W artykule opublikowanym na początku 2026 roku w czasopiśmie npj Digital Medicine zespół pod kierunkiem Petridisa podejmuje jeden z kluczowych problemów współczesnej sztucznej inteligencji w medycynie: brak przejrzystości i trudność interpretacji wyników generowanych przez algorytmy kliniczne.

Autorzy proponują tzw. „holistyczne” podejście do projektowania i walidacji modeli AI, które łączy wysoką skuteczność predykcyjną z wymogami wyjaśnialności i spójności działania. W przeciwieństwie do klasycznych modeli typu „czarna skrzynka”, zaproponowana architektura pozwala lekarzowi zrozumieć, jakie cechy danych wpływają na wynik algorytmu oraz jak stabilne są jego rekomendacje w różnych populacjach pacjentów.

Artykuł porusza także problem generalizacji – czyli zdolności modeli do działania poza populacją, na której były trenowane. Autorzy wskazują, że brak tej właściwości jest jednym z głównych powodów, dla których narzędzia AI zawodzą w rzeczywistej praktyce klinicznej mimo obiecujących wyników w badaniach.

Publikacja wpisuje się w globalną dyskusję o tym, jak bezpiecznie i odpowiedzialnie wprowadzać AI do diagnostyki, triage’u i wsparcia decyzji lekarskich. Z perspektywy systemowej pokazuje, że przyszłość AI w medycynie zależy nie tylko od mocy obliczeniowej, ale także od transparentności i zaufania klinicystów.

Autorzy: Petridis P. i wsp.
Czasopismo: npj Digital Medicine
Rok publikacji: 2026

Opracowanie redakcyjne: Debaty Zdrowie