Sztuczna inteligencja może ułatwić pacjentom zrozumienie wyników rezonansu magnetycznego serca. Badanie porównało GPT-5.2 i DeepSeek-V3.2

Duże modele językowe mogą zwiększać zrozumiałość opisów rezonansu magnetycznego serca (CMR) dla pacjentów, jednak ich wykorzystanie wymaga kontroli specjalisty. W prospektywnym badaniu opublikowanym w czasopiśmie Cardiovascular Innovations and Applications naukowcy porównali możliwości dwóch modeli sztucznej inteligencji – GPT-5.2 oraz DeepSeek-V3.2 – w przekształcaniu specjalistycznych raportów obrazowych w teksty przystępne dla osób bez wykształcenia medycznego. W analizie obejmującej 100 uczestników uproszczone opisy uzyskiwały istotnie wyższe oceny zrozumiałości niż raporty oryginalne. Badacze odnotowali jednak również błędy liczbowe i nieprawidłową klasyfikację nasilenia zmian, wskazując na konieczność zachowania nadzoru radiologicznego.

Dlaczego zrozumiałość opisów CMR ma znaczenie dla pacjentów?

Rezonans magnetyczny serca (ang. cardiovascular magnetic resonance, CMR) jest metodą obrazowania wykorzystywaną w diagnostyce chorób układu sercowo-naczyniowego. Umożliwia ocenę anatomii serca, jego funkcji oraz charakterystyki tkanek mięśnia sercowego.

Dokumentacja sporządzana po takim badaniu jest przeznaczona przede wszystkim dla lekarzy. Zawiera specjalistyczną terminologię, parametry ilościowe oraz informacje o stwierdzonych nieprawidłowościach. Interpretacja raportu wymaga znajomości zarówno techniki obrazowania, jak i kontekstu klinicznego.

Pacjent otrzymujący opis CMR może mieć trudności ze zrozumieniem znaczenia poszczególnych parametrów, rozpoznanych zmian oraz ich potencjalnych konsekwencji. Nawet poprawny pod względem medycznym dokument nie zawsze jest dostatecznie czytelny dla osoby bez odpowiedniego przygotowania.

Jednym z potencjalnych zastosowań dużych modeli językowych (ang. large language models, LLM) jest przekształcanie specjalistycznych raportów medycznych w komunikaty zawierające bardziej przystępne wyjaśnienia. W takim zastosowaniu sztuczna inteligencja nie musi samodzielnie interpretować obrazów diagnostycznych. Jej zadaniem jest przede wszystkim językowe opracowanie istniejącego raportu.

Kluczowym problemem pozostaje jednak zachowanie pełnej zgodności merytorycznej między dokumentem źródłowym a jego uproszczoną wersją. W medycynie obrazowej nawet pozornie niewielka zmiana wartości liczbowej lub określenia nasilenia nieprawidłowości może prowadzić do błędnego przekazania informacji klinicznej.

Ocena przydatności modeli językowych wymaga zatem uwzględnienia dwóch odrębnych aspektów: tego, czy tekst jest zrozumiały dla pacjenta, oraz tego, czy zachowuje informacje zawarte w raporcie sporządzonym przez specjalistę.

Projekt badania i zastosowane modele językowe

Problem ten podjęli autorzy publikacji GPT-5.2 vs. DeepSeek-V3.2 in Simplifying Cardiac Magnetic Resonance Reports: A Prospective Real-World Study, opublikowanej w 2026 roku w czasopiśmie Cardiovascular Innovations and Applications.

Wśród autorów pracy znaleźli się Fen Sa, Peng-Yu Zhou, Zhi-Xiang Dong, Zhu-Xin Wei, Xuan Ma, Xi Jia, Wen-Qing Xu, Yun Tang, Xing-Rui Chen, Yu-Jie Liu, a także pozostali współautorzy, w tym Shi-Hua Zhao i Kan-Kan Zhao.

Celem badania była ocena możliwości wykorzystania dwóch dużych modeli językowych, GPT-5.2 i DeepSeek-V3.2, do upraszczania raportów CMR oraz określenie, czy przygotowane w ten sposób dokumenty mogą być lepiej rozumiane przez pacjentów niż oryginalne opisy diagnostyczne.

Prospektywne badanie w warunkach rzeczywistej praktyki klinicznej

Do badania prospektywnie rekrutowano osoby poddawane rezonansowi magnetycznemu serca. Oryginalne raporty z badań przydzielano losowo w stosunku 1:1 do opracowania przez jeden z dwóch analizowanych modeli językowych.

W celu uzyskania uproszczonych opisów badacze zastosowali wcześniej przygotowane instrukcje dla modeli, określane jako prompty. Miały one ukierunkowywać generowanie tekstów przystępnych dla uczestników.

Losowy przydział dotyczył raportów przekazywanych do poszczególnych modeli. Badanie nie było próbą kliniczną porównującą dwie strategie leczenia ani oceną wpływu sztucznej inteligencji na rokowanie pacjentów.

Ocena jakości wygenerowanych opisów i ich zrozumiałości

Na potrzeby badania opracowano dwa specjalnie dostosowane, ustrukturyzowane kwestionariusze wykorzystujące skale Likerta.

Kwestionariusze służyły do oceny jakości raportów przygotowanych przez modele językowe oraz stopnia ich zrozumienia przez uczestników. Autorzy przeanalizowali również spójność wewnętrzną narzędzi pomiarowych i ich strukturę czynnikową.

Wyniki wskazały na dobrą spójność wewnętrzną obu kwestionariuszy oraz możliwą do interpretacji strukturę czynnikową. Stanowiło to element oceny właściwości pomiarowych zastosowanych narzędzi.

Należy podkreślić, że analizowana zrozumiałość raportów była oceniana za pomocą kwestionariuszy. Nie jest to tożsame z wykazaniem, że uczestnicy podejmowali trafniejsze decyzje kliniczne albo uzyskali lepsze wyniki leczenia.

Charakterystyka uczestników i przypadki wykluczone z analizy

Do badania początkowo zakwalifikowano 117 uczestników. Ostateczna analiza objęła 100 osób.

Średni wiek uczestników włączonych do analizy wynosił 48,8 ± 12,6 roku, a mężczyźni stanowili 72% badanej grupy.

Przed analizą końcową wykluczono łącznie 17 przypadków. Przyczyny obejmowały zarówno nieakceptowalną jakość raportów wygenerowanych przez modele językowe, jak i brak kompletnych odpowiedzi w kwestionariuszach.

Błędy merytoryczne w raportach wygenerowanych przez AI

Szczególnie istotną obserwacją było zidentyfikowanie czterech raportów uznanych za nieakceptowalne.

W trzech przypadkach modele wygenerowały błędy dotyczące wartości liczbowych. W jednym przypadku nieprawidłowo sklasyfikowano nasilenie nieprawidłowości.

Przypadki te wykluczono przed przeprowadzeniem analizy końcowej zrozumiałości raportów.

Z perspektywy potencjalnego wykorzystania tej technologii w placówkach medycznych istotne jest rozróżnienie dwóch etapów: automatycznego opracowania tekstu oraz kontroli jego zgodności z oryginalnym wynikiem badania.

W przedstawionym badaniu błędy nie stanowiły jedynie hipotetycznego zagrożenia. Zostały rzeczywiście zaobserwowane w materiale poddanym ocenie.

Wpływ uproszczonych raportów na zrozumienie wyników

Najważniejszym wynikiem analizy było stwierdzenie wyższych ocen zrozumiałości uproszczonych raportów CMR w porównaniu z oryginalnymi dokumentami.

Autorzy odnotowali istotne statystycznie różnice we wszystkich czterech analizowanych wymiarach kwestionariuszowej oceny zrozumienia raportów.

Dla wszystkich tych porównań podano wartości p < 0,013.

Wyniki sugerują, że zastosowanie modeli językowych do przekształcania specjalistycznych raportów obrazowych w prostszy tekst może poprawiać ich odbiór przez pacjentów.

Nie należy jednak utożsamiać wyższych wyników w kwestionariuszach z potwierdzoną poprawą wiedzy medycznej pacjentów we wszystkich obszarach. Dostępne streszczenie nie przedstawia szczegółowych wartości punktowych ani wielkości uzyskanego efektu.

Znaczenie wyników dla komunikacji z pacjentem

Uzyskane rezultaty wskazują na możliwość wykorzystania modeli językowych jako narzędzi wspierających przekazywanie informacji medycznych.

W tym zastosowaniu podstawowym zadaniem systemu nie jest formułowanie nowego rozpoznania, lecz wyjaśnienie istniejącego opisu w sposób bardziej przystępny dla odbiorcy.

Takie rozróżnienie jest istotne z punktu widzenia odpowiedzialności klinicznej. Uproszczona wersja raportu nie powinna być traktowana jako niezależna interpretacja badania CMR ani zastępować konsultacji z lekarzem.

Wyniki przedstawione przez autorów uzasadniają dalszą ocenę możliwości stosowania podobnych rozwiązań w komunikacji medycznej, szczególnie przy zachowaniu nadzoru specjalisty odpowiedzialnego za poprawność przekazywanych informacji.

Porównanie GPT-5.2 i DeepSeek-V3.2

Drugim istotnym celem badania było porównanie dwóch modeli językowych: GPT-5.2 oraz DeepSeek-V3.2.

Analiza nie wykazała statystycznie istotnych różnic między modelami w zakresie jakości raportów ocenianej przez radiologów.

We wszystkich analizowanych porównaniach tej kategorii uzyskano wartości p > 0,01.

Nie stwierdzono również istotnych statystycznie różnic między modelami w kwestionariuszowej ocenie zrozumienia raportów przez uczestników. W tym przypadku wszystkie wartości wynosiły p > 0,013.

W badanej próbie nie wykazano zatem przewagi jednego z analizowanych modeli pod względem tych ocen.

Brak istotnej różnicy nie oznacza równoważności modeli

W interpretacji wyników należy zachować rozróżnienie między brakiem statystycznie istotnej różnicy a formalnym wykazaniem równoważności dwóch technologii.

Brak istotności statystycznej w przeprowadzonych porównaniach nie oznacza automatycznie, że oba modele działają identycznie, mają taką samą częstość błędów lub zachowują porównywalną skuteczność w każdej sytuacji klinicznej.

Do potwierdzenia równoważności konieczny byłby odpowiednio zaprojektowany schemat analityczny, obejmujący z góry określone kryteria i marginesy równoważności.

W udostępnionym streszczeniu nie przedstawiono danych pozwalających na takie rozstrzygnięcie.

Oceny modeli językowych a oceny radiologów

Dodatkowo autorzy przeanalizowali relację między ocenami wystawianymi przez modele językowe a ocenami dokonywanymi przez radiologów.

Nie zaobserwowano istotnej statystycznie zgodności ani związku między tymi ocenami. We wszystkich analizowanych porównaniach wartości wynosiły p > 0,05.

Jest to ważna obserwacja w kontekście prób wykorzystania sztucznej inteligencji nie tylko do generowania tekstu, ale także do automatycznej kontroli jego jakości.

Uzyskane wyniki nie dostarczają podstaw do uznania, że ocena wygenerowanego raportu przez model językowy może zastąpić ocenę radiologa.

Bezpieczeństwo kliniczne, ograniczenia i znaczenie dla praktyki

Autorzy uznają duże modele językowe za obiecujące narzędzia wspierające przekładanie specjalistycznych raportów CMR na język bardziej przystępny dla pacjentów. Jednocześnie wyraźnie wskazują na konieczność zachowania nadzoru radiologa nad jakością i wiarygodnością generowanych dokumentów.

Wyniki badania nie uzasadniają wprowadzenia całkowicie autonomicznego systemu, który bez kontroli specjalisty przygotowywałby i przekazywał pacjentom uproszczone opisy diagnostyczne.

Jakie elementy wymagają szczególnej kontroli?

Z uwagi na rodzaje błędów wykrytych w badaniu, szczególne znaczenie ma sprawdzanie poprawności wartości liczbowych i sformułowań określających nasilenie stwierdzonych zmian.

W hipotetycznym procesie wdrożenia podobnego rozwiązania do praktyki klinicznej należałoby także zweryfikować, czy uproszczony tekst zachowuje znaczenie oryginalnych ustaleń oraz czy nie wprowadza nowych, nieuzasadnionych wniosków.

Są to potencjalne wymagania organizacyjne wynikające z charakteru wykrytych błędów, a nie zwalidowany protokół postępowania przedstawiony w omawianej publikacji.

Ograniczenia interpretacji dostępnych danych

Oceniając wyniki, należy uwzględnić kilka istotnych kwestii.

Po pierwsze, analiza końcowa objęła 100 uczestników spośród 117 początkowo zrekrutowanych. Część przypadków wykluczono z powodu błędów w wygenerowanych raportach, dlatego rezultaty dotyczące zrozumiałości nie obejmują wszystkich pierwotnie opracowanych dokumentów.

Po drugie, ocenę zrozumiałości oparto na kwestionariuszach przygotowanych na potrzeby badania. Chociaż autorzy wykazali ich dobrą spójność wewnętrzną, dostępne dane nie pozwalają określić, w jakim stopniu poprawa ocen kwestionariuszowych przekładałaby się na długoterminowe rozumienie choroby, przestrzeganie zaleceń lub podejmowanie decyzji zdrowotnych.

Po trzecie, w badaniu uczestniczyły osoby poddawane CMR, a mężczyźni stanowili 72% grupy analizowanej. Nie przedstawiono wystarczających danych do oceny skuteczności modeli w poszczególnych podgrupach demograficznych lub klinicznych.

Po czwarte, brak istotnych statystycznie różnic między GPT-5.2 a DeepSeek-V3.2 nie pozwala stwierdzić formalnej równoważności tych systemów.

Po piąte, dostępne streszczenie nie zawiera szczegółowych danych o częstości wszystkich rodzajów nieprawidłowości generowanych przez modele, pełnych rozkładach ocen ani wielkościach efektów dla poszczególnych wymiarów kwestionariusza.

W związku z tym przedstawione wyniki należy traktować jako ocenę wykonalności i potencjalnej przydatności określonego zastosowania modeli językowych, a nie jako kompleksową walidację technologii przeznaczonej do autonomicznego wykorzystania klinicznego.

Wnioski dla kardiologów i specjalistów diagnostyki obrazowej

Badanie wskazuje na możliwą korzyść wynikającą z wykorzystania dużych modeli językowych do opracowywania przystępniejszych wersji opisów CMR.

W analizowanej grupie uproszczone raporty wiązały się z wyższymi ocenami zrozumiałości niż opisy oryginalne. Nie wykazano statystycznie istotnej przewagi GPT-5.2 nad DeepSeek-V3.2 ani odwrotnie.

Jednocześnie wykryte błędy liczbowe i nieprawidłowa klasyfikacja nasilenia zmian pokazują, że generowanie czytelnych tekstów nie jest równoznaczne z zagwarantowaniem ich poprawności klinicznej.

Najważniejszym praktycznym wnioskiem jest zatem możliwość traktowania modeli językowych jako narzędzi wspomagających komunikację z pacjentem, ale nie jako substytutu specjalistycznej kontroli raportu.

Dalsze badania powinny pozwolić na ocenę niezawodności takich rozwiązań w większych i bardziej zróżnicowanych populacjach oraz określenie, czy poprawa zrozumiałości raportów przekłada się na wymierne korzyści w opiece nad pacjentami.