Tętniaki wewnątrzczaszkowe pozostają jednym z najbardziej podstępnych zagrożeń neurologicznych współczesnej medycyny. Przez wiele lat mogą rozwijać się bezobjawowo, nie dając żadnych sygnałów ostrzegawczych, by ujawnić się dopiero w momencie pęknięcia, prowadząc do krwotoku podpajęczynówkowego, ciężkiego uszkodzenia mózgu lub nagłego zgonu. Pomimo ogromnego postępu neurochirurgii i neuroradiologii interwencyjnej, problem wczesnego wykrycia tętniaków u osób bez objawów klinicznych pozostaje nierozwiązany. W tym kontekście pojawienie się zaawansowanych narzędzi opartych na sztucznej inteligencji stanowi jakościową zmianę w myśleniu o diagnostyce ryzyka chorób naczyniowych mózgu.
Przełomowe badania prowadzone wspólnie przez zespoły naukowe z Politechnika Gdańska, Gdański Uniwersytet Medyczny oraz Uniwersyteckie Centrum Kliniczne w Gdańsku redefiniują dotychczasowe podejście do identyfikacji pacjentów zagrożonych tętniakiem mózgu. Kluczowym założeniem projektu jest odejście od wyłącznej zależności od badań obrazowych i przeniesienie ciężaru wczesnej diagnostyki na analizę danych klinicznych, laboratoryjnych oraz opisowej dokumentacji medycznej, które są rutynowo gromadzone w systemie ochrony zdrowia.
Dotychczas obowiązujący paradygmat diagnostyczny zakładał, że wiarygodna ocena obecności tętniaka oraz ryzyka jego pęknięcia możliwa jest jedynie po wykonaniu tomografii komputerowej, rezonansu magnetycznego lub angiografii. Takie podejście, choć skuteczne, jest kosztowne, obciążające pacjenta i niemożliwe do zastosowania przesiewowo w populacji ogólnej. Projekt realizowany w Gdańsku proponuje zupełnie inną ścieżkę: wykorzystanie algorytmów uczenia maszynowego do identyfikacji subtelnych wzorców ryzyka obecnych w danych, które dotychczas nie były łączone z patogenezą tętniaków.
Rdzeniem opracowywanego rozwiązania są modele predykcyjne trenowane na danych ponad 60 tysięcy pacjentów hospitalizowanych w latach 2006–2024. Analizowane informacje obejmują zarówno wyniki podstawowych badań laboratoryjnych, jak i dane wyekstrahowane z opisów medycznych, wywiadów oraz historii chorób. Szczególną wartość metodologiczną ma fakt, że w przypadku pacjentów z pękniętym tętniakiem wykorzystywano wyłącznie dane zgromadzone przed wystąpieniem krwotoku, co pozwala realnie ocenić zdolność modeli do przewidywania zdarzeń przyszłych, a nie ich retrospektywnego opisu.
W pierwszych analizach uwzględniono 26 parametrów laboratoryjnych, w tym stężenie glukozy, kreatyniny, sodu i potasu, liczbę płytek krwi, wskaźniki czerwonokrwinkowe oraz elementy leukogramu. Dane te połączono z informacjami o klasycznych czynnikach ryzyka naczyniowego, takich jak nadciśnienie tętnicze, cukrzyca czy nikotynizm. Już na tym etapie wykazano istotne statystycznie różnice pomiędzy pacjentami z tętniakiem pękniętym i niepękniętym, co potwierdza hipotezę, że proces prowadzący do destabilizacji ściany naczynia znajduje swoje odzwierciedlenie w ogólnoustrojowych parametrach biologicznych.
Zastosowanie nowoczesnych architektur uczenia maszynowego, w tym modeli typu TabNet, umożliwiło uzyskanie skuteczności predykcyjnej przekraczającej 77 procent przy czułości sięgającej około 80 procent, a w wybranych konfiguracjach nawet powyżej 90 procent. Równie istotna jak same wyniki była rygorystyczna metodologia walidacji, obejmująca zabezpieczenia przed wyciekiem danych oraz wielokryterialną ocenę modeli, co znacząco zwiększa ich wiarygodność kliniczną.
Nowym i szczególnie obiecującym elementem projektu jest integracja wielkich modeli językowych, takich jak LLaMA, PLLuM czy Bielik, w procesie analizy dokumentacji medycznej. Modele te umożliwiają automatyczną ekstrakcję istotnych klinicznie informacji z nieustrukturyzowanych opisów lekarskich, które przez lata pozostawały poza zasięgiem klasycznych algorytmów statystycznych. Dzięki temu możliwe jest uwzględnienie danych jakościowych, takich jak opisy objawów, przebieg hospitalizacji czy decyzje terapeutyczne, co dodatkowo zwiększa precyzję predykcji.
Znaczenie kliniczne i systemowe tego typu narzędzia trudno przecenić. Szacuje się, że nawet jedna na pięćdziesiąt dorosłych osób może mieć niepękniętego tętniaka mózgu. W polskich realiach oznacza to setki tysięcy potencjalnie zagrożonych pacjentów, z których większość nigdy nie trafi do diagnostyki obrazowej. Tymczasem koszt profilaktycznego zabezpieczenia tętniaka, czy to metodą klasycznego klipsowania, czy nowoczesnych technik endowaskularnych, jest nieporównywalnie niższy niż leczenie następstw krwotoku podpajęczynówkowego, długotrwała rehabilitacja oraz koszty społeczne związane z trwałą niezdolnością do pracy.
Wczesna identyfikacja pacjentów o podwyższonym ryzyku, oparta na analizie danych klinicznych wspieranej przez sztuczną inteligencję, otwiera drogę do zupełnie nowego modelu profilaktyki neurologicznej. Zamiast reagować na katastrofę naczyniową, system ochrony zdrowia może zacząć aktywnie zapobiegać jej wystąpieniu, kierując diagnostykę obrazową i interwencje do precyzyjnie wyselekcjonowanej grupy pacjentów.
Potencjał innowacyjny projektu został dostrzeżony na arenie międzynarodowej. Inicjatywa „AI-Powered Medical Software for Predicting the Likelihood of Intracranial Aneurysm” zakwalifikowała się do programu akceleracyjnego I3HIES, którego celem jest wsparcie najbardziej obiecujących rozwiązań z obszaru zdrowia aż do etapu wdrożenia klinicznego i komercjalizacji. To potwierdzenie, że polskie zespoły badawcze są w stanie tworzyć technologie odpowiadające na najważniejsze wyzwania współczesnej medycyny.
Rozwój narzędzi predykcyjnych opartych na sztucznej inteligencji nie oznacza zastąpienia lekarza algorytmem, lecz stworzenie zaawansowanego systemu wsparcia decyzji klinicznych. Transparentność modeli, możliwość interpretacji czynników ryzyka oraz integracja z codzienną praktyką lekarską sprawiają, że sztuczna inteligencja staje się realnym partnerem w procesie diagnostycznym. W przypadku tętniaków mózgu może to oznaczać nie tylko postęp technologiczny, lecz przede wszystkim tysiące uratowanych istnień ludzkich.
Najczęściej zadawane pytania
Czy sztuczna inteligencja może wykryć tętniaka mózgu bez tomografii?
Nie wykrywa go bezpośrednio, ale pozwala oszacować ryzyko jego obecności i pęknięcia na podstawie danych klinicznych, wskazując pacjentów wymagających dalszej diagnostyki obrazowej.
Jakie dane analizuje model predykcyjny?
Algorytmy wykorzystują rutynowe wyniki badań laboratoryjnych, informacje o chorobach współistniejących oraz dane wyekstrahowane z dokumentacji medycznej.
Czy takie rozwiązanie może być stosowane przesiewowo?
Właśnie taki jest jego główny potencjał – umożliwienie selekcji pacjentów z grupy wysokiego ryzyka bez masowego wykonywania kosztownych badań obrazowych.
Czy sztuczna inteligencja zastąpi lekarza?
Nie. Systemy AI pełnią rolę narzędzi wspierających decyzje kliniczne, a ostateczna diagnoza i decyzja terapeutyczna zawsze należy do lekarza.
Jakie korzyści przynosi wczesne wykrycie tętniaka?
Pozwala zapobiec pęknięciu, zmniejsza ryzyko zgonu i trwałej niepełnosprawności oraz znacząco obniża koszty leczenia i rehabilitacji.
Czy można wierzyć AI w sprawach zdrowia? Gdy algorytm zaczyna wprowadzać w błąd
