Dzięki rozwojowi sztucznej inteligencji i uczenia maszynowego, naukowcy coraz lepiej potrafią przewidywać ryzyko nawrotu raka, zanim jeszcze wystąpią pierwsze objawy. To ogromna zmiana dla onkologii i dla milionów pacjentów. Badania nad modelami trwają na całym świecie. 

Dotychczas lekarze opierali prognozy nawrotu na klasycznych modelach statystycznych: wieku pacjenta, stadium choroby, typie histologicznym nowotworu czy odpowiedzi na leczenie. Jednak takie modele są ograniczone — nie biorą pod uwagę tysięcy zmiennych biologicznych i środowiskowych, które mogą wpływać na zachowanie komórek nowotworowych.

Dzięki sztucznej inteligencji możliwe jest analizowanie ogromnych zbiorów danych medycznych — od genomu i obrazów histopatologicznych po dane kliniczne — i wykrywanie wzorców, które dla człowieka byłyby niewidoczne. Takie podejście pozwala tworzyć modele ryzyka nawrotu, oparte nie na uśrednionych statystykach, lecz na indywidualnym profilu pacjenta.

Sztuczna inteligencja uczy się na danych tysięcy pacjentów:

  • analizuje mutacje genetyczne,

  • odczytuje obrazy mikroskopowe guza,

  • przetwarza wyniki badań obrazowych,

  • a nawet ocenia przebieg leczenia i reakcje organizmu.

W efekcie powstaje złożony model ryzyka nawrotu – swoista „mapa zagrożeń” dla danego chorego. Jeśli algorytm wykryje, że ryzyko jest wysokie, lekarze mogą wcześniej wdrożyć leczenie uzupełniające lub zaplanować częstsze kontrole.

Już dziś istnieją modele, które z dużą dokładnością potrafią przewidzieć, czy rak może powrócić, ale na ich powszechne stosowanie trzeba jeszcze poczekać. 

W przypadku raka wątroby algorytmy analizujące dane pooperacyjne osiągają skuteczność przekraczającą 90%.

W raku piersi modele głębokiego uczenia oparte na analizie tkanek potrafią z dużą precyzją rozpoznać mikroskopowe cechy świadczące o większym ryzyku nawrotu.

Podobne rozwiązania testowane są także w raku płuca, prostaty i jelita grubego.

To pokazuje, że sztuczna inteligencja zaczyna nie tylko wspierać diagnostykę, ale realnie wpływać na strategię leczenia i monitorowania pacjentów po zakończeniu terapii. 

Dzięki takim predykcyjnym modelom lekarze będą mogli:

  • lepiej planować kontrole po leczeniu,

  • unikać niepotrzebnych badań u pacjentów niskiego ryzyka,

  • wcześniej reagować u osób najbardziej zagrożonych,

  • oraz dobierać terapię spersonalizowaną — opartą na danych, a nie na statystycznych średnich.

To oznacza nie tylko większe szanse przeżycia, ale także lepszą jakość życia i mniejsze obciążenie dla systemu ochrony zdrowia.

Eksperci podkreślają, że jesteśmy dopiero na początku tej rewolucji. Pojawią się modele, które będą się uczyć w sposób federatywny, czyli na danych z wielu szpitali jednocześnie, bez naruszania prywatności pacjentów. Kiedy te rozwiązania zostaną zatwierdzone klinicznie, staną się integralną częścią codziennej praktyki — podobnie jak dziś tomografia komputerowa czy testy genetyczne.

Zdrowia i trzymajcie się!