Sztuczna inteligencja w ochronie zdrowia – jak AI zmienia medycynę

Autorką tekstu jest dr n. med. Karolina Pyziak-Kowalska

Czym jest AI w medycynie?

Sztuczna inteligencja (AI) w medycynie to komputerowe systemy, które potrafią uczyć się na podstawie danych i wykonywać zadania wymagające inteligencji, na przykład rozpoznawać obrazy czy podejmować decyzje kliniczne. Mówiąc prościej: AI to program komputerowy, który analizuje ogromne zbiory informacji medycznych, uczy się na ich podstawie i pomaga lekarzom w diagnozie oraz leczeniu. W praktyce najczęściej wykorzystuje się techniki uczenia maszynowego i głębokiego uczenia, gdzie algorytmy „trenują się” na tysiącach czy milionach przykładów, aby rozpoznawać wzorce (np. objawy chorób na zdjęciach rentgenowskich)¹. Tak wyszkolona AI staje się czymś w rodzaju elektronicznego asystenta lekarza, potrafi bardzo szybko przeanalizować dane, wychwycić subtelne szczegóły i zasugerować, na co zwrócić uwagę. Ważne jest jednak, że AI w ochronie zdrowia pełni rolę pomocniczą. To nie są autonomiczne roboty-lekarze, lecz narzędzia wspierające personel medyczny. Ostateczne decyzje wciąż należą do lekarza.

Zastosowania AI w ochronie zdrowia

AI znajduje coraz więcej zastosowań od szpitalnych oddziałów po gabinety lekarzy rodzinnych. Poniżej przedstawiam najważniejsze obszary, w których sztuczna inteligencja już teraz wspiera ochronę zdrowia, wraz z konkretnymi przykładami działających rozwiązań:

Analiza obrazów medycznych (diagnostyka)

Odpowiednio wytrenowane algorytmy potrafią „oglądać” obrazy radiologiczne tak jak lekarze radiolodzy. Przykładowo, algorytmy AI sprawdzają skany tomografii komputerowej (TK) mózgu pod kątem udaru. W USA używa się platformy, która w ciągu minut analizuje zdjęcie TK i alarmuje zespół, że pacjent może mieć udar². Dzięki temu lekarze szybciej kierują chorego na leczenie ratujące życie. Podobnie dzieje się w przypadku zdjęć rentgenowskich czy rezonansu, ponieważ AI potrafi znaleźć na nich np. złamania czy zmiany nowotworowe, często błyskawicznie, wspomagając pracę radiologa.

Wykrywanie raka na obrazach

Sztuczna inteligencja wspiera także badania przesiewowe. Dobrym przykładem jest czytanie mammografii, badania wykonywanego celem diagnostyki w kierunku raka piersi. Algorytmy przeszkolone na setkach tysięcy zdjęć piersi uczą się rozpoznawać bardzo drobne guzki w piersi niewidoczne na pierwszy rzut oka. W praktyce system zaznacza podejrzane miejsca na skanie, a lekarz weryfikuje, czy faktycznie widać tam zmiany nowotworowe. Taka współpraca przyspiesza wykrycie raka i zwiększa szanse pacjentek na wyleczenie.

W badaniu w Szwecji z udziałem ponad 80 tysięcy kobiet, system AI potrafił wykrywać raka piersi tak samo skutecznie jak dwóch radiologów jednocześnie, nie zwiększając liczby fałszywych alarmów, a przy tym zmniejszył o niemal połowę obciążenie lekarzy pracą³. To oznacza, że AI może pomóc szybciej i sprawniej analizować mammografię, dzięki czemu lekarze mają więcej czasu na trudniejsze przypadki.

Oftalmologia i analiza zdjęć oka

Innym przykładem diagnostyki obrazowej jest automatyczne rozpoznawanie retinopatii cukrzycowej. Są to uszkodzenia siatkówki oka spowodowane cukrzycą, które mogą prowadzić do ślepoty. Dziś dostępne są specjalne programy AI, które analizują zdjęcia dna oka i wykrywają wczesne oznaki retinopatii z wysoką czułością i swoistością (na poziomie ok. 87–89%). Co więcej, niektóre z tych systemów (np. IDx-DR czy EyeArt) zostały dopuszczone do użytku w klinikach i mogą samodzielnie ocenić zdjęcie bez udziału okulisty. W praktyce oznacza to, że pacjent chory na cukrzycę może w przychodni wykonać zdjęcie oka, a AI natychmiast sprawdzi, czy nie ma na nim groźnych zmian. Jeśli są niepokojące zmiany na dnie oka, pacjent zostanie w trybie pilnym skierowany do okulisty na dalsze badania. Dzięki temu więcej chorych jest przebadanych na czas, a specjaliści mogą skupić się na pacjentach pilnie wymagających leczenia.

Wsparcie w prowadzeniu dokumentacji medycznej

Sztuczna inteligencja pomaga lekarzom w uciążliwych zadaniach biurowych, takich jak pisanie notatek z wizyt czy wypełnianie dokumentacji. Wiele placówek medycznych testuje obecnie tzw. „asystentów głosowych” do dokumentacji, które słuchają rozmowy lekarza z pacjentem (za zgodą pacjenta), a następnie automatycznie tworzą skrócony, uporządkowany zapis wizyty. Przykładowo, w placówkach w USA wykorzystuje się system o nazwie DAX (Dragon Ambient eXperience), a w Polsce dostępny jest system o nazwie Noa Notes, umożliwiający nagranie dialogu podczas wizyty lekarskiej, a następnie po zakończeniu wizyty, w kilkanaście sekund lekarz otrzymuje wstępnie spisaną notatkę. Lekarz musi ją oczywiście sprawdzić i poprawić drobne błędy, ale i tak oszczędza to mnóstwo czasu. Medycy opisują, że dzięki temu rozwiązaniu mogą skończyć pracę o czasie, pierwszy raz od lat, bo nie muszą pozostawać w pracy po godzinach celem uzupełniania dokumentacji z wizyty. Co więcej, podczas wizyty lekarz może skupić się na rozmowie z pacjentem zamiast na ciągłym pisaniu na komputerze, co znacząco poprawia komunikację z chorym. Choć technologia ta nie jest jeszcze perfekcyjna (zdarzają się błędy w transkrypcji czy pominięcia informacji, które lekarz musi skorygować), to kierunek rozwoju tej formy wsparcia lekarza wygląda obiecująco.

Przewidywanie ryzyka chorób

Kolejnym obszarem jest analiza danych pacjentów w celu prognozowania, kto zachoruje. AI potrafi przeanalizować elektroniczną dokumentację medyczną, historię chorób w rodzinie, wyniki badań, a nawet informacje o stylu życia (palenie, dieta) i na tej podstawie oszacować ryzyko różnych schorzeń w przyszłości. Niedawno naukowcy stworzyli model AI, który przewiduje osobiste ryzyko ponad 1000 różnych chorób z góry na 10 lat⁴. System o nazwie Delphi-2M, bo o nim mowa, uczył się na danych medycznych prawie 2,3 miliona pacjentów z dwóch krajów (Wielkiej Brytanii i Danii) i potrafi przewidzieć z dużą dokładnością m.in. ryzyko zachorowania na raka, cukrzycę, choroby serca czy płuc. Działa to podobnie jak prognoza pogody, tylko że dla zdrowia: dzięki temu lekarz w niedalekiej przyszłości mógłby powiedzieć pacjentowi np. „Ma pan 30% szans na cukrzycę w ciągu dekady, ale jeśli schudnie pan 5 kg, ryzyko spadnie do 15%”. Takie narzędzia mogą zrewolucjonizować profilaktykę: wiedząc, komu grozi dana choroba, medycy mogą wcześnie wdrożyć środki zaradcze (dieta, badania kontrolne, leki zapobiegawcze). Co ważne, model Delphi-2M patrzy na całość stanu zdrowia pacjenta, a nie tylko na pojedynczą chorobę, dzięki czemu może jednocześnie wskazać kilka potencjalnych zagrożeń. Oczywiście ten system jest dopiero badany i wymaga testów, ale pokazuje kierunek: AI pomaga lekarzom patrzeć w przyszłość zdrowotną pacjenta z dużo większą precyzją niż dotychczas.

Planowanie opieki i zdrowie publiczne

Sztuczna inteligencja wspiera nie tylko indywidualnych lekarzy, ale też osoby zarządzające zdrowiem publicznym, szczególnie w sytuacjach kryzysowych. Planowanie szczepień to świetny przykład: w czasie pandemii COVID-19 algorytmy analizowały dane demograficzne, geograficzne oraz tempo rozprzestrzeniania się wirusa, by pomóc zaplanować dystrybucję szczepionek, czyli gdzie i komu wysłać ile dawek, żeby najskuteczniej powstrzymać epidemię⁵. AI może brać pod uwagę np. gęstość zaludnienia, statystyki zachorowań, grupy ryzyka w danym regionie i na tej podstawie wskazać, gdzie należy zwiększyć działania poprzez podanie szczepień. Podobnie w śledzeniu epidemii: systemy analizujące big data (np. wpisy z mediów społecznościowych, dane z wyszukiwarek internetowych, dane lotów lotniczych czy informacji raportowanych do systemów rządowych) pozwalających na aktualny nadzór epidemiologiczny (GIS, PZH) potrafią wykryć wczesne sygnały pojawienia się nowych ognisk chorób zakaźnych. Przykładowo, zanim jeszcze oficjalnie ogłoszono epidemię koronawirusa, algorytm analizujący globalne dane zauważył wzmianki o nietypowym zapaleniu płuc w Chinach i ostrzegł przed tym władze kilku krajów. Takie narzędzia nie zastąpią klasycznej epidemiologii, ale mogą pilnie powiadomić odpowiednie instytucje państwowe, dzięki czemu można szybciej podjąć skuteczne działania ograniczające ognisko zachorować czy epidemii.

Ponadto AI pomaga optymalizować zarządzanie szpitalem, przewidując np. ilu pacjentów może trafić w czasie wzrostu zachorowań na choroby infekcyjne, np. Covid, krztusiec czy RSV, na izbę przyjęć w danym tygodniu. Co pozwoli obliczyć, ile będzie potrzebne butli z tlenem, czy leków. To wszystko sprawia, że system opieki zdrowotnej może działać sprawniej i efektywniej.

Ograniczenia i zagrożenia AI w medycynie

Choć sztuczna inteligencja wydaje się panaceum na wiele problemów służby zdrowia, ma też swoje ograniczenia i niesie pewne ryzyka. Przede wszystkim AI bywa omylna i może popełniać błędy diagnostyczne, np. nie dostrzec zmiany chorobowej lub przeciwnie, dać fałszywy alarm. Algorytm to w gruncie rzeczy wzór matematyczny uczący się na danych; jeśli trafi na przypadek, którego nie „widział” podczas nauki, może zinterpretować go niewłaściwie. Zdarzały się sytuacje, że model AI oceniał coś jako poważną patologię, a okazało się, że to artefakt na zdjęciu albo rzadko spotykana cecha w budowie anatomicznej danego narządu u zdrowego człowieka. Dlatego nad wszystkim musi czuwać człowiek, a lekarz weryfikuje sugestie AI, tak jak doświadczony specjalista sprawdza pracę rezydenta czy lekarza stażysty.

Innym poważnym wyzwaniem jest stronniczość i błędy (bias) popełniane przez algorytm AI. System uczy się na danych medycznych, a te dane mogą opierać się na wgranych nieaktualnych standardach medycznych lub innych nieprawidłowościach wynikających z wgrania niekompletnych czy wyselekcjonowanych danych.

Ważną kwestią jest też przejrzystość i zaufanie. Wielu algorytmom trudno zaufać, bo działają jak „czarna skrzynka”: dają wynik, ale nie wiadomo dokładnie, dlaczego podjęły taką a nie inną decyzję. Lekarz ma obowiązek wiedzieć, czym się kieruje, stawiając diagnozę, dlatego musi ostrożnie podchodzić do rekomendacji AI. Trwają prace nad wyjaśnieniem wskazującym, w jaki sposób AI może podejmować decyzje kluczowe, a także jakie prompty (czyli polecenia) są formułowane i brane pod uwagę przy podejmowaniu ostatecznego wyboru danych czy kluczowych wniosków klinicznych, co ułatwi weryfikację i zwiększy zaufanie.

Wreszcie pamiętajmy, że AI nie zastępuje lekarza. Najlepsze wyniki osiąga się, gdy człowiek i sztuczna inteligencja współpracują. Specjaliści podkreślają, że celem jest wspomaganie, a nie zastąpienie personelu medycznego: AI może odciążyć lekarzy z powtarzalnych, czasochłonnych czynności i dostarczyć „drugiej pary oczu”, ale zawsze potrzebny jest nadzór i ostateczna interpretacja ze strony człowieka. Jak ujął to jeden z dyrektorów w szpitalu wdrażającym nowy system AI: „To część szerszego planu, który ma uzupełnić, a nie zastąpić możliwości naszych zespołów medycznych”⁶.

Zatem rola lekarza pozostaje niezastąpiona, takie cech jak empatia, holistyczne spojrzenie i doświadczenie kliniczne wciąż są poza zasięgiem nawet najinteligentniejszych maszyn.

Co przyniesie przyszłość?

Perspektywy rozwoju sztucznej inteligencji w ochronie zdrowia są ekscytujące. Możemy spodziewać się udoskonalenia obecnych technologii i pojawienia się nowych zastosowań, które dziś są we wczesnej fazie albo dopiero w sferze pomysłów.

Po pierwsze, diagnostyka rzadkich chorób może stać się łatwiejsza dzięki AI. Obecnie pacjenci z rzadkimi schorzeniami, często latami szukają właściwej diagnozy, bo lekarze rzadko się z nimi spotykają – jest takie powiedzenie: „kiedy słyszysz tętent kopyt, myśl o koniach, nie o zebrach”, co oznacza by najpierw podejrzewać częste choroby, a nie te „zebry”, czyli rzadkości. Sztuczna inteligencja może pomóc znaleźć te „zebry”. Na przykład powstają algorytmy przeszukujące elektroniczne kartoteki pacjentów w szpitalach i wyłuskujące nietypowe kombinacje objawów, które mogą wskazywać na rzadką chorobę. Młoda lekarka z USA stworzyła system o nazwie zebraMD, który analizuje dokumentację medyczną i wskazuje lekarzom pacjentów do dodatkowego zbadania, bo podświetla potencjalne zebry na tle koni, żeby przyspieszyć rozpoznanie nieoczywistych schorzeń⁷. Wstępne wyniki są obiecujące: AI wychwytuje pacjentów z np. rzadkimi chorobami metabolicznymi czy genetycznymi, zanim choroba wyrządzi nieodwracalne szkody. W przyszłości takie narzędzia mogą stać się standardem, co oznacza, że nikt nie będzie pozostawiony sam sobie tylko dlatego, że cierpi na nietypową chorobę, a komputer podpowie lekarzowi: „sprawdź, czy to nie jest coś rzadkiego”.

Kolejnym krokiem milowym jest profilaktyka i zdrowie publiczne wsparte przez AI na większą skalę. Wyobraźmy sobie globalne systemy monitorujące stale zagrożenia zdrowotne, coś w rodzaju „radaru epidemiologicznego”. AI analizująca dane z całego świata mogłaby wcześnie ostrzegać przed nowymi epidemiami, identyfikować mutacje wirusów, a nawet przewidywać, jak choroba będzie się rozprzestrzeniać. To pozwoliłoby rządom szybciej reagować i lepiej planować akcje zdrowotne. Szczepienia również mogą zyskać nowy wymiar: AI może pomóc opracować spersonalizowane kalendarze szczepień dostosowane do indywidualnego ryzyka pacjenta (np. ktoś podróżuje w różne regiony świata, a aplikacja AI przypomni mu o dodatkowych szczepieniach, które powinien rozważyć, i pomoże zaplanować dawki w odpowiednich odstępach). W skali populacji, jak już wspomniano, algorytmy będą usprawniać logistykę dystrybucji szczepionek czy innych zasobów medycznych w sytuacjach kryzysowych.

Nie możemy też zapomnieć o nowych terapiach i odkrywaniu leków, bo tu również AI ma ogromny potencjał. Już teraz wykorzystuje się algorytmy do przeszukiwania bibliotek związków chemicznych w poszukiwaniu kandydatów na nowe leki czy do projektowania cząsteczek mogących zwalczać konkretne białka wirusów lub komórek nowotworowych. Proces, który dawniej trwałby lata metodą prób i błędów w laboratorium, AI potrafi skrócić do kilku miesięcy, symulując reakcje chemiczne na komputerach. Być może w najbliższej przyszłości powstaną nowe skuteczne leki na choroby dotąd nieuleczalne, częściowo dzięki temu cyfrowemu „naukowcowi” pracującemu bez wytchnienia nad analizą danych z badań.

Podsumowując, sztuczna inteligencja w ochronie zdrowia to już nie fantastyka, lecz rzeczywistość, bo pomaga diagnozować szybciej, leczyć skuteczniej i organizować opiekę mądrzej. Ma swoje ograniczenia i nigdy nie zastąpi całkowicie lekarzy, ale pełni rolę wartościowego pomocnika, który może zdjąć z naszych barków część ciężaru i pozwolić skupić się na tym, co w medycynie najważniejsze: ludzkim zdrowiu i życiu. Przyszłość zapowiada się fascynująco, jeśli AI będzie rozwijana odpowiedzialnie i z poszanowaniem etyki, zyskamy potężnego sprzymierzeńca w walce o lepszą opiekę zdrowotną dla wszystkich.

Przypisy

1. Rajesh AE, Lee AY. AI for DR screening: Where are we in 2025? Retina Specialist. 25 kwietnia 2025.
   retina-specialist.com ↩︎
2. Howard L. New AI technology helps physicians quickly identify stroke. UC Davis Health News. 1
   lutego 2024. health.ucdavis.edu ↩︎
3. Gregory A. AI use in breast cancer screening as good as two radiologists, study finds. The Guardian.
   2 sierpnia 2023. theguardian.comtheguardian.com ↩︎
4. Gregory A. New AI tool can predict a person’s risk of more than 1,000 diseases, say experts. The
   Guardian. 18 września 2025. theguardian.com ↩︎
5. Wykorzystanie AI do celów medycznych. Mobzilla.pl. 10 czerwca 2024. – mobzilla.pl ↩︎
6. Abraham M-R. AI-powered tool helps doctors detect rare diseases. UCLA Health News & Insights. 1
   lipca 2024. health.ucdavis.edu ↩︎
7. Boyle P. Can artificial intelligence improve doctor-patient visits and reduce burnout? AAMCNews. 30
   stycznia 2024. uclahealth.org ↩︎

Autor

Wiesław Seweryn

Jestem informatykiem i analitykiem. Przez trzy lata analizowałem i prezentowałem dane epidemiczne na Twitterze jako @docent_ws. W gronie pasjonatów z Twitterowej Akademii Nauk (TAN) uzupełniamy wiedzę na temat Covid-19. Na BlueSky jako ‪@wieslawseweryn.bsky.social‬. Piszę o informatyce i Kosmosie, recenzuję i polecam książki popularnonaukowe. Walczę z dezinformacją, którą uważam za największe zagrożenie ery social-mediów.

Ostatnie wpisy

Archiwum autora

• informatyka5 listopada 2025Sztuczna inteligencja w ochronie zdrowia – jak AI zmienia medycynę
• EM poleca22 października 2025EM Poleca (#32) Jamie Metzl „Superkonwergencja. Jak rewolucje w genetyce, biotechnologii i AI mogą odmienić nasze życie”
• pseudonauka6 października 2025To jest Ameryka, czyli pseudonauka w służbie państwowej
• EM poleca24 września 2025EM poleca (#30) Eric Freeman, Elisabeth Robson „Programowanie w JavaScript. Przewodnik po tworzeniu nowoczesnych aplikacji w JavaScript”