Есе на Антония Антова

Навлизането на изкуствения интелект (ИИ) в медицинската практика представлява една от най-значимите парадигмални промени в историята на медицината от времето на откритието на антибиотиците насам. Дефиниран като способността на компютърни системи да извършват задачи, изискващи човешки когнитивни способности- разпознаване на образи, обработка на реч, анализ на данни, вземане на решения - ИИ навлиза с бързо темпо в диагностиката, превенцията, терапията и осъществяването на медицински изследвания. 

Световният пазар на ИИ в здравеопазването се оценява на над 20 милиарда долара за 2023 г. и се прогнозира да достигне над 187 милиарда долара до 2030 г.1 Тези числа отразяват не просто технологичен ентусиазъм, а дълбоко структурна трансформация на медицината. Настоящото есе изследва ползите, предизвикателствата и потенциалните рискове от приложението на ИИ в медицината, с акцент върху превенцията, ранна диагностика, мениджмънт на хронични заболявания, репродуктивното здраве, научна дейност. 

ПОЛЗИ ОТ ПРИЛОЖЕНИЕТО НА ИЗКУСТВЕНИЯ ИНТЕЛЕКТ В МЕДИЦИНАТА 

Алгоритмите за машинно обучение могат да анализират комплексни многомерни набори от данни- генетична информация, биомаркери, поведенчески и социодемографски фактори, и да идентифицират индивиди с висок риск за развитие на заболявания преди клиничната им изява. 

Захарният диабет тип 2 (ЗДТ2) и предиабетът, засягащи над 537 милиона и съответно близо 540 милиона възрастни в света, се превръщат в основно поле за приложение на ИИ-базирани стратегии за ранна интервенция.2 

Google (екипът на Gulshan et al., JAMA, 2016) разработи алгоритъм за детекция на диабетна ретинопатия от фундус изображения, постигайки F-score от 0.95, леко по-добър от медианата на 8 офталмолози (F-score 0.91), като алгоритъмът е обучен върху 128 000 изображения.3Google DeepMind работи върху OCT изображения и постига 95% точност при детекция на диабетна ретинопатия чрез двустепенна невронна мрежа за сегментация и класификация.4 

Подобен подход бе създаден и в областта на кардиологията, където ИИ-базираните алгоритми разпознават патологични промени в ЕКГ, като предсърдно мъждене и безсимптомна левокамерна дисфункция, преди пациентът да развие клинични симптоми.5 

Особено значима стъпка напред представлява и мултимодалният ИИ модел на Scripps Research, описан в Nature Medicine (2025). Моделът интегрира данни от непрекъснато глюкозно мониториране (CGM) с информация за чревния микробиом, хранителния режим, физическата активност и генетичния профил, идентифицирайки ранни признаци на метаболитен риск, пропускани от стандартното HbA1c изследване.6 

Концепцията за персонализирано хранене като превантивна стратегия при ЗДТ2 набира нова сила благодарение на ИИ. Пионерното проучване на Zeevi et al. (Cell, 2015), впоследствие разширено в множество кохорти, демонстрира, че постпрандиалният гликемичен отговор към идентични хранения варира значително между различните индивиди. Рандомизирано контролирано проучване, сравняващо ИИ-базирана диета, насочена към персонализиран постпрандиален гликемичен отговор, със Средиземноморска диета при предиабетни индивиди, установява по-добър гликемичен контрол в групата с персонализирана диета.7 

Системите за клинична поддръжка на вземането на решения (CDSS), базирани на ИИ, анализират в реално време лабораторни резултати, витални показатели, анамнестични данни и медикаментозен статус, предлагайки диференциални диагнози и предупреждения за потенциални лекарствени взаимодействия. 

За пациентите с хронични заболявания ИИ-базираните платформи предлагат персонализиран мониторинг, напомняния за прием на медикаменти, адаптирани хранителни и физически режими. Изследвания при пациенти с хронична сърдечна недостатъчност показват, че дистанционното мониториране с ИИ е свързано с намален брой хоспитализации.8 

Предиктивните модели за ранно разпознаване на сепсис, базирани на анализ на ЕМР (електронни медицински записи) в реално време, са свързани с по-ранно иницииране на антибиотична терапия и намалена болнична смъртност.9 Тези системи са особено ценни в условията на претоварени спешни отделения, където лекарят е изправен пред множество пациенти едновременно. 

Алгоритми за машинно обучение, обучени върху биомаркери на оксидативен стрес, възпаление и митохондриална дисфункция, постигат F1-score от 0.81 при идентификацията на пациенти с висок риск за ЗДТ2, значително надминавайки конвенционалните модели, базирани на индекс на телесна маса и гликемия. 

В онкологията програмата Sybil, разработена от MIT и и Massachusetts General Hospital, предсказва риска от развитие на рак на белия дроб в рамките на шест години след извършена компютърна томография с AUC от 0.86- 0.94.10 Ранната диагностика при злокачествени заболявания е пряко свързана с подобрена преживяемост, а ИИ може да направи скрининговите програми по-прецизни и по-достъпни дори в ресурсно ограничени здравни системи. 

IBM Watson for Oncology демонстрира способност да предлага терапевтични препоръки при онкологични пациенти, съответстващи с тези на мултидисциплинарни туморни борди в 93% от случаите при рак на гърдата.11 ИИ-асистираната интерпретация на образна диагностика- КТ, МРТ, рентгенови изследвания, достига диагностична точност при пневмония, пулмонарна емболия и интракраниални кръвоизливи, сравнима с тази на специализирани радиолози.12 
Друго сфера, в която ИИ създава нови диагностични и терапевтични хоризонти, е тази на репродуктивната медицина. В контекста на асистирана репродукция алгоритмите за дълбоко обучение се прилагат за морфокинетична оценка на ембриони. 

Примери са системата EEVA (Early Embryo Viability Assessment) и платформата Embryoscope. При тях ИИ се използва за прогнозиране на имплантационния потенциал на ембриона преди трансфер.13 Клинични данни сочат, че ИИ-асистираният подбор на ембриони е свързан с по-висока честота на постигане на бременност в сравнение с конвенционалната морфологична оценка.14 

В областта на гинекологията ИИ системи за анализ на цитонамазки и колпоскопски изображения показват висока чувствителност при детекция на предракови лезии, откривайки CIN 2+ лезии.15 

Не на последно място, ИИ-базираните приложения за трекинг на менструалния цикъл и фертилна прогноза предоставят на жените персонализирани здравни данни, подпомагайки информираното семейно планиране. 

Използването на ИИ намира широко приложение и в разработването на нови терапии. Традиционният процес на разработка на ново лекарствено средство отнема средно 10-15 години и струва над 2 милиарда долара, като над 90% от кандидат-молекулите се провалят в клинични изпитвания.16 ИИ революционизира този процес чрез алгоритми за предиктивно моделиране на молекулни взаимодействия, преглед на огромни библиотеки от съединения и дизайн на нови молекули. 

Системата AlphaFold на DeepMind предсказва триизмерната структура на протеини с безпрецедентна точност.17 Новият подход отваря нови пътища за дизайн на лекарства, насочени срещу досега „недосегаеми" молекулни мишени. 

ПРЕДИЗВИКАТЕЛСТВА И ВЕРОЯТНИ НЕГАТИВИ ОТ ПРИЛОЖЕНИЕТО НА ИЗКУСТВЕНИЯ ИНТЕЛЕКТ 

Централен проблем е алгоритмичната пристрастност. Алгоритмите за машинно обучение са толкова надеждни, колкото данните, върху които са обучени. Ако обучителните набори от данни са представителни предимно за определени демографски групи, алгоритмите ще имат по-ниска точност за недопредставените групи. Ако ИИ системите бъдат внедрени в глобален мащаб без критична оценка на тяхната валидност при различни популации, рискуваме да задълбочим, а не да намалим здравните неравенства. 

Много съвременни алгоритми за дълбоко обучение произвеждат конкретен отговор на зададен въпрос данни (диагнози, прогнози, препоръки), без да предоставят обяснение за своите изводи. Това е фундаментален проблем в клиничен контекст, където обосновката на лечебното решение е неразделна от самото решение. 

Въпросът за клиничната и правна отговорност при ИИ-асистирани медицински грешки също остава нерешен в повечето правни системи. Ако алгоритъм препоръча неправилна доза или пропусне диагноза, кой носи отговорност- разработчикът, болницата или лекарят? Европейският закон за ИИ (AI Act, 2024) категоризира медицинските ИИ системи като „системи с висок риск" и поставя изисквания за прозрачност и одитируемост, но практическото им прилагане остава предизвикателство.18 

Сред специфично опасните технологични ограничения на съвременните ИИ системи, и по-специално на т. нар. „големи езикови модели" (Large Language Models, LLM), особено тревожен е феноменът, известен като „халюцинации" - генерирането на фактологично невярна, но лингвистично убедителна информация. В медицински контекст това ограничение придобива измерение, което надхвърля техническия дефект и навлиза в сферата на клиничната безопасност и медицинската етика. 

Халюцинациите при LLM са систематично документирани в редица проучвания. Проучване, публикувано в Journal of Medical Internet Research (2024), установява халюцинационна честота от 28.6% за GPT-4 и 39.6% за GPT-3.5 при генерирането на библиографски референции в контекста на систематични медицински прегледи- сфера, в която грешката може да има непосредствени последствия за качеството на доказателствената база.19 Особено характерна е т. нар. „конфабулация на библиографски източници": системата генерира привидно коректни цитати (с автори, заглавия, томове, страници и DOI номера) от статии, които обективно не съществуват. Тази форма на халюцинация е изключително коварна, тъй като имитира добре търсенето в реални източници и е трудно разпознаваема без активна верификация. 

Мащабът на проблема е конкретно изследван в контекста на медицинската литература. Проучването на Chelli et al., публикувано в Journal of Medical Internet. 
Research (2024), анализира 471 референции, генерирани от три LLM системи при 11 систематични прегледа, установявайки, че GPT-4 генерира несъществуващи или неверни литературни източници в 28.6% от случаите, докато при по-старата версия GPT-3.5 халюцинационната честота достига 39.6%.20 Генерираните фалшиви цитати са формално неотличими от реалните- съдържат правдоподобни имена на автори, утвърдени научни списания и логично структурирани заглавия, което създава висок риск от некритично приемане. 

Последствията от тези ограничения в медицинска среда са многопластови. На клинично ниво, лекар, използващ LLM за бърза справка за диагноза или нова терапевтична опция, може да вземе решение въз основа на несъществуваща „доказателствена база". 

Друг проблем е осигуряването на сигурност на личните данни на пациентите. Обучението и функционирането на медицинските ИИ системи изискват достъп до огромни количества лични здравни данни, а централизирането и споделянето на такива данни създава значими рискове за поверителността. 

Един от най-съществените рискове, непосредствено свързан с ценностите на медицинската етика, е потенциалното ерозиране на терапевтичната връзка лекар-пациент. Медицината не е само наука- тя включва умения на ефективно общуване, емпатията. 

Ако ИИ замести, а не подпомага клиничното разсъждение, рискуваме да трансформираме медицинската среща в транзакция между пациент и алгоритъм. Изследвания показват, че пациентите с хронични заболявания поставят особено висока стойност на усещането за разбиране и емоционална подкрепа от страна на своя лекар -качества, които ИИ не може автентично да предостави.21 

ЗАКЛЮЧЕНИЕ: ОТГОВОРНА ИНТЕГРАЦИЯ НА ИЗКУСТВЕНИЯ ИНТЕЛЕКТ 

Изкуственият интелект в медицината не е утопия, нито е антиутопия- той е инструмент с безпрецедентен трансформационен потенциал, чиято стойност се определя от начина, по който го използваме. Ако бъде интегриран отговорно - с прозрачност, инклузивност, строга клинична валидация и неотменно уважение към автономията на пациента и ролята на лекаря, ИИ може да ускори развитието на персонализирана, превантивна и достъпна медицина. 

Необходима е мултидисциплинарна рамка, обединяваща клиницисти, специалисти по данни, биоетици, юристи и представители на пациентски организации, за да се гарантира, че ИИ ще служи на човека, а не обратното. Медицинското образование трябва да включи критичната оценка на ИИ системите като ключова компетентност на бъдещите лекари. 

Изправени пред революцията на ИИ, медицинската общност е призвана да отговори не само с научна компетентност, но и с онова, което остава незаменимо: хуманизъм, етична рефлексия и неотклонна вярност към принципа primum non nocere. 

РЕФЕРЕНЦИИ 
1. Grand View Research. Artificial Intelligence in Healthcare Market Size Report, 2023–2030. Available at: https://www.grandviewresearch.com/industry-analysis/artificial-intelligence-ai-healthcare-market. 
2. International Diabetes Federation. IDF Diabetes Atlas, 10th edition. Brussels: IDF; 2021. Available at: https://diabetesatlas.org. 
3. Gulshan V, Peng L, Coram M, et al. Development and validation of a deep learning algorithm for detection of diabetic retinopathy in retinal fundus photographs. JAMA. 2016;316(22):2402–2410. 
4. De Fauw J, Ledsam JR, Romera-Paredes B, et al. Clinically applicable deep learning for diagnosis and referral in retinal disease. Nat Med. 2018;24(9):1342–1350. 
5. Hannun AY, Rajpurkar P, Haghpanahi M, et al. Cardiologist-level arrhythmia detection and classification in ambulatory electrocardiograms using a deep neural network. Nat Med. 2019;25(1):65–69. 
6. Carletti M, Quer G, Topol EJ, et al. Multimodal AI correlates of glucose dysregulation in people across the glycaemic spectrum. Nat Med. 2025; doi:10.1038/s41591-025-03480-6. 
7. Ben-Yacov O, Godneva A, Rein M, et al. Personalized postprandial glucose response-targeting diet versus Mediterranean diet for glycemic control in prediabetes. Diabetes Care. 2021;44(9):1980–1991. 
8. Cowie MR, Vazir A. Telemonitoring in heart failure: focus on the use of implanted devices. Eur J Heart Fail. 2018;20(7):1042–1051. 
9. Nemati S, Holder A, Razmi F, et al. An interpretable machine learning model for accurate prediction of sepsis in the ICU. Crit Care Med. 2018;46(4):547–553. 
10. Mikhael PG, Wohlwend J, Yala A, et al. Sybil: A validated deep learning model to predict future lung cancer risk from a single low-dose chest computed tomography. J Clin Oncol. 2023;41(12):2191–2200. 
11. Somashekhar SP, Sepúlveda MJ, Puglielli S, et al. Watson for Oncology and breast cancer treatment recommendations: agreement with an expert multidisciplinary tumor board. Ann Oncol. 2018;29(2):418–423. 
12. Rajpurkar P, Irvin J, Ball RL, et al. Deep learning for chest radiograph diagnosis: A retrospective comparison of the CheXNeXt algorithm to practicing radiologists. PLoS Med. 2018;15(11):e1002686. 
13. VerMilyea M, Hall JMM, Diakiw SM, et al. Development of an artificial intelligence-based assessment model for prediction of embryo viability using static images captured by a standard light microscope during IVF. Hum Reprod. 2020;35(4):770–784. 
14. Tran D, Cooke S, Illingworth PJ, Gardner DK. Deep learning as a predictive tool for fetal heart activity after IVF/ICSI and fresh embryo transfer. Hum Reprod. 2019;34(7):1300–1311. 
15. Hu L, Bell D, Antani S, et al. An observational study of deep learning and automated evaluation of cervical images for cancer screening. J Natl Cancer Inst. 2019;111(9):923–932. 
16. DiMasi JA, Grabowski HG, Hansen RW. Innovation in the pharmaceutical industry: New estimates of R&D costs. J Health Econ. 2016;47:20–33. 
17. Jumper J, Evans R, Pritzel A, et al. Highly accurate protein structure prediction with AlphaFold. Nature. 2021;596(7873):583–589. 
18. European Parliament and of the Council. Regulation (EU) 2024/1689 on artificial intelligence (AI Act). Official Journal of the European Union. 2024. 
19. Chelli M, Sokolowski D, Engelhardt S, Lauer UM, Martus P, Hartig SM. Hallucination rates and reference accuracy of ChatGPT and Bard for systematic reviews. J Med Internet Res. 2024;26:e53164. 
20. Chelli M, Sokolowski D, Engelhardt S, Lauer UM, Martus P, Hartig SM. Hallucination rates and reference accuracy of ChatGPT and Bard for systematic reviews. J Med Internet Res. 2024;26:e53164. 
21. Kelley JM, Kraft-Todd G, Schapira L, Kossowsky J, Riess H. The influence of the patient-clinician relationship on healthcare outcomes: a systematic review and meta-analysis of randomized controlled trials. PLoS One. 2014;9(4):e94207.