Międzynarodowe testowanie i udoskonalanie algorytmów AI przewidujących podtypy ostrej białaczki na podstawie rutynowych danych laboratoryjnych

Dlaczego to ma znaczenie dla pacjentów na całym świecie

Dla wielu osób z ostrą białaczką zegar zaczyna tykać długo przed pierwszą wizytą u specjalisty. W regionach świata, gdzie zaawansowane badania są rzadkie lub wolne, rozpoznanie typu białaczki może zająć dni — czasu, którego pacjent może nie mieć. Badanie to analizuje, czy program sztucznej inteligencji (AI), korzystający tylko z rutynowych badań krwi wykonywanych praktycznie w każdym szpitalu, może szybko zasugerować prawdopodobny podtyp białaczki i pomóc lekarzom działać szybciej, zwłaszcza w warunkach ograniczonych zasobów.

Przekształcanie codziennych badań krwi w wczesne ostrzeżenie

Naukowcy zgromadzili dane 6206 pacjentów z ostrą białaczką leczonych w 20 ośrodkach w 16 krajach, obejmując wszystkie zamieszkane kontynenty i szeroki zakres poziomów dochodów. Zamiast polegać na specjalistycznych skanach czy badaniach genetycznych, do istniejącego modelu AI wprowadzono standardowe pomiary laboratoryjne wykonane przy rozpoznaniu, takie jak morfologia krwi, parametry krzepliwości i podstawowe wyniki biochemiczne. Celem było sprawdzenie, czy narzędzie pierwotnie zbudowane na danych z Francji potrafi rozpoznać trzy główne typy białaczki — ostrą białaczkę szpikową (AML), ostrą białaczkę promielocytową (APL) oraz ostrą białaczkę limfoblastyczną (ALL) — w bardzo różnych szpitalach, populacjach i grupach wiekowych.

Mocne sygnały, ale luki w tym, kto na tym korzysta

Stosując model szeroko u dorosłych, AI sprawdziła się ogólnie dobrze: była szczególnie dokładna w przypadku AML i APL, dwóch form, w których wczesne rozpoznanie może istotnie wpływać na przeżycie. Jednak pierwotna wersja zawierała surową wewnętrzną regułę „pewności”, która zgłaszała wynik tylko wtedy, gdy model był bardzo pewny. To sprawiało, że wyniki wyglądały świetnie na papierze, ale w praktyce oznaczało, że nawet ponad 90% pacjentów nie otrzymałoby żadnej sugestii od AI. Nawet bez tej reguły wydajność różniła się znacznie między ośrodkami i typami białaczki, odzwierciedlając różnice w wieku pacjentów, lokalnych wzorcach choroby, a nawet w używanym sprzęcie laboratoryjnym.

Nauka systemu radzenia sobie z nieporządkiem rzeczywistych danych

Aby narzędzie było bardziej użyteczne w codziennej praktyce, zespół skupił się na przyczynach niepowodzeń w niektórych przypadkach. Porównali wzorce wyników badań krwi u pacjentów poprawnie i niepoprawnie oznaczonych oraz zastosowali statystyczne metody wyjaśniające, by ustalić, które pomiary miały największe znaczenie. Okazało się, że pewne markery krzepliwości oraz cechy czerwonych krwinek były szczególnie ważne do rozróżnienia APL od innych typów, podczas gdy wzorce białych krwinek pomagały oddzielić AML od ALL. Badacze dodali następnie nowy krok wstępnego przetwarzania, który wykrywa „odstające” przypadki, których wyniki laboratoryjne znacząco różnią się od tego, czego model wcześniej widział. Łącząc dwa takie filtry i usuwając tylko niewielką część przypadków, poprawili dokładność w trudnych grupach — zwłaszcza u pacjentów, którzy wcześniej nie spełniali progu pewności modelu — przy jednoczesnym utrzymaniu dostępności prognoz dla większości osób.

Dostosowanie AI do dzieci, a nie tylko dorosłych

Dzieci z białaczką często wykazują inne wzorce laboratoryjne niż dorośli i okazało się to mieć duże znaczenie. Gdy model trenowany na danych dorosłych zastosowano do 1746 pacjentów pediatrycznych, jego skuteczność spadła, szczególnie w przypadku AML. Zespół pokazał, że kluczowe wartości krwi, takie jak czynniki krzepnięcia i liczby komórek, mieściły się w odmiennych zakresach u młodszych pacjentów. Zamiast akceptować słabsze wyniki, przetrenowali AI specjalnie na danych pediatrycznych, co znacząco poprawiło zdolność rozpoznawania dziecięcego ALL i AML, przy zachowaniu dobrych wyników dla rzadszych pediatrycznych przypadków APL. To podkreśla ważną lekcję: systemy AI mające wspierać diagnozę muszą być dostosowane do populacji, którym mają służyć.

W kierunku szybszej i bardziej sprawiedliwej opieki nad białaczką

Autorzy podkreślają, że to narzędzie AI nie zastępuje procedur będących złotym standardem — badania mikroskopowego, cytometrii przepływowej i testów genetycznych — na których lekarze polegają, by potwierdzić typ białaczki i wybrać precyzyjną terapię. Zamiast tego oferuje sposób na szybkie wskazanie prawdopodobnych podtypów białaczki przy użyciu badań laboratoryjnych, które są już szeroko dostępne, nawet w wielu krajach o niskich i średnich dochodach. Poprzez dopracowanie modelu do obsługi różnorodnych szpitali, filtrowanie niepewnych prognoz oraz stworzenie wersji pediatrycznej, badanie pokazuje, jak AI mogłaby skrócić czas dostępu do opieki specjalistycznej i ratującego życie leczenia. Praca tworzy podstawy do przyszłych prób, które sprawdzą, czy takie wsparcie decyzji rzeczywiście może obniżyć wskaźniki wczesnych zgonów, przybliżając korzyści nowoczesnej opieki nad białaczką pacjentom niezależnie od miejsca zamieszkania.

Cytowanie: Turki, A.T., Fan, Y., Hernández-Sánchez, A. et al. International testing and refinement of AI algorithms predicting acute leukemia subtypes from routine laboratory data. Nat Commun 17, 2649 (2026). https://doi.org/10.1038/s41467-026-70584-z

Słowa kluczowe: ostra białaczka, sztuczna inteligencja, wsparcie diagnostyczne, równość w opiece zdrowotnej, badania laboratoryjne