Tydzień Health AI: Konferencje, Partnerstwa i Regulacje Zbiegają Się

Miniony tydzień był pracowity dla zdrowia AI — konferencja etyczna otworzyła się w Baltimore, Johns Hopkins nawiązał współpracę z OpenEvidence w zakresie klinicznego AI skoncentrowanego na człowieku, rząd federalny uruchomił cztery programy ARPA-H w celu przyspieszenia badań klinicznych, okno komentarzy FDA dotyczące generatywnych urządzeń medycznych AI zamyka się w niedzielę, a dwadzieścia lat innowacji w odkrywaniu leków zbiegło się w Londynie.

Krajowy szczyt ds. etycznej AI w zdrowiu publicznym otwiera się w Baltimore

14 października w Baltimore Krajowa Sieć Instytutów Zdrowia Publicznego (NNPHI) zainaugurowała AIxPH 2026, skupiając praktyków zdrowia publicznego, technologów, etyków i decydentów politycznych na trzydniową rozmowę o tym, jak AI zmienia praktykę zdrowia publicznego na poziomie populacyjnym.

Konferencja jest zorganizowana wokół czterech filarów: zarządzania i odpowiedzialności AI, nadzoru nad chorobami i wykrywania ognisk epidemii, aplikacji zdrowotnych skoncentrowanych na społeczności i równości oraz ochrony prywatności w systemach intensywnie korzystających z danych. Filary te odzwierciedlają rzeczywiste napięcia, które pojawiły się wraz z wdrażaniem przez agencje zdrowia publicznego narzędzi predykcyjnych — pytania o to, kto kontroluje modele, jak można wykorzystywać dane nadzoru epidemiologicznego i czy alokacja zasobów oparta na AI wzmacnia czy koryguje historyczne nierówności.

AIxPH jest jednym z pierwszych zgromadzeń zaprojektowanych specjalnie dla specjalistów zdrowia publicznego, a nie administratorów szpitali czy badaczy biomedycznych. Epidemiologia i zdrowie społecznościowe działają na innych typach danych, strukturach odpowiedzialności i tolerancjach ryzyka niż medycyna kliniczna, a ramy zarządzania kształtowane na konferencji odzwierciedlają te różnice.

OpenEvidence i Johns Hopkins Medicine stawiają człowieka w centrum klinicznego AI

13 października OpenEvidence i Johns Hopkins Medicine ogłosiły współpracę mającą na celu integrację AI zarówno w podejmowaniu decyzji klinicznych, jak i w edukacji medycznej — ze świadomym naciskiem na utrzymanie klinicystów w pętli decyzyjnej.

Współpraca łączy platformę syntezy dowodów OpenEvidence z protokołami klinicznymi Johns Hopkins, narzędziami historii pacjenta i instytucjonalnymi najlepszymi praktykami. Deklarowanym celem nie jest zastąpienie osądu lekarza, lecz szybsze dostarczanie istotnych dowodów, zmniejszenie obciążenia poznawczego podczas decyzji wysokiego ryzyka oraz sygnalizowanie, gdy sytuacja pacjenta odbiega od standardowych wytycznych.

To, co czyni współpracę godną uwagi, to jej podwójny zakres. Jednocześnie stara się zmienić sposób pracy praktykujących klinicystów dziś i sposób uczenia się studentów medycyny jutro. Programy szkoleniowe, które nie obejmują przepływów pracy AI, przygotowują studentów do środowiska klinicznego, które już się zmienia. Wbudowując narzędzia AI w edukację obok praktyki klinicznej, Johns Hopkins i OpenEvidence zakładają, że najbardziej trwałą drogą do dobrych wyników jest szkolenie klinicystów, którzy są zarówno sceptyczni, jak i kompetentni użytkownicy systemów AI.

HHS stawia na AI, aby przełamać wąskie gardło badań klinicznych

Departament Zdrowia i Opieki Społecznej USA, poprzez Agencję Zaawansowanych Projektów Badawczych na rzecz Zdrowia (ARPA-H), ogłosił cztery programy AI ukierunkowane na łańcuch badań klinicznych — obszar, gdzie średnie koszty rozwoju przekraczają 2 miliardy dolarów na lek, a wskaźniki niepowodzeń sięgają ponad 90 procent.

Cztery inicjatywy obejmują odrębne punkty nacisku w cyklu życia badania:

SURPASS koncentruje się na projektowaniu badań, wykorzystując AI do modelowania wyników i optymalizacji protokołów przed włączeniem jednego pacjenta.

STACK zajmuje się infrastrukturą danych, budując systemy obliczeniowe, które czynią dane z badań bardziej dostępnymi i interoperacyjnymi między ośrodkami i sponsorami.

COMMONS poszerza nabór pacjentów, dopasowując kwalifikujących się uczestników do badań, z którymi inaczej nigdy by się nie zetknęli — problem nieproporcjonalnie dotykający społeczności wiejskie i niedostatecznie obsługiwane.

CINCH celuje konkretnie w onkologię, używając AI do dopasowywania pacjentów z rakiem do odpowiednich badań na podstawie profili molekularnych, historii leczenia i kryteriów kwalifikacji.

Razem programy odzwierciedlają podejście ARPA-H do badań i rozwoju w zdrowiu: zamiast finansować poszczególne terapie, finansuje infrastrukturę i metody, które decydują o tym, czy każda terapia może być testowana wydajnie. Badania kliniczne są jedynym największym wąskim gardłem między odkryciem naukowym a dostępem pacjentów, a ulepszenia wynikające z AI w zakresie ich szybkości i inkluzywności mogą mieć efekty kumulacyjne w całej medycynie.

FDA zamyka publiczne komentarze do generatywnych urządzeń medycznych AI w tę niedzielę

Papier dyskusyjny Agencji ds. Żywności i Leków (FDA) z sierpnia 2026 roku dotyczący regulacji urządzeń medycznych opartych na generatywnym AI osiąga termin zgłaszania komentarzy 19 października. Dla każdego, kto pracuje w rozwoju urządzeń medycznych, informatyce klinicznej lub polityce AI w ochronie zdrowia, okno się zamyka.

Dokument skupia się na tym, co sprawia, że generatywna AI różni się od poprzednich kategorii oprogramowania jako urządzenia medycznego (SaMD). Tradycyjne modele SaMD są zazwyczaj zablokowane po treningu: organy regulacyjne mogą ocenić konkretną wersję, a ta wersja się nie zmienia. Modele generatywnej AI mogą adaptować się poprzez ciągłe uczenie się, produkować nowe wyniki, które nie były wyraźnie przewidywane podczas rozwoju, i zachowywać się inaczej w różnych populacjach pacjentów w sposób trudniejszy do scharakteryzowania w testach przedrynkowych.

FDA prosi komentatorów o pomoc w zdefiniowaniu tego, jak powinny wyglądać ramy przedrynkowe dla systemów, które ewoluują, jak powinien działać nadzór posprzedażowy, gdy wyniki modelu mogą zmieniać się w czasie, i jak obsługiwać systemy AI łączące komponenty generatywne z tradycyjnymi narzędziami diagnostycznymi. Wraz z zamknięciem okresu komentarzy w tym tygodniu, agencja zmierza ku proponowanemu normowaniu — co czyni obecne okno niezwykle ważnym dla każdego, kto ma interes w sposobie pisania tych zasad.

Dwadzieścia lat innowacji w odkrywaniu leków, teraz z AI, w Londynie

Konferencja Drug Discovery ELRIG świętowała swoje dwudziestolecie 14–15 października w londyńskim centrum ExCeL, a AI był wpleciony w całą agendę, zamiast być izolowany w dedykowanym bloku tematycznym — sygnał, jak dokładnie technologia została wchłonięta przez nowoczesne farmaceutyczne badania i rozwój.

Konferencja skupia badaczy z dziedziny biofizyki nowej generacji, multi-omics, mikrobiologii i nauk translacyjnych. W tym roku odkrywanie wspomagane AI pojawiło się na każdym etapie łańcucha: w identyfikacji celów przy użyciu danych genomicznych w dużej skali, w projektowaniu i optymalizacji cząsteczek, w rozwoju testów oraz w translacji wyników przedklinicznych do badań na ludziach.

Dwie dekady konferencji poświęconych odkrywaniu leków śledziły drogę tej dziedziny przez chemię kombinatoryczną, wysokoprzepustowe przesiewanie i obliczeniowy docking — a teraz uczenie maszynowe na dużą skalę. Dwudziestolecie to przydatna perspektywa do doceniania, jak wiele się zmieniło. Podstawowe wyzwanie identyfikowania, które interwencje są bezpieczne i skuteczne u ludzi, pozostaje równie trudne jak zawsze. To, co zmienia AI, to szybkość testowania hipotez i zakres przestrzeni chemicznej i biologicznej, którą można eksplorować.