26/01/2026
Choroby neurodegeneracyjne stanowią jedno z największych wyzwań współczesnej medycyny. Według danych Światowej Organizacji Zdrowia, schorzenia takie jak choroba Alzheimera, Parkinsona czy stwardnienie zanikowe boczne (ALS) dotykają obecnie ponad 50 milionów ludzi na świecie, a prognozy wskazują, że do 2050 roku liczba ta może wzrosnąć trzykrotnie. W obliczu tego globalnego problemu coraz głośniej mówi się o potencjale sztucznej inteligencji w profilaktyce tych wyniszczających schorzeń. Czy AI rzeczywiście może zmienić oblicze walki z neurodegeneracją?
Problem opóźnionej diagnostyki
Jednym z fundamentalnych wyzwań w leczeniu chorób neurodegeneracyjnych jest fakt, że pierwsze objawy kliniczne pojawiają się często wtedy, gdy w mózgu doszło już do znacznych, nieodwracalnych zmian. W przypadku choroby Alzheimera szacuje się, że zanim pacjent trafi do lekarza z wyraźnymi zaburzeniami pamięci, w jego mózgu zginęło już nawet 30-40% neuronów w kluczowych obszarach. To sprawia, że nawet najnowsze terapie mają ograniczoną skuteczność.
– Stoimy przed fundamentalnym pytaniem: czy możemy wykrywać choroby neurodegeneracyjne zanim staną się nieodwracalne? Tradycyjne metody diagnostyczne mają swoje ograniczenia – są kosztowne, czasochłonne i często wykrywają zmiany dopiero w zaawansowanym stadium. Sztuczna inteligencja może potencjalnie przesunąć moment rozpoznania o wiele lat wstecz, do fazy przedklinicznej, gdy interwencja ma jeszcze realną szansę powodzenia – wyjaśnia dr Agnieszka Zakrzeska z Instytutu Badawczego Innowacyjno Rozwojowego Biotomed w Białymstoku.
Możliwości analizy wielowymiarowej
Sztuczną inteligencję, a konkretnie algorytmy uczenia maszynowego i głębokiego uczenia, wyróżnia zdolność do przetwarzania i analizowania ogromnych ilości złożonych danych jednocześnie. W kontekście chorób neurodegeneracyjnych oznacza to możliwość integracji informacji z wielu różnych źródeł: obrazowania medycznego (rezonans magnetyczny, tomografia emisyjna pozytronów), badań genetycznych, analizy biomarkerów w płynie mózgowo-rdzeniowym, testów neuropsychologicznych, a nawet danych z urządzeń noszonych na ciele.
Systemy AI mogą wykrywać subtelne wzorce i korelacje między tysiącami parametrów – wzorce, które są zbyt złożone lub nieuchwytne dla ludzkiego oka i tradycyjnych metod zarówno diagnostycznych jak i testów statystycznych. Na przykład, algorytmy potrafią identyfikować mikroskopijne zmiany w strukturze mózgu widoczne na MRI, które poprzedzają o lata pojawienie się objawów klinicznych.
– Kluczowa jest tutaj wielowymiarowość analizy. Pojedynczy test czy biomarker rzadko daje jednoznaczną odpowiedź. Natomiast gdy połączymy dziesiątki różnych parametrów – od genetyki, przez obrazowanie, po analizę zachowania – i przeanalizujemy je za pomocą zaawansowanych algorytmów, możemy stworzyć znacznie bardziej precyzyjny obraz indywidualnego ryzyka. To jest potencjał, którego wcześniej nie mieliśmy – podkreśla dr Zakrzeska.
Monitorowanie cyfrowe i wczesne sygnały
Coraz większą rolę w profilaktyce mogą odgrywać dane z urządzeń cyfrowych używanych na co dzień. Smartfony, smartwatche, czujniki aktywności – wszystkie te urządzenia generują dane, które mogą być analizowane pod kątem wczesnych oznak neurodegeneracji. Zmiany w sposobie chodzenia, zakłócenia wzorców snu, spowolnienie czasu reakcji, zmiany w mowie czy sposobie pisania – te subtelne symptomy, często niezauważalne dla samego pacjenta czy jego bliskich, mogą być wychwytywane przez algorytmy AI.
Pojawia się pytanie: czy jesteśmy gotowi jako społeczeństwo, na zmianę kiedy to urządzenia codziennie używane monitorują nasze zdrowie neurologiczne? Czy takie rozwiązania będą powszechnie dostępne, czy staną się przywilejem zamożniejszych?
Wyzwania etyczne i praktyczne
Mimo ogromnego potencjału, droga do szerokiego zastosowania AI w profilaktyce chorób neurodegeneracyjnych wiąże się z licznymi wyzwaniami. Po pierwsze, algorytmy uczenia maszynowego wymagają ogromnych zbiorów wysokiej jakości danych medycznych do trenowania – danych, które muszą być reprezentatywne dla różnych populacji, grup etnicznych i wiekowych.
Po drugie, pozostaje pytanie o dokładność i wiarygodność predykcji. Jak pewni możemy być, że algorytm prawidłowo identyfikuje osoby w grupie ryzyka? Jakie są konsekwencje fałszywie pozytywnych wyników – niepotrzebnego niepokoju pacjentów, którzy nigdy nie rozwiną choroby? A co z fałszywie negatywnymi – czy osoby uznane za "bezpieczne" mogą opóźnić niezbędne badania kontrolne?
– Nie możemy zapominać o wymiarze etycznym. Jeśli AI wskaże, że ktoś ma wysokie ryzyko rozwoju choroby Alzheimera za 10 lat, co z tą wiedzą powinniśmy zrobić? Jak to wpłynie na życie tej osoby, jej decyzje zawodowe, rodzinne, finansowe? Czy systemy ubezpieczeniowe będą miały dostęp do takich informacji? To są pytania, na które jako społeczeństwo musimy znaleźć odpowiedzi – zauważa dr Zakrzeska.
Od wykrywania do działania
Fundamentalne pytanie dotyczy jednak tego, co możemy zaoferować osobom zidentyfikowanym jako będące w grupie wysokiego ryzyka. Wczesna diagnostyka ma sens tylko wtedy, gdy mamy do dyspozycji skuteczne interwencje profilaktyczne. Czy obecnie dysponujemy wystarczająco skutecznymi metodami zapobiegania chorobom neurodegeneracyjnym?
Badania sugerują, że modyfikacja stylu życia – dieta, aktywność fizyczna, trening poznawczy, kontrola czynników ryzyka sercowo-naczyniowego – może istotnie wpływać na ryzyko rozwoju demencji. Niektóre terapie farmakologiczne pokazują również obiecujące wyniki w opóźnianiu progresji choroby we wczesnych stadiach. Jednak potrzebujemy znacznie więcej badań klinicznych, aby określić, które interwencje są naprawdę skuteczne u osób bezobjawowych z podwyższonym ryzykiem.
