AI w ochronie zdrowia: skanowanie twarzy, luki w nadzorze FDA i żądanie ujawnienia informacji

Tydzień kontrastów w medycznym AI: uderzające demonstracje tego, co technologia potrafi wykryć, oraz trzeźwa ocena tego, jak mało wiemy o tym, czy rzeczywiście pomaga pacjentom. Ponadto nowe ruchy w zakresie regulacji, bezpieczeństwa i zaufania publicznego.

5-sekundowe wideo selfie może wykryć nadciśnienie i cukrzycę

Naukowcy z Uniwersytetu Tokijskiego zaprezentowali wyniki na ESC Congress 2026, pokazując, że model AI może analizować subtelne sygnały w krótkim filmie twarzy — wzorce przepływu krwi, mikruchy, zmiany koloru skóry — i identyfikować nadciśnienie z dokładnością powyżej 90% oraz cukrzycę z dokładnością powyżej 80%.

System wymaga jedynie kamery smartfona i pięciu sekund nagrania, co czyni z niego potencjalnie tanie narzędzie przesiewowe dla środowisk, gdzie testy laboratoryjne i wizyty u specjalistów są rzadkością. Kliniki podstawowej opieki zdrowotnej w całym basenie Morza Śródziemnego i w krajach rozwijających się należą do oczywistych beneficjentów: nadciśnienie często pozostaje niewykryte przez lata po prostu dlatego, że badanie jest niewygodne lub niedostępne.

Wyniki są wstępne i zostały zaprezentowane na konferencji, co oznacza, że pełna recenzja peer review jest jeszcze w toku. Jednak kierunkowe odkrycie — że AI może wyodrębniać klinicznie istotne sygnały ze zwykłego wideo — wskazuje na kategorię nieinwazyjnych, niskoprogowych diagnostyk, które mogłyby ostatecznie zintegrować się z platformami telemedycznymi i programami przesiewowymi w społecznościach.

Urządzenia AI zatwierdzone przez FDA: zatwierdzone, ale nie udowodniono korzyści dla pacjentów

Badanie opublikowane w PLOS Digital Health 19 sierpnia przeanalizowało 1357 medycznych urządzeń AI zatwierdzonych przez FDA w ramach ścieżki 510(k) — i stwierdziło wyraźną lukę między zatwierdzeniem regulacyjnym a dowodami korzyści dla pacjenta.

Tylko trzy z tych urządzeń, około 0,2%, były powiązane z badaniami oceniającymi wyniki skoncentrowane na pacjencie, takie jak śmiertelność, wskaźniki ponownych hospitalizacji czy jakość życia. Tylko 2,5% miało jakiekolwiek zarejestrowane prospektywne badanie kliniczne w rejestrach. Pozostałe zostały zatwierdzone na podstawie technicznych wskaźników wydajności — na przykład dokładności względem standardu referencyjnego — bez dowodów, że zmieniają to, co dzieje się z pacjentami.

To nie jest niszowa sprawa. Ścieżka 510(k) została zaprojektowana, aby przyspieszyć zatwierdzenie urządzeń uznawanych za «zasadniczo równoważne» już zatwierdzonym produktom. Nie była przeznaczona do wykazania, że urządzenie poprawia opiekę. Wraz z mnożeniem się urządzeń AI wiele z nich jest wdrażanych w szpitalach i klinikach bez żadnych dowodów z badań klinicznych, że przynoszą korzyści — lub przynajmniej nie szkodzą — ludziom, na których są stosowane.

FDA zmierza w kierunku formalnych ram dla generatywnej AI w medycynie

Niezależnie od badania luki w zatwierdzeniach, FDA opublikowała dokument dyskusyjny 18 sierpnia, sygnalizując formalne przesunięcie polityki dla generatywnych medycznych urządzeń AI — dużych modeli językowych, systemów multimodalnych i podobnych narzędzi stosowanych w klinicznym wspomaganiu decyzji.

Agencja odchodzi od przeglądu przypadek po przypadku na rzecz systematycznych ram obejmujących trzy obszary: standardy oceny przedrynkowej, klasyfikację ryzyka i nadzór postrynkowy. Publiczne komentarze do dokumentu dyskusyjnego należy złożyć do 19 października 2026 roku.

Czas ma znaczenie. Narzędzia GenAI są już używane w szpitalach do dokumentacji, interpretacji radiologicznej i klinicznego wspomagania decyzji — głównie w oparciu o istniejące wytyczne, które zostały napisane na długo przed istnieniem dużych modeli językowych. FDA uznaje tę rozbieżność i zaczyna budować ramy dostosowane do celu. Klinicyści, deweloperzy i systemy opieki zdrowotnej mają czas do połowy października, aby kształtować wygląd tych ram.

ECRI tworzy system raportowania błędów specjalnie dla AI

Organizacja non-profit ds. bezpieczeństwa pacjentów ECRI rozszerzyła swoją Sieć Raportowania Problemów, aby specjalnie rejestrować błędy związane z AI i zdarzenia potencjalnie niebezpieczne w środowiskach klinicznych. Ten krok nastąpił po ankiecie wśród 124 liderów ds. jakości i bezpieczeństwa opieki zdrowotnej: 31% zgłosiło napotkanie błędnego lub wprowadzającego w błąd wyniku AI w ciągu ostatniego roku, a 9% stwierdziło, że błąd AI faktycznie dotknął pacjenta.

Opieka zdrowotna ma dobrze ugruntowane kanały śledzenia błędów lekowych, awarii urządzeń i powikłań chirurgicznych. Incydenty związane z AI w dużej mierze wypadały przez szczeliny — narzędzie AI, które po cichu generuje błędną sugestię dawkowania lub błędnie klasyfikuje wynik badania obrazowego, może nigdy nie pojawić się w żadnej bazie danych zdarzeń niepożądanych.

Rozszerzenie ECRI tworzy ustrukturyzowany kanał dla klinicystów do zgłaszania błędów AI w ten sam sposób, w jaki zgłaszają inne zdarzenia związane z bezpieczeństwem pacjentów. Zebrane dane będą informować wytyczne dotyczące bezpieczeństwa i z czasem zapewnią wyraźniejszy empiryczny obraz tego, gdzie narzędzia AI zawodzą w praktyce — rodzaj bazy dowodów, jakiej regulatorzy i szpitale będą potrzebować do podejmowania lepszych decyzji dotyczących wdrożenia.

Społeczeństwo oczekuje przejrzystości: 8 na 10 Amerykanów chce ujawnienia informacji o AI

Ankieta Pew Research Center przeprowadzona 22–28 czerwca 2026 roku wykazała, że 80% Amerykanów chce, aby ich dostawca opieki zdrowotnej informował ich o stosowaniu AI w ich leczeniu. Jednak tylko 16% twierdzi, że ich lekarz ujawnił takie zastosowanie, a 46% nie jest pewnych, czy AI była zaangażowana w ich leczenie w ogóle.

Obawy dotyczące prywatności są istotne, szczególnie w odniesieniu do chatbotów zdrowotnych AI, które mogą nie podlegać ochronie HIPAA — pacjenci korzystający z konsumenckich narzędzi do badania objawów mogą nie zdawać sobie sprawy, że ich dane wejściowe mogą zasilać komercyjne szkolenie modeli lub być udostępniane stronom trzecim.

Ankieta pojawia się w odpowiednim momencie. Ustawa o AI UE zawiera wymogi dotyczące przejrzystości dla systemów AI wysokiego ryzyka, a państwa członkowskie UE wdrażają teraz te wymogi. Pacjenci mają prawne prawo do wiedzy, kiedy znaczący AI wpływa na decyzje dotyczące ich opieki, a dane Pew wyraźnie pokazują, że chcą korzystać z tego prawa nawet tam, gdzie nie ma jeszcze mandatu.

PISA: nowe narzędzie wychwytuje, czego naprawdę uczy się genomiczne AI

Wreszcie, postęp metodologiczny ze Stowers Institute i Kundaje Lab na Uniwersytecie Stanforda, opublikowany w Nature Communications w sierpniu 2026 roku. Narzędzie, zwane PISA (pairwise influence by sequence attribution), mapuje to, na co genomiczny model głębokiego uczenia naprawdę zwraca uwagę podczas tworzenia prognoz — zasada po zasadzie, przez cały genom.

Naukowcy zbudowali PISA, aby rozumieć swoje modele, a nie ufać im jak czarnym skrzynkom. To, co odkryli, było bardziej niepokojące niż oczekiwano: PISA ujawniła ukryte eksperymentalne odchylenie, które po cichu korumpowało wyniki. Model uczył się artefaktów w danych — technicznego szumu z protokołu sekwencjonowania — zamiast prawdziwego sygnału biologicznego. Na standardowych benchmarkach wyglądał dobrze; PISA ujawniła problem.

Odkrycie ma dwie implikacje. Po pierwsze, jest to przypomnienie, że modele AI trenowane na danych biologicznych mogą i rzeczywiście uczą się fałszywych wzorców, które wydają się prawidłowe na wstrzymanych zestawach testowych, ale odzwierciedlają artefakty pomiarowe, a nie biologię. Po drugie, sama PISA jest praktycznym narzędziem audytu — teraz publicznie dostępnym dla innych laboratoriów genomiki do sprawdzenia, czy ich własne modele uczą się tego, co myślą, że uczą.