AI przewidzi raka trzustki nawet 5 lat wcześniej

Rak trzustki należy do najtrudniejszych do wykrycia nowotworów. Objawy pojawiają się późno, a gdy choroba zostaje zdiagnozowana, często zdążyła już się rozprzestrzenić. Naukowcy z Mayo Clinic zaprezentowali właśnie model sztucznej inteligencji, który analizując rutynowo gromadzone dane medyczne, potrafi wskazać osoby z podwyższonym ryzykiem zachorowania nawet pięć lat przed postawieniem diagnozy.

Wyniki przedstawiono podczas kongresu American College of Surgeons (ACS) Clinical Congress 2026 w Waszyngtonie. Zastrzeżenie jest istotne: materiały nie przeszły jeszcze recenzji naukowej, a sam model wymaga dalszych testów, zanim będzie mógł trafić do codziennej praktyki klinicznej.

Dlaczego rak trzustki wymaga nowego podejścia do wykrywania

Nowotwór trzustki odpowiada za około 3% wszystkich nowych przypadków nowotworów, ale powoduje blisko 8% zgonów z powodu raka. Ten rozdźwięk wynika z faktu, że choroba przez długi czas rozwija się bez widocznych symptomów, a rozpoznanie często następuje dopiero na etapie przerzutów.

Różnica w rokowaniach jest dramatyczna. Gdy nowotwór pozostaje zlokalizowany, odsetek pięcioletnich przeżyć względnych sięga około 44%. W sytuacji, gdy choroba rozprzestrzeniła się na odległe narządy, wskaźnik ten spada do zaledwie 3%. Wczesne wykrycie zmienia więc praktycznie wszystko.

Problem w tym, że rak trzustki występuje stosunkowo rzadko w całej populacji. Rutynowe badania przesiewowe wszystkich osób nie mają obecnie uzasadnienia ekonomicznego ani medycznego. Rozwiązaniem może być wyłonienie grupy podwyższonego ryzyka, która następnie zostałaby objęta dokładniejszą diagnostyką.

Jak działa model AI opracowany w Mayo Clinic

Zespół badawczy wykorzystał długoterminowe dane zdrowotne zgromadzone w systemie medycznym Mayo Clinic. Analizie poddano dokumentację elektroniczną blisko 40 tysięcy pacjentów oraz wyniki rutynowych badań laboratoryjnych zbieranych przez wiele lat.

W tej grupie znalazło się 6 066 osób, u których rozwinął się rak trzustki, oraz 33 396 pacjentów stanowiących grupę kontrolną. Historia kliniczna uczestników obejmowała od 7,5 do 19 lat, co pozwoliło modelowi uczyć się na długich sekwencjach zdarzeń medycznych.

Skuteczność przewidywania na przestrzeni lat

Model osiągnął pole pod krzywą ROC (AUROC) na poziomie 0,853 na pięć lat przed diagnozą w nieco mniejszej kohorcie pacjentów. Zaktualizowane dane wskazują na wartości 0,84 dla roku, 0,80 dla dwóch lat i 0,76 dla trzech lat przed rozpoznaniem. Skala AUROC rozciąga się od 0,5 (wynik nie lepszy niż losowy) do 1,0 (idealne rozróżnienie).

Badacze ocenili również pole pod krzywą precyzja-czułość (AUPRC), które wyniosło 0,712. Ten wskaźnik ma szczególne znaczenie przy analizie rzadkich zdarzeń, takich jak rak trzustki. Sprawdzono także kalibrację modelu, czyli zgodność przewidywanego ryzyka z rzeczywistą częstością zachorowań w badanej populacji. Nachylenie krzywej kalibracji wyniosło 1,08.

Które dane okazały się kluczowe

Jak wyjaśnił dr Cornelius Thiels, chirurg onkolog z Mayo Clinic, przewidywania modelu w dużej mierze opierały się na rutynowych badaniach krwi, zwłaszcza elementach morfologii, które pobiera się przy okazji innych konsultacji. Istotne okazały się również znane czynniki, takie jak cukrzyca, zapalenie trzustki i inne schorzenia tego narządu.

Co ciekawe, model wychwytywał także wzorce w pozornie niezwiązanych ze sobą kontaktach z systemem ochrony zdrowia. Żaden z tych sygnałów osobno nie wskazywałby na przyszłą diagnozę, ale algorytm nauczył się analizować, jak pojawiały się i zmieniały w czasie w całej historii pacjenta.

Najważniejszym odkryciem było to, że subtelne wzorce w całej ścieżce zdrowotnej pacjenta mogą ujawnić podwyższone ryzyko raka trzustki nawet pięć lat przed pierwszym udokumentowaniem diagnozy.
Chris Varghese, MBChB, analityk danych chirurgicznych w Mayo Clinic

Co oznaczają przewidywania modelu w praktyce

Autorzy badania podali przykład interpretacji wyników: wśród osób, u których model oszacował ryzyko zachorowania powyżej 50%, aż 88% otrzymało diagnozę raka trzustki w ciągu roku. To brzmi spektakularnie, ale trzeba pamiętać, że liczby te opisują skuteczność modelu na zbiorze badawczym. Nie dowodzą jeszcze, że wdrożenie systemu do rutynowej opieki poprawi wykrywalność choroby lub wyniki leczenia pacjentów.

Varghese zwraca uwagę, że sam wskaźnik AUROC to nie wszystko. Dla zastosowania klinicznego równie ważna jest kalibracja, czyli to, czy przewidywane ryzyko faktycznie pokrywa się z obserwowaną częstością raka. Kolejnym wyzwaniem jest ustalenie, jaki poziom przewidywanego ryzyka powinien skłonić do dodatkowej diagnostyki. Ten próg może się różnić w zależności od rodzaju badania, jego kosztów, ryzyka i potencjalnych korzyści z wcześniejszego wykrycia nowotworu.

Co dzieje się po oznaczeniu wysokiego ryzyka

Osobnym pytaniem pozostaje to, jakie kroki należy podjąć wobec osób zakwalifikowanych jako wysokiego ryzyka. Narzędzie predykcyjne mogłoby prowadzić do dodatkowych badań obrazowych, ale taka ścieżka wymaga zbalansowania korzyści płynących z wcześniejszego wykrycia nowotworu z ryzykiem, kosztami i niepokojem związanym z wynikami fałszywie dodatnimi.

Thiels przyznaje, że określenie optymalnego postępowania po oznaczeniu pacjenta jako wysokiego ryzyka należy do najbardziej złożonych i najważniejszych kolejnych kroków. Zespół liczy na to, że wyłonienie mniejszej, bardziej zagrożonej grupy sprawi, iż badania przesiewowe drugiego rzutu, takie jak tomografia komputerowa, rezonans magnetyczny, ultrasonografia endoskopowa czy testy biomarkerów we krwi, staną się skuteczniejsze i bardziej praktyczne.

Kolejne kroki i ograniczenia badania

Obecne wyniki to dopiero wstępny etap, a nie dowód na to, że model jest gotowy do stosowania jako test przesiewowy w kierunku raka trzustki. Naukowcy zaprojektowali system tak, aby opierał się przede wszystkim na danych już gromadzonych w placówkach medycznych, co ma ułatwić jego potencjalne wdrożenie.

Zespół przechodzi obecnie od analizy retrospektywnej do badań prospektywnych w Mayo Clinic. Planowana jest także ocena modelu w placówce spoza systemu Mayo oraz prace nad nowszymi metodami uczenia maszynowego, które mogą poprawić jego skuteczność.

Walidacja prospektywna ma kluczowe znaczenie, ponieważ algorytm może działać inaczej na pacjentach spoza zbioru, na którym został wytrenowany. Badacze będą musieli również sprawdzić, jak model radzi sobie w różnych systemach ochrony zdrowia i populacjach pacjentów.

Jeśli dalsze badania potwierdzą, że system potrafi rzetelnie identyfikować osoby zagrożone rakiem trzustki zanim pojawią się objawy, klinicyści mogliby zyskać kolejne narzędzie do podejmowania decyzji o objęciu pacjenta bliższym monitoringiem lub dodatkową diagnostyką. Na razie pozostaje cierpliwie czekać na wyniki testów prospektywnych.