AI w polskiej medycynie: lepsza diagnostyka vs. ryzyko utraty kompetencji

Polskie szpitale i uczelnie medyczne coraz śmielej korzystają z możliwości sztucznej inteligencji – od precyzyjnej diagnostyki onkologicznej w Tychach, po zaawansowane systemy wizyjne rozwijane na AGH. Algorytmy stają się „drugim okiem” lekarza, istotnie zwiększając wykrywalność zmian nowotworowych. Jednak za technologiczną euforią kryje się ryzyko nazywane „lenistwem poznawczym” – lekarze wspierani przez AI tracą biegłość w samodzielnej diagnozie.

Nowa era diagnostyki

Wdrożenia AI w polskich placówkach nie są już testami, lecz elementem codziennej praktyki klinicznej. W Dolnośląskim Centrum Onkologii, Pulmonologii i Hematologii we Wrocławiu, algorytmy wspierają radiologów w analizie wyników badań obrazowych, dostrzegając zmiany nowotworowe na etapach niemal niewidocznych dla ludzkiego oka.

Innym ważnym punktem na mapie polskiej innowacji medycznej stało się H-T. Centrum Medyczne w Tychach, które we współpracy z naukowcami z Akademii Śląskiej przeprowadziło pionierskie badania nad wykorzystaniem AI w gastroskopii i kolonoskopii. Pod kierownictwem dr. n. med. Dariusza Kuśnierza wdrożono zaawansowane systemy wizyjne wspomagające lekarzy w czasie rzeczywistym.

Projekt ten jest wyjątkowy, ponieważ skupił się na głębokiej analizie interakcji człowiek-maszyna. W Tychach AI pełni rolę „super-asystenta”, który potrafi wychwycić polipy i zmiany przednowotworowe z dużą skutecznością. Wyniki postawiły tyski ośrodek w czołówce europejskiej diagnostyki onkologicznej, ale jednocześnie dostarczyły otrzeźwiających wniosków dotyczących wpływu technologii na kondycję poznawczą lekarza.

Paradoks asysty

Badania realizowane przez zespół z Tychów i Akademii Śląskiej ujawniły niepokojące zjawisko. Zaobserwowano, że lekarze, którzy przez trzy miesiące intensywnie korzystali ze wsparcia AI, po odłączeniu systemu wykazywali niższe zdolności wykrywania zmian niż przed rozpoczęciem współpracy z algorytmem.

Zjawisko to, nazywane „lenistwem poznawczym” lub erozją kompetencji, polega na nieświadomym przerzuceniu odpowiedzialności na technologię. Gdy lekarz wie, że system „zasygnalizuje” problem, jego mózg przechodzi w tryb mniejszej czujności. To kluczowe ostrzeżenie: technologia nie może zastępować warsztatu lekarskiego, a jedynie go uzupełniać.

Perspektywa technologiczna

Praktyczne wdrożenia w Polsce opierają się na fundamencie naukowym wypracowanym m.in. w Akademii Górniczo-Hutniczej. Jak wskazuje prof. Joanna Jaworek-Korkowska, przełom nastąpił wraz z upowszechnieniem głębokich sieci neuronowych, które radykalnie obniżyły margines błędu w rozpoznawaniu obrazów medycznych. Polskie ośrodki z powodzeniem implementują AI w trzech kluczowych domenach:

• Dermoskopia i onkologia skóry: Od blisko 15 lat polskie zespoły pracują nad algorytmami do wczesnego wykrywania czerniaka. Systemy te nie tylko klasyfikują znamiona jako złośliwe lub łagodne, ale potrafią ocenić głębokość naciekania nowotworu, co ma kluczowe znaczenie dla personalizacji terapii.
• Radiologia komputerowa (TK i MRI): Przykładem zaawansowanego wdrożenia jest certyfikowana przeglądarka diagnostyczna (oprogramowanie do przeglądania obrazów medycznych), która automatyzuje detekcję i segmentację zmian w płucach (na obrazach TK) oraz w wątrobie (na obrazach MRI). Systemy te pracują w przestrzeni 3D, wykorzystując konwolucje przestrzenne (woxele), co pozwala na precyzyjne „wymiarowanie” chorób.
• Analiza histopatologiczna: AI wspiera lekarzy w analizie preparatów mikroskopowych, radząc sobie z ogromną złożonością danych i różnorodnością barwień, co tradycyjnie było jednym z najtrudniejszych obszarów diagnostyki.

Dylematy decyzyjne

Wdrażanie sztucznej inteligencji w organizacji medycznej to proces znacznie głębszy niż prosta aktualizacja infrastruktury IT. Jak wskazują na łamach Harvard Business Review autor bestsellerów i psycholog organizacji Robert I. Sutton oraz Rebecca Hinds, kierownik Work Innovation Lab w Asanie, wprowadzenie AI nieuchronnie generuje specyficzne sprzeczności, które liderzy muszą nie tyle „rozwiązać”, co umiejętnie nimi zarządzać. Autorzy podkreślają, że skuteczne przywództwo polega na traktowaniu tych sprzeczności jako elementów projektowych, a nie błędów systemowych.

Z perspektywy nowoczesnej placówki medycznej, kluczowe napięcia zidentyfikowane przez HBR obejmują:

• Zaufanie vs. kontrola: AI może drastycznie skrócić czas wykonywania zadań przez początkujących lekarzy, ale jednocześnie stwarza ryzyko „erozji mistrzostwa” u doświadczonych specjalistów. Liderzy muszą dbać o to, by narzędzia ułatwiające pracę nie eliminowały tzw. „konstruktywnego tarcia” – czyli trudnych momentów w procesie diagnozy, które budują krytyczne myślenie i zawodową intuicję.
• Centralizacja vs. decentralizacja: Czy decyzje o wdrożeniu algorytmów powinny zapadać na szczeblu zarządu, czy płynąć oddolnie od zespołów klinicznych? Sutton i Hinds sugerują, że zbyt sztywne ramy mogą zdusić innowację, podczas gdy ich brak prowadzi do chaosu i zagrożeń dla bezpieczeństwa danych pacjentów.
• Hierarchia stroma vs. płaska: AI demokratyzuje dostęp do wiedzy, co często podważa tradycyjne autorytety medyczne. Zarządzający muszą nawigować między utrzymaniem niezbędnej struktury odpowiedzialności a otwarciem się na dynamiczne, sieciowe modele współpracy, w których „asystent AI” staje się równoprawnym źródłem informacji.
• Szybkie tempo zmian vs. powolne: W medycynie presja na szybkie wdrażanie innowacji (np. w onkologii) ściera się z rygorystycznymi wymogami etycznymi i bezpieczeństwem. Liderzy nie mogą bezmyślnie wybierać jednej ze skrajności; muszą zachować ciekawość i dostosowywać tempo do specyfiki danego obszaru klinicznego.
• Zmiana odgórna vs. oddolna: Najskuteczniejsze wdrożenia AI, jak te obserwowane w ośrodkach takich jak Tychy czy Wrocław, wymagają synergii między wizją lidera a codzienną praktyką lekarzy i personelu pomocniczego.

Strategia „Human-in-the-Loop”

Praktyczne doświadczenia z polskich projektów rzucają nowe światło na napięcia zdefiniowane przez Suttona i Hinds:

1. Wyjaśnialność (XAI)

Jednym z głównych zarzutów wobec głębokich sieci neuronowych jest ich natura „czarnej skrzynki”. Polscy naukowcy rozwiązują to poprzez XAI (Explainable AI), czyli techniki, które pomagają ludziom zrozumieć, dlaczego system sztucznej inteligencji podjął określoną decyzję. Zamiast podawać suchy wynik, systemy generują „mapy atencji”, które podświetlają na czerwono konkretne piksele lub obszary tkanki, na podstawie których algorytm podjął decyzję. Dzięki temu lekarz może zweryfikować, czy AI skupiła się na cechach nowotworowych, czy np. na artefakcie takim jak włos na skórze.

2. Model „Human-in-the-Loop”

W polskich systemach wdraża się model Human-in-the-Loop (człowiek w pętli), gdzie ekspert ma możliwość „ręcznego tuningu” parametrów. Pozwala to na dostosowanie czułości systemu – np. w badaniach przesiewowych (mammografia) system można ustawić tak, by był nadwrażliwy i nie przeoczył żadnej zmiany, nawet kosztem większej liczby wyników fałszywie dodatnich, które następnie weryfikuje lekarz.

3. Standaryzacja i Regionalne Centra Medycyny Cyfrowej

Odpowiedzią na napięcie między centralizacją a decentralizacją może być powstanie w Polsce Regionalnych Centrów Medycyny Cyfrowej. Ich celem jest stworzenie multimodalnych, etycznych zbiorów danych. Standaryzacja zapisu metadanych i procesów leczenia pozwoli w przyszłości na tworzenie systemów, które nie tylko segmentują obraz, ale przewidują efekty leczenia na podstawie historii tysięcy podobnych pacjentów w skali całej Unii Europejskiej.

Hybrydowa przyszłość

Polska medycyna stoi przed szansą na skok technologiczny, ale wymaga on systemowego podejścia. Sukces wdrożeń w Tychach, Wrocławiu czy Krakowie musi iść w parze z nowymi programami szkoleniowymi. Edukacja musi kłaść nacisk na to, jak współpracować z AI, by nie stać się jej zakładnikiem. W świecie biznesu medycznego przewagę zyskają te placówki, które zrozumieją, że sztuczna inteligencja jest potężnym narzędziem do eliminacji rutynowej żmudnej pracy, ale to ludzka empatia, etyczny osąd i krytyczne myślenie pozostają ostatnią instancją w procesie ratowania życia. Strategiczne zarządzanie paradoksami AI stanie się w najbliższych latach najważniejszą kompetencją liderów ochrony zdrowia.