Najważniejsze
- •Obecne modele sztucznej inteligencji do prognozowania chorób serca nie są gotowe do wdrożenia w rutynowej praktyce klinicznej ze względu na poważne braki metodologiczne.
- •W analizie 30 badań żadne nie oceniało kalibracji modeli, a jedynie 7 przeprowadziło walidację na niezależnych populacjach pacjentów.
- •Algorytmy AI wykazują skuteczność porównywalną lub tylko nieznacznie lepszą od tradycyjnych kalkulatorów ryzyka, takich jak Framingham Risk Score.
- •Modele trenowane na populacjach zachodnich nie uwzględniają specyficznych czynników ryzyka dla innych grup, np. mieszkańców Indii (m.in. używanie tytoniu bezdymnego, predyspozycje genetyczne).
- •Konieczne jest powszechne wdrożenie międzynarodowych standardów TRIPOD+AI oraz PROBAST+AI w celu weryfikacji algorytmów medycznych.
Modele sztucznej inteligencji przeznaczone do prognozowania chorób serca nie są jeszcze gotowe do użytku klinicznego z powodu poważnych braków metodologicznych. Takie wnioski płyną z międzynarodowego badania opublikowanego 12 sierpnia 2026 roku.
Międzynarodowy zespół naukowców z Indii i Wielkiej Brytanii opublikował 12 sierpnia 2026 roku przegląd systematyczny w czasopiśmie „BMC Medical Informatics and Decision Making”. Z analizy wynika, że modele sztucznej inteligencji (AI) przeznaczone do prognozowania chorób serca nie są obecnie gotowe do rutynowego użytku klinicznego.
Badacze przeanalizowali 30 prac dotyczących modeli sztucznej inteligencji służących do przewidywania ryzyka chorób sercowo-naczyniowych u dorosłych bez wcześniejszego wywiadu w kierunku tych schorzeń. Publikacje te, wydane od 2017 roku, wyselekcjonowano z bazy obejmującej ponad 6700 rekordów. Większość ocenianych algorytmów, takich jak lasy losowe, maszyny wektorów nośnych oraz sztuczne sieci neuronowe, opracowano na podstawie danych pacjentów z USA, Wielkiej Brytanii i Korei Południowej.
Słabe punkty metodologiczne dotychczasowych modeli
Analiza wykazała istotne braki metodologiczne w ocenianych systemach. W żadnym z 30 badań nie oceniono kalibracji modeli, czyli zgodności prognozowanego ryzyka z rzeczywistym występowaniem chorób. Tylko w siedmiu pracach przeprowadzono walidację algorytmów na niezależnych populacjach pacjentów. Ponadto w żadnym projekcie nie zbadano wpływu sztucznej inteligencji na ostateczne decyzje podejmowane przez lekarzy, a wskaźnik czułości modeli podano zaledwie w czterech publikacjach. W dwunastu badaniach bezpośrednio zestawiono sztuczną inteligencję z tradycyjnymi narzędziami, takimi jak kalkulator Framingham Risk Score. W horyzoncie prognozowania od 5 do 10 lat wyniki algorytmów okazały się zbliżone lub tylko nieznacznie lepsze od tradycyjnych metod.
Wyniki te mają kluczowe znaczenie m.in. dla Indii, gdzie choroby układu krążenia odpowiadają za blisko jedną trzecią zgonów, a pacjenci zapadają na nie średnio o 5–10 lat wcześniej niż w krajach zachodnich. Modele trenowane na danych z USA czy Wielkiej Brytanii nie uwzględniają specyficznych dla populacji indyjskiej czynników ryzyka. Należą do nich m.in. używanie tytoniu bezdymnego, genetyczne predyspozycje do niskiego stężenia cholesterolu HDL oraz wysoka podatność na cukrzycę typu 2 przy niskim wskaźniku masy ciała (BMI). Do oceny takich rozwiązań służą międzynarodowe standardy TRIPOD+AI oraz PROBAST+AI, których powszechne wdrażanie ma zapobiegać błędom algorytmicznym w medycynie.
Wdrożenie standardów TRIPOD+AI oraz konieczność prowadzenia bardziej kosztownych badań prospektywnych wpłyną na rynek medyczny. Choć zmiany te mogą w najbliższych latach spowolnić komercjalizację nowych technologii kardiologicznych, to przełożą się na większe bezpieczeństwo pacjentów.
Artificial Intelligence in emergency department triage: A scoping review.
PloS one
,,IMiD- Czy zespoły do innowacji i AI są potrzebne w szpitalach?''
Dlaczego obecne modele AI nie sprawdzają się globalnie?
Opracowanie własne na podstawie wniosków z badania.
Analiza metodologii i wyników w 30 badaniach nad modelami AI w kardiologii
| Kryterium oceny badanych modeli AI | Liczba badań spełniających kryterium | Wnioski / Wyniki porównania |
|---|---|---|
| Ocena kalibracji modeli (zgodność prognoz z rzeczywistością) | 0 / 30 | Całkowity brak oceny w analizowanych publikacjach |
| Walidacja na niezależnych populacjach pacjentów | 7 / 30 | Większość modeli testowano tylko na danych, na których powstały |
| Podanie wskaźnika czułości modeli | 4 / 30 | Bardzo rzadkie raportowanie kluczowego parametru diagnostycznego |
| Bezpośrednie zestawienie z tradycyjnymi kalkulatorami (np. Framingham) | 12 / 30 | Wyniki AI porównywalne lub tylko nieznacznie lepsze |
| Ocena wpływu algorytmu na decyzje lekarzy | 0 / 30 | Brak danych na temat realnego wpływu klinicznego |
Na podstawie przeglądu systematycznego w BMC Medical Informatics and Decision Making, 2026.
Słownik pojęć
- Kalibracja modelu
- Zgodność szacowanego przez model matematyczny prawdopodobieństwa wystąpienia zdarzenia (np. zawału) z rzeczywistą częstością występowania tego zdarzenia w obserwowanej grupie pacjentów.
- Walidacja zewnętrzna
- Ocena skuteczności algorytmu na zupełnie nowym, niezależnym zbiorze danych pacjentów, którzy nie brali udziału w procesie uczenia i trenowania danego modelu.
- Framingham Risk Score
- Jeden z tradycyjnych kalkulatorów ryzyka sercowo-naczyniowego, określający prawdopodobieństwo wystąpienia incydentu wieńcowego w ciągu najbliższych 10 lat na podstawie podstawowych czynników ryzyka.
- TRIPOD+AI
- (Transparent Reporting of a multivariable prediction model for Individual Prognosis Or Diagnosis) - międzynarodowy standard raportowania modeli prognostycznych i diagnostycznych, rozszerzony o wytyczne dla sztucznej inteligencji (+AI).
- PROBAST+AI
- (Prediction model Risk Of Bias Assessment Tool) - narzędzie do oceny ryzyka błędu systematycznego w badaniach nad modelami prognostycznymi, również dostosowane do algorytmów sztucznej inteligencji (+AI).
