Штучний інтелект у медицині: що вже працює в клініці

Штучний інтелект у медицині давно вийшов за межі презентацій. Він стоїть у черзі КТ-знімків, підсвічує підозрілу тінь на мамограмі, перевіряє сумісність ліків і чернетки виписок. Водночас він не ставить діагноз замість лікаря і не «розуміє» пацієнта так, як це робить клініцист.

Різниця між користю і шкодою залежить не від гучності бренду, а від типу системи. Сертифікований алгоритм для однієї задачі і загальний чат-бот, якому людина описує біль у грудях, — це різні технології з різною відповідальністю. Нижче — як саме працює медичний ШІ, де він уже змінює практику, які помилки повторюють і лікарі, і пацієнти, і що робити, коли підказка алгоритму суперечить клінічній картині.

Текст не замінює консультацію лікаря. Його мета — дати інструмент, щоб оцінювати обіцянки, питання до клініки й межі власного самодіагнозу в чаті.

Знімок потрапляє в алгоритм раніше, ніж до радіолога

Найзріліша ділянка штучного інтелекту в медицині — аналіз зображень. За даними оновлення реєстру FDA від 16 червня 2026 року, агентство авторизувало 1524 алгоритми з компонентом ШІ або машинного навчання. З них 1163, тобто понад 76%, припадають на радіологію. Кардіологія йде другою з великим відривом. Це не випадковість: знімок — структурований масив пікселів, а саме такі дані нейромережі обробляють найкраще.

У типовій лікарні шлях виглядає так. Пацієнт проходить КТ. Файли потрапляють у PACS — архів знімків. Паралельно вузький алгоритм (крововилив, тромбоемболія легеневої артерії, перелом хребця, вузол у легені) проганяє серію за секунди і, якщо знаходить ознаку критичного стану, піднімає дослідження вгору в робочому списку. Радіолог усе одно читає знімок сам. ШІ тут виконує роль сортувальника й «другого ока», а не автономного діагноста.

Таке сортування має сенс там, де затримка вимірюється життям. Масивний інсульт, розшарування аорти, напружений пневмоторакс не чекають, поки лікар дійде до середини нічної черги зі 80 досліджень. У скринінгу раку легень, молочної залози чи шкіри алгоритми в окремих задачах показують точність понад 90–95%. Це не універсальна «точність медицини». Це точність на конкретній вибірці, для конкретного порогу «норма / підозра» і після калібрування під обладнання клініки.

За оцінками клінічних оглядів, у радіології ШІ скорочує час аналізу знімка приблизно на 20–30% і зменшує частку пропущених знахідок — за умови, що лікар не вимикає власну увагу. Саме ця умова виявляється найкрихкішою: про неї нижче, в розділі про автоматизаційне упередження.

Окремий, рідший сценарій — автономна система. Класичний приклад: IDx-DR, перший алгоритм, якому FDA у 2018 році дозволила ставити висновок щодо діабетичної ретинопатії без офтальмолога на місці. У ключовому дослідженні чутливість становила 87,4%, специфічність — 89,5% для виявлення ретинопатії тяжчої за легку. Система не «лікує очі». Вона видає одне з двох: направити до спеціаліста або повторити скринінг за 12 місяців. Навіть тут автономія обмежена вузькою задачею й чітким маршрутом пацієнта.

Як нейромережа читає пікселі — і чому це не розуміння хвороби

Щоб оцінити обіцянку «ШІ точніший за лікаря», варто зрозуміти, що саме він робить. Більшість клінічних систем аналізу зображень — згорткові нейромережі. Знімок розбивається на невеликі фрагменти. Фільтри шукають краї, плями, текстури, асиметрію. Глибші шари складають із цих ознак складніші патерни: «тінь, схожа на вузол», «гіперінтенсивність, типова для крововиливу». На виході — ймовірність класу, теплова карта або пріоритет у черзі.

Мережа не має моделі тіла, анамнезу чи страху пацієнта. Вона не знає, що людина впала з велосипеда годину тому, приймає антикоагулянт і скаржиться на раптовий головний біль. Вона бачить розподіл інтенсивності пікселів, схожий на ті, що в навчальній вибірці позначали як патологію.

Звідси кілька практичних наслідків.

• Точність прив’язана до задачі. Алгоритм, навчений шукати перелом на рентгені зап’ястка, не шукає пневмонію на тому ж знімку, навіть якщо вона там є.
• Якість входу вирішує все. Артефакт від руху, інший протокол сканування, інший виробник томографа — і «95%» з валідаційної статті можуть впасти. Системи калібрують під місцеве обладнання саме тому.
• «Чорна скринька» лишається проблемою. Теплова карта показує, куди дивилась модель, але не завжди чому вона вирішила, що це злоякісність, а не рубець.
• Дані народжують упередження. Якщо у вибірці мало пацієнтів із темною шкірою, рідкісними анатомічними варіантами чи знімків із апаратів, типових для районних лікарень, помилка буде системною, а не випадковою.

Саме тому Всесвітня організація охорони здоров’я в настанові з етики ШІ для здоров’я фіксує шість принципів: захист автономії людини; добробут, безпека і суспільний інтерес; прозорість і пояснюваність; відповідальність; інклюзивність і справедливість; адаптивність і стійкість систем. У 2025 році ВООЗ окремо опублікувала керівництво щодо великих мультимодальних моделей — тобто систем, які приймають текст, зображення й відео. Регулятор уже розрізняє «вузький медичний алгоритм» і «універсальну мовну модель», і клініцисту варто робити те саме.

Сертифікований медичний ШІ і чат-бот: дві різні технології

Найчастіша плутанина починається з мови. Людина каже «я запитала в ШІ» і має на увазі ChatGPT, Gemini чи Claude. Лікар каже «у нас стоїть ШІ» і має на увазі сертифікований модуль у PACS або лабораторній інформаційній системі. Зовнішньо обидва «штучний інтелект». За статусом, доказами й ризиком вони майже не перетинаються.

Джерело: узагальнення підходів FDA (Software as a Medical Device), MDR/IVDR ЄС та публікацій щодо LLM у клінічній практиці.

Станом на початок 2026 року переважна більшість авторизованих FDA систем — це вузькі алгоритми комп’ютерного зору й сигналів, а не генеративні моделі. Чат-бот може скласти диференційний ряд, який виглядає як сторінка з підручника. Він так само може применшити діабетичний кетоацидоз до «спостереження 24–48 годин».

Дослідження в Nature Medicine, яке цитує NPR у березні 2026 року, моделювало, як звичайні люди користуються чат-ботами при медичних сценаріях. Після розмови учасники правильно називали гіпотетичний стан лише приблизно в третині випадків. Коректне рішення про наступний крок — чи їхати в приймальний покій — прийняли 43%. В окремому структурованому тесті триажу серед справжніх невідкладних станів система занизила тяжкість у 51,6% випадків. Класичні «підручникові» катастрофи на кшталт інсульту чи анафілаксії вона впізнавала краще, ніж менш «типові» екстрені картини.

Висновок не в тому, що мовні моделі заборонені в медицині. Вони вже корисні для чернетки виписки, перекладу пояснення пацієнту, навігації по протоколу. Висновок у тому, що текст, який звучить впевнено, не є клінічним рішенням. Сертифікація існує саме щоб відокремити одне від одного.

Що вже змінилось у клініках України

В Україні медичний ШІ з’являється нерівномірно: швидше в приватних мережах і лабораторіях, повільніше в системі, де немає єдиного стандарту інтеграції з медичними інформаційними системами.

На дискусійній панелі виставки Public Health у жовтні 2025 року про реальне впровадження говорили представники Tayra.ai (генерація медичних звітів), AIVAULT (оптимізація роботи лікаря), лабораторій Synevo, мереж «Новий зір» / «Ексімер» та «Гармонія Здоров’я». Типовий бар’єр — не «чи працює модель», а тижні й місяці стикування з МІС, брак IT-команди на місці, опір персоналу й відсутність окремого закону про ШІ в охороні здоров’я. Пацієнти в пілотах сприймають технології спокійніше, ніж частина лікарів: для людини важливий час і зрозумілий висновок, а не архітектура мережі.

У мережі «Добробут» ШІ описують як другу пару очей і цифрового асистента, а не заміну клініциста. Алгоритм може підсвітити приховану патологію на КТ, поки втомлений лікар бачить «чистий» знімок; може миттєво перевірити небезпечні комбінації препаратів, які жодна людина не утримує в голові одночасно. За оцінками, 30–50% робочого часу лікаря йде на документацію. Саме цей шар — транскрипція прийому, чернетка електронної картки, структурування даних — дає найшвидший практичний ефект, бо не вимагає статусу медичного виробу того ж рівня, що діагностичний алгоритм.

Паралельно в українські стаціонари заходить ШІ, вбудований у саме обладнання. У 2026 році в матеріалах про оновлення радіологічного парку згадують, зокрема, УЗД-системи з функцією AI Breast, спектральний КТ і безгелієві МРТ у приватних центрах. Тут алгоритм не «окремий стартап», а опція апарата: він підказує зрізи, розмітку й стандартизує протокол, зменшуючи розкид між операторами.

Нормативна рамка відстає від практики. Спеціального закону про застосування ШІ в українській медицині немає. Працюють загальні норми захисту персональних даних, ліцензування медзакладів і відповідальність лікаря за підписаний висновок. Для клінік, що дивляться на європейський ринок, орієнтир уже інший: у ЄС медичні системи ШІ як вироби або компоненти безпеки виробів за замовчуванням належать до категорії високого ризику за AI Act. Це означає вимоги до якості даних, ризик-менеджменту, прозорості для користувача й обов’язкового людського нагляду — поверх уже чинних MDR/IVDR.

Автоматизаційне упередження і міфи, які шкодять рішенням

Найнебезпечніша помилка — не «ШІ іноді помиляється». Це відомо. Небезпечніша — людина перестає шукати те, чого алгоритм не підсвітив.

У липні 2026 року в журналі Radiology вийшло дослідження з айтрекінгом: рентгенологи читали мамограми з підказками ШІ і без них. Коли алгоритм давав хибнонегативну підказку (пропускав рак), медіанна чутливість читачів падала з 71% до 39%. Люди менше фіксували погляд на ділянках, які модель «не помітила». Хибнопозитивні мітки, навпаки, радіологи відсіювали відносно добре. Іншими словами, автоматизаційне упередження б’є не тоді, коли ШІ кричить «ось патологія», а тоді, коли мовчить.

Це змінює вимоги до впровадження. Система має працювати як другий читач або як сортувальник черги, а не як голос, якому вірять без перевірки. Після оновлення моделі потрібен локальний аудит на знімках саме цієї лікарні, а не посилання на статтю виробника. Якщо заклад не може виміряти, як змінилася частка пропусків після інсталяції, він купує не якість, а відчуття сучасності.

Поруч стоять міфи, які вже живуть у кабінетах і чатах пацієнтів.

• «ШІ замінить лікарів». Замінює він рутину: протокол, розмітку, перший прохід по нормальних знімках. Клінічне рішення, комунікація поганої новини, робота з невизначеністю лишаються людськими. Скальпель теж нікого не замінив — він змінив руку хірурга.
• «Точність 95% означає, що помилок майже немає». При скринінгу рідкісної патології навіть висока специфічність дає потік хибнопозитивів. Без розуміння поширеності хвороби відсоток з пресрелізу нічого не каже про вашу ймовірність.
• «Чат-бот — це другий лікар у кишені». Він корисний, щоб сформулювати питання до прийому. Він небезпечний як інстанція, що вирішує, чи викликати швидку. У реальних кейсах люди формулюють скаргу неповно, пропускають «неважливі» деталі — і модель іде чужим маршрутом.
• «Якщо дані анонімні, ризику немає». Медичний знімок і геном самі по собі можуть бути ідентифікаторами. Анонімізація — процес із правилами, а не галочка в договорі з підрядником.
• «Чим більша модель, тим вона медичніша». Для детекції крововиливу на КТ виграє вузька, валідована мережа. Універсальна LLM тут не конкурент, поки не пройшла той самий шлях доказу.

Окремий ризик — упередження в навчальних даних. Дослідження відповідей мовних моделей на клінічні віньєтки показували: за однакових симптомів рекомендації змінювалися, якщо в описі з’являлись раса, статус житла чи сексуальна орієнтація. Пацієнтів із певними мітками частіше спрямовували на інвазивні процедури або психіатричну оцінку. Це не «злий алгоритм». Це статистичний відбиток упереджень корпусу текстів, на якому модель училась.

За лаштунками клініки: геноміка, ліки і персоналізоване лікування

Пацієнт бачить ШІ як підпис на бланку або як бот у додатку клініки. Значна частина впливу відбувається раніше — у лабораторії, на етапі розробки препарату й у плануванні терапії.

AlphaFold 2 розв’язав задачу передбачення просторової структури білка за амінокислотною послідовністю з точністю, близькою до експерименту. У 2024 році Джон Джампер і Деміс Хассабіс отримали за це Нобелівську премію з хімії (паралельно з Девідом Бейкером за обчислювальний дизайн білків). AlphaFold 3, представлений у травні 2024-го, моделює вже не лише білок, а комплекси з ДНК, РНК і малими молекулами — тобто тими сполуками, з яких складається більшість ліків. Isomorphic Labs, спіноф DeepMind, у 2025–2026 роках наближався до перших клінічних випробувань кандидатів, спроєктованих із допомогою цих моделей; орієнтир керівництва — кінець 2026 року. Це не «ШІ винайшов таблетку кнопкою». Це стиснення етапу, який раніше тримав проєкт роками в кристалізації й переборі структур.

Класична розробка ліків досі займає понад десятиліття, коштує порядки мільярдів доларів, а шанс кандидата, що зайшов у клінічні фази, дійти до реєстрації лишається близьким до 10%. ШІ не скасовує токсикологію і не замінює третю фазу. Він відсіює безнадійні молекули раніше і допомагає зрозуміти, до якого білка взагалі варто цілитись.

У клініці цей шар проявляється інакше. Онкологічні консиліуми вже зводять геном пухлини, імуногістохімію й протоколи в системи підтримки рішень, які пропонують варіанти терапії з рівнем доказовості. Персоналізоване лікування — не слоган, якщо лікар бачить конкретну мутацію й конкретний препарат. Воно лишається слоганом, якщо «персоналізація» означає лише чат-бот, який радить «пити більше води» після аналізу трьох рядків симптомів.

Лабораторна медицина — ще одне тихе поле. Алгоритми допомагають відсіювати артефакти аналізів, прогнозувати критичні значення, пріоритизувати пробірки. Для мережі масштабу Synevo це питання логістики й безпеки так само, як і діагностики: пропущений критичний калій коштує дорожче, ніж красивий інтерфейс.

Якщо лікар і алгоритм розходяться: права пацієнта і план дій

Юридично висновок підписує лікар, не модель. Це не формальність. Якщо алгоритм позначив «норма», а клініцист бачить симптом, який знімок мав би пояснити, перемагає клініка, а не відсоток із брошури. Якщо навпаки — ШІ кричить про знахідку, якої лікар не бачить, — це привід переглянути серію, а не автоматично «закрити» дослідження.

Пацієнту в цій точці потрібні не гасла про інновації, а кілька конкретних прав і жестів.

По-перше, право знати, чи брав участь алгоритм у висновку. У ЄС вимоги прозорості для систем високого ризику це прямо передбачають. В Україні норми м’якші, але ніщо не забороняє запитати: «Чи використовували ШІ при описі мого знімка? Це сертифікована система чи чернетка в чаті?». Гідна відповідь звучить предметно: назва модуля, задача («пошук вузлів», «триаж інсульту»), і що остаточне рішення прийняла людина.

По-друге, право на людський перегляд. Автономні системи на кшталт скринінгу ретинопатії мають вбудований маршрут до спеціаліста. Якщо заклад пропонує «діагноз від ШІ» без прізвища лікаря на бланку — це не інновація, а дірка в відповідальності.

По-третє, право не лікуватися «від хибнопозитива». Скринінговий алгоритм схильний перестраховуватися. Додаткове дообстеження має сенс. Негайна інвазивна процедура «бо так сказав ШІ» — ні, поки немає підтвердження іншими методами й клінічним оглядом.

Короткий чек-лист, якщо ви пацієнт або керівник відділення.

1. Уточніть, який саме інструмент використано: сертифікований модуль у PACS / лабораторії чи генеративна модель для тексту.
2. Запитайте, хто підписує висновок і чи бачив лікар знімок сам, а не лише «зелену галочку» алгоритму.
3. Зіставте підказку ШІ зі скаргами. Розбіжність — привід для другого читання, а не для ігнорування однієї зі сторін.
4. Не годуйте відкритий чат-бот ідентифікаторами, повними виписками й знімками з ПІБ на плівці. Для розбору складного випадку існує лікар, не рядок у месенджері.
5. Червоні прапорці (раптовий неврологічний дефіцит, біль у грудях, задишка, кровотеча, підозра на інсульт) не «уточнюють у чаті». Їх везуть у приймальний покій.
6. Якщо клініка впроваджує ШІ, має бути локальний аудит якості після старту й після кожного оновлення моделі.

Коли варто зупинитися і йти до фахівця, а не «ще раз перепитати модель»: симптом посилюється; є розбіжність між висновком і самопочуттям; вам пропонують лікування виключно на підставі автоматичного звіту; чат-бот заспокоює при ознаках невідкладного стану; ви отримуєте суперечливі відповіді на те саме питання, сформульоване різними словами — остання ознака типова для LLM і сама по собі дискредитує його як єдине джерело.

Для лікаря симетричне правило. Алгоритм, який ніколи не сумнівається, небезпечніший за той, що часто каже «недостатня якість зображення». Відмова системи дати відповідь — теж клінічний сигнал: знімок треба перезняти або читати тільки людиною.

Ключові інсайти

Штучний інтелект у медицині вже працює там, де дані однорідні й ставка на час висока: радіологія, кардіологічні сигнали, лабораторний триаж, чернетки документів. Понад три чверті авторизованих у США алгоритмів — це саме аналіз зображень. Ринок росте на десятки відсотків щороку, але зростання інвестицій не дорівнює зростанню клінічної якості в конкретній лікарні.

Користь з’являється, коли система вузька, валідована, вбудована в робочий список і лишає останнє слово людині. Шкода з’являється, коли лікар знижує пильність після «чистого» вердикту моделі, а пацієнт приймає зв’язний текст чат-бота за діагноз. Автоматизаційне упередження вже виміряне в мамографії: хибнонегативна підказка ріже чутливість сильніше, ніж хибнопозитивна плутає специфічність.

Україна рухається через приватні мережі, лабораторії й модулі в апаратурі, тоді як закон про медичний ШІ ще не склався. Орієнтир для тих, хто будує серйозно, — європейська логіка високого ризику: якість даних, нагляд людини, прозорість для пацієнта, аудит після оновлень.

Найкорисніше, що можна зробити з цим текстом, — не «вірити в ШІ» чи «не вірити». Запитати в кабінеті, який саме алгоритм дивився на ваш знімок, і залишити чат-боту роль помічника в формулюванні питань, а не роль лікаря.