłumaczy dr Michał Gontkiewicz, przewodniczący Zespołu do spraw e-zdrowia Naczelnej Izby Lekarskiej. „Wciąż nie jesteśmy mentalnie przygotowani na to, że odpowiednio zabezpieczone i zanonimizowane dane są bezcennym paliwem dla nauki” – ocenia.
- PRZECZYTAJ: Bartosz Węglarczyk: Jak AI zmienia medycynę. Stoimy u progu przełomu
Peryferia innowacji: cyfrowe czarne skrzynki
Priorytet ochrony prywatności, choć słuszny, bez mądrych regulacji staje się hamulcem wzrostu. Dr Michał Gontkiewicz ostrzega przed scenariuszem, w którym Polska traci najzdolniejszych inżynierów na rzecz rynku amerykańskiego. Ten drenaż kapitału i know-how oznacza dla nas podwójną stratę: tracimy twórców i musimy płacić za licencje do technologii, na których kształt nie mieliśmy wpływu.
Innowacje rodzą się tam, gdzie dane są dostępne, a do nas wracają jako drogie „czarne skrzynki”, trenowane na populacjach o innej charakterystyce, co rodzi pytania o ich skuteczność u polskiego pacjenta.
Aby uniknąć roli technologicznego zaścianka, potrzebujemy nowych modeli współpracy. Eksperci wskazują na uczenie sfederowane (federated learning), które pozwala trenować modele AI na danych z wielu szpitali bez ich fizycznego kopiowania do jednej bazy — oraz na stworzenie systemu „dawstwa danych medycznych„: idei, która na wzór krwiodawstwa mogłaby stać się nowym filarem solidarności społecznej w dobie cyfrowej.
- PRZECZYTAJ: Zdrowie zaczyna się od wiedzy. Tak łatwo monitorować podstawowe parametry
Problem z finansowaniem i polityką wobec AI
Rozwój sztucznej inteligencji w ochronie zdrowia wymaga ogromnych inwestycji w infrastrukturę, bazy danych i kompetencje, ale bierność będzie kosztować jeszcze więcej. Michał Gontkiewicz podkreśla, że w dłuższej perspektywie inwestycje te mogą obniżać koszty leczenia — dzięki wcześniejszej diagnostyce, mniejszej liczbie powikłań i lepszemu dopasowaniu terapii.
Piotr Sankowski przypomina, że ekonomiści — m.in. laureat Nagrody Nobla Michael Spence — ostrzegają przed pozostawieniem tej technologii wyłącznie logice globalnego rynku. Bez interwencji państwa AI skupi się w rękach kilku globalnych graczy, pogłębiając przepaść między bogatymi a biednymi systemami.
„Dużym problemem jest niedofinansowanie systemu ochrony zdrowia. Brakuje środków zarówno na badania nad AI, jak i na wdrażanie takich rozwiązań w publicznym systemie” – alarmuje Sankowski.
Jego zdaniem potrzebne jest odejście od przekonania, że „rynek sam to ułoży”, na rzecz przemyślanej polityki państwa wspierającej rozwój i dyfuzję technologii tam, gdzie mogą przynieść największe korzyści zdrowiu publicznemu.
„Największym wyzwaniem są dziś dwa elementy. Po pierwsze, przekonanie społeczeństwa do korzystania z dobrych narzędzi opartych na sztucznej inteligencji. Po drugie, stworzenie odpowiednich regulacji prawnych, które pozwolą bezpiecznie wprowadzać takie rozwiązania do systemu ochrony zdrowia” – dodaje dr Gontkiewicz.
Partner, nie rywal. Lekarz w dobie algorytmów
W debacie publicznej często pojawia się pytanie, czy AI zastąpi lekarzy. „Nie obawiałbym się takiego scenariusza. Bardziej prawdopodobne jest to, że sztuczna inteligencja wyprze tych lekarzy, którzy nie będą chcieli z niej korzystać. W historii medycyny zawsze wygrywali ci specjaliści, którzy potrafili wykorzystywać nowe narzędzia” – wyjaśnia dr Gontkiewicz.
Jak przyznaje, ludzie od dawna szukają prostych odpowiedzi na swoje problemy zdrowotne. Kiedyś był to „doktor Google”, dziś coraz częściej są to chatboty. „Naszym zadaniem jest edukowanie pacjentów, że takie narzędzia mogą być pomocne, ale nie zastąpią bezpośredniego kontaktu z lekarzem” – dodaje.
- ZOBACZ: Puściłem kierownicę w nowym aucie, żeby zobaczyć, co zrobi. Musiałem się tłumaczyć
Medycyna nigdy nie przyjmowała nowych technologii z dnia na dzień — nawet penicylina czy ultrasonografia potrzebowały lat, by stać się standardem. Zdaniem Ligii Kornowskiej, podobnie będzie w przypadku sztucznej inteligencji, ponieważ w ochronie zdrowia stawką jest przede wszystkim bezpieczeństwo pacjenta.
Jednak przy rosnących brakach kadrowych w systemie ochrony zdrowia AI może odegrać ważną rolę we wsparciu lekarzy i zwiększeniu dostępności leczenia. Odpowiednio wdrożone narzędzia mogą skracać kolejki i pomagać w szybszej diagnostyce, odciążając przeciążony system. To, czy AI stanie się mostem do lepszej opieki zdrowotnej, czy barierą pogłębiającą nierówności, zależy od decyzji politycznych i etycznych podejmowanych właśnie teraz.
Ostateczne wyniki zastosowania AI w ochronie zdrowia w roku 2026 będą zależeć od skuteczności regulacji prawnych, zapewniających równy dostęp do technologii i danych, a także od stopnia inwestycji w infrastrukturę badawczą i wdrożeniową. Analizy predykcyjne, wspierane przez AI, będą kluczowe dla przejścia od medycyny reaktywnej do proaktywnej, potencjalnie wydłużając życie w dobrym zdrowiu.
Wyniki Biznes Fakty:
Prognozowany rozwój AI w medycynie w 2026 roku ukierunkowany jest na kilka kluczowych obszarów:
- Analityka predykcyjna: Oczekuje się znaczącego wzrostu zastosowań algorytmów do przewidywania ryzyka chorób i personalizacji profilaktyki. Szacuje się, że wiodące systemy opieki zdrowotnej będą wykorzystywać te narzędzia do optymalizacji strategii zdrowotnych na poziomie populacyjnym i indywidualnym.
- Diagnostyka obrazowa: Dalsze udoskonalanie algorytmów do analizy obrazów medycznych (RTG, MRI, TK) ma na celu zwiększenie precyzji i szybkości diagnoz. Powstawać będą nowe wersje aplikacji umożliwiające pobranie i analizę danych z urządzeń medycznych.
- Odkrywanie leków i terapii: AI będzie odgrywać coraz większą rolę w procesie identyfikacji potencjalnych kandydatów na leki oraz w projektowaniu spersonalizowanych terapii, co skróci czas i obniży koszty badań klinicznych.
- Personalizacja leczenia: Zastosowanie AI do analizy danych genetycznych, stylu życia i historii medycznej pacjenta ma prowadzić do tworzenia bardziej skutecznych i ukierunkowanych planów leczenia. Użytkownicy będą mogli aktualizować swoje dane zdrowotne za pomocą dedykowanej aplikacji.
- Optymalizacja zarządzania placówkami medycznymi: Algorytmy AI będą wykorzystywane do poprawy efektywności operacyjnej szpitali i klinik, np. poprzez optymalizację grafików personelu, zarządzanie zapasami czy usprawnienie przepływu pacjentów. Ustawienia systemu mogą być konfigurowane zdalnie.
Rynek rozwiązań AI w ochronie zdrowia w roku 2026 będzie charakteryzował się dynamizmem, ale jednocześnie będzie odzwierciedlał istniejące nierówności w dostępie do technologii i danych. Kluczowe dla sukcesu będą regulacje prawne, zapewnienie interdyscyplinarnej współpracy oraz transparentność w procesie tworzenia i wdrażania algorytmów.