Najciekawsze w historii AI-TEC nie jest to, że AI dobrze czyta skany oka. Ciekawsze jest to, jak szybko cały pomysł zaczął się sypać, gdy system zderzył się z codzienną pracą lekarzy i personelem, który nie miał czasu na dodatkowe kliknięcia.

TL;DR

  • Klinika AI-TEC w Pekinie używa AI na wielu etapach obsługi pacjenta – od wstępnej oceny po działania po wizycie
  • Według badania z Nature Medicine model poprawił wyniki po dodaniu 1426 wysokiej jakości obrazów opisanych przez ekspertów
  • Korzystanie z narzędzi AI spadło po kilku miesiącach do 3,8% badań, a po zmianach w interfejsie wzrosło do 23%
  • Autorzy badania przekonują, że o powodzeniu takiego wdrożenia decydują dane, ergonomia systemu i współpraca z lekarzami

AI-TEC w Pekinie nie było dodatkiem do kliniki

Zespół z Beijing Visual Science and Translational Eye Research Institute (BERI) uruchomił AI-TEC, czyli klinikę okulistyczną zaprojektowaną wokół narzędzi AI. System wspierał wstępną ocenę pacjenta, analizę skanów siatkówki i działania po konsultacji. Lekarze nadal nadzorowali proces, ale cała organizacja pracy miała od początku uwzględniać udział algorytmów.

To odróżniało AI-TEC od wielu szpitalnych wdrożeń, w których AI po prostu dokleja się do istniejącego oprogramowania. Tutaj badacze sprawdzali, co się stanie, gdy najpierw zaprojektuje się proces, a dopiero potem wpisze w niego ludzi i narzędzia. Opis projektu ukazał się 14 września 2026 roku w „Nature Medicine”, według przywołanego w tekście badania Yan i współautorów.

Co wyniki AI-TEC mówiły o danych do diagnostyki oczu?

Na starcie system nie radził sobie dobrze z częścią rozpoznań, w tym z jaskrą i zwyrodnieniem plamki żółtej. Sytuacja poprawiła się dopiero po dodaniu 1426 obrazów wysokiej jakości, opisanych przez ekspertów. To ważny szczegół, bo pierwotny zbiór był dużo większy, ale gorszy pod względem jakości i oznaczeń.

Według badania model osiągnął AUROC powyżej 0,93. Sam wynik brzmi dobrze, ale sedno jest gdzie indziej: lepsze dane dały większy efekt niż sama skala zbioru. Innymi słowy, w medycznym AI „więcej” wcale nie musi znaczyć „lepiej”.

Dlaczego personel prawie przestał używać systemu AI?

Tu robi się ciekawiej niż przy samych benchmarkach. Po pięciu miesiącach narzędzia AI-TEC wykorzystywano tylko w 3,8% badań, czyli w 41 z 1113 przypadków, jak podali autorzy badania. Powód był mało widowiskowy, ale bardzo ludzki: system działał zbyt wolno i wymagał zbyt wielu kroków.

Dopiero po uproszczeniu interfejsu i zmniejszeniu obciążenia personelu użycie wzrosło do 23% w kolejnym miesiącu. Problemem nie był sam model, tylko to, jak wpisano go w codzienną pracę. I to jest lekcja, którą spokojnie można odnieść także do polskich placówek testujących AI w radiologii czy mammografii.

Co autorzy badania uznali za prawdziwy test AI w medycynie?

Autorzy badania nie sprowadzają sukcesu do tego, czy model poprawnie klasyfikuje skan. Ich punkt jest prostszy: jeśli system nie pasuje do rytmu pracy kliniki, to nawet dobry algorytm będzie używany rzadko. Benchmark nie załatwia wdrożenia.

Z eksperymentu AI-TEC płyną trzy praktyczne wnioski. Po pierwsze, dane treningowe muszą być dobrze opisane, a nie tylko liczne. Po drugie, zespół kliniczny musi szybko zgłaszać błędy i uwagi. Po trzecie, AI ocenia obraz, a lekarz widzi jeszcze objawy, historię choroby i kontekst pacjenta. Te perspektywy trzeba połączyć, zamiast udawać, że jedna wyprze drugą.

Podobny ton mają zresztą inne teksty o medycznym AI: badanie Nature Medicine o chatbotach oraz doświadczenia chińskich kiosków medycznych. W obu przypadkach technologia wygląda dobrze na slajdzie, a prawdziwy test zaczyna się dopiero przy pacjencie.

Najczęściej zadawane pytania