W 2025 roku Google opublikowało wyniki badania, w którym ich medyczny system AI — AMIE (Video) — przeprowadził rzeczywiste wideo-konsultacje z wyszkolonymi aktorami pacjentów i uzyskał oceny porównywalne z lekarzami pierwszego kontaktu. To nie jest chatbot odpowiadający na pytania o leki — to system prowadzący pełną rozmowę kliniczną: słucha, obserwuje, rozumuje i stawia diagnozy. Dla środowiska medycznego i technologicznego to moment, który trudno zbagatelizować.
Czym jest AMIE i co odróżnia go od wcześniejszych medycznych systemów AI?
AMIE (Articulate Medical Intelligence Explorer) to eksperymentalny system AI opracowany przez Google Research, zaprojektowany z myślą o prowadzeniu pełnych konsultacji klinicznych — nie tylko odpowiadaniu na pytania medyczne w formie tekstowej. W badaniu opublikowanym w 2025 roku system po raz pierwszy działał w trybie wideo w czasie rzeczywistym, co stanowi jakościowy skok względem wcześniejszych iteracji opartych wyłącznie na tekście.
Wcześniejsze medyczne systemy AI — jak pierwsze wersje AMIE czy modele diagnostyczne IBM Watson Health — operowały głównie na danych tekstowych: historii choroby, wynikach badań, notatkach klinicznych. Wideo-AMIE wchodzi w interakcję z pacjentem dokładnie tak, jak robi to lekarz podczas teleporady: widzi twarz rozmówcy, słyszy intonację głosu, obserwuje sygnały niewerbalne.
Badanie objęło 15 wyszkolonych aktorów odgrywających scenariusze z pięciu układów: sercowo-płucnego, brzusznego, głowy i szyi (HEENT), neurologiczno-psychiatrycznego oraz mięśniowo-szkieletowego. Oceny wystawiał niezależny panel złożony z 20 doświadczonych lekarzy pierwszego kontaktu, stosujących ustandaryzowane kryteria kliniczne.
Jak działa architektura wieloagentowa AMIE (Video)?
System AMIE (Video) nie działa jako jeden monolityczny model — Google zaprojektował go jako asynchroniczną architekturę wieloagentową, w której trzy wyspecjalizowane agenty działają równolegle, każdy odpowiedzialny za inny aspekt konsultacji.
Agent konwersacyjny (Talker)
Agent konwersacyjny prowadzi bezpośrednią rozmowę z pacjentem. Jego głównym zadaniem jest utrzymanie naturalnego rytmu dialogu — odpowiada płynnie, bez długich przerw, które mogłyby zakłócić poczucie bezpieczeństwa i zaufanie pacjenta. Nie czeka na zakończenie pracy pozostałych agentów, lecz korzysta z ich wyników na bieżąco, gdy są dostępne.
Agent planowania (Planner)
Agent planowania działa w tle przez cały czas trwania konsultacji. Aktualizuje listę diagnoz różnicowych, identyfikuje brakujące informacje kliniczne i na bieżąco reorganizuje priorytety rozmowy. Jego zadaniem jest to, co lekarz robi mentalnie — ciągłe weryfikowanie hipotez i planowanie kolejnych kroków.
Agent percepcji (Perception)
Agent percepcji analizuje nieprzerwanie strumienie wideo i audio. Identyfikuje sygnały niewerbalne — mimikę, postawę ciała, ruchy — oraz dźwiękowe wskazówki kliniczne, takie jak charakter oddechu czy kaszel. Każdą obserwację umieszcza w kontekście klinicznym trwającej rozmowy.
Google wyjaśnia, że rozdzielenie tych funkcji na trzy agenty wynika z ograniczeń obecnych modeli: żaden pojedynczy model nie jest w stanie jednocześnie prowadzić naturalnej rozmowy, wykonywać szczegółowego rozumowania klinicznego i przetwarzać ciągłego strumienia wideo — bez akceptowalnych opóźnień. Architektura wieloagentowa to pragmatyczne rozwiązanie problemu latencji, który w medycynie ma realny wymiar: zbyt długie pauzy niszczą relację terapeutyczną.
Redakcja IWD Partner: Architektura trzech agentów przypomina coś, co w psychologii poznawczej nazywamy „dual process theory” — szybkie, intuicyjne reagowanie versus wolne, analityczne myślenie. Google po prostu zmaterializował tę dualność w kodzie, dodając jeszcze trzeci wymiar percepcji. Pytanie, które warto postawić: czy system, który naśladuje strukturę ludzkiego myślenia, będzie na dłuższą metę bardziej odporny na błędy diagnostyczne niż jeden superinteligentny model? To nie jest kwestia akademicka — to decyzja architektoniczna z bezpośrednimi konsekwencjami dla bezpieczeństwa pacjentów.
Co wykazało porównanie AMIE z lekarzami pierwszego kontaktu?
Badanie zostało zaprojektowane jako wieloramienne, randomizowane badanie porównawcze (multi-arm randomised study), w którym wzięły udział trzy grupy: AMIE (Video), AMIE (Text) oraz 10 certyfikowanych lekarzy pierwszego kontaktu korzystających z tego samego interfejsu wideo. Wszyscy uczestnicy pracowali z identycznym zestawem 15 scenariuszy klinicznych.
Panel 20 niezależnych lekarzy oceniał każdą konsultację według ustandaryzowanych rubryk klinicznych, obejmujących ogólne kompetencje kliniczne oraz kryteria specyficzne dla danego scenariusza. Oceny dotyczyły czterech głównych obszarów: dokładności zbierania wywiadu, trafności diagnozy, adekwatności planu leczenia i jakości komunikacji z pacjentem.
Wyniki opublikowane przez Google Research w 2025 roku wskazują, że AMIE (Video) uzyskał oceny porównywalne z grupą lekarzy we wszystkich czterech obszarach. Co więcej, w dwóch kategoriach — identyfikacji objawów fizykalnych i proaktywnym zadawaniu pytań klinicznych — system wideo wypadł lepiej niż jego tekstowy odpowiednik, AMIE (Text). Automatyczne ewaluacje potwierdziły, że każdy z trzech agentów osobno wnosił mierzalną poprawę w co najmniej jednym wymiarze klinicznym.
| Kryterium oceny | AMIE (Video) | AMIE (Text) | Lekarze PCP |
|---|---|---|---|
| Dokładność wywiadu | Porównywalny | Porównywalny | Punkt odniesienia |
| Trafność diagnozy | Porównywalny | Porównywalny | Punkt odniesienia |
| Plan leczenia | Porównywalny | Porównywalny | Punkt odniesienia |
| Identyfikacja objawów fizykalnych | Lepszy niż Text | Bazowy | Punkt odniesienia |
| Komunikacja z pacjentem | Porównywalny | Niższy | Punkt odniesienia |
Jakie są ograniczenia badania i co musi się stać, zanim AMIE trafi do kliniki?
Google jednoznacznie zaznacza, że wyniki obecnego badania nie upoważniają do wyciągania wniosków na temat zastosowania klinicznego systemu. Wszystkie 15 sesji przeprowadzono z wyszkolonymi aktorami — nie z prawdziwymi pacjentami opisującymi własne dolegliwości. To fundamentalna różnica: aktor odgrywa scenariusz, pacjent przeżywa chorobę.
Przed jakimkolwiek wdrożeniem klinicznym Google wskazuje na konieczność przeprowadzenia badań z udziałem rzeczywistych pacjentów i ich własnych stanów zdrowia. Aktorzy, choć profesjonalnie wyszkoleni, nie są w stanie w pełni odwzorować niespójności, emocji i złożoności narracyjnej, z którą lekarze mierzą się na co dzień w gabinecie.
Według wstępnych danych z 2025 roku, badanie nie obejmowało również oceny systemu w sytuacjach nagłych, rzadkich jednostkach chorobowych ani scenariuszach wymagających natychmiastowej decyzji o hospitalizacji. Są to obszary, w których każdy błąd AI mógłby mieć bezpośrednie konsekwencje dla zdrowia i życia pacjenta — dlatego redakcja IWD Partner traktuje obecne wyniki jako obiecujący punkt wyjścia, a nie dowód gotowości klinicznej systemu.
Dlaczego AMIE (Video) ma znaczenie dla przyszłości medycyny i AI?
Systemy AI zdolne do prowadzenia pełnych konsultacji wideo mogą w perspektywie dekady zmienić dostęp do podstawowej opieki medycznej w regionach deficytowych kadrowo. Według danych Światowej Organizacji Zdrowia (WHO) z 2023 roku, niedobór pracowników służby zdrowia na świecie wynosi 10 milionów osób i do 2030 roku może wzrosnąć. Technologia AI zdolna do wstępnej oceny klinicznej mogłaby częściowo łagodzić ten problem — ale tylko pod warunkiem rygorystycznej weryfikacji klinicznej.
Badanie Google Research z 2025 roku jest pierwszym publicznie opisanym przypadkiem, w którym system AI oceniany był według tych samych kryteriów co lekarze — w czasie rzeczywistym, w trybie wideo, na ustandaryzowanych scenariuszach klinicznych. To ustanawia nowy punkt odniesienia metodologiczny dla całej branży: nie chodzi już tylko o to, czy AI „wie” odpowiedź, ale czy potrafi ją uzyskać w rozmowie z człowiekiem.
Architektura wieloagentowa AMIE może też mieć znaczenie poza medycyną — wszędzie tam, gdzie system AI musi jednocześnie rozmawiać, analizować i percypować środowisko w czasie rzeczywistym. Robotyka, edukacja, wsparcie psychologiczne online — to potencjalne obszary transferu tej technologii, jeśli wyniki badań z prawdziwymi pacjentami okażą się równie obiecujące.
Powiązane pojęcia z AI i uczenia maszynowego
- Architektura wieloagentowa — podejście do projektowania systemów AI, w którym wiele wyspecjalizowanych modeli działa równolegle i współdzieli informacje, zamiast jednego modelu obsługującego wszystkie zadania.
- Latencja modelu — czas, jaki upływa od momentu otrzymania danych wejściowych do wygenerowania odpowiedzi przez model AI; kluczowy parametr w zastosowaniach wymagających interakcji w czasie rzeczywistym.
- Diagnoza różnicowa — kliniczny proces systematycznego wykluczania możliwych rozpoznań na podstawie objawów i danych z wywiadu, odwzorowany przez agenta planowania w systemie AMIE.
- Multimodalne przetwarzanie danych — zdolność modelu AI do jednoczesnej analizy różnych typów danych wejściowych: tekstu, dźwięku i obrazu wideo.
- Randomizowane badanie porównawcze (RCT) — metoda naukowa przydzielająca uczestników losowo do różnych grup testowych, stosowana w medycynie i — coraz częściej — w ewaluacji systemów AI.
Na podstawie materiałów źródłowych.
