Tętniak wewnątrzczaszkowy potrafi latami nie dawać żadnych sygnałów ostrzegawczych. Problem ujawnia się często dopiero wtedy, gdy dochodzi do pęknięcia ściany naczynia i krwotoku, a wtedy medycyna działa już w trybie ratunkowym, nie profilaktycznym. Wysoka śmiertelność, długotrwałe następstwa neurologiczne i kosztowna rehabilitacja sprawiają, że tętniaki są nie tylko wyzwaniem klinicznym, ale też obciążeniem społecznym i ekonomicznym. Właśnie dlatego tak duże znaczenie ma każdy krok, który pozwala przesunąć moment rozpoznania „przed pęknięcie”.
W Gdańsku powstaje rozwiązanie, które ma tę zmianę urealnić. Zespoły z Politechniki Gdańskiej oraz Gdańskiego Uniwersytetu Medycznego i Uniwersyteckiego Centrum Klinicznego pracują nad oprogramowaniem medycznym wspieranym przez sztuczną inteligencję. Założenie jest ambitne, ale konkretne: oszacować ryzyko obecności tętniaka oraz ryzyko jego pęknięcia bez konieczności startowania od tomografii czy angiografii – czyli na podstawie danych klinicznych i opisów znajdujących się w dokumentacji pacjenta.
Dane zamiast skalpela – zmiana logiki diagnostyki
Dotychczas dominowało przekonanie, że wiarygodna ocena ryzyka tętniaka i jego pęknięcia wymaga badań obrazowych. Projekt gdański proponuje inny punkt wejścia: zanim pacjent trafi na diagnostykę obrazową, system ma pomóc wskazać, u kogo prawdopodobieństwo jest na tyle istotne, że warto szybciej pogłębić diagnostykę lub zmienić ścieżkę postępowania. To nie jest „zamiana” tomografii na algorytm, tylko narzędzie selekcji ryzyka, które ma poprawić wykrywalność i skrócić czas do właściwej decyzji.
Badacze planują doprowadzić projekt do postaci klinicznie użytecznego kalkulatora i aplikacji dla lekarzy. Zanim to się stanie, prace układają się w logiczną sekwencję: najpierw predykcja ryzyka pęknięcia tętniaka, następnie ocena prawdopodobieństwa, że pacjent należy do grupy podwyższonego ryzyka wystąpienia tętniaka, a na końcu wdrożenie narzędzia wspierającego decyzje terapeutyczne. Motyw przewodni, sformułowany przez liderów – dr inż. Patryka Jasika (Politechnika Gdańska) oraz dr n. med. Justynę Fercho (GUMed i UCK) – dobrze streszcza cel: „Od danych do diagnozy. Od diagnozy do uratowanego życia”.
Ponad 60 tysięcy pacjentów i modele uczące się na rutynowych badaniach
Sercem projektu są dane. Modele uczenia maszynowego analizują rutynowe wyniki badań laboratoryjnych oraz informacje wydobywane z tekstowej dokumentacji medycznej. Do budowy narzędzia wykorzystano dane ponad 60 tysięcy pacjentów leczonych w Uniwersyteckim Centrum Klinicznym w Gdańsku w latach 2006–2024. Na starcie uzyskano wyniki, które już teraz sugerują potencjał kliniczny: ponad 77 procent skuteczności oraz około 80 procent czułości.
W pierwszym etapie prac do modelowania włączono 26 parametrów laboratoryjnych, a także predyktory zbudowane na bazie zapisów w dokumentacji. Wśród uwzględnianych wyników znalazły się m.in. glukoza, płytki krwi, kreatynina, sód, MCH, MPV, limfocyty i potas, a także czynniki ryzyka obecne w wywiadzie i historii choroby, takie jak nikotynizm, cukrzyca czy nadciśnienie. Istotne jest też to, jak zebrano materiał dla grupy z tętniakiem pękniętym: analizy oparto na danych zebranych przed pęknięciem, co ma zasadnicze znaczenie dla wiarygodności predykcji.
W projekcie podkreślono rygor przygotowania danych do analizy, w tym zabezpieczenia przed „wyciekami danych” między zbiorami treningowymi i testowymi, które mogłyby sztucznie zawyżać wyniki. Zastosowano nowoczesne modele predykcyjne, w tym TabNet, oraz wielokryterialną walidację. W efekcie – jak opisują badacze – wybrane modele przekroczyły 80 procent dokładności, a w niektórych analizach osiągały wyniki powyżej 90 procent. Równie ważna jak sama liczba jest interpretowalność: lekarz ma wiedzieć, na jakiej podstawie system wskazuje podwyższone ryzyko, aby świadomie wykorzystać wynik w procesie diagnostycznym, a nie traktować go jak „czarną skrzynkę”.
Modele językowe LLM: szybka ekstrakcja wiedzy z notatek lekarskich
Nowością w projekcie jest włączenie dużych modeli językowych (LLM), takich jak LLaMA, PLLuM czy Bielik. Ich rola nie polega na „stawianiu diagnozy”, ale na automatycznej ekstrakcji informacji z opisów medycznych. Dokumentacja tekstowa jest jednym z najcenniejszych źródeł danych klinicznych, a jednocześnie jednym z najtrudniejszych do przetwarzania w sposób ustandaryzowany. Zastosowanie LLM pozwala szybko przekształcić notatki w uporządkowane cechy, które zwiększają skuteczność modeli predykcyjnych i poszerzają zakres analizowanych informacji.
W praktyce oznacza to możliwość włączenia do oceny ryzyka danych, które dotychczas pozostawały „zamknięte” w narracyjnych opisach: niuansów wywiadu, kontekstu objawów, sformułowań sugerujących czynniki ryzyka czy wzorce hospitalizacji. To krok, który zbliża narzędzie do realiów pracy klinicznej, gdzie znacząca część informacji kryje się właśnie w tekście.
Skala problemu i koszty: dlaczego wczesna selekcja ryzyka ma znaczenie
Tętniaki mogą dotknąć każdego – statystycznie nawet 1 na 50 dorosłych osób może mieć niepękniętego tętniaka mózgu, co w polskich realiach oznacza setki tysięcy potencjalnie zagrożonych osób. Jednocześnie profilaktyczne „przesiewowe” obrazowanie całej populacji jest nierealne organizacyjnie i ekonomicznie. W tym miejscu narzędzie oparte na danych rutynowych może wypełnić lukę: nie zastąpi badań obrazowych, ale pomoże sensownie kierować diagnostykę tam, gdzie ryzyko jest najwyższe.
W tle są również koszty leczenia. Zabezpieczanie tętniaków niepękniętych odbywa się głównie dwiema drogami. Operacyjne klipsowanie wymaga otwarcia czaszki i jest metodą inwazyjną, a jego średni koszt szacowany jest na około 30 tys. zł. Alternatywą są procedury endowaskularne, w tym embolizacja z użyciem materiałów zamykających tętniaka, najczęściej platynowych spiral (coiling), a w bardziej złożonych przypadkach także stentów wspomagających czy urządzeń typu flow diverter, które zmieniają hemodynamikę w naczyniu macierzystym i sprzyjają zamknięciu tętniaka. Koszt takiego leczenia to zwykle około 25–40 tys. zł w zależności od użytych materiałów.
Jeśli jednak dojdzie do pęknięcia i krwotoku podpajęczynówkowego, koszty rosną skokowo: intensywna terapia, leczenie powikłań, długotrwała rehabilitacja oraz częsta trwała niezdolność do pracy oznaczają wydatki wielokrotnie przewyższające koszty profilaktycznego zabezpieczenia tętniaka. Z tej perspektywy narzędzie, które zwiększa wykrywalność tętniaków przed pęknięciem, ma podwójną wartość: kliniczną i systemową.
I3HIES: droga od badań do wdrożenia
Projekt „AI-Powered Medical Software for Predicting the Likelihood of Intracranial Aneurysm” powstał jako efekt ścisłej współpracy zespołów z GUMed, Politechniki Gdańskiej (Wydział Fizyki Technicznej i Matematyki Stosowanej oraz Centrum BioTechMed), Uniwersyteckiego Centrum Klinicznego oraz partnerów branżowych wyspecjalizowanych w data science. Inicjatywa została zakwalifikowana do międzynarodowego programu akceleracyjnego I3HIES, który wspiera najbardziej obiecujące innowacje w ochronie zdrowia i pomaga prowadzić je do etapu inwestycyjnego oraz komercjalizacji.
I3HIES działa w ramach Instrumentu Międzyregionalnych Inwestycji Innowacyjnych (I3) finansowanego z Europejskiego Funduszu Rozwoju Regionalnego. W praktyce oznacza to wsparcie w obszarach, które często są „wąskim gardłem” wdrożeń medtech: zaawansowana walidacja, przygotowanie do spełnienia wymogów regulacyjnych oraz zbudowanie ścieżki do finansowania i zakupów instytucjonalnych. Z punktu widzenia twórców projektu to także szansa na ocenę, czy rozwiązanie nadaje się do szerokiego wdrożenia i jak przygotować produkt tak, by mógł zostać zakupiony przez państwa europejskie dla swoich obywateli.
Zespół i zaplecze kliniczne
Po stronie klinicznej projekt tworzą naukowcy z Gdańskiego Uniwersytetu Medycznego i Uniwersyteckiego Centrum Klinicznego w Gdańsku; m.in. dr Justyna Fercho (Katedra i Klinika Medycyny Ratunkowej), prof. Edyta Szurowska (kierownik II Zakładu Radiologii), prof. Mariusz Siemiński (kierownik Katedry i Kliniki Medycyny Ratunkowej), dr hab. Tomasz Szmuda (Katedra i Klinika Neurochirurgii), dr Jacek Szypenbejl (Katedra i Klinika Medycyny Ratunkowej), EMBA mgr inż. Dariusz Szplit (kierownik Działu Innowacji, Analityki i Wdrożeń Technologii Medycznych), Klaudia Kokot, Michalina Dudra, Weronika Jagieło. Po stronie Politechniki Gdańskiej prace prowadzi zespół związany z WFTiMS i Centrum BioTechMed pod kierunkiem dr inż. Patryka Jasika, przy udziale specjalistów zajmujących się modelowaniem i analizą danych. Ten układ – bliskie sprzężenie środowiska klinicznego z inżynierią danych – jest kluczowy, jeśli narzędzie ma być użyteczne w realnych decyzjach medycznych, a nie tylko dobrze wyglądać w wynikach eksperymentalnych.
W projekcie uczestniczą także naukowcy z Politechniki Gdańskiej: Wydział Fizyki Technicznej i Matematyki Stosowanej oraz Centrum BioTechMed: dr inż. Patryk Jasik, mgr Mariusz Liksza (obecnie Data Science Senior Manager w Kinesso), mgr Julia Zakaszewska, inż. Piotr Hajduk, lic. Wiktoria Nawrocka, inż. Paweł Rybczyński, inż. Cezar Roman, mgr Piotr Fonferek, mgr Katarzyna Konieczna, mgr Hanna Lisowska, mgr Jakub Sadowy, mgr Daria Binerowska, mgr Maciej Pestka, mgr Aleksandra Kowalczyk, mgr Szymon Langer, mgr Emilia Murawiejko, mgr Szymon Pawłowski, mgr Jakub Cieślak.
Robotyka i sztuczna inteligencja w częściowej nefrektomii
Czy można wierzyć AI w sprawach zdrowia? Gdy algorytm zaczyna wprowadzać w błąd
Pytania i odpowiedzi
Czy sztuczna inteligencja może wykryć tętniaka mózgu bez tomografii lub angiografii?
Model nie „zastępuje” obrazowania, ale może oszacować ryzyko obecności tętniaka i ryzyko pęknięcia na podstawie danych klinicznych (badania laboratoryjne wywiad dokumentacja), co pomaga wytypować pacjentów wymagających pilniejszej diagnostyki obrazowej.
Dlaczego tętniaki wewnątrzczaszkowe są tak groźne?
Mogą długo nie dawać objawów, a pęknięcie prowadzi do krwotoku, który często kończy się zgonem (nawet około połowy pacjentów) lub trwałymi następstwami neurologicznymi.
Jakie dane analizuje model AI w projekcie z Gdańska?
Wykorzystuje rutynowe wyniki badań laboratoryjnych (w pierwszym etapie 26 parametrów) oraz informacje wydobywane z tekstowej dokumentacji medycznej, a także czynniki ryzyka takie jak nikotynizm cukrzyca nadciśnienie.
Jak duży był zbiór danych użyty do uczenia modeli?
Do budowy narzędzia wykorzystano dane ponad 60 tysięcy pacjentów leczonych w Uniwersyteckim Centrum Klinicznym w Gdańsku w latach 2006–2024.
Co oznacza skuteczność 77 procent i czułość około 80 procent w tym projekcie?
To parametry jakości modeli na wczesnym etapie prac: skuteczność opisuje trafność klasyfikacji, a czułość zdolność wychwycenia przypadków rzeczywiście zagrożonych, co jest kluczowe w narzędziach przesiewowych i selekcji ryzyka.
Jakie algorytmy wykorzystano w modelowaniu ryzyka tętniaka?
W projekcie wskazano zastosowanie nowoczesnych modeli predykcyjnych, m.in. TabNet, oraz wielokryterialną walidację, aby uniknąć zawyżania wyników.
Po co w projekcie używa się modeli językowych LLM takich jak LLaMA PLLuM Bielik?
LLM służą do automatycznej ekstrakcji informacji z notatek i opisów medycznych, co pozwala przetwarzać dane tekstowe dotąd trudne do analizy komputerowej i podnosić skuteczność predykcji.
Czy wyniki dla pacjentów z pękniętym tętniakiem nie są „skażone” danymi po pęknięciu?
W projekcie podkreślono, że w przypadku pacjentów z tętniakiem pękniętym analizy oparto na danych zebranych przed pęknięciem, co zwiększa wiarygodność predykcji.
Ile osób może mieć niepękniętego tętniaka mózgu?
Szacunkowo nawet 1 na 50 dorosłych osób może mieć niepękniętego tętniaka, co oznacza dużą grupę potencjalnie zagrożonych w skali populacji.
Jakie są koszty leczenia tętniaków i dlaczego wczesne wykrycie jest istotne dla systemu?
Klipsowanie to średnio około 30 tys. zł, a leczenie endowaskularne zwykle 25–40 tys. zł. Po pęknięciu tętniaka koszty rosną gwałtownie (leczenie krwotoku rehabilitacja renty), więc wcześniejsze wykrycie oznacza zarówno ratowanie życia, jak i realne oszczędności.
Czym jest program I3HIES i dlaczego jest ważny dla projektu?
To międzynarodowy program akceleracyjny wspierający innowacje zdrowotne o dużym potencjale wdrożeniowym; pomaga przejść od badań do etapu inwestycyjnego i komercjalizacji, w tym w obszarach walidacji i barier regulacyjnych.
Nowe technologie w służbie onkologii dziecięcej
Źródło: Politechnika Gdańska