Obawa jest uzasadniona — po prostu źle zastosowana
Lekarz, który ostatnio pojawiał się w mediach poświęconych technologiom medycznym, zwrócił uwagę na kwestię wartą poważnego rozważenia: ostrzegł, że sztuczna inteligencja może popełniać niebezpieczne błędy bez odpowiedniego kontekstu klinicznego. Ma całkowitą rację.
Jednak ta obawa, choć uzasadniona, dotyczy konkretnego rodzaju sztucznej inteligencji — takiej, która otrzymuje nieustrukturyzowane pytanie od osoby opisującej swoje objawy własnymi słowami i zwraca pewnie brzmiącą odpowiedź, nie mając możliwości sprawdzenia, jakich informacji nie otrzymała.
Ta obawa nie dotyczy w równym stopniu wszystkich narzędzi AI stosowanych w służbie zdrowia. Różnica między chatbotem a ustrukturyzowanym systemem sztucznej inteligencji nie jest kwestią stopnia. Ma ona charakter architektoniczny. Nigdzie ta różnica architektoniczna nie ma większego znaczenia niż w analizie wypadania włosów i stanu skóry głowy – dziedzinie, w której ten sam obraz może wynikać z tuzina zasadniczo różnych przyczyn, z których każda wymaga innego podejścia klinicznego.
Właśnie dlatego aplikacja Scalp Score firmy Orga Hair została zbudowana w taki sposób. W tym artykule wyjaśniamy, co to oznacza.
Główny problem: sztuczna inteligencja działająca „na ślepo”
Aby zrozumieć, dlaczego kontekst ma kluczowe znaczenie z architektonicznego punktu widzenia, warto przyjrzeć się temu, co dzieje się, gdy go brakuje.
Przełomowe badanie z 2024 roku opublikowane w czasopiśmie „Nature Medicine” oceniło obecne duże modele językowe w symulowanym środowisku klinicznym, wykorzystując 2 400 prawdziwych przypadków pacjentów. Wyniki były jednoznaczne: duże modele językowe (LLM) radziły sobie znacznie gorzej niż lekarze w zakresie diagnozy klinicznej, a co najważniejsze, ich wydajność pogarszała się jeszcze bardziej, gdy musiały samodzielnie gromadzić informacje kliniczne, zamiast otrzymywać je w uporządkowanej formie.1
Naukowcy doszli do wniosku, że bez ścisłego nadzoru lekarza autonomiczna sztuczna inteligencja „obniżyłaby jakość opieki, jaką otrzymują pacjenci”. Najważniejsze dla naszych celów ustalenie zawarte w artykule brzmi: niepowodzenie w gromadzeniu informacji nie jest kwestią drugorzędną. Jest to główny rodzaj awarii.
Dokładnie tak się dzieje, gdy ktoś wpisze „Wypadają mi włosy” do uniwersalnego chatbota opartego na sztucznej inteligencji. Sztuczna inteligencja nie ma mechanizmu, by zapytać, czy trzy miesiące temu pacjent rozpoczął przyjmowanie nowego leku. Nie wie, że u pacjenta stwierdzono zaburzenia czynności tarczycy. Nie może obejrzeć jego skóry głowy. Rozumuje wyłącznie na podstawie otrzymanych słów – i jak zauważono w szeroko zakrojonym przeglądzie opublikowanym w czasopiśmie „npj Artificial Intelligence”: „Większość badań milcząco zakłada, że dostępne informacje o pacjencie są wystarczające do postawienia diagnozy, co często się nie sprawdza, zwłaszcza podczas wstępnych konsultacji lub w przypadku złożonych chorób, co zwiększa ryzyko błędnej diagnozy”.2
Dlaczego wypadanie włosów jest właśnie niewłaściwą dziedziną dla nieustrukturyzowanej sztucznej inteligencji
Z zewnątrz wypadanie włosów wydaje się pozornie proste. Tak jednak nie jest.
Ten sam obraz kliniczny — rozproszone przerzedzenie w okolicy czubka głowy — może być spowodowany łysieniem androgenowym, wypadaniem włosów typu telogenowego wywołanym zaburzeniami czynności tarczycy, łysieniem wywołanym lekami przyjmowanymi od miesięcy, niedoborem składników odżywczych lub kombinacją kilku z tych czynników jednocześnie. Identyczne zdjęcia skóry głowy mogą wskazywać na zupełnie różne kierunki kliniczne w zależności od informacji, których samo zdjęcie nie jest w stanie przekazać.
Problem historii stosowania leków
Nie jest to kwestia czysto teoretyczna. W 2025 r. opublikowano w czasopiśmie „Frontiers in Pharmacology” wyniki szeroko zakrojonego badania farmakologicznego, oparte na danych z Systemu Zgłaszania Działań Niepożądanych FDA, zidentyfikowało 64 leki wykazujące istotne sygnały łysienia — i wykazało, że w przypadku 23,4% z nich wypadanie włosów nie zostało wymienione jako działanie niepożądane w oficjalnych amerykańskich informacjach dotyczących przepisywania leków.3 Ta luka oznacza, że pacjenci doświadczający wypadania włosów wywołanego lekami mogą nie mieć powodu, by powiązać swoje wypadanie włosów z przyjmowanymi lekami — a żaden system sztucznej inteligencji, otrzymujący jedynie ich opis wypadania włosów, również nie ma takiej możliwości.
Problem czasowy dodatkowo pogłębia tę sytuację. Jak zauważa „Journal of the American Academy of Dermatology” w swoich wytycznych klinicznych dotyczących łysienia wywołanego lekami, diagnoza wymaga zweryfikowania związku czasowego między rozpoczęciem przyjmowania leku a wystąpieniem wypadania włosów.4 Łysienie telogenowe – najczęstsza postać łysienia wywołanego lekami – staje się klinicznie widoczne dopiero po okresie utajenia trwającym od dwóch do czterech miesięcy od rozpoczęcia stosowania czynnika wywołującego.3 Osoba, która rozpoczęła przyjmowanie nowego leku w styczniu, może nie zauważyć znaczącego wypadania włosów aż do marca lub kwietnia. Bez zapisu obu zdarzeń opatrzonego datą i godziną związek ten pozostaje niewidoczny — zarówno dla pacjenta, jak i dla chatbota oraz dla każdego systemu sztucznej inteligencji działającego w oparciu o pojedynczy migawkę.
Wpływ tarczycy
Obraz kliniczny dodatkowo komplikuje stan tarczycy, który może powodować wypadanie włosów w sposób wizualnie podobny do łysienia androgenowego, ale wymagający zupełnie innych metod leczenia. Zarówno niedoczynność, jak i nadczynność tarczycy wiążą się z rozlanym wypadaniem włosów, charakteryzującym się jednak różnymi cechami strukturalnymi.5 Współwystępowanie zaburzeń czynności tarczycy i łysienia androgenowego jest udokumentowane klinicznie, a gdy oba schorzenia występują jednocześnie, wynikający z tego wzór wypadania włosów może znacznie różnić się od tego charakterystycznego dla każdego z tych schorzeń osobno.5
Co istotne, jak wykazały badania kliniczne, wypadanie włosów związane z tarczycą nie reaguje na terapie blokujące DHT, takie jak finasteryd — co oznacza, że zalecenia odpowiednie w przypadku łysienia androgenowego mogą być całkowicie nieodpowiednie dla osoby, u której wypadanie włosów jest spowodowane zaburzeniami tarczycy.5 System sztucznej inteligencji, który nie posiada informacji o historii chorób tarczycy, nie jest w stanie dokonać tego rozróżnienia. System sztucznej inteligencji, który otrzymuje ustrukturyzowane informacje na temat stanu tarczycy, aktualnie przyjmowanych leków oraz momentu wystąpienia objawów, dysponuje przynajmniej tymi danymi, na podstawie których może działać.

Rozwiązanie architektoniczne: kontekst przede wszystkim
Aplikacja Scalp Score nie rozpoczyna się od analizy AI. Zaczyna się od Twoich odpowiedzi — i właśnie w tej kolejności tkwi cała istota sprawy.
Zanim Scalp Score Pro odczyta choćby jedno zdjęcie, pytania profilowe aplikacji — na które odpowiadasz we własnym tempie — gromadzą kontekst niezbędny do analizy:
- Obecne i ostatnio przyjmowane leki, w tym środki przeciw wypadaniu włosów (minoksydyl, finasteryd, serum peptydowe), hormonalne środki antykoncepcyjne, leki na tarczycę, leki przeciwdepresyjne i przeciwzakrzepowe
- Znany stan tarczycy i wszelkie niedawne zmiany hormonalne
- Czas trwania wypadania włosów i jego związek z ewentualnymi zmianami w życiu lub nowymi metodami leczenia
- Historia leczenia — w tym jakie metody były wypróbowane i jak długo
- Zdjęcia obszarów skóry głowy wskazanych w odpowiedziach, wykonane własnym telefonem
Nie jest to kwestia estetyczna. W ten sposób analiza zyskuje odpowiedni kontekst. Przegląd literatury z 2025 r. opublikowany w czasopiśmie „Journal of Medical Internet Research” — obejmujący 24 technologie sztucznej inteligencji stosowane w kwestionariuszach medycznych — wykazał, że ustrukturyzowane systemy zbierania danych oparte na sztucznej inteligencji mają znaczny potencjał w zakresie poprawy skuteczności diagnostycznej oraz wspierania wcześniejszej i dokładniejszej interwencji klinicznej właśnie dlatego, że wymuszają kompletność danych, której nie mogą zagwarantować interakcje nieustrukturyzowane.6
Kluczowy wniosek z tych badań jest prosty: adaptacyjne, ustrukturyzowane pytania pozwalają uchwycić informacje, których pacjenci nie podaliby spontanicznie, ponieważ nie wiedzą, co ma znaczenie kliniczne. Osoba doświadczająca łysienia telogenowego trzy miesiące po rozpoczęciu przyjmowania nowego leku na nadciśnienie prawdopodobnie nie wspomni o tym leku, chyba że zostanie o to bezpośrednio zapytana. Kwestionariusz o to pyta. Chatbot – nie.

Wymiar podłużny: śledzenie zmian w czasie
Pojedyncza ocena kliniczna odzwierciedla tylko jeden moment. Wypadanie włosów to proces. Różnica między tymi dwoma rzeczami stanowi obszar, w którym większość narzędzi zdrowotnych opartych na sztucznej inteligencji przeznaczonych dla konsumentów zawodzi najbardziej.
Aplikacja Scalp Score została zaprojektowana, aby pomóc Ci śledzić zmiany w czasie — jest to dziennik zdjęć zawierający Twoje własne fotografie z porównaniem „obok siebie”, notatkami z dni mycia włosów, informacjami o rozpoczęciu przyjmowania leku oraz Twoim wynikiem w czasie. Ma to znaczenie z dwóch powodów.
Po pierwsze, tworzy on opatrzony datą zapis postępu lub regresji, a właśnie tego rodzaju dane badanie opublikowane w czasopiśmie „Frontiers in Pharmacology” określa jako niezbędne do ustalenia zależności czasowej między rozpoczęciem przyjmowania leku a początkiem wypadania włosów.3 Osoba, która rozpoczyna przyjmowanie nowego leku, regularnie fotografuje swoją skórę głowy i zauważa zwiększone wypadanie włosów dwa lub trzy miesiące później, dysponuje udokumentowanym zapisem obu tych zjawisk — jest to związek, którego pojedyncze zdjęcie nigdy nie byłoby w stanie pokazać.
Po drugie, cyfrowe monitorowanie zdrowia w ujęciu podłużnym ma udokumentowaną historię poprawy wyników w schorzeniach wymagających ciągłego leczenia. Badania opublikowane w czasopiśmie „npj Digital Medicine”, obejmujące 16 797 pacjentów uczestniczących w cyfrowym systemie zarządzania zdrowiem, wykazały znaczne zmniejszenie liczby niekorzystnych wyników w porównaniu z konwencjonalną opieką epizodyczną — odkrycie to naukowcy przypisali konkretnie „ciągłej, długoterminowej opiece”, którą umożliwia monitorowanie cyfrowe.7
Wypadanie włosów jest właśnie tego rodzaju schorzeniem. Nie da się go wyleczyć podczas jednej wizyty. Zmienia się ono na przestrzeni tygodni i miesięcy. Dlatego śledzenie postępów w aplikacji Scalp Score — dziennik zdjęć, wizyty kontrolne, wyniki w czasie — jest bezpłatne, a nie płatną opcją dodatkową.
Czego aplikacja nie zrobi
Ustrukturyzowany kontekst i długoterminowe śledzenie dają sztucznej inteligencji więcej danych do analizy. Istnieje jednak odrębna kwestia architektoniczna: jakie wyniki sztuczna inteligencja może generować?
W aplikacji Scalp Score niektóre elementy są całkowicie wyłączone z zakresu działania sztucznej inteligencji i obsługiwane zamiast tego przez stałe reguły w telefonie:
- Twój wynik Scalp Score jest obliczany w telefonie na podstawie stałych reguł, nigdy przez sztuczną inteligencję; raport może go zmienić jedynie poprzez reguły sprawdzone przez osobę, maksymalnie o jeden przedział na każdą część
- Komunikaty dotyczące bezpieczeństwa wynikają z odrębnego zestawu reguł, opartych na tym, co zgłaszasz, a nie na zdjęciu, i kierują cię do lekarza pierwszego kontaktu lub dermatologa
- Produkty stosowane w ramach rutynowej pielęgnacji to kosmetyki (a w Polsce – produkty dostępne bez recepty w aptekach), nigdy produkty na receptę
Scalp Score Pro generuje raport składający się z pięciu części — „Dzisiaj”, „Gdzie”, „Dlaczego”, „Plan” i „Obserwuj” — który opisuje, co pokazują Twoje zdjęcia i odpowiedzi, jest umieszczany obok Twoich wcześniejszych raportów i wskazuje, czego nie udało się ocenić.
Taki sposób ujęcia jest zamierzony: chodzi o opis, a nie diagnozę; o to, co wspiera zdrowie skóry głowy, a nie o receptę.
Rola lekarza
Wszystko to ma wymiar praktyczny, który często jest pomijany w debacie na temat sztucznej inteligencji w służbie zdrowia: większość osób doświadczających wypadania włosów nie ma natychmiastowego dostępu do dermatologa.
Czas oczekiwania na wizytę jest różny. Koszt kolejnych konsultacji stanowi barierę. A co być może najważniejsze, jakość informacji, które pacjent może przedstawić podczas wizyty u specjalisty, jest często niska — niejasne opisy tego, kiedy wszystko się zaczęło, niepewne wspomnienia dotyczące leków, brak wizualnej dokumentacji zmian stanu skóry głowy.
Aplikacja Scalp Score pomaga rozwiązać ten ostatni problem. Kilka tygodni regularnych wizyt i zdjęć z „Foto-dziennika” zapewnia daty, własne zdjęcia oraz historię przyjmowanych leków, które można przedstawić lekarzowi pierwszego kontaktu lub dermatologowi — zamiast zaczynać od zera stwierdzeniem: „Od jakiegoś czasu wypadają mi włosy”.
Aplikacja nie zastępuje lekarza. Pomaga jednak w prowadzeniu dokumentacji, dzięki czemu na wizytę przychodzisz z czymś więcej niż tylko wspomnieniami.
Podsumowanie
Lekarz, który wyraził obawy dotyczące sztucznej inteligencji w służbie zdrowia, zwrócił uwagę na rzeczywisty i istotny problem. Sztuczna inteligencja pozbawiona kontekstu, zastosowana do złożonych zagadnień klinicznych, może generować wyniki brzmiące wiarygodnie, ale błędne z klinicznego punktu widzenia — a w kontekście zdrowia ma to znaczenie.
Jednak rozwiązaniem problemu złej sztucznej inteligencji nie jest rezygnacja z niej. Jest nim sztuczna inteligencja zaprojektowana z uwzględnieniem danych klinicznych, ograniczeń strukturalnych oraz epistemicznej pokory, których wymaga ta dziedzina.
Aplikacja Scalp Score została stworzona z myślą właśnie o tych kwestiach. Odpowiedzi są podawane jako pierwsze, aby rozwiązać problem kontekstowy. Codzienne zgłoszenia i dziennik zdjęć mają na celu pomoc w rozwiązaniu problemu czasowego. Stałe zasady dotyczące oceny oraz komunikaty dotyczące bezpieczeństwa mają na celu rozwiązanie problemu granic. A jasne stwierdzenie, że aplikacja ma charakter edukacyjny i nie zastępuje porady lekarza, ma na celu rozwiązanie problemu odpowiedzialności.
Innymi słowy, kwestia ta nie jest jedynie uwzględniona. Stanowi ona podstawę, na której oparto projekt systemu.
Bibliografia
- Kanjee, Z. i in. (2024). Ocena i łagodzenie ograniczeń dużych modeli językowych w podejmowaniu decyzji klinicznych. Nature Medicine, 30, 2613–2622. Przeczytaj badanie
- Liu, S. i in. (2025). Duże modele językowe w diagnostyce chorób: przegląd zakresu. npj Artificial Intelligence, 2, 11. Przeczytaj badanie
- Wen, Y. i in. (2025). Wnioski z praktycznego nadzoru nad bezpieczeństwem farmakoterapii dotyczące ryzyka łysienia wywołanego lekami. Frontiers in Pharmacology, 16, 1703423. Przeczytaj badanie
- Alhanshali, L. i in. (2023). Łysienie wywołane lekami: aktualizacja. Journal of the American Academy of Dermatology, suplement. Przeczytaj badanie
- Vincent, M. i Yogiraj, K. (2013). Badanie opisowe wzorców łysienia i ich związku z zaburzeniami czynności tarczycy. International Journal of Trichology, 5(1), 57–60. Przeczytaj badanie
- Liu, Z. i in. (2025). Sztuczna inteligencja w kwestionariuszach medycznych: przegląd zakresu. Journal of Medical Internet Research, 27, e72398. Przeczytaj badanie
- Zhao, K. i in. (2025). Skuteczność cyfrowej opieki zdrowotnej w poprawie wyników klinicznych u pacjentów z chorobą wieńcową po wypisaniu ze szpitala. npj Digital Medicine, 8, 372. Przeczytaj badanie