Wizualizacja tomografii komputerowej serca analizowanej przez model sztucznej inteligencji wykorzystujący radiomikę tłuszczu okołosercowego do przewidywania niewydolności serca.

AI w wykrywaniu niewydolności serca: nawet o 5 lat szybciej

AI w wykrywaniu niewydolności serca zyskuje praktyczny wymiar: sztuczna inteligencja w kardiologii potrafi dziś wskazać ryzyko rozwoju niewydolności serca na pięć lat przed pierwszymi objawami, analizując obraz z rutynowej tomografii komputerowej serca, a docelowo potencjalnie także innych tomografii klatki piersiowej. Model opracowany na Uniwersytecie Oksfordzkim, opublikowany 8 kwietnia 2026 r. w Journal of the American College of Cardiology, osiągnął 86% dokładności w zbiorze testowym 13 424 pacjentów, odczytując zmiany tekstury tłuszczu wokół serca niewidoczne dla radiologa. To nie jest nowe badanie, które trzeba zlecić, lecz dodatkowa warstwa analizy nakładana na skany już wykonywane. Dla systemów zdrowia, które dziś reagują na niewydolność serca dopiero w fazie hospitalizacji, oznacza to potencjalne przesunięcie punktu ciężkości z leczenia zaostrzeń na wczesną profilaktykę. Kluczowe zastrzeżenia dotyczą jednak konfliktu interesów autorów, retrospektywnego charakteru danych i braku walidacji poza Wielką Brytanią.

Najważniejsze wnioski dla decydenta

✓ Model AI z Oksfordu (Antoniades i wsp., JACC, 2026) przewiduje ryzyko rozwoju niewydolności serca do pięciu lat wcześniej, analizując radiomikę tłuszczu okołosercowego w rutynowych tomografiach komputerowych serca.

✓ Dokładność 86% odnosi się do oddzielnego zbioru testowego 13 424 osób w Anglii; trening prowadzono na ponad 59 000 osób, a całość objęła ponad 70 000 pacjentów z dziewięciu placówek NHS (RDM Oxford, 2026).

✓ Pacjenci z grupy najwyższego ryzyka mieli około 20-krotnie wyższe ryzyko niewydolności serca niż grupa najniższego ryzyka, a u około 1 na 4 z nich choroba rozwinęła się w ciągu pięciu lat (RDM Oxford, 2026).

✓ Ograniczenie krytyczne: autorzy, w tym prof. Antoniades, są założycielami i udziałowcami Caristo Diagnostics, spółki wydzielonej z Uniwersytetu Oksfordzkiego, do której licencjonowano patenty (ujawnienia konfliktu interesów w JACC, 2026). Brakuje prospektywnego badania klinicznego i walidacji w populacji innej niż brytyjska.

✓ W polskim systemie, gdzie około 91% wydatków na niewydolność serca pochłaniają hospitalizacje (analiza danych NFZ 2015–2025, Polish Heart Journal, luty 2026), realna wartość leży w przejściu z modelu reaktywnego na predykcyjny, lecz wdrożenie wymaga rejestracji jako wyrób medyczny (MDR) i zgodności z AI Act.

AI w wykrywaniu niewydolności serca: czym jest model z Oksfordu

To algorytm radiomiczny, który ocenia teksturę i skład tkanki tłuszczowej otaczającej serce na obrazie tomografii komputerowej serca i przelicza je na indywidualny wynik ryzyka niewydolności serca. Radiomika to dziedzina analizująca tysiące ilościowych cech obrazu medycznego, niedostępnych dla ludzkiego oka, w poszukiwaniu wzorców powiązanych z chorobą.

Według zespołu prof. Charalambosa Antoniadesa (JACC, 2026) narzędzie analizuje epikardialną tkankę tłuszczową (tłuszcz przylegający bezpośrednio do mięśnia sercowego) i wykrywa subtelne zmiany jej struktury. Te zmiany pojawiają się, gdy mięsień pod spodem znajduje się w stanie zapalnym, na długo przed jawną dysfunkcją serca.

Istotna cecha praktyczna: model nie wymaga osobnego badania. Pracuje na skanach wykonywanych rutynowo z innych powodów, najczęściej w diagnostyce bólu w klatce piersiowej. To czyni go kandydatem do tak zwanych badań przesiewowych oportunistycznych, czyli wykrywania ryzyka „przy okazji” obrazowania zleconego dla innego celu.

Co dokładnie pokazało badanie: liczby i ich kontekst

Model osiągnął 86% dokładności w przewidywaniu, czy dana osoba rozwinie niewydolność serca w ciągu pięciu lat, w oddzielnym zbiorze testowym (RDM Oxford, 2026). Poniższa tabela porządkuje kluczowe dane wraz z ich charakterem (pomiar, estymacja), bo część z nich krąży w mediach w uproszczonej formie.

ParametrWartośćCharakter danejŹródło
Wyprzedzenie predykcjico najmniej 5 latwynik badaniaRDM Oxford, 2026
Dokładność modelu86%pomiar na zbiorze testowymRDM Oxford / JACC, 2026
Wielkość zbioru testowego13 424 osoby (Anglia)dana metodologicznaRDM Oxford, 2026
Wielkość zbioru treningowegoponad 59 000 osób (Anglia)dana metodologicznaRDM Oxford, 2026
Łączna kohorta (trening + walidacja)ponad 70 000 osób, 9 placówek NHSdana metodologicznaRDM Oxford, 2026
Okres obserwacjiokoło dekadydana metodologicznaRDM Oxford, 2026
Ryzyko w grupie najwyższej vs najniższejokoło 20-krotnie wyższewynik badaniaRDM Oxford, 2026
Odsetek chorujących w grupie najwyższego ryzykaokoło 1 na 4 w ciągu 5 latwynik badaniaRDM Oxford, 2026
Roczna liczba tomografii serca w Wielkiej Brytaniiokoło 350 000estymacja kontekstowaRDM Oxford, 2026

Dwie uwagi metodologiczne są tu istotne dla oceny wiarygodności. Po pierwsze, „dokładność 86%” to pojedynczy wskaźnik; komunikat prasowy nie podaje czułości, swoistości ani pola pod krzywą ROC, które lepiej opisują wartość kliniczną testu predykcyjnego. Po drugie, dane mają charakter retrospektywny: model uczył się na archiwalnych skanach z przypisanym później rozpoznaniem, co nie jest tym samym co prospektywne badanie kliniczne mierzące wpływ na losy pacjentów.

Dlaczego tłuszcz wokół serca działa jak wczesny czujnik

Tłuszcz okołosercowy reaguje na sygnały zapalne z chorującego mięśnia sercowego, zmieniając swoją teksturę i skład wiele lat przed wystąpieniem jawnej choroby. Naukowcy z Oksfordu opisują tę tkankę jako „sensor” wczesnych komunikatów płynących z serca (RDM Oxford, 2026).

Mechanizm jest spójny z wcześniejszą linią badań tego samego zespołu nad radiomiką tkanki tłuszczowej okolicy serca, prowadzoną m.in. na danych obrazowania rezonansem magnetycznym (Szabo i wsp., European Radiology, 2023). Wspólny wątek: zmiany w tłuszczu poprzedzają uszkodzenie mięśnia i są mierzalne, zanim pojawią się objawy.

To odwraca klasyczną logikę kardiologii. Zamiast czekać na uszkodzenie, które ujawni się w echu serca lub przy zaostrzeniu, algorytm szuka biochemicznego „echa” choroby zapisanego w sąsiadującej tkance tłuszczowej.

Co to znaczy dla polskiego systemu ochrony zdrowia

Dla Polski największa wartość takiego narzędzia leży nie w samej technologii, lecz w przesunięciu modelu opieki z reaktywnego na predykcyjny. Najnowsza analiza danych NFZ z lat 2015–2025, opublikowana 6 lutego 2026 r. w Polish Heart Journal przez zespół prof. Agnieszki Pawlak, pokazuje, że około 91% środków przeznaczanych na niewydolność serca pochłania leczenie szpitalne, co oznacza, że system reaguje głównie na zaostrzenia, a nie zapobiega im wcześniej.

Skala problemu jest duża. Polskie Towarzystwo Kardiologiczne szacowało liczbę chorych z niewydolnością serca na nawet około miliona (PTK, dane przytaczane w 2019 r.), a analiza NFZ wskazuje na 627–630 tys. pacjentów leczonych rocznie w latach 2015–2023 (Polish Heart Journal, 2026). Niewydolność serca była bezpośrednią przyczyną około 41 tys. zgonów, czyli 9,8% wszystkich zgonów w Polsce (raport Asocjacji Niewydolności Serca PTK, dane za 2019 r.).

Poniższa tabela zestawia logikę obu modeli opieki, bo to właśnie tę zmianę obiecuje technologia predykcyjna.

WymiarModel reaktywny (dominujący dziś)Model predykcyjny (potencjał AI)
Moment interwencjipo wystąpieniu objawów lub zaostrzeniana etapie ryzyka, przed objawami
Główny koszthospitalizacje (około 91% środków, NFZ 2015–2025)monitorowanie i profilaktyka ambulatoryjna
Rola obrazowaniapotwierdzenie istniejącej chorobyprzesiewowe wykrywanie ryzyka „przy okazji”
Wymóg dodatkowych badańczęstybrak (analiza istniejących skanów)
Ryzyko systemowepowtarzające się hospitalizacjenadrozpoznawalność i koszt dalszej diagnostyki

Warto przy tym pamiętać o uwarunkowaniu lokalnym: model trenowano na populacji brytyjskiej, a jego skuteczność w polskiej populacji i na polskim sprzęcie tomograficznym wymaga osobnej walidacji. Wynik 86% nie przenosi się automatycznie między systemami zdrowia.

Bariery regulacyjne: wyrób medyczny, MDR i AI Act

Zanim taki algorytm trafiłby do polskich szpitali, musiałby zostać zarejestrowany jako wyrób medyczny i spełnić wymogi dwóch reżimów prawnych. Oprogramowanie diagnostyczne podlega rozporządzeniu MDR (2017/745) i wymaga oznakowania CE oraz oceny zgodności.

Dodatkowo system AI wspierający diagnostykę medyczną kwalifikuje się jako system wysokiego ryzyka w rozumieniu AI Act. Dla systemów AI będących komponentem bezpieczeństwa produktów objętych unijnym prawem harmonizacyjnym (w tym MDR) obowiązki z art. 6 ust. 1 AI Act zaczynają obowiązywać od 2 sierpnia 2027 r. (na mocy art. 113 rozporządzenia), co odróżnia ten termin od wejścia rozporządzenia w życie (1 sierpnia 2024 r.) oraz od głównego terminu dla systemów z Załącznika III (2 sierpnia 2026 r.). Ostateczna kwalifikacja zależy jednak od zamierzonego zastosowania, klasyfikacji wyrobu i dokumentacji producenta.

W praktyce oznacza to, że nawet sprawdzony klinicznie model nie wejdzie do rutynowego użycia z dnia na dzień. Zespół z Oksfordu deklaruje, że ubiega się o zgody regulacyjne dla wdrożenia w NHS i pracuje nad rozszerzeniem narzędzia na dowolną tomografię klatki piersiowej, w tym skany płuc, w ciągu najbliższych miesięcy (RDM Oxford, 2026). To plany, nie fakty dokonane.

Czego badanie nie dowodzi

Komunikaty o „przełomie” łatwo wyprzedzają dowody, dlatego warto rozdzielić to, co wykazano, od tego, co dopiero obiecano. Poniżej granice obecnej tezy.

  • Nie wykazano poprawy losów pacjentów. Badanie pokazuje trafność predykcji, a nie to, że wczesne wskazanie ryzyka faktycznie zmniejsza liczbę przypadków niewydolności serca lub zgonów. To wymagałoby prospektywnego badania klinicznego z grupą kontrolną.
  • Wynik nie jest niezależny od interesu komercyjnego. Autorzy są założycielami, udziałowcami i dyrektorami Caristo Diagnostics, spółki rozwijającej analizę obrazu CT, a patenty są do niej licencjonowane (ujawnienia konfliktu interesów w JACC, 2026). Nie unieważnia to wyników, lecz wymaga niezależnej walidacji przez zespoły bez powiązań finansowych.
  • Dane są retrospektywne i jednokrajowe. Model uczył się i był testowany na populacji angielskiej w ramach NHS. Przeniesienie na inny system, inny sprzęt i inną populację nie jest zagwarantowane.
  • Jeden wskaźnik nie wystarcza do oceny klinicznej. Sama „dokładność 86%” bez czułości, swoistości i wartości predykcyjnych nie pozwala ocenić, ilu pacjentów otrzyma fałszywie dodatni lub fałszywie ujemny wynik.
  • Przesiew oportunistyczny ma koszt. Wykrywanie ryzyka „przy okazji” generuje pytanie, co dalej z osobami oznaczonymi jako wysokie ryzyko, gdy dla wielu z nich nie istnieje jeszcze interwencja o udowodnionej skuteczności. To ryzyko nadrozpoznawalności i nadmiernej diagnostyki.

Kluczowe pytania i decyzje

Czy taki model jest gotowy do wdrożenia w polskim szpitalu?

Nie w obecnej formie. Tak, jako kierunek wart obserwacji, jeśli pojawi się rejestracja jako wyrób medyczny, oznakowanie CE i zgodność z AI Act oraz niezależna walidacja na populacji innej niż brytyjska. Nie, jako narzędzie do natychmiastowego zakupu, dopóki brakuje prospektywnych danych o wpływie na losy pacjentów.

Czy „86% dokładności” oznacza, że test pomyli się raz na siedem przypadków?

Nie wprost. Pojedynczy wskaźnik dokładności nie rozkłada błędu na fałszywie dodatnie i fałszywie ujemne wyniki. Tak, jako sygnał ostrożności: przy ocenie testu predykcyjnego decydent powinien żądać czułości, swoistości i wartości predykcyjnych, a nie poprzestawać na jednej liczbie.

Czego powinien wymagać decydent medyczny przed pilotażem?

Wymagaj: prospektywnej walidacji lokalnej, pełnego zestawu metryk diagnostycznych, jasnej ścieżki postępowania dla pacjentów oznaczonych jako wysokie ryzyko oraz statusu regulacyjnego (MDR, AI Act). W przeciwnym razie pilotaż mierzy technologię, a nie korzyść kliniczną.

Podsumowanie

Model AI z Oksfordu opisany w JACC (2026) pokazuje realny postęp: ryzyko niewydolności serca da się oszacować na pięć lat przed objawami, korzystając z obrazów, które już powstają w ramach rutynowej diagnostyki. Mechanizm jest fizjologicznie uzasadniony, a skala danych (ponad 70 tys. osób, dekada obserwacji) poważna. Dla polskiego systemu, obciążonego rekordową w skali OECD liczbą hospitalizacji z powodu niewydolności serca, sama idea przejścia z reakcji na profilaktykę jest atrakcyjna i zgodna z kierunkiem wskazywanym przez ekspertów NFZ i PTK.

Dla SEO i praktyki klinicznej ważne jest, aby AI w wykrywaniu niewydolności serca traktować jako narzędzie predykcyjne, a nie samodzielną decyzję medyczną. Dystans poznawczy pozostaje jednak konieczny. Wynik jest retrospektywny, pochodzi z jednego kraju, opiera się na pojedynczym wskaźniku dokładności i powstał w zespole z bezpośrednim interesem komercyjnym w komercjalizacji tej technologii. Zanim taki algorytm zmieni praktykę kliniczną, potrzebne są prospektywne badania, niezależna walidacja oraz droga przez wymogi MDR i AI Act. Predykcja to nie to samo co lepsze leczenie; o wartości narzędzia zdecyduje dopiero dowód, że wcześniejsza wiedza realnie zmienia losy pacjentów.

Zobacz też więcej analiz w sekcji AI News, gdzie publikowane są teksty o zastosowaniach sztucznej inteligencji w medycynie, finansach i regulacjach.

Źródła

Related Posts