Test krwi AI zamiast bolesnych badań raka macicy

Co roku w Anglii około 90 000 kobiet po menopauzie kierowanych jest przez lekarzy pierwszego kontaktu na badania w kierunku raka macicy — a blisko 18 000 z nich może wkrótce uniknąć bolesnego badania transwaginalnego dzięki testowi opartemu na uczeniu maszynowym, kosztującemu zaledwie 30 funtów. Fakt, że pojedyncza próbka krwi analizowana przez algorytm potrafi wykluczyć nowotwór z dokładnością 99,8%, zmienia nasze myślenie o roli AI w diagnostyce onkologicznej — nie jako narzędzia ostatecznego, lecz jako inteligentnego strażnika przed zbędną i uciążliwą procedurą.

Czym jest test PinPoint i jak trafił do NHS?

Test PinPoint to wielomarkerowy test krwi oparty na uczeniu maszynowym, opracowany przez firmę PinPoint Data Science z Leeds. Algorytm analizuje około 30 biomarkerów obecnych we krwi pacjentki, a następnie klasyfikuje ją do jednej z trzech grup ryzyka: niskiego, podwyższonego lub wysokiego. Wynik trafia do lekarza jako liczbowy wskaźnik ryzyka, który może zostać włączony w istniejącą ścieżkę onkologiczną NHS.

Droga testu do brytyjskich szpitali nie była krótka. Badanie kliniczne obejmujące 16 481 pacjentek skierowanych w trybie pilnym przez urgentne ścieżki podejrzenia raka w regionie Yorkshire dostarczyło danych, które przekonały NHS do działania. W ramach próby uwzględniono kobiety z objawami sugerującymi możliwy nowotwór macicy lub inny nowotwór ginekologiczny.

Już teraz dwa duże szpitale zdecydowały się na wdrożenie technologii. Mid Yorkshire NHS Teaching Trust planuje stosować test w sześciu typach nowotworów ginekologicznych i górnego odcinka przewodu pokarmowego, natomiast Leeds Teaching Hospitals NHS Trust — wyłącznie w nowotworach ginekologicznych.

Jak działa algorytm oceny ryzyka raka macicy?

Model uczenia maszynowego zastosowany przez PinPoint Data Science przetwarza profil biomarkerów krwi każdej pacjentki i porównuje go ze wzorcami wyuczonymi na danych klinicznych z tysięcy przypadków. Efektem jest nie prosta odpowiedź „tak/nie”, lecz ciągła skala ryzyka, która pozwala klinicystom na zróżnicowane decyzje: obserwację, dalsze badania lub priorytetowe skierowanie.

Wyniki z badania Yorkshire są statystycznie imponujące. Test prawidłowo sklasyfikował jako podwyższone lub wysokie ryzyko 99,1% rzeczywistych przypadków raka. Dla kobiet zakwalifikowanych do najniższej grupy ryzyka ujemna wartość predykcyjna (negative predictive value, NPV) wyniosła 99,8% — co oznacza, że spośród kobiet uznanych za niskiego ryzyka niemal żadna nie miała nowotworu, który zostałby przeoczony.

Warto podkreślić kontekst tej liczby: według danych z próby klinicznej jedynie co dziesiąta kobieta kierowana na badania z powodu krwawienia po menopauzie faktycznie ma raka. Algorytm pozwala więc oddzielić tę grupę od dziewięciu na dziesięć kobiet, u których wynik okaże się negatywny, zanim zostaną poddane inwazyjnym procedurom.

Redakcja IWD Partner: Wynik NPV na poziomie 99,8% robi wrażenie, ale najciekawsze jest tu coś innego: PinPoint nie próbuje zastąpić diagnosty, lecz zmienić moment wejścia technologii w ścieżkę kliniczną. To przypomina modele wczesnego ostrzegania w finansach czy przemyśle — AI jako „bramkarz”, który przepuszcza dalej tylko tych, którzy naprawdę wymagają uwagi systemu. Pytanie otwarte brzmi: czy przy masowym wdrożeniu NHS model utrzyma tę skuteczność na populacji bardziej zróżnicowanej etnicznie i zdrowotnie niż kohorta z Yorkshire?

Na czym polega obecna diagnostyka i co jest w niej uciążliwe?

Standardowa ścieżka diagnostyczna dla kobiet podejrzewanych o raka macicy obejmuje przede wszystkim badanie przezpochwowe (transvaginal ultrasound, TVU) — procedurę, podczas której specjalna głowica ultrasonograficzna jest wprowadzana do pochwy w celu zmierzenia grubości błony śluzowej macicy. Część pacjentek odczuwa ten zabieg jako dyskomfortowy lub wręcz bolesny.

Jeśli wynik TVU budzi wątpliwości, kobieta kierowana jest na kolejne badania: biopsję endometrium lub histeroskopię — bezpośrednie wzrokowe badanie wnętrza macicy. Każde z tych badań wiąże się z dodatkowym stresem, oczekiwaniem i potencjalnym bólem. Jak podkreśliła dr Jacinta Walsh, lekarka pierwszego kontaktu z King’s Medical Practice w Normanton w West Yorkshire, proces wykluczania raka może wymagać nawet sześciu wizyt u lekarza rodzinnego, zanim pacjentka uzyska ostateczne potwierdzenie.

Koszt emocjonalny i organizacyjny dla kobiet jest więc znaczący. Test krwi PinPoint, zgodnie z intencją twórców, ma identyfikować kobiety o bardzo niskim ryzyku jeszcze przed uruchomieniem całej tej procedury — skracając drogę do pewności i oszczędzając zarówno pacjentkom, jak i systemowi ochrony zdrowia zbędnych obciążeń.

Jakie nowotwory może wykrywać test PinPoint?

PinPoint Data Science określa swój produkt jako multi-cancer test — narzędzie wielonowotworowe. Firma twierdzi, że test był już stosowany w ścieżkach diagnostycznych dla nowotworów ginekologicznych, płuc, górnego i dolnego odcinka przewodu pokarmowego oraz głowy i szyi. Tym samym nie jest to rozwiązanie wąskospecjalistyczne, lecz platforma biomarkerowa z potencjałem do stosowania w wielu onkologicznych obszarach klinicznych.

W kontekście wdrożeń NHS priorytetem pozostaje jednak rak macicy (rak endometrium). Każdego roku w Anglii diagnozowanych jest około 10 000 kobiet z tym nowotworem, a około 2 700 umiera z jego powodu. Dane te — podane przez NHS i cytowane przez The Guardian — wskazują, że skala problemu jest wystarczająco duża, by uzasadnić wdrożenie przesiewowego narzędzia AI nawet przy relatywnie niskich kosztach jednostkowych rzędu 30 funtów za test.

Dlaczego test krwi AI w diagnostyce raka macicy ma znaczenie?

Profesor Sean Duffy, główny oficer medyczny PinPoint Data Science i były krajowy dyrektor kliniczny ds. onkologii NHS England, wskazuje w 2024 roku, że kluczową wartością testu jest właśnie wykluczanie — identyfikacja kobiet, które nie muszą przechodzić przez bolesne i stresujące procedury. Ta zmiana perspektywy — z diagnostyki potwierdzającej na diagnostykę wykluczającą — jest istotnym przesunięciem w filozofii klinicznej.

Dla systemu ochrony zdrowia skala potencjalnych oszczędności jest wymierna. Gdyby co piąta z 90 000 kobiet kierowanych rocznie uniknęła badania transwaginalnego, NHS zaoszczędziłoby rocznie około 18 000 procedur. Każda z nich generuje koszty sprzętowe, personalne i czasowe — nie wspominając o obciążeniu emocjonalnym pacjentek, które nierzadko czekają tygodniami na wyniki w warunkach niepewności diagnostycznej.

Szerokie wdrożenie wielomarkerowych testów krwi opartych na AI może też zmienić sposób, w jaki lekarze pierwszego kontaktu prowadzą wstępną kwalifikację pacjentów. Zamiast kierować wszystkie kobiety z krwawieniem pomenopauzalnym bezpośrednio na inwazyjne badania, GP zyska dodatkowe, obiektywne narzędzie do stratyfikacji ryzyka już na etapie gabinetu podstawowej opieki zdrowotnej.

Powiązane pojęcia z AI i uczenia maszynowego

• Uczenie maszynowe (machine learning) — gałąź sztucznej inteligencji, w której algorytmy uczą się wzorców z danych historycznych, by następnie generalizować na nowych przypadkach bez jawnego programowania reguł.
• Ujemna wartość predykcyjna (NPV, negative predictive value) — statystyczna miara mówiąca, jak duże jest prawdopodobieństwo, że osoba z negatywnym wynikiem testu rzeczywiście nie ma badanej choroby.
• Biomarker — mierzalna cecha biologiczna (np. poziom białka lub hormonu we krwi), której wartość koreluje z obecnością lub stadium choroby.
• Stratyfikacja ryzyka — proces klasyfikowania pacjentów do grup według prawdopodobieństwa wystąpienia danego zdarzenia klinicznego, umożliwiający priorytetyzację zasobów medycznych.
• Multi-cancer early detection (MCED) — klasa testów diagnostycznych opartych na analizie próbek krwi lub innych płynów ustrojowych, zaprojektowanych do jednoczesnego wykrywania sygnałów wskazujących na wiele rodzajów nowotworów.

Na podstawie materiałów źródłowych.