21/04/2026
Zespół Centrum Leczenia Przepuklin Profesora Śmietańskiego opublikował nową pracę naukową poświęconą jednemu z najważniejszych pytań współczesnej medycyny: czy duże modele językowe, takie jak GPT, mogą realnie wspierać proces tworzenia wytycznych klinicznych?
Artykuł zatytułowany „Lessons Learned From AI-Assisted Guideline Generation in Parastomal Hernia Repair” ukazał się w Journal of Abdominal Wall Surgery. Autorami pracy są Maciej Śmietański, Mateusz Zamkowski oraz Krzysztof Tyszka. Projekt powstał w Centrum Leczenia Przepuklin Profesora Śmietańskiego we współpracy z naukowcami z Uniwersytetu Warszawskiego, co szczególnie podkreśla interdyscyplinarny charakter tego badania.
To właśnie takie prace — na styku chirurgii, metodologii badań klinicznych, sztucznej inteligencji i nauk ścisłych — stają się dziś niezwykle istotne. Medycyna nie rozwija się już wyłącznie w obrębie jednej specjalizacji. Coraz częściej przełomowe pytania rodzą się tam, gdzie spotykają się doświadczenie kliniczne, analiza danych, modelowanie, informatyka i krytyczne myślenie o sposobie tworzenia wiedzy naukowej.
W naszej pracy sprawdziliśmy, czy publicznie dostępny model GPT, mając dostęp do zamkniętej, wcześniej zdefiniowanej bazy publikacji naukowych, jest w stanie stworzyć rekomendacje kliniczne dotyczące leczenia przepuklin okołostomijnych. Punktem odniesienia były wytyczne European Hernia Society z 2017 roku. Model otrzymał 52 pełnotekstowe prace kliniczne oraz metodologiczne ramy AGREE II i GRADE, a następnie został poproszony o przygotowanie rekomendacji dla dziewięciu kluczowych pytań klinicznych.
Wyniki okazały się bardzo interesujące. Rekomendacje wygenerowane przez sztuczną inteligencję były w większości obszarów zgodne lub prawie zgodne z wytycznymi ekspertów EHS. Dotyczyło to między innymi diagnostyki przepuklin okołostomijnych, stosowania siatki profilaktycznej przy wytwarzaniu kolostomii końcowej, odradzania naprawy wyłącznie szwami, preferencji dla technik laparoskopowych bez centralnego otworu w siatce oraz przewagi siatek syntetycznych nad biologicznymi w wielu sytuacjach klinicznych.
Najciekawsze różnice pojawiły się tam, gdzie jakość dowodów była bardzo niska. W takich sytuacjach panel ekspertów często wybierał ostrożne stanowisko: „brak rekomendacji”. Model językowy częściej natomiast proponował słabe, warunkowe zalecenia — na przykład obserwację u pacjentów bezobjawowych, rozważenie laparoskopii u odpowiednio dobranych chorych lub preferowanie określonych pozycji siatki, jeżeli dostępne dane sugerowały lepsze wyniki.
To ważna obserwacja. Sztuczna inteligencja nie „odkryła” nowych faktów klinicznych i nie zastąpiła ekspertów. Pokazała jednak, że potrafi uporządkować literaturę, zbudować logiczny tok rozumowania, wskazać poziom pewności dowodów i zaproponować strukturę rekomendacji. Innymi słowy: AI może być bardzo sprawnym narzędziem metodologicznym, ale ostateczna odpowiedzialność za decyzje kliniczne, interpretację danych i kształt zaleceń nadal musi pozostać po stronie człowieka.
Czy to nowy rozdział w tworzeniu wytycznych? Naszym zdaniem — tak.
Nie dlatego, że sztuczna inteligencja ma zastąpić chirurgów, ekspertów czy towarzystwa naukowe. Przeciwnie: nasza praca pokazuje, że rola człowieka staje się jeszcze ważniejsza. Zmienia się jednak miejsce, w którym potrzebna jest ludzka praca. Mniej wartościowe będzie mechaniczne streszczanie literatury. Znacznie ważniejsze staną się: jakość pytania badawczego, dobór źródeł, krytyczna ocena danych, interpretacja wyników, rozumienie kontekstu klinicznego oraz odpowiedzialność za rekomendacje.
Ta publikacja dotyka również szerszego problemu akademickiego. Jeżeli duże modele językowe są w stanie w kilkanaście minut przygotować szkic przeglądu systematycznego, metaanalizy lub projektu rekomendacji — oczywiście pod warunkiem dostępu do baz danych i pełnych tekstów publikacji — to musimy zadać niewygodne pytanie: jak traktować prace, które do tej pory bywały jednym z głównych paliw akademickich awansów?
Nie oznacza to końca przeglądów systematycznych ani metaanaliz. Oznacza raczej koniec traktowania ich jako prostego dowodu „produktywności naukowej”, jeśli sprowadzają się jedynie do technicznego zebrania i opisania dostępnych danych. W świecie AI większe znaczenie będzie miało to, kto potrafi zadać właściwe pytanie, kto rozumie ograniczenia danych, kto umie zweryfikować odpowiedź modelu i kto bierze odpowiedzialność za wnioski.
Dla Centrum Leczenia Przepuklin Profesora Śmietańskiego ta praca jest ważna z dwóch powodów. Po pierwsze, dotyczy realnego problemu klinicznego — przepuklin okołostomijnych, które pozostają jednym z trudniejszych obszarów chirurgii przepuklin. Po drugie, pokazuje, że o przyszłości medycyny trzeba rozmawiać nie tylko w kategoriach nowych technik operacyjnych, ale także nowych sposobów tworzenia wiedzy, wytycznych i rekomendacji.
Współpraca z Uniwersytetem Warszawskim była tu szczególnie cenna, ponieważ pozwoliła spojrzeć na problem szerzej niż tylko z perspektywy chirurgicznej. Takie połączenie doświadczenia klinicznego z naukami ścisłymi i sztuczną inteligencją może w najbliższych latach stać się jednym z najważniejszych kierunków rozwoju medycyny opartej na dowodach.
Nasza publikacja nie daje prostej odpowiedzi, czy AI powinna pisać wytyczne. Pokazuje natomiast, że AI już dziś potrafi uczestniczyć w ich przygotowaniu — jako narzędzie porządkujące wiedzę, ujawniające luki w dowodach i przyspieszające pracę ekspertów.
A to oznacza, że pytanie nie brzmi już: czy sztuczna inteligencja wejdzie do świata nauki i medycyny?
Ona już tam jest.
Pytanie brzmi: czy potrafimy stworzyć taki system naukowy, w którym AI nie będzie produkować kolejnych tekstów dla punktów i awansów, ale pomoże tworzyć lepsze, bardziej aktualne i bardziej odpowiedzialne rekomendacje dla pacjentów?
https://www.frontierspartnerships.org/journals/journal-of-abdominal-wall-surgery/articles/10.3389/jaws.2026.15992/full