Drugie, transparentne spojrzenie – asystent diagnosty w poradni pamięci

W typowej poradni pamięci pierwsza wizyta to godzina wywiadu, kilka testów poznawczych i decyzja diagnosty, często oparta na wyczuciu w przypadkach granicznych. Pacjent z wynikami na styku łagodnych zaburzeń poznawczych i choroby Alzheimera może czekać miesiącami na powtórne badanie, zanim zapadnie decyzja o leczeniu. Model uczenia maszynowego wytrenowany na rutynowych skalach klinicznych potrafi w kilka sekund podać prawdopodobieństwo diagnozy i pokazać, które zmienne za nią stoją, dając neurologowi obiektywną drugą opinię.

Problem: subiektywność i kolejki w poradni pamięci

Poradnie neurologiczne zmagają się z dwoma sprzecznymi trendami: starzejąca się populacja zwiększa liczbę pacjentów z podejrzeniem demencji, a braki kadrowe wydłużają czas oczekiwania na specjalistyczną diagnostykę. W 2024 roku średni czas od skierowania do pierwszej wizyty w poradni pamięci w dużym mieście wynosił 4-6 miesięcy, a w mniejszych ośrodkach nawet rok. Gdy pacjent wreszcie trafia do lekarza, ten opiera się na zestawie testów: MMSE, CDR, MoCA, FAQ. Problem w tym, że w strefie granicznej między łagodnymi zaburzeniami poznawczymi (MCI) a łagodną chorobą Alzheimera (AD) te same wyniki mogą być różnie interpretowane przez różnych specjalistów. Zdarza się, że pacjent z MCI jest kierowany na kosztowne badania obrazowe, podczas gdy inny z wczesnym AD zostaje odesłany z zaleceniem kontroli za pół roku. Subiektywność oceny kosztuje czas i pieniądze, a przede wszystkim opóźnia włączenie terapii spowalniającej postęp choroby.

Technologia: osiem zmiennych i przezroczysta decyzja

Model opisany w pracy Hashmi (2025) to klasyfikator XGBoost, który na podstawie ośmiu rutynowo zbieranych zmiennych (MMSE, CDR Global, CDR Sum of Boxes, MoCA, FAQ, wiek, płeć, wykształcenie) rozróżnia trzy klasy: norma poznawcza (NC), MCI i AD. Wytrenowany na danych ADNI (1641 pacjentów bazowych), osiągnął na zbiorze testowym dokładność 0,943 i współczynnik kappy Cohena 0,909, co oznacza bardzo wysoką zgodność z diagnozą kliniczną, daleko poza przypadkową. Kluczowa jest interpretowalność: algorytm SHAP dla każdej predykcji pokazuje, które cechy najbardziej wpłynęły na decyzję. Dla odróżnienia normy od MCI dominuje CDR Global, a dla wykrycia AD – CDR-SB i MMSE. To akurat pokrywa się z wiedzą kliniczną, co buduje zaufanie lekarza do narzędzia. Nie dostaje on czarnej skrzynki, tylko listę argumentów: ‘Ryzyko AD oszacowano na 78%, głównie ze względu na CDR-SB=4.5 i MMSE=22’. Model można zintegrować z elektroniczną dokumentacją medyczną (EDM) jako moduł przeliczający ryzyko w momencie wprowadzenia wyników testów.

Scenariusz: wizyta z asystentem AI

Wyobraźmy sobie poradnię pamięci w szpitalu klinicznym. Lekarz neuropsycholog kończy badanie 72-letniego mężczyzny z subiektywnymi skargami na pamięć. Wyniki: MMSE 26, CDR Global 0.5, CDR-SB 2.0, MoCA 22, FAQ 5. Samodzielnie lekarz waha się między MCI a wczesnym AD. Wpisuje dane do EDM, a zintegrowany moduł asystenta w ciągu sekundy zwraca: ‘Prawdopodobieństwo MCI: 65%, AD: 30%, norma: 5%. Główne czynniki: CDR-SB (2.0) i MoCA (22) wskazują na MCI, ale FAQ (5) podnosi ryzyko AD.’ SHAP pokazuje też, że wiek i wykształcenie miały marginalny wpływ. Lekarz widzi, że decyzja modelu opiera się na tych samych przesłankach, które sam by rozważył, ale dostał je w postaci liczbowej. Podejmuje decyzję o rozszerzeniu diagnostyki o badanie płynu mózgowo-rdzeniowego, zamiast odraczać o pół roku. Cały proces od wpisania danych do odczytania rekomendacji trwa kilkanaście sekund, nie zaburzając rytmu wizyty. Asystent nie zastępuje lekarza, ale działa jak doświadczony kolega, który rzucił okiem na wyniki i powiedział: ‘Spójrz na FAQ, to może być coś więcej niż MCI’.

Korzyści i zwrot z inwestycji

Z perspektywy ordynatora oddziału neurologii główną korzyścią jest skrócenie ścieżki diagnostycznej. Jeśli 20% pacjentów z pogranicza MCI/AD otrzymuje jednoznaczną rekomendację już na pierwszej wizycie, zamiast wracać za 6-12 miesięcy, to poradnia może przyjąć więcej nowych pacjentów bez zwiększania personelu. Oszczędności pojawiają się też po stronie badań dodatkowych: model może wskazać, kiedy kosztowny PET-amyloid jest zbędny, bo prawdopodobieństwo AD jest niskie, a głównym czynnikiem jest np. niski MMSE wynikający z odwracalnych przyczyn. Nie ma jeszcze twardych danych z polskich wdrożeń, ale bazując na wynikach modelu (kappa 0,909), można oszacować, że odsetek przypadków przeklasyfikowanych po drugiej wizycie spadnie o około 30-40%. Dla szpitala oznacza to lepsze wykorzystanie limitów NFZ na diagnostykę i szybsze włączanie terapii, co przekłada się na lepsze wyniki zdrowotne. Samo wdrożenie nie wymaga kosztownej infrastruktury: model działa na standardowym serwerze, a integracja z EDM to kwestia kilku dni pracy informatyka, jeśli szpital korzysta z nowoczesnego systemu z API. Koszt można zamknąć w kilkunastu tysiącach złotych, głównie na integrację i walidację na lokalnych danych.

Podsumowanie: nie zastąpi lekarza, ale da mu drugą opinię

To narzędzie nie jest przeznaczone do stawiania diagnoz bez udziału człowieka. Jest asystentem, który w kilka sekund przelicza ryzyko i pokazuje, dlaczego tak a nie inaczej. Dla ordynatora oznacza mniej subiektywnych ocen w zespole i bardziej jednolitą jakość diagnostyki. Dla pacjenta – krótszy czas niepewności. Jeśli prowadzisz poradnię pamięci, warto przetestować model na próbce 50 kolejnych pacjentów przez miesiąc i porównać jego rekomendacje z dotychczasowymi decyzjami zespołu. To niski koszt, a może pokazać, gdzie intuicja kliniczna rozmija się z obiektywnym scoringiem. Nie ma sensu wdrażać tego wszędzie od razu, ale w ośrodkach z długimi kolejkami i rotacją personelu takie ‘drugie spojrzenie’ może realnie skrócić diagnostykę o tygodnie.

• Obiektywizacja decyzji w przypadkach granicznych MCI/AD
• Skrócenie ścieżki diagnostycznej o 30-40% ponownych wizyt
• Integracja z EDM i niski koszt wdrożenia

Artykuł wygenerowany ze wsparciem sztucznej inteligencji.