Sztuczna inteligencja wyprzedza ograniczenia medycyny

Tygodniowe wiadomości o AI w opiece zdrowotnej rozwijają się jednocześnie w dwóch kierunkach: niezwykłe zyski w zakresie możliwości z jednej strony i system zarządzania wyraźnie zmagający się z dotrzymaniem tempa z drugiej.

JAMA twierdzi, że AI przewyższy lekarzy do 2030 roku — a nadzór człowieka może pogorszyć sytuację

Recenzowana perspektywa opublikowana w Journal of the American Medical Association zawiera jedno z najodważniejszych twierdzeń, jakie kiedykolwiek pojawiły się w głównej literaturze medycznej: do 2030 roku autonomiczne systemy AI przewyższą lekarzy w diagnozowaniu, przepisywaniu leków i zarządzaniu chorobami przewlekłymi.

Autorzy nie są głosami z marginesu. Ezekiel Emanuel to bioetyk, który służył jako doradca ds. polityki zdrowotnej w Białym Domu zaczasów Obamy. Jego współautor, Vinod Khosla, to miliarder i inwestor venture capital, który od dawna wspiera zakłócający potencjał AI w medycynie. Razem przeanalizowali ponad 50 recenzowanych badań porównujących AI z klinicystami w różnych specjalnościach.

Ich najbardziej prowokacyjne odkrycie dotyczy samego nadzoru. Zamiast argumentować, że ludzie powinni pozostawać w pętli jako zawór bezpieczeństwa, Emanuel i Khosla ostrzeżają, że wymaganie zatwierdzenia przez lekarza decyzji AI może aktywnie pogarszać wyniki. Ukuwają termin dekwalifikacja wywołana przez AI: w miarę jak lekarze coraz bardziej przekazują myślenie diagnostyczne algorytmom, tracą osąd kliniczny niezbędny do wychwycenia przypadków, w których algorytm się myli — a ich sporadyczne interwencje wprowadzają dodatkowe błędy zamiast je filtrować.

Jeśli argument jest trafny, przekształca pytanie regulacyjne. Debata przesuwa się od „jak zapewnić, że AI bezpiecznie wspomaga lekarzy?” do „w którym momencie wymaganie ludzkiej weryfikacji staje się źródłem szkody, a nie zabezpieczeniem?”

Stanford projektuje sztuczne wirusy zabijające bakterie oporne na antybiotyki — i podnosi czerwoną flagę bezpieczeństwa biologicznego

Naukowcy z Uniwersytetu Stanforda zsyntetyzowali 16 funkcjonalnych bakteriofagów — wirusów infekujących i zabijających bakterie — za pomocą genomowych modeli językowych wytrenowanych na sekwencjach z ponad dwóch milionów naturalnie występujących fagów. Wirusy zaprojektowane przez AI skutecznie zabiły szczepy Escherichia coli odporne na antybiotyki w warunkach laboratoryjnych.

Zastosowane modele, Evo1 i Evo2, działają analogicznie do dużych modeli językowych stojących za narzędziami do generowania tekstu: uczą się statystycznych wzorów sekwencji genomowych i generują nowe, które podążają za tymi wzorami. Powstałe fagi nie występują w naturze. Są, w znaczącym sensie, wynalazkami AI.

Potencjał terapeutyczny jest znaczący. Szacuje się, że oporność na antybiotyki będzie zabić dziesięć milionów ludzi rocznie do 2050 roku, a pipeline nowych antybiotyków był bliski wyczerpania od dziesięcioleci. Precyzyjna terapia fagowa — celująca w konkretne szczepy bakteryjne bez zakłócania otaczającego mikrobiomu — była od dawna teoretyczną alternatywą. Projektowanie fagów przyspieszone przez AI mogłoby uczynić ją praktyczną na dużą skalę.

Jednak eksperci ds. bezpieczeństwa biologicznego biją na alarm, wykraczający poza to konkretne zastosowanie. Jeśli AI może projektować funkcjonalne nowe wirusy zdolne do zabijania bakterii, to samo podejście mogłoby teoretycznie zostać skierowane na patogeny. Naukowcy przyznają, że ich praca dowodzi, iż biologia zaprojektowana przez AI porusza się teraz szybciej niż ramy zarządzania zbudowane w celu jej kontrolowania.

Evaxion uruchamia zaprojektowaną przez AI szczepionkę przeciw glejakowi wielopostaciowemu celową na antygeny wirusowe

Evaxion Biotech dodała EVX-05 do swojego portfolio: gotowego do użycia kandydata na szczepionkę przeciwnowotworową dla glejaka wielopostaciowego — najbardziej agresywnej i śmiertelnej postaci pierwotnego raka mózgu — zaprojektowanego przez platformę AI-Immunology we współpracy z Uniwersytetem Duke.

To, co wyróżnia EVX-05, to zarówno mechanizm działania, jak i dostępność. Zamiast być spersonalizowaną — wytrenuowaną na własnym guzie konkretnego pacjenta — celuje w endogenne antygeny retrowirusowe: pozostałości starożytnych infekcji wirusowych wbudowane w ludzki genom, które są nadeksprymowane w guzach glejaka, ale w dużej mierze milczące w zdrowej tkance. Ponieważ te cele są wspólne dla pacjentów, szczepionkę można teoretycznie produkować na dużą skalę i podawać bez zindywidualizowanego przygotowania, które ograniczyło kliniczny i komercyjny zasięg spersonalizowanych szczepionek przeciwnowotworowych.

EVX-05 zastępuje wcześniejszy program, EVX-03, który został przerwany. Dodanie do portfolio następuje w momencie, gdy terapie onkologiczne zaprojektowane przez AI przechodzą od dowodu koncepcji do wczesnych faz klinicznych w całej branży. Czy odkryte przez AI wspólne antygeny okażą się wystarczająco immunogenne, aby wywoływać trwałe odpowiedzi w glejaku — guzie słynącym z unikania nadzoru immunologicznego — pozostaje do wykazania w badaniach.

Mayo Clinic skaluje diagnostykę AI na poziom krajowy — jednocześnie stając w obliczu pozwu dotyczącego tej samej technologii

Mayo Clinic wdraża swoją diagnostyczną platformę AI poza własne kampusy, licencjonując ją dla szpitali społecznościowych jako sposób na rozszerzenie diagnostycznych możliwości na poziomie specjalisty do placówek, które nie mogą rekrutować podspecjalistów. Platforma oparta jest na fundamencie ponad 12 000 badań klinicznych.

Logika strategiczna jest prosta: AI może przenosić wiedzę instytucjonalną do szpitali, które inaczej nie miałyby do niej dostępu. Dla pacjentów na obszarach wiejskich lub niedostatecznie obsługiwanych obietnica jest znacząca. Szpital społecznościowy bez kardiologa lub neuroradiologa na pokładzie może, poprzez tego rodzaju partnerstwo, oferować jakość diagnostyki zbliżoną do tego, co pacjenci otrzymują w dużych akademickich centrach medycznych.

Czas jest skomplikowany przez pozew złożony w lipcu 2026 roku, zarzucający, że system opieki zdrowotnej używający platformy Mayo poszedł na skróty we wdrożeniu w sposób, który zagrażał opiece nad pacjentami i naruszał prywatność pacjentów. Sprawa ujawnia pytanie, które branża pozostawiła w dużej mierze nierozwiązane: gdy system opieki zdrowotnej licencjonuje diagnostyczną platformę AI od renomowanej instytucji i coś pójdzie nie tak, kto ponosi odpowiedzialność — licencjodawca, którego model wydał rekomendację, czy licencjobiorca, którego klinicysci działali na jej podstawie?

Federalne agencje zdrowia USA stawiają wszystko na AI. Ramy prawne — nie.

Nowo opublikowana analiza naukowców z Harvardu i Uniwersytetu Maryland wykazuje, że zastosowanie AI w głównych amerykańskich federalnych agencjach zdrowia gwałtownie wzrosło w ciągu ostatniego roku: przyjęcie przez FDA wzrosło o 148%, CDC o 87%, CMS o 78%, a NIH o 51%. Agencje używają AI w całym procesie przeglądu regulacyjnego, nadzoru epidemiologicznego, rozstrzygania roszczeń i ustalania priorytetów badawczych — zadaniach, które wpływają na decyzje medyczne dla setek milionów Amerykanów lub bezpośrednio je determinują.

Problem, jak twierdzą naukowcy, polega na tym, że ramy odpowiedzialności nie dotrzymały kroku. Gdy model FDA wpływa na to, czy lek zostaje zatwierdzony, lub algorytm CMS determinuje decyzję o refundacji, istniejące doktryny prawne mają trudności z przypisaniem odpowiedzialności, jeśli wynik szkodzi pacjentowi. Czy rekomendacja AI stanowi federalne działanie podlegające kontroli administracyjnej, pozostaje w dużej mierze niesprawdzone. Wymogi ujawnienia, gdy AI wpływa na decyzję kliniczną, są niespójne lub nieobecne.

Analiza określa tę sytuację jako ryzyko systemowe. Skoro AI jest teraz wbudowana w decyzje o życiu i śmierci na dużą skalę, luka między możliwościami a odpowiedzialnością nie jest już kwestią teoretyczną — jest operacyjna.