AI przy biopsji prostaty: drugi odczyt czy pomoc?

Kierownik pracowni patomorfologii nie powinien pytać wyłącznie, czy kupić AI do oceny biopsji prostaty. Kluczowe jest to, kiedy patomorfolog zobaczy podpowiedź modelu: dopiero po własnym odczycie czy od początku pracy nad preparatem. To dwa różne tryby klinicznego workflow, a nie dwa marketingowe opisy tego samego ekranu.

Świeży komunikat Oxfordu z 14 lipca 2026 r. przypomina o wynikach obserwacyjnej oceny Articulate Pro w trzech NHS trusts. Dla polskiej placówki ważniejsza od samej nazwy produktu jest granica odpowiedzialności: AI może wskazać sygnał, ale patomorfolog porównuje, uzasadnia rozbieżność i autoryzuje opis. Komentarz do art. 12 Kodeksu Etyki Lekarskiej NIL również pozostawia ostateczną decyzję diagnostyczną lekarzowi.

Dwa momenty pracy z AI, dwie różne odpowiedzi

Badanie Articulate Pro rozdzieliło tryb second-read od concurrent-read. W second-read lekarz najpierw zamyka własny wstępny raport, a potem ogląda wynik AI; rozbieżność jest rozpatrywana przed autoryzacją. W concurrent-read AI jest dostępna od początku, na żądanie podczas oceny, więc nie ma niezależnego pierwszego odczytu tej samej sprawy, z którym można ją bezpośrednio porównać.

Tryb pracy	Co AI może pokazać	Co lekarz sprawdza i zatwierdza	Co zapisać w pilotażu
Second-read	Wynik po własnym, zablokowanym odczycie wstępnym	Porównanie rozpoznań, ocena rozbieżności i zatwierdzenie opisu	Czy raport wstępny powstał przed AI, powód korekty i osoba rozstrzygająca
Concurrent-read	Podpowiedź od początku oceny preparatu, na żądanie	Ocena materiału źródłowego, decyzja o użyciu podpowiedzi i zatwierdzenie opisu	Kiedy AI była otwarta, jakie elementy sprawdzono oraz czy potrzebny był ponowny przegląd

Pracownia nie powinna, traktować tej różnicy jako wyboru interfejsu. Second-read pozwala osobno obserwować rozbieżność między wstępną oceną a AI, natomiast concurrent-read zmienia sam sposób pracy lekarza. Nie wolno więc dopisać wyniku jednego trybu do drugiego ani uznać, że model podjął rozpoznanie.

Co naprawdę wynika z publikacji

Artykuł w npj Digital Medicine, opublikowany online 22 maja 2026 r. i wydany jako version of record 13 lipca, opisuje prospektywną obserwacyjną ocenę po wdrożeniu produktu — nie randomizowane badanie porównawcze. Obejmowała ona 1 613 spraw, z czego 1 049 było wspartych AI, w trzech wyspecjalizowanych ośrodkach NHS.

W fazie second-read przeanalizowano 386 spraw w dwóch ośrodkach. W 21 przypadkach (5,4%) zmieniło się końcowe rozpoznanie lub Grade Group, a w pięciu (1,3%) autorzy uznali zmianę za potencjalnie istotną dla opcji postępowania. To nie jest dowód, że AI samodzielnie poprawiła diagnozę: w procesie rozbieżności adjudykowano przed autoryzacją przez lekarza.

W fazie concurrent-read autorzy porównywali pracę z wcześniejszym okresem bez AI, nie z second-read. Skrócenie czasu realizacji o 30,1 godziny było istotne tylko w jednym ośrodku, choć zużycie dodatkowych barwień immunohistochemicznych spadło istotnie we wszystkich trzech. Nie należy przenosić tych wyników na polską pracownię ani traktować ich jako rankingu dwóch trybów.

Polski test ma sprawdzać workflow, nie walidować obietnicę dostawcy

Rozsądny pierwszy ruch to wybranie 30 historycznych, prawidłowo zabezpieczonych przypadków i spisanie jednego protokołu: kto wykonuje pierwszy odczyt, kiedy podpowiedź AI staje się widoczna, jak dokumentuje się rozbieżność oraz kto dopuszcza opis do autoryzacji. W krótkim pilotażu, role muszą być nazwane po imieniu. Taka próbka może pokazać wykonalność procesu; nie jest jednak wielkością walidacji klinicznej ani dowodem bezpieczeństwa narzędzia.

Pilotaż warto rozważyć, gdy pracownia ma zgodę kierownika medycznego na zakres testu, ustaloną kontrolę dostępu do danych i lekarzy gotowych oceniać rozbieżności. Mierzcie odsetek spraw skierowanych do ponownego przeglądu, uzasadnione korekty, czas realizacji oraz zużycie barwień dodatkowych — oddzielnie dla wybranego trybu. Zatrzymaj projekt, gdy dostawca nie potrafi pokazać deklarowanego zastosowania, warunków integracji i śladu decyzji lekarza albo jeśli zespół chce automatycznie zmieniać rozpoznanie.

Jeżeli do testu trafiają historyczne preparaty, obrazy lub dane poza środowisko placówki, kierownik powinien wraz z IOD ocenić warunki przetwarzania i rolę podmiotów przetwarzających. To organizacyjne zabezpieczenie nie zmienia zasady klinicznej: AI przygotowuje podpowiedź, a lekarz odpowiada za rozpoznanie i decyzję.