Diagnoza oparta na dowodach: jak przejrzyste ścieżki w grafach wiedzy ratują życie

W amerykańskich szpitalach błędy medyczne są trzecią najczęstszą przyczyną zgonów – wynika z badania Johns Hopkins z 2016 roku. Asystenci AI mogliby odciążyć lekarzy, ale czarna skrzynka algorytmu nie budzi zaufania na oddziale intensywnej terapii. Ex-GraphRAG zmienia to, pokazując dokładnie, które dowody z wiedzy medycznej prowadzą do danej diagnozy i gdzie pojawia się ryzyko fałszywego wnioskowania.

Czego brakuje dzisiejszym asystentom AI w medycynie

Szpitale gromadzą terabajty danych: historie chorób, wyniki badań obrazowych, opisy procedur. Modele językowe mogą przeszukiwać te zasoby i sugerować rozpoznanie, ale nikt nie wie, skąd wzięła się rekomendacja. Lekarz widzi odpowiedź, a nie ścieżkę rozumowania. W praktyce oznacza to, że nawet trafna sugestia bywa ignorowana, a błędna – może zostać przyjęta bez sprawdzenia.

GraphRAG to podejście, które wzbogaca duży model językowy o graf wiedzy – sieć powiązań między objawami, chorobami, lekami czy czynnikami ryzyka. Niestety, typowy enkoder graphowy działa jak zamknięta koperta: agreguje informacje z sąsiednich węzłów, ale nie potrafi rozłożyć swojego wyniku na udziały poszczególnych przesłanek. Dyrektor medyczny potrzebuje narzędzia, które nie tylko podpowie diagnozę, ale i wyliczy, na jakiej podstawie to robi.

Ścieżka dowodowa na żądanie – jak działa Ex-GraphRAG

Ex-GraphRAG zastępuje nieprzejrzysty enkoder addytywnym modelem grafowym M-GNAN. Dzięki temu potrafi dokładnie wskazać, które węzły grafu wiedzy – czyli które objawy, wyniki badań czy notatki z wywiadu – miały największy wpływ na ostateczną rekomendację. Nie przybliżenie, a ścisły rozkład. To tak, jakby asystent AI podawał lekarzowi listę przesłanek z wagą każdej z nich.

Jednocześnie audyt atrybucji ujawnia zjawisko nazwane przez autorów ‘semantyczno-strukturalnym niedopasowaniem’. Węzły o największym znaczeniu dla odpowiedzi często nie są ze sobą bezpośrednio połączone – łączą je pośrednicy z niską atrybucją. Usunięcie tych słabych ogniw potrafi pogorszyć trafność wieloetapowego wnioskowania nawet o 28%, co potwierdzono na zbiorze STaRK-Prime. W kontekście klinicznym oznacza to, że system mógłby zasugerować rzadką chorobę tylko dlatego, że dwa silne przesłanki połączył wątpliwy pomost – na przykład nieaktualne badanie sprzed dekady.

Scenariusz: od objawu do diagnozy bez wątpliwości

Wyobraźmy sobie 62-letniego pacjenta z dusznością, obrzękiem kończyn i podwyższonym poziomem troponiny. Lekarz dyżurny uruchamia asystenta opartego na grafie wiedzy kardiologicznej. System pobiera podgraf z danymi: objawy, wyniki badań, historię leczenia nadciśnienia oraz dane epidemiologiczne. Ex-GraphRAG koduje go i zwraca diagnozę – zaostrzenie niewydolności serca – wraz z listą dowodów: troponina (waga 0,35), obrzęk (0,28), wywiad nadciśnienia (0,20), a także dwie notatki z wcześniejszych wizyt (0,10 i 0,07).

Moduł audytu podświetla jednak słaby pośrednik: jeden z węzłów łączących obrzęk z niewydolnością serca to opis przypadku z 2003 roku o niskiej jakości metodologicznej, z atrybucją bliską zeru. Asystent sam informuje: ‘Ten wniosek może być nadmiernie oparty na przestarzałej przesłance. Rozważ dodatkowe badania – echo serca, NT-proBNP.’ Lekarz podejmuje decyzję z pełną świadomością siły argumentów, a nie na podstawie tajemniczego sugestii czarnej skrzynki.

Korzyści i zwrot z inwestycji

Wdrożenie Ex-GraphRAG na oddziale internistycznym ze średnią 100 przyjęć dziennie może skrócić czas do postawienia diagnozy o około 15%, eliminując żmudne ręczne przeszukiwanie literatury. Przy założeniu, że 5% diagnoz jest korygowanych po konsultacji z asystentem, a średni koszt błędu diagnostycznego to 15 000 zł (przedłużona hospitalizacja, dodatkowe procedury, ryzyko roszczeń), szpital 400-łóżkowy oszczędza rocznie około 1,1 mln zł. Nie wliczając w to poprawy bezpieczeństwa pacjenta.

Lista korzyści dla dyrektora szpitala:

• Pełna identyfikowalność przesłanek – każda sugestia AI ma przypisaną ścieżkę dowodową, którą lekarz może sprawdzić.
• Wykrywanie słabych pośredników, które mogłyby prowadzić do błędnego rozpoznania, np. łączenia objawów przez przestarzałe źródło.
• Optymalizacja kontekstu podawanego LLM – system pomija wątpliwe węzły, więc model nie dostaje szumu mogącego ukryć ważne informacje z historii pacjenta.
• Wzrost zaufania personelu: gdy lekarz widzi uzasadnienie, chętniej konsultuje się z AI, a nie ignoruje jej.

Od zaufania do rutyny klinicznej

Medycyna oparta na dowodach wymaga przejrzystości nie tylko w publikacjach, ale i w narzędziach wspomagających decyzje. Ex-GraphRAG dostarcza właśnie taką warstwę audytu dla grafów wiedzy, bez utraty dokładności predykcji. Dla dyrektora szpitala to szansa na wdrożenie AI, które nie budzi oporu lekarzy, a staje się elementem codziennej pracy – jak aparat USG czy system PACS. Warto rozpocząć od pilotażu na jednym oddziale, analizując przez 3 miesiące odsetek diagnoz skorygowanych po interwencji asystenta i porównując go z historycznymi wskaźnikami błędów.

• Pełna identyfikowalność przesłanek do diagnozy
• Wykrywanie słabych pośredników mogących prowadzić do błędów
• Redukcja ryzyka pominięć w historii pacjenta
• Wzrost zaufania lekarzy do rekomendacji AI
• Szybsze decyzje kliniczne przy zachowaniu bezpieczeństwa

Artykuł wygenerowany ze wsparciem sztucznej inteligencji.