Jako první mě z příběhu zasáhlo něco, co není ani tak o konkrétním léku, ani o konkrétním algoritmu. Je to rychlost učení a schopnost převést chaos do systému. Když jsem četl, jak GitLab spoluzakladatel Sid Sijbrandij řešil vzácnou a agresivní rakovinu osteosarkom, stále jsem si říkal: tady nejde o to „mít štěstí“. Jde o to vybudovat zpětnou vazbu mezi daty, literaturou, diagnostikou a rozhodováním. A do té smyčky vkládali i AI.
V tomto článku skládám dohromady hlavní motivy a konkrétní příklady z přístupu, který kombinoval maximalní diagnostiku, personalizované terapie a AI pro práci s obrovským množstvím znalostí. Je to inspirativní příběh, ale zároveň praktický návod v tom smyslu, že ukazuje, jak mohou lidé i bez lékařského vzdělání získat lepší pozici pro konverzaci s onkologem. Ne jako náhradu odborníka, ale jako způsob, jak klást správné otázky, rychleji se zorientovat a lépe porozumět rizikům, přínosům a možnostem.
Obsah
- 🧭 Šok, rychlá eskalace a jeden zásadní moment: „nejsem v nejistotě sám“
- 🚀 Přístup „founder mode“: když standard končí, vybuduješ vlastní feedback loop
- 📚 Proč „maximal diagnostics“ změnilo hru
- 🧠 Tumor jako „ekosystém“, ne jen cílová buňka
- 🧩 Single-cell dostal Sida k Jacobovi: AI jako zesilovač znalostí, ne jako věštba
- 🧪 ChatGPT jako „rychlá cesta nahoru“ nad specializovanou literaturu
- 🧬 Diagnostika jako návrhář léčby: mRNA vakcína, TCR a CAR-T
- 📡 Scan před terapií: B7H3 v nádoru vs. riziko v játrech
- 🧬 Když literatura mlčí: Pnexin3 (PNX3) jako příklad toho, proč je AI „trpělivý čtenář“
- 💰 Co AI a diagnostika dělají pro náklady a dostupnost
- 🧾 Proč lékaři a pacienti mají různé incentivy
- 🧪 Kdy nestačí randomizovaná studie: „první principy“ a organ po orgánu
- 🧰 Místo jedné terapie: „therapeutic ladder“ a parallelní strategie
- 🗺️ Zkušenost jako produkt: jak rodiny „staví koleje“ pro další pacienty
- 🧷 Klinické studie jako bottleneck: FDA schválení, IRB a hledání pacientů pro trial
- 🛠️ Co si z toho odnáším jako čtenář (a jak to použít bez paniky)
- 🌱 „Cure“ může přijít po jednom pacientovi: personalizovaná medicína jako budoucnost
- 🧾 Kam dál: konkrétní místo, kde Sid sdílí informace
- 📌 Závěrem: AI jako infrastruktura pro lidské rozhodování
🧭 Šok, rychlá eskalace a jeden zásadní moment: „nejsem v nejistotě sám“
Sidův příběh začal velmi netypicky. Po úspěšném „normálním“ období se při bench pressu objevil bolest v oblasti srdce. Nebyla to první epizoda, takže si myslel, že „to zase přejde“. Neodezněla. Po dvou týdnech nemohl spát, ve 4 ráno jel na pohotovost a slyšel v podstatě uklidňující odpověď: žádný infarkt „není dvoutýdenní“. Rentgen prý nic neukazoval. Jenže následovala telefonická zpráva od praktického lékaře: měl extrémně vysoký tlak a existovalo riziko aneurysmatu. Současně mu doporučili okamžitě znovu řešit situaci.
Ukázalo se, že problém nebyl v aortě, ale v nádoru vyrůstajícím z obratle, velkém zhruba šest centimetrů. Následovala urgentní operace, stabilizace páteře, radioterapie a velmi intenzivní chemoterapie. V přepisu zaznívá, že to byla „medieval“ léčba. Sid popisuje i prakticky děsivé detaily, jako že nebyl schopný se ani normálně dojít na toaletu a že potřeboval krevní transfúze.
Pak přišel zlom: i přes agresivní léčbu se nemoc vrátila. A když tradiční standardní možnosti „dojdou“, nastává okamžik, kdy člověk musí buď spadnout do bezmoci, nebo přebudovat celý přístup.
🚀 Přístup „founder mode“: když standard končí, vybuduješ vlastní feedback loop
Sid se rozhodl přestat čekat na to, až mu někdo nabídne správnou cestu. Doslova „quit my day job“ a převedl nemoc do režimu, který zná z podnikání: paralelizovat práci, dělat maximalní diagnostiku, sbírat data a hledat léčbu i tam, kde ji nikdo zatím neskládal do klinického balíčku.
Důležitý detail, který mi v tom přijde klíčový: v medicíně se běžně říká, že diagnostika dává smysl tehdy, když už dopředu víte, co uděláte na základě výsledku. Sid a jeho tým to vzali opačně. Dělali diagnostiku i bez jasného plánu, protože čas byl kritický a zdroje možností velmi omezené.
Tak vznikl „tým“ napříč disciplínami, kde roli nehrálo jen to, co je v učebnicích, ale to, co lze v reálném čase objevit v datech a v literatuře. Je to obrovský rozdíl oproti pocitu, že medicína je lineární cesta: diagnóza, standardní léčba, případně zkusíme další standard.
📚 Proč „maximal diagnostics“ změnilo hru
Sid zmiňuje, že během „maximal diagnostics“ šli přes „všechno, co se dalo najít“. Hovoří i o rozsahu dat: na webu osteosark.com je podle jeho slov zhruba 25 terabajtů dat. To je důležité z hlediska principu: pokud chcete dělat personalizovanou medicínu, musíte mít data, která jsou dostatečně jemná, aby vysvětlila, co přesně se v nádoru děje.
Jedním z nejvýraznějších příkladů byla single-cell sequencing analýza. Na rozdíl od „bulk“ vzorků, kde máte průměr přes mnoho buněk, single-cell umožní izolovat a popsat konkrétní typy buněk. Sid popisuje, že jim to pomohlo identifikovat vlastnosti jeho nádorových buněk, včetně výskytu FAP (fibrous tissue marker).
A teď přichází část, která se v příběhu opakuje jako refrén: data vedou k rozhodnutí. Našli v Německu experimentální léčbu kombinující FAP s radioaktivními látkami. Sid podstoupil tuto léčbu dvakrát. Výsledek byl velmi konkrétní: dvě léčby vedly ke zhruba 60% nekróze a 20% zmenšení. Navíc se rakovina „odpojila“ od dura, což umožnilo chirurgické odstranění.
To by samo o sobě bylo silné. Ještě silnější je však to, co udělali dál: sledovali imunitní dynamiku a zkoušeli více vrstev imunoterapie.
🧠 Tumor jako „ekosystém“, ne jen cílová buňka
Sid popisuje, že po sérii imunoterapií měl v těle „hodně rozzlobených T buněk“, ale nádorové mikroprostředí je tlumilo. Jinými slovy: imunitní systém umí bojovat, ale prostředí nádoru mu to ztěžuje.
Když ale deaktivovali FAP buňky radioaktivní terapií, došlo pravděpodobně k přepnutí nádoru z „cold“ prostředí do „hot“. V přepisu zaznívá hypotéza, že zastavení FAP signálu přestalo ovlivňovat neutrofily a umožnilo imunitním buňkám pronikat do nádoru. Ne že by šlo o jistotu bez dalšího ověření, ale i tak to dobře ukazuje, proč se single-cell a další hluboké diagnostiky používají pro personalizaci.
V medicíně je snaha dělat léky tak, aby „zasáhly cíl“. Sidův příběh ale zdůrazňuje, že cíl není jen molekula. Je to celé prostředí, které určuje, jak budou receptory, imunitní buňky a signály fungovat dohromady.
🧩 Single-cell dostal Sida k Jacobovi: AI jako zesilovač znalostí, ne jako věštba
Jedním z nejdůležitějších praktických spojení v příběhu bylo právě navázání kontaktu mezi Sidem a Jacobem Sternem. Jacob není lékař, ale geneticky a analyticky se pohyboval v oblasti výzkumných technologií, konkrétně v 10x Genomics, tedy v ekosystému, který umožňuje single-cell sequencing.
Jacobův „AI styl“ byl zajímavý: popsal, že se AI využíval jako způsob, jak se rychle doplnit do oblastí, které jinak vyžadují roky specializovaného studia. U něj to znamenalo být kompetentní partner pro experty. Ne aby udělal rozhodnutí za onkology, ale aby rozuměl natolik, aby uměl klást otázky, číst výstupy a rozpoznat, kde je logika a kde jen marketing nebo obecné fráze.
🧪 ChatGPT jako „rychlá cesta nahoru“ nad specializovanou literaturu
Jacob zmiňuje konkrétní způsob použití: vzal výstup z bulk RNA-seq (CSV, geny a jejich počty), vložil to do ChatGPT (tehdy uvádí verzi s tarifem pro) a ptal se: „Co si o tom myslíte?“ Upozornil, že i tehdy to bylo „remarkable“: model dokázal z textu a dat vyzdvihnout například B7H3, které později hrálo roli v léčebném plánování. Dále rozpoznával imunitní dynamiku popsanou Sidem, přičemž později ji ověřovali na úrovni single-cell.
Pak šla metoda ještě dál. Jacob a tým vytvořili interní systémy, kde se na základě přirozeného jazyka spouští série „agentů“: literární rešerše, hypotézy, návrh bioinformatické analýzy, provedení analýzy a návrat souhrnu. Jacob zmiňuje konkrétní příklad: analýzu rizika CHIP (clonal hematopoiesis of indeterminate potential). To je stav, který se může objevit s věkem, ale může být i vedlejší účinek chemoterapie.
V příběhu zaznívá, že systém to spouštěl na obrovském datasetu zhruba 600 000 single buněk z více časových bodů z SIDovy krve. Jacob uvádí, že to běželo přibližně 30 minut a stálo zhruba 20 dolarů za API. Výstup obsahoval report, interaktivní grafy, historii a dokonce i Python kód, který by se dal použít. Jasně zároveň zdůrazňuje: neověřují to slepě jako „pravdu“. Používají to jako rychlou orientaci, zatímco informatici dělají detailní ověření.
To je důležitý princip pro běžné čtenáře: AI v tomhle přístupu není „diagnostik“. Je to kompas.
🧬 Diagnostika jako návrhář léčby: mRNA vakcína, TCR a CAR-T
Jacob pak shrnul, jaké typy terapií zvažovali a jak do nich vstupovala data ze single-cell a další diagnostiky. V příběhu se objevují tři velké „viny“ neboli terapeutické směry:
- Personalizovaná mRNA rakovinová vakcína
- TCR-T terapie
- CAR-T terapie
💉 Personalizovaná mRNA vakcína: učíte imunitu rozpoznat nádor
Jacob přirovnává mRNA vakcínu ke známým vakcínám proti covidu nebo chřipce. Princip je podobný: místo toho, aby se tělo učilo „za pochodu“, dostane předem instrukce, co rozpoznat jako cizí. V případě SID se do mRNA kódovaly mutace přítomné v jeho nádoru tak, aby se diferencoval „cizí“ nádor od normálních tkání.
Sid zmiňuje, že šlo o investigator-initiated trial a že od startu po injekci trvalo jen zhruba šest měsíců. Zdůrazňuje, že výběr antigenů je z velké části „umění než věda“, ale je to oblast, kde se očekává velký posun díky AI. Dává smysl: personalizovaná vakcína pro miliony pacientů bez automatizace výběru antigenů pravděpodobně nepůjde.
🧫 TCR-T: přímější útok pomocí „přizpůsobených T buněk“
TCR znamená T cell receptor. T buňky jsou „zabijáci“ imunitního systému, které používají TCR k rozpoznání konkrétního cíle. TCR-T terapie umožňuje vzít T buňku, inženýrsky do ní vložit receptor (na základě identifikovaných TCR), vypěstovat množství buněk a pak je infuzovat do pacienta.
Jacob vysvětluje, že pomocí diagnostiky a partnerů dokázali identifikovat TCR receptory pravděpodobně specifické pro SIDův nádor. Je to spíše „plán pro budoucnost“ než něco, co nutně museli použít hned. Přesto to ukazuje směr: když diagnostika identifikuje specifické znaky nádoru, vzniká z toho algoritmus pro návrh imunitní terapie.
☢️ CAR-T: „super kily“ jako pojistka
CAR-T používá chimérický antigen receptor (CAR). Myšlenka je stejná jako u TCR-T, jen receptor je navržen tak, aby rozpoznával daný antigen na povrchu buněk. Sid to popisuje velmi obrazně: CAR-T je „nuclear bomb“ a zároveň „pojistka“, kdyby byla potřeba nejtvrdší varianta.
Klíčová je volba cíle. A právě tady se příběh dostává k jedné z nejzajímavějších ukázek toho, jak diagnostika ovlivnila samotný design terapie.
📡 Scan před terapií: B7H3 v nádoru vs. riziko v játrech
Sid říká, že pro CAR-T vybrali B7H3 jako cíl. Jenže otázka nezní „je B7H3 v nádoru?“ ale také:
- Je B7H3 i v dalších orgánech?
- Jaký je poměr exprese a kde?
- Jak velké bude riziko „off-target“ toxicity?
Genetická data sama o sobě na to nestačí. V příběhu zaznívá, že potřebovali reálné skenování. Zdrojem skenů byla konkrétní možnost v Číně (Beijing). Sid tam letěl v říjnu.
Výsledek měl dvě tváře:
- dobrá zpráva: na skenu nebyla vidět žádná rakovina
- špatná zpráva: jeho játra „svítila“ výrazně víc než v kontrolní populaci (třikrát až 3,5 krát vůči hodnotám měřeným u lidí ve vzorku)
Obávali se, že pokud by nasadili CAR-T s cílem B7H3, mohlo by to způsobit zásadní poškození jater. A v tu chvíli se aktivovala další vrstva designu terapie: logic gate (v přepisu zmiňovaná „end gate“ myšlenka).
Sidův tým se vrátil k tomu, co je biologicky a technologicky možné: místo aby CAR-T reagoval jen na B7H3, navrhli logiku „dva signály musí být přítomné“. Jedním z nich zůstal B7H3 a druhým byla FAP. V přepisu zaznívá, že FAP v játrech exprimuje jen velmi nízko.
Výsledkem bylo snížení rizika: když se objeví B7H3 v játrech, ale chybí FAP, „nuke se nespustí“. Je to krásná ukázka toho, jak se diagnostika a terapie navzájem informují, místo aby běžely odděleně jako dvě různé disciplíny.
🧬 Když literatura mlčí: Pnexin3 (PNX3) jako příklad toho, proč je AI „trpělivý čtenář“
Další zajímavá epizoda byla cíl, který se na první pohled „nevyskytoval v literatuře“: Pnexin 3 (v přepisu „PENX3“). Na základě genetických dat se v Sidově nádoru objevoval asi 10 000krát více než v zdravých tkáních. To je dramatický rozdíl.
Jenže když se šli podívat do literatury, nenašli prakticky nic. A to bylo znepokojivé: pokud je cíl výrazný, proč o něm není víc zmínek? Sidův a Jacobův tým přišel na pravděpodobné vysvětlení. Jde o cílovou molekulu, která je hydrofobní. Pokud děláte testy v prostředí s vodou, jako to často bývá ve standardních laboratorních podmínkách, nemusí se projevit. Jinými slovy: mohli ji zkoušet špatným způsobem, nebo ji věda prostě nikdy pořádně nehledala.
A pak přichází role „trpělivosti“. Jacob popisuje, že AI dokáže projít terabajty dat a najít proteiny, které člověk nemá čas „ručně“ dohledat a vyčíst.
Následně běží kampaň na objev bindrů (vazebných molekul) proti PNX3. V příběhu jde zároveň vidět jednu důležitou věc: personalizovaná medicína není jen „vybrat správný lék“. Je to i vytvořit nový, když existující svět řešení nepokrývá.
💰 Co AI a diagnostika dělají pro náklady a dostupnost
V přepisu se několikrát vrací myšlenka, že data a AI mohou snížit bariéry. Sid uvádí i orientačně dostupnost některých testů: bulk RNA-seq prý jde dnes dělat za zhruba 50 dolarů a whole genome sequencing začíná kolem 500 dolarů. Připomíná, že některé „dobrodružnější“ věci jsou drahé, ale část velkého diagnostického balíku se postupně stává dostupnější.
Je fér říct, že nejde o „levnou“ léčbu v absolutním smyslu. Jde o to, že AI může pomoci vyrobit z informací rozhodnutí, které v běžném systému někdy přichází příliš pozdě. A čas zabíjí projekty i pacienty.
🧾 Proč lékaři a pacienti mají různé incentivy
Sid v rozhovoru vyjádřil něco, co mi připadá jako důležitá korekce romantizace medicíny. Lékaři, jak říká, chtějí minimalizovat riziko vlastní odpovědnosti. Jejich definice „dobrého rozhodnutí“ často zní: „Je to bezpečné a dobře podložené standardy, aby nevznikla katastrofa.“
Pacient naopak často chce maximalizovat přežití. Sid říká, že u „nasty cancer“ by raději umíral na komplikace léčby než na progresi nádoru. Tím nechci bagatelizovat rizika ani měnit roli lékařů. Chci jen ukázat, proč se objevuje napětí: pacient může chtít víc experimentů a rychleji zkoušet kombinace, zatímco lékař se přirozeně drží toho, co je standard a co se už prošlo klinickými cestami.
AI tu může pomoci jako nástroj pro dialog: pacient může vyjít do konverzace s onkologem připravenější, s lepším pochopením vedlejších účinků a s promyšlenější otázkou na kombinace.
🧪 Kdy nestačí randomizovaná studie: „první principy“ a organ po orgánu
Sid kritizuje „monokulturu“ randomizovaných kontrolovaných studií. Připouští, že nové kombinace často nebyly testované v RCT. Ale také říká: RCT stojí obrovské peníze (uvádí řád stovek milionů) a nejde o to otestovat každou kombinaci. Dá se však uvažovat z prvních principů:
- Mají léky podobné toxické profily?
- Nevytváří kombinace „dvojitý zásah“ do stejného orgánu?
- Jaké vedlejší účinky se sčítají?
Sid mluví o tom, že se někdy „díváte organ po orgánu“. Pokud jeden lék zatěžuje ledviny, nechcete druhý, který zatěžuje ledviny, ve stejné době. Tohle je praktická logika, kterou AI může pomoci zpracovat v širokých souvislostech. Ne jako definitivní náhrada klinického úsudku, ale jako zrychlený rámec.
🧰 Místo jedné terapie: „therapeutic ladder“ a parallelní strategie
Jedním z nejpůsobivějších obrazů v přepisu byla „therapeutic ladder“. Sid popisuje, že možnosti pro něj šly z „nuly“ až na zhruba 30 léčebných modalit, které by raději nepoužil, ale mít je v systému je obrovská výhoda. Z pohledu datového přístupu to dává smysl: pokud už musíte iterovat, chcete iterovat nad možnostmi, které nejsou úplně bez informací.
Jacob zmiňuje, že se snažili udržet více směrů paralelně. AI tu pomáhá nejen s analýzou, ale i s plánováním spolupráce, kvalitou kontrolou, překladem mezi světy výzkumníků a vlastními cíli pacienta.
🗺️ Zkušenost jako produkt: jak rodiny „staví koleje“ pro další pacienty
Velmi silná část rozhovoru se netýká jen SIDovy léčby, ale i toho, jak se snaží dát zkušenost do podoby škálovatelných systémů. Jacob mluví o „paving the road“: nechtějí, aby každý další člověk musel znovu projít křivkou učení od nuly.
Proto začali vytvářet společnosti, které dávají podobný přístup do rails. AI je v tom popisované jako „deflační“ technologie, která pomáhá ohýbat nákladovou křivku a zrychlovat škálování.
🏗️ Valias: maximum diagnostiky, cíle přes generální expresi a kontext
Valias má podle Jacobova popisu dělat maximum diagnostiky z pohledu genové exprese: single-cell, procházení bulk RNA dat a identifikace cíle v pacientově nádoru. Pak se používá AI pro kontext: aktivní klinické studie, biologická data a spolupráce s farmaceutickými firmami.
🧠 Arden: cyklus „treat-measure-analyze-repeat“ pro imunitní poruchy
Arden se zaměřuje na složité a nevyřešené imunitní poruchy. Model je „měřit krev, analyzovat, zkoušet cílené imunitní modulátory, přizpůsobit další krok tomu, co krev říká“. Jacob uvádí, že CEO někdy dostane obří složky a dokumenty o historii pacienta, a AI pak pomáhá informace přepsat do struktury, se kterou se dá pracovat.
🧷 Klinické studie jako bottleneck: FDA schválení, IRB a hledání pacientů pro trial
Rozhovor přirozeně došel i k tomu, proč se mnoho nových možností nedostává rychle k pacientům. Sid a Jacob mluvili o klinických studiích jako o významném bottlenecku.
Sid uvádí tři věci, které zpožďují:
- Předschválení FDA pro zahájení trialů: trvá to dlouho a čas zabíjí projekty.
- Náklady: uvádí, že úspěch k uvedení léku na trh může stát „víc než miliardu dolarů“, což omezuje množství léků, které se vůbec dostanou do hry.
- IRB na úrovni nemocnic: etické komise jsou podle jeho popisu těžké a pomalé. Zmínil absurditu, kdy člověk je připraven pro proces a IRB „papírování“ se protahuje.
Sid také zmiňuje, že v Austrálii se používá systém „notification“ místo předchozího povolení, a že se to v praxi jeví jako bezpečné a efektivnější. To je myšlenka, kterou by podle něj stálo za to přenést.
Další problém je „matching“: jak dostat správného pacienta do správného trialu na základě jeho elektronické zdravotní dokumentace. Existují weby, ale Jacob říká, že AI by mohla pomoci zejména tehdy, když máte víc diagnostických dat. To opět vrací celé téma k tomu, že AI je nejlepší jako middleware mezi daty, literaturou a klinickým rozhodováním.
🛠️ Co si z toho odnáším jako čtenář (a jak to použít bez paniky)
V rozhovoru zazněla jasná výzva: „take agency“ a ptát se ChatGPT, ale nebrat výsledky jako absolutní pravdu. Sid i Jacob popisují AI jako prostředek, který informuje rozhovor s onkologem. Není to diagnóza. Je to:
- rychlý přehled k tématu (například jaké markery sledovat, jak se nemoc vyvíjí)
- pomoc se strukturou otázek pro odborníky
- alternativní pohled na literaturu a klinické kontexty
- podpora pro kombinace, kde se díváte na rizika organ po orgánu
Pokud jste v situaci, kdy máte vzácnou rakovinu, je obhajoba vlastního zájmu klíčová. Sid zmiňuje, že potkali mnoho přeživších, kteří řekli, že právě advocacy se jim vyplatila. I když nejde o „jedno kouzlo“, je to praktická strategie: shromažďovat informace, dělat si poznámky, udržovat seznam otázek, vytvářet rychlou mapu možností.
Jacob nakonec shrnul jednu věc, kterou považuji za nejzdravější formulaci: AI může demokratizovat znalosti, ale stále je potřeba spolupracovat s odborníky. Cíl není stát se doktorem. Cíl je být informovaným partnerem, který může jednat rychleji a lépe.
🌱 „Cure“ může přijít po jednom pacientovi: personalizovaná medicína jako budoucnost
V závěru Sid přirozeně reagoval na otázku „je to cure pro rakovinu?“. Odpověď byla střízlivá a zároveň motivující: spíš než jednorázový univerzální průlom to vypadá na cestu po jednom pacientovi. Některé inovace mohou časem přejít do standardní péče, ale nejdřív se rodí v unikátních situacích, kde se musí improvizovat a testovat logika mezi daty a terapií.
Sid říká, že to, co představili, se snaží přenést do přítomnosti, nejdřív pro část pacientů a postupně pro víc. A Jacob doplňuje, že takové kolektivní učení je důležité: lidi v biotechnologiích a medicíně často podle nich „chtějí pomáhat“. Pro ně je to pozitivní sum energy, i když systém je složitý a plný bottlenecků.
🧾 Kam dál: konkrétní místo, kde Sid sdílí informace
Sid v rozhovoru zmiňuje, že web osteosarck.com obsahuje mj. časovou osu léčby (timeline) a také velké množství dat. Zároveň odkazuje na domain sitec.com (v přepisu je to spojeno s tím, že najal někoho na plný úvazek pro pomoc dalším pacientům). Pokud vás téma zajímá, dávají smysl právě tyto stránky jako „startovní bod“ pro pochopení, jak vypadá open sharing dat a postupů z tak specifické diagnózy.
📌 Závěrem: AI jako infrastruktura pro lidské rozhodování
Když nad tím přemýšlím, největší hodnota příběhu není v tom, že by ChatGPT „vyléčil rakovinu“. Největší hodnota je v roli, kterou AI hrála v celé architektuře rozhodování. Pomáhala:
- rychleji se orientovat v literatuře a specializovaných tématech
- vytvářet rychlé hypotézy nad biologickými daty
- připravovat informované dialogy s odborníky
- zrychlit feedback loop mezi diagnostikou a návrhem terapie
- přenést „první principy“ do praktických otázek o bezpečnosti a kombinacích
A to je možná nejdůležitější poselství pro každého, kdo řeší zdraví a nejistotu: máte-li data, můžete z nich udělat výhodu. A když máte AI jako zesilovač znalostí, můžete se učit rychleji, než jak by to šlo bez nástroje.
Pokud jste v podobné situaci vy nebo někdo blízký, doporučuji to brát jako mapu přístupu, ne jako návod na konkrétní terapii. Zásadní je agency: ptát se, ověřovat, strukturovat informace a dělat z toho podklad pro rozhovor s onkology. V systému, kde čas často hraje proti pacientům, může být právě rychlost učení tím rozdílem, který se později ukáže jako rozhodující.
Diskuze a komunity kolem AI a zdravotnictví
Pokud vás podobné přístupy (AI jako „kompas“ pro práci s informacemi a dialog s experty) zajímají i z komunitní perspektivy, můžete se podívat na OpenAI Forum. Najdete tam prostor pro diskuse, sdílení zkušeností a navazování kontaktů s lidmi, kteří se věnují AI v praxi.
