Klinika Mayo stosuje 150 algorytmów AI. Do czego?

Amerykańska Mayo Clinic – uważana za jeden z najlepszych szpitali na świecie – wykorzystuje ponad 150 modeli AI do m.in. diagnozy rzadkich chorób na podstawie obrazów EKG, porządkowania danych z dokumentacji medycznej pacjenta, wczesnego wykrywania nowotworów, triażu oraz identyfikacji pacjentów z grup ryzyka. Oto najciekawsze z nich.

• Record Time skraca przygotowanie lekarza do wizyty o 5–30 minut na pacjenta, porządkując rozproszoną dokumentację, która czasami może liczyć setki stron.
• Model do triażu na SOR-ze, przewidujący możliwość zastosowania tzw. ścieżki postępowania bez konieczności korzystania z łóżka szpitalnego, został wytrenowany na danych z 49 350 wizyt.
• REDMOD wykrywa około 73 proc. przypadków wczesnego raka trzustki, wobec około 32 proc. bez AI, identyfikując sygnały choroby 1–3 lata przed rozpoznaniem konwencjonalnymi metodami.
• AI stosowana przez Mayo zwiększyła o 44 proc. odsetek terminowych skierowań do opieki paliatywnej, a jeden z modeli triażu został wytrenowany na danych z 49 350 wizyt na SOR.
• Klinika korzysta z Google Cloud oraz rozwija własne centrum danych z wykorzystaniem procesorów NVIDIA, ponieważ część modeli AI musi być trenowana lokalnie (ze względu na przepisy HIPAA).

Nawet 30 minut mniej na analizę dokumentacji pacjenta

Mayo Clinic nie bez powodu nosi tytuł najlepszego szpitala na świecie według ostatniego rankingu Newsweeka i Statista. Placówka przyjmująca 1,3 mln pacjentów ze 140 krajów rocznie od kilku lat testuje i wdraża sztuczną inteligencję w administracji, w diagnozie i leczeniu pacjentów oraz w badaniach klinicznych. To już 150 algorytmów, jak wynika z lipcowego wywiadu CNN z Matthew Callstromem, dyrektorem medycznym programu generatywnej AI w Mayo Clinic.

Oficjalnie Mayo nie publikuje pełnej listy wszystkich modeli AI, ponieważ wiele z nich znajduje się na etapie pilotażu albo walidacji. Ale kilkoma z nich Mayo chwali się w wywiadach i badaniach naukowych.

Najnowszym jest Record Time wykorzystujący algorytmy przetwarzania języka naturalnego (NLP). Rozwiązanie jest rozwijane we współpracy ze Scale AI. System powstał, aby rozwiązać problem rozproszenia dokumentacji medycznej. Do Mayo zgłaszają się pacjenci z całego świata i często przekazują dokumentację pochodzącą z wielu różnych placówek. Niekiedy to nawet kilkaset stron w przypadku skomplikowanych przypadków klinicznych. Record Time sortuje informacje chronologicznie i pomaga lekarzowi odnaleźć najważniejsze fakty.

Według Mayo, rozwiązanie może skrócić przygotowanie do wizyty o 5–30 minut na pacjenta. AI przejmuje część pracy związanej z wyszukiwaniem i porządkowaniem informacji, a dalszy proces diagnozy oraz terapii należy już do lekarza. Record Time znajduje się obecnie w fazie testów.

AI szuka ukrytych chorób w EKG i wczesnych oznak raka trzustki

W kardiologii od 2019 roku działa AI-ECG. Korzystając ze standardowego zapisu EKG, algorytm szuka wzorców sugerujących występowanie amyloidozy serca – choroby, która może być trudna do rozpoznania, szczególnie na wczesnym etapie rozwoju.

Rozwiązanie zostało wytrenowane na ogromnej bazie danych obejmującej 24 lata, a w 2023 roku otrzymało zgodę FDA na zastosowanie kliniczne. Technologia opiera się na głębokich sieciach neuronowych analizujących elektrofizjologię serca i jest obecnie testowana pod kątem możliwości wykrywania innych schorzeń kardiologicznych.

Kolejnym algorytmem diagnostycznym jest REDMOD, czyli model wykorzystujący analizę obrazów tomografii komputerowej do wczesnego wykrywania raka trzustki. Algorytm analizuje wczesne, subtelne zmiany w strukturze trzustki, które mogą pojawić się, gdy nowotwór jeszcze nie jest wykrywalny w obecnie stosowanych badaniach diagnostycznych.

W badaniu walidacyjnym REDMOD wykrywał około 73 proc. przypadków wczesnego raka trzustki, podczas gdy bez wykorzystania AI odsetek ten wynosił około 32 proc. Model potrafi identyfikować sygnały choroby nawet 1–3 lata przed rozpoznaniem za pomocą konwencjonalnych metod. Model nadal znajduje się w fazie walidacji.

AI w patomorfologii i opiece paliatywnej

We współpracy z firmą Aignostics Mayo opracowało – wytrenowany na ponad 1,2 mln obrazów – model AI przeznaczony do analizy obrazów histopatologicznych. Atlas to wielowymiarowy model uczenia maszynowego oparty na generatywnej AI, który automatyzuje wykrywanie zmian w preparatach i filtrowanie przypadków. Jednocześnie Mayo rozwija cyfrowe środowisko pracy patologów. Fusion AP łączy przeglądarkę obrazów histopatologicznych z danymi klinicznymi oraz narzędziami AI.

Na platformie dostępnych jest 22,6 mln skanów preparatów patologicznych. Dzięki temu patolog może mieć w jednym środowisku dostęp do aktualnego preparatu i wcześniejszych obrazów oraz powiązanych informacji klinicznych. Platforma ma też pomóc w rozwoju i walidacji kolejnych algorytmów AI w patomorfologii.

Z kolei wspólnie z Bayesian Health powstało rozwiązanie analizujące dane hospitalizowanych pacjentów i pomagające identyfikować osoby, które mogą wcześniej potrzebować konsultacji w zakresie opieki paliatywnej. W przeprowadzonym badaniu klinicznym wykorzystanie AI wiązało się z 44-proc. wzrostem terminowych skierowań do opieki paliatywnej. System jest zintegrowany z elektroniczną dokumentacją medyczną, dzięki czemu informacja o potencjalnej konieczności hospitalizacji trafia bezpośrednio do zespołu lekarzy.

Medycyna precyzyjna, radiologia i predykcja chorób

Razem z Cerebras Mayo pracuje nad modelami wykorzystującymi AI do analizy wariantów genetycznych i danych genomicznych. Celem jest przetestowanie, czy na podstawie informacji genetycznych można dokładniej przewidywać odpowiedź organizmu pacjenta na leczenie. Obecne testy skupiają się na terapiach stosowanych w reumatoidalnym zapaleniu stawów. Na razie model znajduje się w fazie rozwoju i nie jest stosowany u chorych.

Razem z Microsoft Research trwają prace nad multimodalnymi modelami AI do analizy obrazów medycznych. Jednym z badanych zastosowań jest analiza zdjęć rentgenowskich klatki piersiowej. Model ma pomagać w tworzeniu wstępnych opisów badań, sprawdzaniu położenia cewników oraz porównywaniu różnych badań RTG pacjenta.

Z roku na rok rośnie liczba algorytmów predykcyjnych, na przykład do wcześniejszego identyfikowania ryzyka wystąpienia sepsy u pacjentów. Rozwiązanie rozwijane razem z Predicate AI wykorzystuje dane zbierane z urządzeń monitorujących parametry zdrowia pacjentów oraz z elektronicznej dokumentacji medycznej. W codziennej działalności szpitala stosowane są też systemy AI do triażu, zarządzania przepływem pacjentów, prognozowania zapotrzebowania na łóżka czy planowania operacji.

Przykładowo, naukowcy z Mayo Clinic Arizona opracowali model, który na podstawie danych z triażu na SOR przewiduje, czy pacjent nadaje się do pionowej ścieżki postępowania (ang.: vertical processing pathway, VPP), zgodnie z którą pacjent może pozostać w pozycji siedzącej lub stojącej zamiast być kierowany na klasyczne łóżko szpitalne. Model został wytrenowany na danych z 49 350 wizyt na oddziale ratunkowym.

W 2026 roku pojawiła się ciekawa publikacja naukowa ekspertów z Mayo pokazująca działanie modelu, który na etapie przyjęcia na SOR określa, czy pacjent będzie wymagał hospitalizacji. Jest też model do triażu oceniający ryzyko infekcji na podstawie zdjęć ran pooperacyjnych. Pacjent wysyła zdjęcie rany, AI je analizuje, a w przypadku podejrzenia infekcji informowany jest personel medyczny.

AI jest głodne mikroprocesorów

150 modeli AI wymaga odpowiedniej infrastruktury obliczeniowej. Mayo od dawna korzysta z rozwiązań chmurowych. W 2019 roku zawarła 10-letnie partnerstwo z Google opierające się na wykorzystaniu Google Cloud. W czerwcu 2026 ogłoszono współpracę z Microsoftem, której celem jest stworzenie dużego modelu AI dla medycyny. Mowa o uniwersalnym modelu jak ChatGPT albo Claude, ale z przeznaczeniem stricte dla lekarzy. Jak czytamy w komunikacie prasowym, jeśli powstanie, będzie dostępny w chmurze Microsoft Azure.

Ale zgodnie z amerykańskimi przepisami dotyczącymi ochrony danych medycznych HIPAA nie wszystko da się zrobić w chmurze danych. Wiele modeli generatywnej AI i multimodalnych, potrzebujących dużych mocy obliczeniowych, Mayo trenuje lokalnie. Do tego służy nowe centrum danych wykorzystujące mikroprocesory NVIDIA.

Strategia Mayo zakłada samodzielne tworzenie modeli AI. Każdy z nich przechodzi wstępne testy, a następnie badania kliniczne. Jeśli wyniki są obiecujące, trafiają do praktyki klinicznej. Ale często cały proces kończy się publikacją naukową i zaniechaniem dalszego rozwoju projektu. Po zakończeniu etapu wdrożenia, każdy model AI jest monitorowany, aby określić stabilność działania. Dzięki temu Mayo jest dziś czołową jednostką naukową rozwijającą AI dla medycyny na zlecenie instytucji publicznych i sektora prywatnego. Klinika uruchomiła swoją autorską platformę (Mayo Clinic Platform Connect) dla firm, które chcą rozwijać, testować i walidować swoje algorytmy AI na bazie danych klinicznych Mayo i ze wsparciem pracujących tam lekarzy.

Czytaj także: Ranking „smart” szpitali 2026. Zwycięzcy i ich strategie