AI pomogła lekarzom rozwiązać 18 przypadków chorób rzadkich. Najważniejsza była ponowna analiza, a nie automatyczna diagnoza

Model AI pomógł lekarzom znaleźć odpowiedzi w 18 przypadkach chorób rzadkich, które przez lata pozostawały bez rozpoznania. W jednym z nich pacjentka czekała prawie dwie dekady, zanim jej choroba otrzymała nazwę. Badanie przeprowadzili naukowcy z Manton Center for Orphan Disease Research przy Boston Children’s Hospital, Harvard University oraz OpenAI. Zespół przepuścił dane 376 wcześniej nierozwiązanych przypadków przez model OpenAI o3 Deep Research. Po ocenie ekspertów, dodatkowych testach i potwierdzeniu laboratoryjnym lekarze ustalili rozpoznania u 18 pacjentów (OpenAI, 2026; NEJM AI, 2026).

Najważniejszy szczegół dotyczy roli systemu. Model nie stawiał diagnoz klinicznych. Tworzył hipotezy: wskazywał możliwe geny, warianty, wzorce dziedziczenia, powiązania z objawami i literaturę naukową. Następnie lekarze, genetycy kliniczni i inni eksperci oceniali te propozycje według standardowych ram klasyfikacji wariantów. Rozpoznanie liczono dopiero wtedy, gdy wariant uznano za patogenny lub prawdopodobnie patogenny, potwierdzono go w certyfikowanym laboratorium, a zespół kliniczny przekazał wynik rodzinie (OpenAI, 2026).

Wynik badania nie daje podstaw do używania modeli ogólnych do samodzielnej diagnostyki. Daje natomiast mocny argument za innym zastosowaniem: AI jako narzędzie do ponownej, kontrolowanej analizy trudnych przypadków, gdy wiedza medyczna zmieniła się od czasu pierwszych badań.

1. Choroby rzadkie i długi czas bez rozpoznania

Choroby rzadkie są rzadkie pojedynczo, ale częste jako grupa. Boston Children’s Hospital podaje, że istnieje ponad 7 tys. znanych chorób rzadkich, które dotykają około 300 mln osób na świecie. Około 80% chorób rzadkich wiąże się z wariantami genetycznymi. Typowa droga do rozpoznania bywa długa: średnio 5 lat, 3 błędne rozpoznania i 8 lekarzy po drodze (Boston Children’s Hospital, 2026).

W praktyce klinicznej brak diagnozy nie oznacza braku danych. Pacjent może mieć wykonane badanie egzomu albo genomu, opisy objawów, wyniki obrazowania, badania laboratoryjne, informacje rodzinne i dokumentację z wielu konsultacji. Problem polega na tym, że dane są rozproszone, zapisane w różnych formatach, a część wiedzy naukowej pojawia się dopiero po czasie.

Genom pacjenta zwykle się nie zmienia. Zmienia się to, co medycyna potrafi z niego odczytać. Pojawiają się nowe opisy gen–choroba, nowe prace o wariantach, nowe wpisy w bazach, nowe przypadki podobnych pacjentów i nowe metody oceny danych. Wynik uznany kilka lat wcześniej za nierozstrzygający może stać się czytelny po aktualizacji wiedzy.

Tu właśnie pojawia się rola ponownej analizy genomowej. To nie jest powtórzenie tego samego badania w sensie mechanicznym. To ponowne zestawienie objawów, wariantów genetycznych, danych rodzinnych i nowszej literatury. W wielu ośrodkach taki proces jest trudny do prowadzenia regularnie, ponieważ wymaga czasu ekspertów, dostępu do danych, aktualnych baz i bardzo dużej uwagi.

2. Co zrobił zespół z Bostonu, Harvardu i OpenAI

Badacze przygotowali zdeidentyfikowane pakiety danych dla 376 przypadków, które wcześniej przeszły analizę specjalistyczną i pozostały bez rozpoznania. W pakietach znajdowały się między innymi terminy Human Phenotype Ontology opisujące cechy kliniczne pacjenta, okazjonalne notatki kliniczne, wiek, płeć oraz przefiltrowana tabela wariantów genetycznych. Tabela obejmowała rzadkość wariantu, przewidywany wpływ na białko, klasyfikację ClinVar i jakość sygnału w danych rodzinnych. W większości przypadków dostępne były dane dziecka i obojga biologicznych rodziców (OpenAI, 2026).

Model o3 Deep Research miał zaproponować najbardziej prawdopodobne wyjaśnienie molekularne i przedstawić uzasadnienie. To ważne: system miał nie tylko wskazać nazwę genu, lecz także połączyć wariant, fenotyp, wzorzec dziedziczenia i literaturę w ciąg argumentacyjny możliwy do oceny przez człowieka.

Następnie wynik przechodził przez ocenę ekspertów. Co najmniej dwie osoby przeglądały każdą propozycję. Spory rozstrzygano przez konsensus. Do klasyfikacji używano ram ACMG/AMP stosowanych przez laboratoria kliniczne przy ocenie wariantów genetycznych. Sam wynik modelu nie był traktowany jako diagnoza. Rozpoznanie wymagało zgodnej oceny ekspertów, klasyfikacji wariantu jako patogennego albo prawdopodobnie patogennego, potwierdzenia przez laboratorium CLIA oraz zwrócenia wyniku rodzinie przez zespół kliniczny (OpenAI, 2026).

Przed analizą przypadków nierozwiązanych workflow sprawdzono na przypadkach z już znanym rozpoznaniem. W 48 z 51 takich przypadków system odzyskał prawidłowy gen i wariant w dwóch niezależnych uruchomieniach. W grupie 57 przypadków nerwowo-mięśniowych poprawna diagnoza wróciła w 45 przypadkach. W zestawie 15 przypadków z długimi odczytami genomu model wskazał prawidłowy gen w każdym przypadku oraz obie chorobotwórcze allele w 12 przypadkach (OpenAI, 2026).

3. Wynik: 18 diagnoz po latach bez odpowiedzi

Po zastosowaniu workflow do czterech grup pacjentów lekarze uzyskali 18 rozpoznań wśród 376 wcześniej nierozwiązanych przypadków. Daje to dodatkowy uzysk diagnostyczny 4,8% po wcześniejszych analizach specjalistycznych (OpenAI, 2026).

Ten wynik można łatwo przecenić i łatwo zlekceważyć. 18 diagnoz z 376 przypadków nie brzmi jak masowe rozwiązanie problemu chorób rzadkich. W tej populacji jest to jednak wynik istotny, ponieważ chodziło o przypadki już analizowane, często przez wiele zespołów, komercyjne albo instytucjonalne pipeline’y i multidyscyplinarne konsylia (OpenAI, 2026).

W chorobach rzadkich pojedyncza diagnoza ma duże znaczenie. Może zmienić opiekę, zakończyć lata niepewności, umożliwić poradnictwo genetyczne, wskazać ryzyko dla rodzeństwa, otworzyć drogę do badań klinicznych albo po prostu dać rodzinie nazwę zjawiska, które niszczyło życie bez wyjaśnienia.

4. Dlaczego model mógł zobaczyć to, czego wcześniej nie udało się uchwycić

Przyczyna nie sprowadza się do „większej inteligencji” maszyny. Bardziej prawdopodobne są cztery mechanizmy.

Pierwszy: zdolność łączenia rozproszonych elementów. W chorobach rzadkich objaw, wariant i literatura często nie spotykają się w jednym miejscu. Pacjent ma opis kliniczny w jednym systemie, warianty w drugim, wynik testu w trzecim, a aktualne opisy podobnych przypadków w publikacjach i bazach.

Drugi: reanaliza w świetle nowszej wiedzy. Wariant, który kilka lat wcześniej nie miał wystarczającego uzasadnienia, może uzyskać znaczenie po publikacji kolejnych przypadków albo zmianie klasyfikacji w bazach.

Trzeci: systematyczność. Model może konsekwentnie przechodzić przez objawy, warianty, wzorce dziedziczenia i publikacje, nawet gdy liczba możliwych tropów jest bardzo duża. Dla lekarza albo genetyka klinicznego pełna ręczna analiza setek starych spraw jest obciążająca czasowo.

Czwarty: uzasadnienie nadające się do sprawdzenia. W tym badaniu model miał pokazać tok rozumowania, źródła i związek między wariantem a fenotypem. Dzięki temu eksperci mogli ocenić hipotezę, a nie tylko odczytać ranking genów.

5. Przypadek Kyry: diagnoza po prawie dwudziestu latach

Jednym z opisanych przypadków była Kyra. Pierwsze objawy pojawiły się, gdy miała 9 lat. Podczas zajęć karate jej matka zauważyła, że córka nie schodzi już tak nisko w pozycjach jak wcześniej. Potem przyszło spowolnienie na treningach piłki nożnej i chodzenie na palcach. Pediatra nie znalazł wyjaśnienia i skierował ją do specjalisty. Zaczęły się lata badań, leczenia, konsultacji i braku rozpoznania (OpenAI, 2026).

W wieku 13 lat Kyra korzystała już z respiratora i wózka. Jej stan później się ustabilizował, ale choroba zdążyła ułożyć jej życie na swoich warunkach. W badaniu zespół powiązał jej objawy z wariantem przesuwającym ramkę odczytu w genie HSPB8. Rozpoznano postać miopatii miofibrylarnej, choroby, w której nieprawidłowe struktury białkowe gromadzą się we włóknach mięśniowych i przyczyniają się do osłabienia mięśni. Doradca genetyczny z Manton Center zadzwonił do niej mniej więcej tydzień przed jej 28. urodzinami (OpenAI, 2026).

Taka historia dobrze pokazuje sens reanalizy. Dla pacjenta diagnoza po latach nie cofa choroby. Może jednak porządkować opiekę, wyjaśniać przeszłość, zmniejszać chaos informacyjny i pozwalać rodzinie rozmawiać o ryzyku genetycznym w bardziej precyzyjny sposób.

6. Chromosom 22 i trop, którego nie było w danych wejściowych

Jeden z najbardziej interesujących epizodów dotyczył przypadku wczesnej psychozy. Model zauważył wzorzec niskiej jakości sygnałów na chromosomie 22 i połączył go z cechami sercowymi, immunologicznymi, neurorozwojowymi oraz psychiatrycznymi. Na tej podstawie zaproponował delecję 22q11.2, związaną z zespołem DiGeorge’a. Ten wariant nie był podany w danych wejściowych jako gotowa informacja. Dodatkowe sekwencjonowanie potwierdziło hipotezę (OpenAI, 2026).

Ten przykład jest ważny metodologicznie. Model nie ograniczył się do wyboru najwyżej ocenionego wariantu z tabeli. Odczytał nieregularny sygnał jakościowy jako możliwy ślad zdarzenia strukturalnego. W praktyce klinicznej takie zdarzenia bywają trudne do uchwycenia, zwłaszcza gdy pierwsza analiza była projektowana pod inny typ wariantów.

Badacze zaznaczyli jednak, że w pracy nie oceniono systematycznie wszystkich klas zmian genetycznych, takich jak warianty strukturalne, ekspansje powtórzeń, głębokie warianty intronowe czy mozaicyzm. Ten przypadek jest więc dowodem możliwości w pojedynczej sytuacji, a nie gwarancją stałej czułości dla takich zdarzeń (OpenAI, 2026).

7. S1PR1 i bielactwo: hipoteza do zbadania

Model zaproponował także nową, biologicznie spójną hipotezę dotyczącą bielactwa. W jednym z przypadków neurorozwojowych wskazał delecję 11 aminokwasów w genie S1PR1. Gen ten koduje receptor powierzchniowy zaangażowany w sygnalizację, migrację komórek odpornościowych i biologię tkanek. Model połączył informacje sugerujące, że delecja mogłaby zmieniać strukturę receptora i sygnalizację w sposób wpływający na produkcję pigmentu oraz utrzymywanie się komórek odpornościowych w skórze (OpenAI, 2026).

Autorzy traktują ten trop jako hipotezę wymagającą dalszej walidacji eksperymentalnej. To odrębny rodzaj wartości. AI może pomagać nie tylko w zamykaniu starych spraw diagnostycznych, ale również w tworzeniu pytań badawczych, które da się testować biologicznie.

W naukach biomedycznych dobra hipoteza ma konkretną postać: gen, wariant, mechanizm, przewidywalny efekt i sposób sprawdzenia. Jeżeli model potrafi łączyć dane z genetyki, immunologii, struktury białka i fenotypu pacjenta w taki format, staje się narzędziem przydatnym dla zespołów badawczych.

8. Dlaczego poziom pewności modelu miał znaczenie, ale nie zastępował dowodu

W przypadkach z wcześniej znanym rozpoznaniem samoocena pewności modelu korelowała z poprawnością. Średni minimalny wynik pewności dla konsekwentnie prawidłowych wskazań wynosił 85,6, a dla błędnych albo nierozstrzygniętych 42,1. Autorzy podkreślili, że nie były to skalibrowane prawdopodobieństwa i nie używano ich jako zamiennika dowodu klinicznego. Pomagały jednak kierować uwagę ekspertów na najbardziej obiecujące tropy (OpenAI, 2026).

To bardzo praktyczna obserwacja. W reanalizie rzadkich chorób problemem nie jest brak możliwych hipotez, lecz ich nadmiar. Każdy genom może zawierać tysiące albo miliony wariantów. Czas ekspertów jest ograniczony. System, który potrafi wskazać najbardziej obiecujące kandydatury i uzasadnić ich znaczenie, może zmniejszyć ręczny wysiłek związany z powrotem do dawnych spraw.

Samoocena modelu wymaga jednak ostrożności. Modele językowe potrafią przedstawiać błędne wyjaśnienia w przekonującej formie. Dlatego w badaniu każdy wynik przechodził ludzką ocenę i potwierdzenie laboratoryjne. W medycynie pewność retoryczna nie może zastąpić walidacji.

9. Co było największą innowacją organizacyjną

Najciekawszym elementem badania nie jest sam model. Bardziej istotny jest proces, w którym model działał. Zespół połączył: uporządkowany opis fenotypu, dane wariantów, nowszą literaturę, klasyfikację według ACMG/AMP, ocenę co najmniej dwóch ekspertów, konsensus, potwierdzenie laboratoryjne i kontakt z rodziną.

To jest wzór zastosowania AI w medycynie wysokiego ryzyka: system tworzy hipotezy, ludzie oceniają dowody, laboratorium potwierdza wynik, klinicyści decydują, co przekazać pacjentowi. AI przyspiesza pracę poznawczą, ale nie przejmuje odpowiedzialności klinicznej.

Taki model pracy jest szczególnie sensowny w chorobach rzadkich, ponieważ wiedza jest rozproszona, przypadki są nietypowe, a eksperci nie mogą pamiętać tysięcy jednostek chorobowych i stale aktualizowanych wariantów. Alan Beggs, dyrektor Manton Center, ujął to prosto: badacze nie są w stanie trzymać w głowie 8 tys. różnych chorób. Tu pojawia się siła AI jako narzędzia do przeszukiwania i łączenia wiedzy (OpenAI, 2026).

10. Ograniczenia badania

Badanie miało charakter retrospektywny. Analizowano stare przypadki, a nie pacjentów prowadzonych w czasie rzeczywistym. Kohorty były zróżnicowane. Recenzenci widzieli deklarowany przez model poziom pewności, więc ocena nie była zaślepiona pod tym względem. Autorzy nie mierzyli czasu oszczędzonego przez lekarzy, kosztu procesu, liczby fałszywych tropów, obciążenia ekspertów ani wpływu na dalszą opiekę (OpenAI, 2026).

Brakowało też systematycznej oceny niektórych typów zmienności genetycznej: wariantów strukturalnych, ekspansji powtórzeń, głębokich zmian intronowych i mozaicyzmu. W praktyce klinicznej właśnie takie klasy wariantów potrafią odpowiadać za część przypadków bez rozpoznania.

Autorzy jasno stwierdzili, że badanie nie stanowi dowodu, iż pacjenci, lekarze albo klienci powinni używać modeli OpenAI do diagnozowania chorób albo podejmowania decyzji medycznych. Model nie diagnozował żadnego uczestnika. Rozpoznania stawiali lekarze i eksperci po przejściu przez ustalone procesy weryfikacji, testowania i potwierdzenia klinicznego (OpenAI, 2026).

11. Co ten wynik zmienia dla medycyny

Najbardziej prawdopodobny wpływ takich narzędzi dotyczy reanalizy przypadków nierozwiązanych. W wielu systemach ochrony zdrowia istnieją tysiące pacjentów po badaniach genetycznych bez jednoznacznej odpowiedzi. Ich dane leżą w archiwach, bazach laboratoryjnych, dokumentacji szpitalnej albo systemach badawczych. Wiedza genetyczna idzie dalej, ale pacjent często nie wraca automatycznie na ścieżkę diagnostyczną.

AI może pomóc stworzyć procedurę okresowego powrotu do takich przypadków. System mógłby cyklicznie sprawdzać, czy pojawiły się nowe związki gen–choroba, nowe klasyfikacje wariantów, publikacje o podobnym fenotypie albo sygnały wymagające innego typu badania. Następnie eksperci ocenialiby listę najbardziej obiecujących spraw.

Taki proces może być cenniejszy niż jednorazowe użycie AI przy nowym pacjencie. W chorobach rzadkich diagnoza często wymaga czasu, aktualizacji wiedzy i powrotu do danych. Model dobrze pasuje do pracy utrzymaniowej: pilnowania, aby dawne pytania nie wypadały z pola widzenia medycyny tylko dlatego, że pierwsza odpowiedź była nierozstrzygająca.

12. Co to znaczy dla pacjentów

Dla pacjentów i rodzin najważniejsza jest możliwość skrócenia odysei diagnostycznej. Brak rozpoznania obciąża medycznie, psychicznie i organizacyjnie. Rodzina nie wie, czego się spodziewać, jakie jest ryzyko dla kolejnych dzieci, czy istnieje leczenie przyczynowe, czy objawy należą do jednego zespołu, czy do kilku niezależnych problemów.

Diagnoza nie zawsze daje terapię. Może jednak dać porządek. Daje język do rozmowy z lekarzami, genetykiem, szkołą, ubezpieczycielem, rodziną i grupami pacjenckimi. Daje też możliwość wejścia do rejestru, badania naturalnego przebiegu choroby, programu lekowego albo badania klinicznego.

W tym sensie 18 diagnoz to 18 rodzin, które przeszły z niejasności do określonego rozpoznania. W medycynie rzadkich chorób taka różnica jest bardzo duża.

13. Co to znaczy dla lekarzy i genetyków klinicznych

Dla lekarzy ten wynik nie jest zapowiedzią zastąpienia ekspertów. Raczej wskazuje na przesunięcie pracy eksperta w stronę kontroli jakości hipotez. Model może przeglądać dużą liczbę tropów, ale człowiek musi ocenić, czy trop jest biologicznie wiarygodny, klinicznie zgodny, laboratoryjnie potwierdzalny i etycznie gotowy do zwrotu rodzinie.

Genetyk kliniczny będzie potrzebował narzędzi do oceny pracy modelu: śladów źródeł, historii wersji, audytu promptów, listy użytych baz, oceny jakości danych, informacji o niepewności i łatwego sposobu odrzucania błędnych propozycji. Bez tego AI zwiększy liczbę hipotez, ale niekoniecznie zwiększy liczbę dobrych rozpoznań.

W dobrze zaprojektowanym workflow AI może odciążyć specjalistów z części pracy przeszukującej, a zostawić im to, co wymaga odpowiedzialności: ocenę znaczenia klinicznego, kontakt z rodziną, interpretację ryzyka i decyzję o dalszym postępowaniu.

14. Co musi się stać przed wejściem do praktyki klinicznej

Autorzy wskazują potrzebę prospektywnych, wieloośrodkowych badań. Powinny one porównywać reanalizę wspieraną przez LLM ze standardową praktyką pod względem uzysku diagnostycznego, czasu do wskazania kandydata, wysiłku klinicystów, liczby fałszywych tropów, kosztu i wpływu na opiekę (OpenAI, 2026).

Potrzebne będą też wersjonowane prompty, sprawdzanie źródeł, dzienniki audytu i lepiej skalibrowana niepewność. Każda zmiana modelu może zmieniać wynik. W medycynie nie można traktować aktualizacji systemu jak kosmetycznej poprawki interfejsu. Zmiana modelu może oznaczać zmianę rekomendacji, priorytetów wariantów i sposobu uzasadniania.

Wdrożenie wymaga również ochrony prywatności. Dane genomowe i fenotypowe należą do najbardziej wrażliwych danych medycznych. Badanie używało informacji zdeidentyfikowanych, bez przekazywania chronionych danych zdrowotnych poza zatwierdzone środowiska. Szersze użycie kliniczne wymagałoby zgodności z lokalnym prawem, kontrolą dostępu, bezpieczeństwem, możliwością audytu i jasną odpowiedzialnością ośrodka.

15. Dlaczego to badanie jest ważne mimo małej liczby rozpoznań

Wynik 4,8% może wydawać się umiarkowany. W populacji pacjentów po latach wcześniejszych analiz jest to wynik mocny. Siedem z osiemnastu diagnoz było „ponownym odkryciem”: rozpoznania ustalono gdzie indziej, ale nie było ich w lokalnym zestawie danych przeglądanym przez zespół. To wskazuje na problem operacyjny: medycyna często posiada odpowiedź, ale odpowiedź nie trafia do właściwego miejsca w odpowiednim czasie (OpenAI, 2026).

AI może pomóc także w tym obszarze. Choroby rzadkie są problemem biologicznym, ale również informacyjnym. Dane pacjenta, wyniki badań, literatura, klasyfikacje wariantów i wiedza kliniczna muszą zostać połączone w jednym momencie pracy. Gdy jeden z elementów jest poza zasięgiem, diagnoza może pozostać niewidoczna przez lata.

Model w tym badaniu działał jak warstwa łącząca: nie produkował prawdy klinicznej, ale wskazywał miejsca, gdzie prawda mogła już być dostępna w danych.

16. Następny etap

Manton Center ma prowadzić kolejną fazę prac dzięki grantowi OpenAI Foundation. Celem jest niskokosztowy, niezależny od konkretnej platformy copilot genetyczny, który pomoże zespołom klinicznym analizować przypadki chorób rzadkich szybciej i bardziej konsekwentnie, niezależnie od tego, który system AI będzie działał pod spodem (OpenAI, 2026).

To podejście jest rozsądne. Medycyna nie powinna uzależniać reanalizy genetycznej od jednego modelu, jednego dostawcy albo jednego interfejsu. Ważniejsza jest architektura procesu: kontrolowane dane, porównywalne wyniki, audyt, ocena ekspertów, potwierdzenie laboratoryjne i możliwość przeniesienia workflow między ośrodkami.

Jeżeli takie narzędzia mają działać szeroko, muszą być dostępne także dla zespołów bez dużych budżetów technologicznych. Choroby rzadkie nie powinny być diagnozowane szybciej wyłącznie tam, gdzie szpital ma własny dział AI i wielu informatyków klinicznych.

Wniosek

Badanie z Boston Children’s Hospital, Harvardu i OpenAI pokazuje, że AI może pomóc w jednym z najtrudniejszych miejsc medycyny: w powrocie do spraw, które kiedyś uznano za nierozwiązane. Model o3 Deep Research nie zastąpił lekarzy, genetyków ani laboratoriów. Pomógł im znaleźć tropy w danych, objawach, wariantach i literaturze.

Najważniejsza lekcja brzmi: w chorobach rzadkich diagnoza jest procesem aktualizowanym w czasie. Dawny wynik nierozstrzygający nie musi pozostać nierozstrzygający na zawsze. Gdy wiedza naukowa się zmienia, stare dane mogą zyskać nowe znaczenie.

AI może stać się narzędziem pamięci medycyny: systemem, który wraca do dawnych pytań, gdy pojawiają się nowe dane, nowe publikacje i nowe powiązania genetyczne. Warunek jest jasny: diagnozę nadal stawia człowiek, a wynik musi przejść przez ekspertów, laboratorium i odpowiedzialny kontakt kliniczny z rodziną.

Źródła

Boston Children’s Hospital. (2026). CRDC Rare Diseases: Rare diseases at a glance.

Boston Children’s Hospital. (2026). The Manton Center for Orphan Disease Research.

NEJM AI. (2026). Study on AI-assisted genomic reanalysis for rare disease diagnosis. Published June 18, 2026.

OpenAI. (2026). Using AI to help physicians diagnose rare genetic diseases affecting children.

Rockowitz, S. i in. (2026). Scaling genomic reanalysis to unlock diagnoses and transform rare disease care. Human Genetics and Genomics Advances.

ACMG/AMP. (2015). Standards and guidelines for the interpretation of sequence variants.