83-latek z kiłą: jak diagnostyka AI mogła pomóc lekarzom

83-letni pacjent w 50-letnim monogamicznym związku zgłosił się do lekarzy z objawami, które niemal całkowicie ich zmyliły. Diagnoza? Rzadka forma kiły. Choroba, która zwykle kojarzy się z zupełnie innym profilem pacjentów. Przypadek opisany przez Ars Technica pokazuje, jak nietypowe prezentacje chorób mogą stanowić wyzwanie nawet dla doświadczonych specjalistów – i gdzie systemy AI mogłyby realnie wspomóc diagnostykę.

Kiła w najmniej oczekiwanym miejscu

Pacjent twierdził, że przez pół wieku pozostawał w monogamicznym małżeństwie. To czyniło diagnozę choroby przenoszonej drogą płciową wysoce nieprawdopodobną. Lekarze stanęli przed zagadką: objawy nie pasowały do typowych schorzeń wieku podeszłego, a wywiad medyczny wykluczał standardowe czynniki ryzyka. Ostatecznie zidentyfikowano rzadką formę kiły, która wymaga specjalistycznej wiedzy do rozpoznania.

Sytuacja stawia niewygodne pytania (o czym lekarze zapewne dyskretnie wspominają w dokumentacji). Przede wszystkim jednak ilustruje realny problem diagnostyczny. Rzadkie prezentacje chorób często umykają nawet specjalistom, zwłaszcza gdy kontekst pacjenta sugeruje zupełnie inny kierunek myślenia.

Warto zaznaczyć, że kiła w stadium późnym – bo prawdopodobnie o taką formę chodzi – potrafi naśladować dziesiątki innych schorzeń. Neurolog może zobaczyć objawy neurologiczne, kardiolog – zmiany sercowo-naczyniowe, dermatolog – niespecyficzne zmiany skórne. Bez szerokiego panelu badań serologicznych i gotowości do myślenia poza schematami, rozpoznanie może zająć miesiące lub w ogóle nie nastąpić. W przypadku 83-latka dodatkowym utrudnieniem był wiek: wiele objawów kiły trzeciorzędowej pokrywa się z typowymi dolegliwościami geriatrycznymi, co jeszcze bardziej zawęża pole poszukiwań diagnostycznych.

Gdzie AI mogłoby zmienić wynik

Systemy diagnostyczne oparte na sztucznej inteligencji nie mają ludzkich uprzedzeń poznawczych. Nie zakładają z góry, że 83-latek w długoletnim związku nie może mieć choroby wenerycznej. Analizują wzorce objawów bez kontekstu społecznego, który często kieruje ludzkimi lekarzami na manowce.

narzędzia jak Google Med-PaLM 2 czy systemy diagnostyczne IBM Watson Health są trenowane na ogromnych bazach przypadków medycznych. Włącznie z rzadkimi prezentacjami chorób. Mogą zasugerować diagnozy różnicowe, które ludzkiemu lekarzowi nawet nie przyszłyby do głowy – Nie chodzi o to, że są lepsze od człowieka — chodzi o to, że nie mają "ślepych plamek" wynikających z założeń.

Mechanizm działania takich systemów opiera się na analizie setek lub tysięcy zmiennych jednocześnie. Lekarz w gabinecie, nawet bardzo doświadczony, przetwarza informacje sekwencyjnie i selektywnie – skupia się na tym, co wydaje się najbardziej prawdopodobne. Model językowy lub system diagnostyczny oparty na uczeniu maszynowym nie odrzuca żadnej hipotezy tylko dlatego, że statystycznie wydaje się mało prawdopodobna. W praktyce oznacza to, że kiła mogłaby pojawić się na liście diagnostyki różnicowej znacznie wcześniej – razem z dziesiątkami innych schorzeń, ale jednak się pojawić.

Granice technologii w gabinecie

Trzeba jednak pamiętać: AI nie zastąpi lekarza w rozmowie z pacjentem o potencjalnej niewierności małżeńskiej. Nie przeprowadzi delikatnego wywiadu, który może ujawnić kluczowe informacje. Systemy AI działają najlepiej jako wsparcie – drugi zestaw oczu, który sprawdza, czy czegoś nie przeoczono.

To rozróżnienie jest kluczowe. W przypadku chorób o silnym ładunku emocjonalnym lub społecznym – takich jak choroby weneryczne, uzależnienia czy zaburzenia psychiczne – sam kontakt z pacjentem, budowanie zaufania i umiejętność zadania właściwego pytania we właściwym momencie pozostają domeną człowieka. AI może wskazać kierunek, ale to lekarz musi tam dotrzeć razem z pacjentem.

Błąd poznawczy jako problem systemowy

Przypadek 83-latka to ilustracja szerszego zjawiska w medycynie: błędu zakotwiczenia. Lekarze, gdy raz przyjmą określone założenie – na przykład że pacjent nie mógł być narażony na chorobę przenoszoną drogą płciową – mają tendencję do interpretowania kolejnych danych w sposób potwierdzający to założenie. To nie jest kwestia niekompetencji. To fundamentalna cecha ludzkiego myślenia.

Badania nad błędami diagnostycznymi wskazują, że nawet 40-60 procent poważnych błędów medycznych ma podłoże poznawcze, a nie wynika z braku wiedzy czy niedbalstwa. AI jako narzędzie wspomagające diagnostykę działa właśnie w tej przestrzeni: nie zastępuje wiedzy lekarza, ale może działać jako mechanizm korygujący uprzedzenia.

Praktyczne zastosowanie w szpitalach i przychodniach

Wdrożenie systemów AI wspomagających diagnostykę różnicową nie musi oznaczać rewolucji w organizacji opieki zdrowotnej. W najbardziej podstawowej formie może to być lista sugestii generowana na podstawie wpisanych przez lekarza objawów i wyników badań – podobna do tej, którą generują już dziś narzędzia takie jak Isabel DDx czy nowe moduły diagnostyczne budowane na modelach GPT-4. Lekarz dostaje rozszerzoną listę możliwości do rozważenia i sam decyduje, które z nich wymagają weryfikacji.

W bardziej zaawansowanych wdrożeniach systemy AI mogą analizować całą dokumentację medyczną pacjenta, wyniki laboratoryjne i obrazowe, a następnie generować alerty, gdy wzorzec danych odbiega od oczekiwanego. Taki system mógłby zauważyć, że 83-latek ma wyniki serologiczne, które – choć niejednoznaczne – powinny skłonić do poszerzenia diagnostyki w kierunku chorób zakaźnych.

Źródła

• Ars Technica - Rare form of syphilis in married elderly man nearly stumps doctors