Opracowany przez EMBL, Uniwersytet w Kopenhadze i DKFZ system sztucznej inteligencji analizuje dane milionów pacjentów i otwiera drogę do bardziej spersonalizowanej profilaktyki zdrowotnej.
Delphi-2M: sztuczna inteligencja, która uczy się historii chorób
Sztuczna inteligencja w medycynie coraz częściej przestaje być futurystyczną wizją, a staje się realnym narzędziem badawczym i diagnostycznym. Najnowszym przykładem jest Delphi-2M, generatywny model sztucznej inteligencji opracowany przez Europejskie Laboratorium Biologii Molekularnej (EMBL), Uniwersytet w Kopenhadze i Niemieckie Centrum Badań nad Rakiem (DKFZ). Projekt wzbudza ogromne zainteresowanie, ponieważ daje możliwość prognozowania chorób nawet 20 lat naprzód, wykorzystując dane medyczne milionów pacjentów.
Jak powstał Delphi-2M?
Twórcy modelu przyznają, że inspiracją były rozwiązania znane z dużych modeli językowych (LLM), które uczą się struktury języka i reguł gramatycznych. Podobnie jak one analizują teksty, tak Delphi-2M uczy się „gramatyki zdrowia” – czyli sekwencji zdarzeń medycznych w historii pacjenta.
System został wytrenowany na danych 400 tysięcy osób z UK Biobank – jednego z największych światowych repozytoriów zdrowotnych. Następnie przetestowano go na 1,9 miliona pacjentów z duńskiego Krajowego Rejestru Pacjentów. Dzięki temu model rozpoznaje powtarzalne wzorce i potrafi przewidywać, jakie problemy zdrowotne mogą pojawić się w kolejnych dekadach życia.
Jak działa Delphi-2M?
Każda diagnoza, hospitalizacja czy czynnik związany ze stylem życia (np. palenie tytoniu, otyłość) to element w sekwencji wydarzeń zdrowotnych. Delphi-2M analizuje kolejność tych zdarzeń oraz odstępy czasu między nimi. Na tej podstawie AI ocenia prawdopodobieństwo wystąpienia kolejnych chorób.
Naukowcy porównują działanie systemu do prognozy pogody. Tak jak meteorolog nie może przewidzieć konkretnej godziny burzy, ale potrafi oszacować, że istnieje np. 70% szans na deszcz, tak AI oblicza ryzyko choroby serca w ciągu najbliższego roku czy możliwość wystąpienia nowotworu w kolejnych dekadach.
Największe możliwości i pierwsze sukcesy
Delphi-2M najdokładniej przewiduje choroby o wyraźnych, spójnych wzorcach rozwoju. Najlepsze wyniki osiąga w przypadku:
- niektórych rodzajów nowotworów,
- zawałów serca,
- posocznicy (zakażenia krwi).
W takich przypadkach system potrafi wskazać nie tylko poziom ryzyka, ale też moment, w którym to ryzyko zaczyna rosnąć. To otwiera drogę do nowych strategii profilaktyki medycznej – wcześniejszych badań przesiewowych, szybszego wdrażania terapii i indywidualnych planów opieki zdrowotnej.
Znaki zapytania
Model nie jest jednak uniwersalny. Mniej dokładne prognozy dotyczą chorób o złożonym i nieprzewidywalnym przebiegu, jak zaburzenia psychiczne czy komplikacje ciążowe. W ich przypadku decydujące znaczenie mają czynniki środowiskowe i życiowe, których algorytm nie może w pełni uchwycić.
Dlatego naukowcy podkreślają, że Delphi-2M nie zastąpi lekarzy ani indywidualnej diagnozy, lecz może być cennym narzędziem wspierającym badania epidemiologiczne i planowanie polityki zdrowotnej.
Eksperci: to dopiero początek
„Nasz model to dowód słuszności koncepcji, pokazujący, że sztuczna inteligencja jest w stanie nauczyć się wielu długoterminowych wzorców zdrowotnych i wykorzystać te informacje do generowania sensownych prognoz”
– mówi Ewan Birney, tymczasowy dyrektor EMBL.
Zdaniem badacza, dzięki takim narzędziom można wreszcie precyzyjniej analizować, kiedy pojawiają się określone zagrożenia zdrowotne i jak najlepiej zaplanować wczesną interwencję. To krok w stronę bardziej spersonalizowanej i profilaktycznej medycyny, w której leczenie zaczyna się jeszcze zanim wystąpią pierwsze objawy.
Ograniczenia modelu Delphi-2M
Choć Delphi-2M to przełomowy projekt, jego możliwości są ograniczone przez charakter danych treningowych. Większość z nich pochodziła od osób w wieku 40–60 lat, co oznacza, że zdrowie dzieci i młodzieży jest w nim praktycznie niewidoczne. W efekcie model gorzej prognozuje schorzenia typowe dla młodszych pacjentów.
Drugim problemem jest niedostateczna reprezentacja etniczna. Dane z UK Biobank są mocno zdominowane przez osoby pochodzenia europejskiego, co utrudnia tworzenie rzetelnych prognoz dla innych populacji. Podobne ryzyko dotyczy również czynników społeczno-ekonomicznych, które nie zawsze są dobrze udokumentowane.
Wreszcie – tak jak każda sztuczna inteligencja w medycynie – Delphi-2M nie może przewidzieć wpływu nieoczekiwanych zdarzeń życiowych, takich jak nagłe wypadki, pandemie czy zmiany stylu życia. To przypomnienie, że AI daje prawdopodobieństwa, a nie pewność.
AI w diagnostyce zdrowotnej na świecie
Delphi-2M to jeden z przykładów, ale w praktyce sztuczna inteligencja w ochronie zdrowia rozwija się na wielu polach. Widać to zwłaszcza tam, gdzie do analizy trafiają ogromne ilości danych – obrazów medycznych, sygnałów z urządzeń monitorujących czy rejestrów epidemiologicznych.
- Radiologia – tu AI zrobiła największy krok. Algorytmy analizujące zdjęcia RTG, tomografie komputerowe i rezonanse magnetyczne potrafią wykrywać subtelne zmiany, które dla ludzkiego oka mogą być trudne do zauważenia. W praktyce oznacza to wcześniejsze wykrycie np. raka płuca, złamania u dzieci czy krwotoku śródczaszkowego. Niektóre systemy potrafią przejrzeć setki obrazów w ciągu minut, odciążając radiologów i zmniejszając ryzyko pominięcia istotnych szczegółów.
- Histopatologia – czyli analiza tkanek pod mikroskopem. Tradycyjnie to czasochłonny proces wymagający ogromnego doświadczenia. Dziś systemy AI są w stanie wskazać obszary w próbce, gdzie znajdują się podejrzane komórki, a nawet zasugerować stopień złośliwości guza. Lekarz-patolog nie jest zastępowany, ale dostaje narzędzie, które skraca czas analizy i zmniejsza ryzyko błędów.
- Kardiologia – algorytmy uczą się wzorców z zapisów EKG i monitorów pracy serca. Potrafią z wyprzedzeniem sygnalizować ryzyko arytmii czy zawału. W połączeniu z urządzeniami do noszenia (wearables) daje to możliwość ciągłego monitoringu pacjentów i interwencji, zanim wydarzy się coś groźnego. To zupełnie zmienia podejście do pacjentów przewlekle chorych, którzy mogą być obserwowani na co dzień, a nie tylko podczas wizyt w szpitalu.
- Epidemiologia – w czasie pandemii COVID-19 sztuczna inteligencja analizowała dane o zakażeniach, mobilności ludzi i statystykach zdrowotnych, by prognozować rozwój epidemii. Obecnie takie narzędzia pomagają przewidywać np. gdzie pojawi się grypa sezonowa albo które regiony mogą potrzebować dodatkowych dostaw szczepionek. To obszar, w którym AI wspiera nie tylko lekarzy, ale całe systemy zdrowotne i rządy.
Wspólnym mianownikiem wszystkich tych zastosowań jest jedno: AI nie zastępuje lekarza, lecz daje mu drugą parę oczu i dodatkową perspektywę, która zwiększa skuteczność diagnozy i skraca czas działania.
AI w polskich szpitalach – przykłady wdrożeń
Polska w ostatnich latach mocno przyspieszyła w tej dziedzinie. Oto najciekawsze przykłady:
- Saventic Health – polski startup, który stworzył system pomagający lekarzom szybciej identyfikować pacjentów z chorobami rzadkimi. Dziś obsługuje już ponad 50 jednostek chorobowych, w tym metaboliczne i genetyczne. Zwykle takie choroby diagnozuje się latami, a dzięki AI czas ten można skrócić nawet o kilka lat.
- Xlungs – inicjatywa Politechniki Warszawskiej i Polskiej Grupy Raka Płuca. Algorytmy analizują zdjęcia RTG i tomografie komputerowe, aby wskazać zmiany w płucach typowe dla raka. Celem jest odciążenie radiologów i wczesne wychwytywanie guzów, kiedy są jeszcze w fazie operacyjnej.
- deepc + Radpoint – współpraca międzynarodowa, dzięki której do Polski trafiła platforma deepcOS®. To środowisko, które pozwala integrować wiele rozwiązań AI i automatyzować analizę obrazów medycznych. Dzięki temu lekarze mogą szybciej uzyskać gotowy raport, a czas pracy radiologa zostaje skrócony.
- POLCOVID dataset – powstał w czasie pandemii z udziałem 15 polskich szpitali. Zgromadzono w nim tysiące zdjęć RTG i CT pacjentów z COVID-19 oraz innymi schorzeniami płuc. Dane posłużyły do trenowania modeli AI, które potrafią odróżniać zapalenie płuc wywołane koronawirusem od innych chorób. Choć projekt powstał w kryzysie, do dziś służy naukowcom pracującym nad algorytmami diagnostycznymi.
Jak lekarze w Polsce podchodzą do AI?
Jeszcze kilka lat temu rozmowa o sztucznej inteligencji w medycynie wywoływała wśród lekarzy raczej uśmiech niż poważną dyskusję. Dziś sytuacja wygląda inaczej. Badania z 2025 roku pokazują, że aż 68 procent polskich lekarzy deklaruje gotowość korzystania z narzędzi AI w swojej codziennej pracy. To sygnał, że środowisko medyczne zaczyna postrzegać algorytmy nie jako modny gadżet, ale realne wsparcie.
Nie znaczy to jednak, że entuzjazm jest bezgraniczny. W wielu rozmowach powraca to samo pytanie: kto odpowiada za ewentualny błąd? Jeśli system podpowie diagnozę, a lekarz ją potwierdzi, a później okaże się, że pacjent został źle zdiagnozowany – odpowiedzialność spadnie na medyka, szpital czy twórców algorytmu? Brak jasnych regulacji sprawia, że lekarze podchodzą do AI z rezerwą.
Drugą wątpliwość budzi jakość danych, na których trenują się algorytmy. Lekarze zwracają uwagę, że jeśli dane są niepełne lub źle opisane, wnioski mogą być mylące. W praktyce oznacza to, że AI może być pomocna, ale zawsze wymaga krytycznej oceny specjalisty.
Do tego dochodzi kwestia szkoleń. Wielu lekarzy mówi wprost: chcieliby korzystać z AI, ale potrzebują wiedzy, jak interpretować jej wskazania i jak je bezpiecznie włączać do procesu diagnozy. To nie tylko problem polski – podobne obawy zgłaszają medycy w całej Europie.
Mimo tych barier jedno wydaje się przesądzone. Sztuczna inteligencja będzie coraz mocniej obecna w systemie ochrony zdrowia. Dziś wspiera już radiologię, jutro może pomóc w dermatologii, kardiologii czy psychiatrii. Eksperci są zgodni: lekarz przyszłości nie będzie zastąpiony przez algorytm, ale będzie pracował ramię w ramię z AI – jak z nowym, niezwykle czujnym asystentem.
Źródła:
- Nature – Learning the natural history of human disease with artificial intelligence
- Heise – Study: AI model ‘Delphi-2M’ predicts disease risks
- Polskie Radio – New Polish AI system helps spot rare diseases faster
- Research in Poland – Polish AI model based on the world’s largest chest X-ray database
- Deepc – deepc teams up with Radpoint to elevate radiology AI in Poland
- Frontiers in Digital Health – Physicians’ attitudes towards AI in healthcare: a Polish study
- arXiv – POLCOVID dataset: chest X-ray images for COVID-19 AI research
- arXiv – EMPAIA: European initiative for AI in pathology
