DeepMind AI co-clinician: u slijepoj evaluaciji 98 primary care upita liječnici preferirali sustav nad vodećim alatima, nula kritičnih grešaka u 97/98 slučajeva

Google DeepMind je 30. travnja 2026. službeno najavio AI co-clinician istraživačku inicijativu, model koji autori opisuju kao “triadic care” — paradigmu u kojoj AI agent asistira pacijentima u tijeku skrbi pod kliničkim autoritetom njihovog liječnika. Ideja je proširiti doseg liječničkog tima, a istovremeno osigurati da liječnik zadržava prosudbu i kontrolu nad odlukama. Inicijativa nadograđuje raniji DeepMindov rad na MedPaLM-u (medicinski testovi znanja) i AMIE-u (simulirane medicinske konzultacije s pacijentima u feasibility studijama).

Što triadic care znači u praksi?

Triadic care je trijada pacijent–liječnik–AI agent gdje AI ulazi kao “novi suigrač na terenu”, a ne kao zamjena za liječnika. Medicina je oduvijek timski sport, argumentiraju autori — Alan Karthikesalingam, Vivek Natarajan i Pushmeet Kohli — i AI agenti mogu donijeti više članova tima u igru, dok kliničar i dalje drži medicinsku odgovornost. Sustav je dizajniran i testiran u dva odvojena pravca: da podupire liječnika (clinician-facing) i da komunicira s pacijentom (patient-facing).

Kako su autori mjerili kvalitetu odgovora?

DeepMind je u suradnji s akademskim liječnicima prilagodio NOHARM framework, pristup koji odvojeno mjeri “errors of commission” (netočne informacije) i “errors of omission” (propusti kritičnih informacija). U slijepim head-to-head evaluacijama liječnici su konzistentno preferirali odgovore AI co-clinicianu nad onima vodećih alata za sintezu dokaza. Na objektivnoj analizi 98 realističnih primary care upita sustav je zabilježio nula kritičnih grešaka u 97 slučajeva, što je poboljšanje nad dva AI sustava koje liječnici široko koriste u praksi.

Što je s kvalitetom upita i metodologijom?

Studija je koristila slijepu usporedbu 98 realističnih primary care upita prikupljenih iz raznolikih izvora i naknadno rafiniranih od panela liječnika. Multi-step iterativni proces uključivao je pozadinsko istraživanje i razvoj metrika specifičnih za pojedini upit, što je omogućilo precizno mjerenje konsenzusnih grešaka omission i commission. Cilj je bio osigurati da evaluacija reflektira kompleksnost stvarnog kliničkog odlučivanja, a ne testira sustav na pojednostavljenim slučajevima.

Zašto je ovo prijelomna točka?

Većina dosadašnjih medicinskih AI rezultata bila je u režimu ispitnih pitanja ili simuliranih konzultacija. Co-clinician se prvi put pozicionira kao komponenta klinike u kojoj liječnik zadržava autoritet, a AI agent radi pored njega — što DeepMind smatra preduvjetom za kliničku adopciju. Globalni nedostatak zdravstvenih radnika koji Svjetska zdravstvena organizacija procjenjuje na više od 10 milijuna do 2030. čini ovu vrstu skaliranja ekonomski potrebnu, a evaluacijski rezultat sugerira da AI više nije samo asistent koji nadopunjava medicinske testove znanja.