{"id":33216,"date":"2026-03-04T05:00:00","date_gmt":"2026-03-04T04:00:00","guid":{"rendered":"https:\/\/sii.pl\/blog\/?p=33216"},"modified":"2026-05-07T12:24:32","modified_gmt":"2026-05-07T10:24:32","slug":"sztuczna-inteligencja-w-sluzbie-badan-klinicznych","status":"publish","type":"post","link":"https:\/\/sii.pl\/blog\/sztuczna-inteligencja-w-sluzbie-badan-klinicznych\/","title":{"rendered":"Sztuczna inteligencja w s\u0142u\u017cbie bada\u0144 klinicznych"},"content":{"rendered":"\n<p>Gdy si\u0119gamy po tabletk\u0119 przeciwb\u00f3low\u0105, antybiotyk czy lek na nadci\u015bnienie, rzadko my\u015blimy, ile pracy stoi za tym, \u017ceby dana substancja mog\u0142a trafi\u0107 do apteki. W tym artykule nie chodzi o suplementy diety, kt\u00f3re cz\u0119sto wchodz\u0105 na rynek bez tak rygorystycznej weryfikacji. Mowa o lekach, kt\u00f3re musz\u0105 wykaza\u0107 zar\u00f3wno bezpiecze\u0144stwo, jak i skuteczno\u015b\u0107, zanim zostan\u0105 zastosowane u pacjent\u00f3w.<\/p>\n\n\n\n<p>Ta pewno\u015b\u0107 nie bierze si\u0119 znik\u0105d \u2013 opiera si\u0119 na badaniach klinicznych, czyli <strong>jednym z najbardziej wymagaj\u0105cych proces\u00f3w w ca\u0142ej nauce i medycynie<\/strong>. Badania kliniczne s\u0105 wieloetapowe, trwaj\u0105 latami i kosztuj\u0105 ogromne pieni\u0105dze \u2013 ale to w\u0142a\u015bnie dzi\u0119ki nim mo\u017cemy m\u00f3wi\u0107 o medycynie opartej na dowodach (ang. evidence-based medicine).<\/p>\n\n\n\n<p>Badania kliniczne to nie \u201epapierologia\u201d do odhaczenia. To seria zaplanowanych eksperyment\u00f3w na ludziach, kt\u00f3re maj\u0105 odpowiedzie\u0107 na podstawowe pytania: Czy lek jest bezpieczny? Czy dzia\u0142a? W jakiej dawce? U jakiej grupy pacjent\u00f3w? Jakie s\u0105 dzia\u0142ania niepo\u017c\u0105dane i jak cz\u0119sto wyst\u0119puj\u0105?<\/p>\n\n\n\n<p>W literaturze cz\u0119sto podaje si\u0119, \u017ce <strong>ca\u0142y proces<\/strong> \u2013 od pierwszych eksperyment\u00f3w laboratoryjnych do leku dost\u0119pnego dla pacjent\u00f3w \u2013 <strong>mo\u017ce trwa\u0107 oko\u0142o 10-15 lat<\/strong>, a koszt doprowadzenia jednego leku do rynku bywa szacowany na kilka miliard\u00f3w dolar\u00f3w. Co wi\u0119cej, znaczna cz\u0119\u015b\u0107 kandydat\u00f3w odpada po drodze: w przybli\u017ceniu tylko niewielki odsetek substancji testowanych w badaniach klinicznych ostatecznie trafia do aptek.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\"><strong>Badania kliniczne: od laboratorium do apteki<\/strong><\/h2>\n\n\n\n<p>Badania kliniczne to badania prowadzone z udzia\u0142em ludzi, zaprojektowane tak, aby w kontrolowanych warunkach oceni\u0107 bezpiecze\u0144stwo i skuteczno\u015b\u0107 interwencji medycznej. Najcz\u0119\u015bciej chodzi o nowe leki, ale badania kliniczne dotycz\u0105 te\u017c wyrob\u00f3w medycznych, procedur, szczepionek czy terapii kom\u00f3rkowych.<\/p>\n\n\n\n<p>Zanim jednak nowa substancja zostanie podana pierwszemu cz\u0142owiekowi, przechodzi etap bada\u0144 przedklinicznych \u2013 zwykle w laboratorium (np. na liniach kom\u00f3rkowych) oraz na modelach zwierz\u0119cych. Dopiero gdy te wyniki s\u0105 wystarczaj\u0105co obiecuj\u0105ce i spe\u0142niaj\u0105 wymagania bezpiecze\u0144stwa, rozpoczyna si\u0119 cz\u0119\u015b\u0107 kliniczna.<\/p>\n\n\n\n<p>Dla zobrazowania przyjmijmy prost\u0105 ilustracj\u0119: gdyby\u015bmy startowali z 1000 potencjalnych kandydat\u00f3w na lek, tylko cz\u0119\u015b\u0107 z nich przejdzie do faz klinicznych, a na rynek trafi\u0105 pojedyncze. Powody s\u0105 r\u00f3\u017cne: brak skuteczno\u015bci u ludzi, toksyczno\u015b\u0107, problemy z rekrutacj\u0105, nieop\u0142acalno\u015b\u0107, konkurencja, zmiany standardu leczenia w trakcie programu rozwojowego \u2013 lista jest d\u0142uga.<\/p>\n\n\n\n<figure data-wp-context=\"{&quot;uploadedSrc&quot;:&quot;https:\\\/\\\/sii.pl\\\/blog\\\/wp-content\\\/uploads\\\/2026\\\/02\\\/image1-5.png&quot;,&quot;figureClassNames&quot;:&quot;wp-block-image aligncenter size-large&quot;,&quot;figureStyles&quot;:null,&quot;imgClassNames&quot;:&quot;wp-image-33217&quot;,&quot;imgStyles&quot;:null,&quot;targetWidth&quot;:2744,&quot;targetHeight&quot;:1779,&quot;scaleAttr&quot;:false,&quot;ariaLabel&quot;:&quot;Powi\\u0119ksz obrazek: Lejek rozwoju leku \\u2013 tylko niewielki odsetek kandydat\\u00f3w osi\\u0105ga rynek. Wska\\u017aniki sukcesu pokazuj\\u0105 prawdopodobie\\u0144stwo przej\\u015bcia do kolejnej fazy&quot;,&quot;alt&quot;:&quot;Lejek rozwoju leku \\u2013 tylko niewielki odsetek kandydat\\u00f3w osi\\u0105ga rynek. Wska\\u017aniki sukcesu pokazuj\\u0105 prawdopodobie\\u0144stwo przej\\u015bcia do kolejnej fazy&quot;}\" data-wp-interactive=\"core\/image\" class=\"wp-block-image aligncenter size-large wp-lightbox-container\"><img decoding=\"async\" width=\"1024\" height=\"664\" data-wp-init=\"callbacks.setButtonStyles\" data-wp-on-async--click=\"actions.showLightbox\" data-wp-on-async--load=\"callbacks.setButtonStyles\" data-wp-on-async-window--resize=\"callbacks.setButtonStyles\" src=\"https:\/\/sii.pl\/blog\/wp-content\/uploads\/2026\/02\/image1-5-1024x664.png\" alt=\"Lejek rozwoju leku \u2013 tylko niewielki odsetek kandydat\u00f3w osi\u0105ga rynek. Wska\u017aniki sukcesu pokazuj\u0105 prawdopodobie\u0144stwo przej\u015bcia do kolejnej fazy\" class=\"wp-image-33217\" srcset=\"https:\/\/sii.pl\/blog\/wp-content\/uploads\/2026\/02\/image1-5-1024x664.png 1024w, https:\/\/sii.pl\/blog\/wp-content\/uploads\/2026\/02\/image1-5-300x194.png 300w, https:\/\/sii.pl\/blog\/wp-content\/uploads\/2026\/02\/image1-5-768x498.png 768w, https:\/\/sii.pl\/blog\/wp-content\/uploads\/2026\/02\/image1-5-1536x996.png 1536w, https:\/\/sii.pl\/blog\/wp-content\/uploads\/2026\/02\/image1-5-2048x1328.png 2048w\" sizes=\"(max-width: 1024px) 100vw, 1024px\" \/><button\n\t\t\tclass=\"lightbox-trigger\"\n\t\t\ttype=\"button\"\n\t\t\taria-haspopup=\"dialog\"\n\t\t\taria-label=\"Powi\u0119ksz obrazek: Lejek rozwoju leku \u2013 tylko niewielki odsetek kandydat\u00f3w osi\u0105ga rynek. Wska\u017aniki sukcesu pokazuj\u0105 prawdopodobie\u0144stwo przej\u015bcia do kolejnej fazy\"\n\t\t\tdata-wp-init=\"callbacks.initTriggerButton\"\n\t\t\tdata-wp-on-async--click=\"actions.showLightbox\"\n\t\t\tdata-wp-style--right=\"context.imageButtonRight\"\n\t\t\tdata-wp-style--top=\"context.imageButtonTop\"\n\t\t>\n\t\t\t<svg xmlns=\"http:\/\/www.w3.org\/2000\/svg\" width=\"12\" height=\"12\" fill=\"none\" viewBox=\"0 0 12 12\">\n\t\t\t\t<path fill=\"#fff\" d=\"M2 0a2 2 0 0 0-2 2v2h1.5V2a.5.5 0 0 1 .5-.5h2V0H2Zm2 10.5H2a.5.5 0 0 1-.5-.5V8H0v2a2 2 0 0 0 2 2h2v-1.5ZM8 12v-1.5h2a.5.5 0 0 0 .5-.5V8H12v2a2 2 0 0 1-2 2H8Zm2-12a2 2 0 0 1 2 2v2h-1.5V2a.5.5 0 0 0-.5-.5H8V0h2Z\" \/>\n\t\t\t<\/svg>\n\t\t<\/button><figcaption class=\"wp-element-caption\">Ryc. 1 Lejek rozwoju leku \u2013 tylko niewielki odsetek kandydat\u00f3w osi\u0105ga rynek. Wska\u017aniki sukcesu pokazuj\u0105 prawdopodobie\u0144stwo przej\u015bcia do kolejnej fazy<\/figcaption><\/figure>\n\n\n\n<h2 class=\"wp-block-heading\"><strong>Fazy bada\u0144 klinicznych: d\u0142uga droga do sukcesu<\/strong><\/h2>\n\n\n\n<p>Badania kliniczne dziel\u0105 si\u0119 na fazy. Ka\u017cda z nich ma inny cel, skal\u0119, bud\u017cet i typowe ryzyka. Poni\u017cej opisz\u0119 je w spos\u00f3b mo\u017cliwie przyst\u0119pny \u2013 tak, aby \u0142atwiej by\u0142o zrozumie\u0107, dlaczego ryzyko niepowodzenia jest tak du\u017ce. Oczywi\u015bcie, koszty r\u00f3\u017cni\u0105 si\u0119 znacz\u0105co w zale\u017cno\u015bci od obszaru terapeutycznego, ale podaj\u0119 tutaj pewne warto\u015bci przybli\u017cone.<\/p>\n\n\n\n<h3 class=\"wp-block-heading\"><strong>Faza 0: Mikrodawkowanie<\/strong><\/h3>\n\n\n\n<p>To etap rzadziej spotykany, czasem pomijany. Niewielkiej grupie ochotnik\u00f3w (np. 10-15 os\u00f3b) podaje si\u0119 bardzo ma\u0142e, subterapeutyczne dawki leku, \u017ceby sprawdzi\u0107, jak substancja zachowuje si\u0119 w organizmie cz\u0142owieka (farmakokinetyka) oraz czy pojawiaj\u0105 si\u0119 sygna\u0142y alarmowe. Nie chodzi jeszcze o leczenie \u2013 raczej o wczesn\u0105 \u201epr\u00f3b\u0119 generaln\u0105\u201d.<\/p>\n\n\n\n<ul class=\"wp-block-list\">\n<li>Czas trwania: zwykle kr\u00f3tki.<\/li>\n\n\n\n<li>Koszt: ok. 1-2 mln dolar\u00f3w (orientacyjnie).<\/li>\n<\/ul>\n\n\n\n<h3 class=\"wp-block-heading\"><strong>Faza I: Bezpiecze\u0144stwo i dawkowanie<\/strong><\/h3>\n\n\n\n<p>W fazie I najwa\u017cniejsze jest bezpiecze\u0144stwo. Lek testuje si\u0119 na ma\u0142ej grupie zdrowych ochotnik\u00f3w (cz\u0119sto 20-80 os\u00f3b), a w niekt\u00f3rych wskazaniach, np. w onkologii, na pacjentach. Sprawdza si\u0119 tolerancj\u0119, zakres dawek, metabolizm, wydalanie oraz wczesne dzia\u0142ania niepo\u017c\u0105dane.<\/p>\n\n\n\n<ul class=\"wp-block-list\">\n<li>Czas trwania: 1-2 lata.<\/li>\n\n\n\n<li>Koszt: 4-7 mln dolar\u00f3w.<\/li>\n\n\n\n<li>Typowe ryzyka: Toksyczno\u015b\u0107, problemy z rekrutacj\u0105.<\/li>\n<\/ul>\n\n\n\n<h3 class=\"wp-block-heading\"><strong>Faza II: Skuteczno\u015b\u0107 i dalsza ocena bezpiecze\u0144stwa<\/strong><\/h3>\n\n\n\n<p>Je\u015bli lek przejdzie faz\u0119 I, trafia do pacjent\u00f3w z chorob\u0105, kt\u00f3r\u0105 ma leczy\u0107. Skala ro\u015bnie (cz\u0119sto 100-300 os\u00f3b), a kluczowym pytaniem staje si\u0119: Czy lek rzeczywi\u015bcie dzia\u0142a w praktyce klinicznej? Jednocze\u015bnie nadal zbiera si\u0119 dane o bezpiecze\u0144stwie. To etap, na kt\u00f3rym bardzo wiele projekt\u00f3w odpada \u2013 substancja mo\u017ce by\u0107 obiecuj\u0105ca w modelach laboratoryjnych, ale w populacji pacjent\u00f3w nie przynosi wystarczaj\u0105cej korzy\u015bci albo ma nieakceptowalne dzia\u0142ania uboczne.<\/p>\n\n\n\n<ul class=\"wp-block-list\">\n<li>Czas trwania: 2-3 lata.<\/li>\n\n\n\n<li>Koszt: 13-20 mln dolar\u00f3w.<\/li>\n\n\n\n<li>Typowe ryzyka: Brak skuteczno\u015bci, b\u0142\u0119dy w projekcie badania.<\/li>\n<\/ul>\n\n\n\n<h3 class=\"wp-block-heading\"><strong>Faza III: Badania na du\u017c\u0105 skal\u0119<\/strong><\/h3>\n\n\n\n<p>Faza III to zwykle najwi\u0119kszy i najdro\u017cszy etap. Badania obejmuj\u0105 setki do tysi\u0119cy pacjent\u00f3w (cz\u0119sto 1000-3000, czasem wi\u0119cej) i s\u0105 prowadzone w wielu o\u015brodkach, nieraz w wielu krajach. Sprawdza si\u0119 skuteczno\u015b\u0107 i bezpiecze\u0144stwo w warunkach zbli\u017conych do realnej praktyki oraz por\u00f3wnuje leczenie z obowi\u0105zuj\u0105cym standardem (np. placebo albo najlepsz\u0105 dost\u0119pn\u0105 terapi\u0105).<\/p>\n\n\n\n<p>Niepowodzenie w fazie III jest szczeg\u00f3lnie dotkliwe, bo na tym etapie koszty s\u0105 ju\u017c bardzo wysokie, a program rozwojowy jest zaawansowany. Jedno nieudane badanie potrafi oznacza\u0107 strat\u0119 dziesi\u0105tek lub setek milion\u00f3w dolar\u00f3w.<\/p>\n\n\n\n<ul class=\"wp-block-list\">\n<li>Czas trwania: 3-4 lata.<\/li>\n\n\n\n<li>Koszt: 50-100+ mln dolar\u00f3w.<\/li>\n\n\n\n<li>Typowe ryzyka: Moc statystyczna, logistyka, konkurencja.<\/li>\n<\/ul>\n\n\n\n<figure data-wp-context=\"{&quot;uploadedSrc&quot;:&quot;https:\\\/\\\/sii.pl\\\/blog\\\/wp-content\\\/uploads\\\/2026\\\/02\\\/image2-4.png&quot;,&quot;figureClassNames&quot;:&quot;wp-block-image aligncenter size-large&quot;,&quot;figureStyles&quot;:null,&quot;imgClassNames&quot;:&quot;wp-image-33219&quot;,&quot;imgStyles&quot;:null,&quot;targetWidth&quot;:3168,&quot;targetHeight&quot;:1574,&quot;scaleAttr&quot;:false,&quot;ariaLabel&quot;:&quot;Powi\\u0119ksz obrazek: Koszty, czas trwania i wska\\u017aniki sukcesu w poszczeg\\u00f3lnych fazach. Faza II ma zwykle najni\\u017cszy wska\\u017anik powodzenia, a faza III jest najdro\\u017csza&quot;,&quot;alt&quot;:&quot;Koszty, czas trwania i wska\\u017aniki sukcesu w poszczeg\\u00f3lnych fazach. Faza II ma zwykle najni\\u017cszy wska\\u017anik powodzenia, a faza III jest najdro\\u017csza&quot;}\" data-wp-interactive=\"core\/image\" class=\"wp-block-image aligncenter size-large wp-lightbox-container\"><img decoding=\"async\" width=\"1024\" height=\"509\" data-wp-init=\"callbacks.setButtonStyles\" data-wp-on-async--click=\"actions.showLightbox\" data-wp-on-async--load=\"callbacks.setButtonStyles\" data-wp-on-async-window--resize=\"callbacks.setButtonStyles\" src=\"https:\/\/sii.pl\/blog\/wp-content\/uploads\/2026\/02\/image2-4-1024x509.png\" alt=\"Koszty, czas trwania i wska\u017aniki sukcesu w poszczeg\u00f3lnych fazach. Faza II ma zwykle najni\u017cszy wska\u017anik powodzenia, a faza III jest najdro\u017csza\" class=\"wp-image-33219\" srcset=\"https:\/\/sii.pl\/blog\/wp-content\/uploads\/2026\/02\/image2-4-1024x509.png 1024w, https:\/\/sii.pl\/blog\/wp-content\/uploads\/2026\/02\/image2-4-300x149.png 300w, https:\/\/sii.pl\/blog\/wp-content\/uploads\/2026\/02\/image2-4-768x382.png 768w, https:\/\/sii.pl\/blog\/wp-content\/uploads\/2026\/02\/image2-4-1536x763.png 1536w, https:\/\/sii.pl\/blog\/wp-content\/uploads\/2026\/02\/image2-4-2048x1018.png 2048w\" sizes=\"(max-width: 1024px) 100vw, 1024px\" \/><button\n\t\t\tclass=\"lightbox-trigger\"\n\t\t\ttype=\"button\"\n\t\t\taria-haspopup=\"dialog\"\n\t\t\taria-label=\"Powi\u0119ksz obrazek: Koszty, czas trwania i wska\u017aniki sukcesu w poszczeg\u00f3lnych fazach. Faza II ma zwykle najni\u017cszy wska\u017anik powodzenia, a faza III jest najdro\u017csza\"\n\t\t\tdata-wp-init=\"callbacks.initTriggerButton\"\n\t\t\tdata-wp-on-async--click=\"actions.showLightbox\"\n\t\t\tdata-wp-style--right=\"context.imageButtonRight\"\n\t\t\tdata-wp-style--top=\"context.imageButtonTop\"\n\t\t>\n\t\t\t<svg xmlns=\"http:\/\/www.w3.org\/2000\/svg\" width=\"12\" height=\"12\" fill=\"none\" viewBox=\"0 0 12 12\">\n\t\t\t\t<path fill=\"#fff\" d=\"M2 0a2 2 0 0 0-2 2v2h1.5V2a.5.5 0 0 1 .5-.5h2V0H2Zm2 10.5H2a.5.5 0 0 1-.5-.5V8H0v2a2 2 0 0 0 2 2h2v-1.5ZM8 12v-1.5h2a.5.5 0 0 0 .5-.5V8H12v2a2 2 0 0 1-2 2H8Zm2-12a2 2 0 0 1 2 2v2h-1.5V2a.5.5 0 0 0-.5-.5H8V0h2Z\" \/>\n\t\t\t<\/svg>\n\t\t<\/button><figcaption class=\"wp-element-caption\">Ryc. 2 Koszty, czas trwania i wska\u017aniki sukcesu w poszczeg\u00f3lnych fazach. Faza II ma zwykle najni\u017cszy wska\u017anik powodzenia, a faza III jest najdro\u017csza<\/figcaption><\/figure>\n\n\n\n<h3 class=\"wp-block-heading\"><strong>Faza IV: Nadz\u00f3r po wprowadzeniu na rynek<\/strong><\/h3>\n\n\n\n<p>Zatwierdzenie leku przez agencje regulacyjne (np. FDA w USA czy EMA w Europie) nie ko\u0144czy obserwacji. Faza IV, zwana te\u017c badaniami porejestracyjnymi, obejmuje monitorowanie leku w realnych warunkach \u2013 w wi\u0119kszych populacjach i przez d\u0142u\u017cszy czas. To wa\u017cne, bo rzadkie dzia\u0142ania niepo\u017c\u0105dane mog\u0105 ujawni\u0107 si\u0119 dopiero przy masowym stosowaniu.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\"><strong>Ekonomiczna skala wyzwania<\/strong><\/h2>\n\n\n\n<p>Skala finansowa bada\u0144 klinicznych jest ogromna. Wydatki na badania i rozw\u00f3j w farmacji liczone s\u0105 globalnie w setkach miliard\u00f3w dolar\u00f3w rocznie, a cz\u0119\u015b\u0107 kliniczna stanowi zwykle wi\u0119kszo\u015b\u0107 koszt\u00f3w rozwoju. Z perspektywy systemu ochrony zdrowia i firm farmaceutycznych problemem s\u0105 <strong>nie tylko koszty sukcesu, ale te\u017c koszty pora\u017cek<\/strong>: projekty, kt\u00f3re odpadaj\u0105 w p\u00f3\u017anych fazach, generuj\u0105 najwi\u0119ksze straty.<\/p>\n\n\n\n<p>Na ryzyko niepowodzenia sk\u0142adaj\u0105 si\u0119 m.in.:<\/p>\n\n\n\n<ul class=\"wp-block-list\">\n<li>problemy z rekrutacj\u0105 (badania nie ko\u0144cz\u0105 si\u0119 w terminie, bo brakuje uczestnik\u00f3w),<\/li>\n\n\n\n<li>niewystarczaj\u0105ca skuteczno\u015b\u0107,<\/li>\n\n\n\n<li>\u017ale dobrane punkty ko\u0144cowe (czyli mierniki efektu terapii),<\/li>\n\n\n\n<li>zbyt w\u0105skie lub zbyt szerokie kryteria w\u0142\u0105czenia,<\/li>\n\n\n\n<li>czynniki zewn\u0119trzne.<\/li>\n<\/ul>\n\n\n\n<p>Dobrym przyk\u0142adem jest pandemia COVID-19, kt\u00f3ra op\u00f3\u017ani\u0142a lub przerwa\u0142a wiele bada\u0144 na ca\u0142ym \u015bwiecie.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\"><strong>Case study: Czy AI mo\u017ce pom\u00f3c przewidywa\u0107 niepowodzenia bada\u0144 klinicznych?<\/strong><\/h2>\n\n\n\n<p>Naturalne pytanie brzmi: Czy da si\u0119 przewidzie\u0107, kt\u00f3re badania kliniczne s\u0105 bardziej nara\u017cone na niepowodzenie \u2013 zanim zainwestuje si\u0119 w nie dziesi\u0105tki czy setki milion\u00f3w dolar\u00f3w?<\/p>\n\n\n\n<p>Taki system nie mia\u0142by zast\u0119powa\u0107 ekspert\u00f3w klinicznych, ale m\u00f3g\u0142by dzia\u0142a\u0107 jako narz\u0119dzie wspieraj\u0105ce decyzje \u2013 wskazywa\u0107 badania o podwy\u017cszonym ryzyku i podpowiada\u0107, gdzie warto przyjrze\u0107 si\u0119 projektowi protoko\u0142u.<\/p>\n\n\n\n<p>Poni\u017cej opisuj\u0119 projekt badawczy (zrealizowany w ramach wewn\u0119trznej inicjatywy Sii \u2013 AI Grants), kt\u00f3ry pr\u00f3buje podej\u015b\u0107 do tego problemu w spos\u00f3b mo\u017cliwie rzetelny metodologicznie \u2013 tak, aby model faktycznie dzia\u0142a\u0142 w scenariuszu planowania badania, a nie tylko w retrospektywnej analizie.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\"><strong>\u0179r\u00f3d\u0142o danych: ClinicalTrials.gov<\/strong><\/h2>\n\n\n\n<p>Podstaw\u0105 projektu jest ClinicalTrials.gov \u2013 publiczny rejestr bada\u0144 klinicznych prowadzony przez ameryka\u0144ski NIH\/NLM. Zawiera informacje o ponad p\u00f3\u0142 milionie bada\u0144 klinicznych z ca\u0142ego \u015bwiata: opis protoko\u0142u, wskazanie, faz\u0119, planowan\u0105 liczebno\u015b\u0107 pr\u00f3by, kryteria w\u0142\u0105czenia i wy\u0142\u0105czenia, interwencje, sponsor\u00f3w, lokalizacje i wiele innych p\u00f3l.<\/p>\n\n\n\n<p>Kluczowe jest to, \u017ce du\u017ca cz\u0119\u015b\u0107 tych informacji jest dost\u0119pna ju\u017c w momencie rejestracji badania, czyli zanim rozpocznie si\u0119 rekrutacja pierwszego pacjenta. <strong>To czyni z rejestru \u015bwietne \u017ar\u00f3d\u0142o danych do budowy modeli,<\/strong> kt\u00f3re maj\u0105 przewidywa\u0107 ryzyko ex ante (na starcie), a nie ex post (po fakcie).<\/p>\n\n\n\n<h2 class=\"wp-block-heading\"><strong>Kluczowe wyzwanie: Unikanie wycieku danych<\/strong><\/h2>\n\n\n\n<p>W modelach uczenia maszynowego bardzo \u0142atwo o tzw. wyciek danych (ang. data leakage). Najpro\u015bciej m\u00f3wi\u0105c, to sytuacja, w kt\u00f3rej model dostaje \u201epodpowied\u017a\u201d z przysz\u0142o\u015bci, czyli informacj\u0119, kt\u00f3ra nie by\u0142aby dost\u0119pna w momencie, w kt\u00f3rym model mia\u0142by zosta\u0107 u\u017cyty w praktyce.<\/p>\n\n\n\n<p>W kontek\u015bcie bada\u0144 klinicznych przyk\u0142adem takich zmiennych mog\u0105 by\u0107 dane opisuj\u0105ce rzeczywisty przebieg badania (np. finalna liczba zrekrutowanych pacjent\u00f3w czy rzeczywisty czas trwania). U\u017cycie ich do predykcji wyniku badania mo\u017ce poprawi\u0107 wyniki metryk, ale czyni model ma\u0142o u\u017cytecznym jako narz\u0119dzie wsparcia decyzji na pocz\u0105tku projektu.<\/p>\n\n\n\n<p>Dlatego w tym rozwi\u0105zaniu po\u0142o\u017cono nacisk na to, <strong>aby model wykorzystywa\u0142 wy\u0142\u0105cznie informacje dost\u0119pne w momencie rejestracji badania<\/strong>, zanim zacznie si\u0119 rekrutacja i zanim pojawi\u0105 si\u0119 jakiekolwiek wyniki. Innymi s\u0142owy, staramy si\u0119 przewidywa\u0107 ryzyko w takim samym kontek\u015bcie informacyjnym, w jakim dzia\u0142a sponsor lub zesp\u00f3\u0142 projektuj\u0105cy badanie.<\/p>\n\n\n\n<figure data-wp-context=\"{&quot;uploadedSrc&quot;:&quot;https:\\\/\\\/sii.pl\\\/blog\\\/wp-content\\\/uploads\\\/2026\\\/02\\\/image3-3.png&quot;,&quot;figureClassNames&quot;:&quot;wp-block-image aligncenter size-large&quot;,&quot;figureStyles&quot;:null,&quot;imgClassNames&quot;:&quot;wp-image-33221&quot;,&quot;imgStyles&quot;:null,&quot;targetWidth&quot;:3179,&quot;targetHeight&quot;:1480,&quot;scaleAttr&quot;:false,&quot;ariaLabel&quot;:&quot;Powi\\u0119ksz obrazek: O\\u015b czasu badania klinicznego. Model wykorzystuje dane dost\\u0119pne przy rejestracji (zielona strefa) i unika informacji pojawiaj\\u0105cych si\\u0119 p\\u00f3\\u017aniej (czerwona strefa)&quot;,&quot;alt&quot;:&quot;O\\u015b czasu badania klinicznego. Model wykorzystuje dane dost\\u0119pne przy rejestracji (zielona strefa) i unika informacji pojawiaj\\u0105cych si\\u0119 p\\u00f3\\u017aniej (czerwona strefa)&quot;}\" data-wp-interactive=\"core\/image\" class=\"wp-block-image aligncenter size-large wp-lightbox-container\"><img decoding=\"async\" width=\"1024\" height=\"477\" data-wp-init=\"callbacks.setButtonStyles\" data-wp-on-async--click=\"actions.showLightbox\" data-wp-on-async--load=\"callbacks.setButtonStyles\" data-wp-on-async-window--resize=\"callbacks.setButtonStyles\" src=\"https:\/\/sii.pl\/blog\/wp-content\/uploads\/2026\/02\/image3-3-1024x477.png\" alt=\"O\u015b czasu badania klinicznego. Model wykorzystuje dane dost\u0119pne przy rejestracji (zielona strefa) i unika informacji pojawiaj\u0105cych si\u0119 p\u00f3\u017aniej (czerwona strefa)\" class=\"wp-image-33221\" srcset=\"https:\/\/sii.pl\/blog\/wp-content\/uploads\/2026\/02\/image3-3-1024x477.png 1024w, https:\/\/sii.pl\/blog\/wp-content\/uploads\/2026\/02\/image3-3-300x140.png 300w, https:\/\/sii.pl\/blog\/wp-content\/uploads\/2026\/02\/image3-3-768x358.png 768w, https:\/\/sii.pl\/blog\/wp-content\/uploads\/2026\/02\/image3-3-1536x715.png 1536w, https:\/\/sii.pl\/blog\/wp-content\/uploads\/2026\/02\/image3-3-2048x953.png 2048w\" sizes=\"(max-width: 1024px) 100vw, 1024px\" \/><button\n\t\t\tclass=\"lightbox-trigger\"\n\t\t\ttype=\"button\"\n\t\t\taria-haspopup=\"dialog\"\n\t\t\taria-label=\"Powi\u0119ksz obrazek: O\u015b czasu badania klinicznego. Model wykorzystuje dane dost\u0119pne przy rejestracji (zielona strefa) i unika informacji pojawiaj\u0105cych si\u0119 p\u00f3\u017aniej (czerwona strefa)\"\n\t\t\tdata-wp-init=\"callbacks.initTriggerButton\"\n\t\t\tdata-wp-on-async--click=\"actions.showLightbox\"\n\t\t\tdata-wp-style--right=\"context.imageButtonRight\"\n\t\t\tdata-wp-style--top=\"context.imageButtonTop\"\n\t\t>\n\t\t\t<svg xmlns=\"http:\/\/www.w3.org\/2000\/svg\" width=\"12\" height=\"12\" fill=\"none\" viewBox=\"0 0 12 12\">\n\t\t\t\t<path fill=\"#fff\" d=\"M2 0a2 2 0 0 0-2 2v2h1.5V2a.5.5 0 0 1 .5-.5h2V0H2Zm2 10.5H2a.5.5 0 0 1-.5-.5V8H0v2a2 2 0 0 0 2 2h2v-1.5ZM8 12v-1.5h2a.5.5 0 0 0 .5-.5V8H12v2a2 2 0 0 1-2 2H8Zm2-12a2 2 0 0 1 2 2v2h-1.5V2a.5.5 0 0 0-.5-.5H8V0h2Z\" \/>\n\t\t\t<\/svg>\n\t\t<\/button><figcaption class=\"wp-element-caption\">Ryc. 3 O\u015b czasu badania klinicznego. Model wykorzystuje dane dost\u0119pne przy rejestracji (zielona strefa) i unika informacji pojawiaj\u0105cych si\u0119 p\u00f3\u017aniej (czerwona strefa)<\/figcaption><\/figure>\n\n\n\n<h2 class=\"wp-block-heading\"><strong>Architektura hierarchiczna: Uczenie na wielu poziomach<\/strong><\/h2>\n\n\n\n<p>Badania kliniczne nie s\u0105 jednorodne. Inaczej projektuje si\u0119 badania w onkologii, inaczej w neurologii, a inaczej w dermatologii. R\u00f3\u017cni\u0105 je populacje pacjent\u00f3w, punkty ko\u0144cowe, typowe ryzyka i \u201eprofil pora\u017cek\u201d. Co wi\u0119cej, nawet w obr\u0119bie jednego obszaru terapeutycznego r\u00f3\u017cne choroby mog\u0105 mie\u0107 inne czynniki ryzyka.<\/p>\n\n\n\n<p>Z tego powodu w projekcie zastosowano podej\u015bcie hierarchiczne \u2013 modele ucz\u0105 si\u0119 na trzech poziomach: og\u00f3lnym, obszaru terapeutycznego i choroby.<\/p>\n\n\n\n<ul class=\"wp-block-list\">\n<li><strong>Poziom 1 (og\u00f3lny):<\/strong> Model trenowany na wszystkich badaniach uczy si\u0119 wzorc\u00f3w wsp\u00f3lnych dla r\u00f3\u017cnych typ\u00f3w bada\u0144.<\/li>\n\n\n\n<li><strong>Poziom 2 (kategoria terapeutyczna):<\/strong> modele specjalizuj\u0105 si\u0119 w du\u017cych obszarach (np. onkologia, neurologia) i ucz\u0105 si\u0119 ryzyk typowych dla danej dziedziny.<\/li>\n\n\n\n<li><strong>Poziom 3 (choroba specyficzna):<\/strong> Gdy danych jest wystarczaj\u0105co du\u017co, tworzone s\u0105 modele dla konkretnych chor\u00f3b, kt\u00f3re mog\u0105 dawa\u0107 najbardziej precyzyjne predykcje.<\/li>\n<\/ul>\n\n\n\n<p>Kluczowym elementem jest transfer learning mi\u0119dzy poziomami: model bardziej szczeg\u00f3\u0142owy startuje z \u201ewiedz\u0105\u201d modelu og\u00f3lnego i dopiero potem uczy si\u0119 niuans\u00f3w charakterystycznych dla danej dziedziny lub choroby. Dzi\u0119ki temu nawet przy mniejszej liczbie przyk\u0142ad\u00f3w mo\u017cna uzyska\u0107 sensowne rezultaty.<\/p>\n\n\n\n<figure data-wp-context=\"{&quot;uploadedSrc&quot;:&quot;https:\\\/\\\/sii.pl\\\/blog\\\/wp-content\\\/uploads\\\/2026\\\/02\\\/image4-2.png&quot;,&quot;figureClassNames&quot;:&quot;wp-block-image aligncenter size-large&quot;,&quot;figureStyles&quot;:null,&quot;imgClassNames&quot;:&quot;wp-image-33223&quot;,&quot;imgStyles&quot;:null,&quot;targetWidth&quot;:3580,&quot;targetHeight&quot;:2179,&quot;scaleAttr&quot;:false,&quot;ariaLabel&quot;:&quot;Powi\\u0119ksz obrazek: Hierarchiczna architektura systemu: Trzy poziomy uczenia z transfer learning oraz integracja reprezentacji tekstu (BERT) z cechami liczbowymi&quot;,&quot;alt&quot;:&quot;Hierarchiczna architektura systemu: Trzy poziomy uczenia z transfer learning oraz integracja reprezentacji tekstu (BERT) z cechami liczbowymi&quot;}\" data-wp-interactive=\"core\/image\" class=\"wp-block-image aligncenter size-large wp-lightbox-container\"><img decoding=\"async\" width=\"1024\" height=\"623\" data-wp-init=\"callbacks.setButtonStyles\" data-wp-on-async--click=\"actions.showLightbox\" data-wp-on-async--load=\"callbacks.setButtonStyles\" data-wp-on-async-window--resize=\"callbacks.setButtonStyles\" src=\"https:\/\/sii.pl\/blog\/wp-content\/uploads\/2026\/02\/image4-2-1024x623.png\" alt=\"Hierarchiczna architektura systemu: Trzy poziomy uczenia z transfer learning oraz integracja reprezentacji tekstu (BERT) z cechami liczbowymi\" class=\"wp-image-33223\" srcset=\"https:\/\/sii.pl\/blog\/wp-content\/uploads\/2026\/02\/image4-2-1024x623.png 1024w, https:\/\/sii.pl\/blog\/wp-content\/uploads\/2026\/02\/image4-2-300x183.png 300w, https:\/\/sii.pl\/blog\/wp-content\/uploads\/2026\/02\/image4-2-768x467.png 768w, https:\/\/sii.pl\/blog\/wp-content\/uploads\/2026\/02\/image4-2-1536x935.png 1536w, https:\/\/sii.pl\/blog\/wp-content\/uploads\/2026\/02\/image4-2-2048x1247.png 2048w\" sizes=\"(max-width: 1024px) 100vw, 1024px\" \/><button\n\t\t\tclass=\"lightbox-trigger\"\n\t\t\ttype=\"button\"\n\t\t\taria-haspopup=\"dialog\"\n\t\t\taria-label=\"Powi\u0119ksz obrazek: Hierarchiczna architektura systemu: Trzy poziomy uczenia z transfer learning oraz integracja reprezentacji tekstu (BERT) z cechami liczbowymi\"\n\t\t\tdata-wp-init=\"callbacks.initTriggerButton\"\n\t\t\tdata-wp-on-async--click=\"actions.showLightbox\"\n\t\t\tdata-wp-style--right=\"context.imageButtonRight\"\n\t\t\tdata-wp-style--top=\"context.imageButtonTop\"\n\t\t>\n\t\t\t<svg xmlns=\"http:\/\/www.w3.org\/2000\/svg\" width=\"12\" height=\"12\" fill=\"none\" viewBox=\"0 0 12 12\">\n\t\t\t\t<path fill=\"#fff\" d=\"M2 0a2 2 0 0 0-2 2v2h1.5V2a.5.5 0 0 1 .5-.5h2V0H2Zm2 10.5H2a.5.5 0 0 1-.5-.5V8H0v2a2 2 0 0 0 2 2h2v-1.5ZM8 12v-1.5h2a.5.5 0 0 0 .5-.5V8H12v2a2 2 0 0 1-2 2H8Zm2-12a2 2 0 0 1 2 2v2h-1.5V2a.5.5 0 0 0-.5-.5H8V0h2Z\" \/>\n\t\t\t<\/svg>\n\t\t<\/button><figcaption class=\"wp-element-caption\">Ryc. 4 Hierarchiczna architektura systemu: Trzy poziomy uczenia z transfer learning oraz integracja reprezentacji tekstu (BERT) z cechami liczbowymi<\/figcaption><\/figure>\n\n\n\n<h2 class=\"wp-block-heading\"><strong>BERT i analiza tekstu: dlaczego to ma znaczenie?<\/strong><\/h2>\n\n\n\n<p>Protoko\u0142y bada\u0144 klinicznych to teksty pe\u0142ne terminologii medycznej i regulacyjnej. Proste metody, takie jak zliczanie s\u0142\u00f3w, cz\u0119sto nie potrafi\u0105 uchwyci\u0107 sensu, poniewa\u017c r\u00f3\u017cne sformu\u0142owania mog\u0105 opisywa\u0107 podobne kryteria, a jedno s\u0142owo mo\u017ce zmienia\u0107 znaczenie zdania.<\/p>\n\n\n\n<p>Dlatego system korzysta z modeli BERT (Bidirectional Encoder Representations from Transformers), czyli nowoczesnych modeli j\u0119zykowych typu transformer. Zamiast patrze\u0107 na s\u0142owa osobno, BERT buduje reprezentacje znaczenia (embeddingi), uwzgl\u0119dniaj\u0105c kontekst.<\/p>\n\n\n\n<p>W praktyce wykorzystano warianty dostosowane do tekst\u00f3w biomedycznych (np. ClinicalBERT, PubMedBERT) oraz l\u017cejsz\u0105 wersj\u0119 (DistilBERT), kt\u00f3ra bywa przydatna, gdy liczy si\u0119 szybko\u015b\u0107 i zasoby. Embeddingi z tekstu \u0142\u0105czone s\u0105 z klasycznymi cechami liczbowymi w modelu hybrydowym.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\"><strong>Si\u0142a kolektywu \u2013 uczenie zespo\u0142owe: Dlaczego nie jeden model?<\/strong><\/h2>\n\n\n\n<p>Zamiast opiera\u0107 si\u0119 na jednym algorytmie, zastosowano podej\u015bcie uczenia zespo\u0142owego (ang. ensemble learning), czyli \u0142\u0105czenie predykcji z wielu modeli. To popularna praktyka w ML, bo r\u00f3\u017cne algorytmy \u0142api\u0105 r\u00f3\u017cne wzorce i maj\u0105 inne \u201es\u0142abe punkty\u201d.<\/p>\n\n\n\n<p>Wykorzystane modele to m.in.:<\/p>\n\n\n\n<ul class=\"wp-block-list\">\n<li>Random Forest (zesp\u00f3\u0142 drzew decyzyjnych).<\/li>\n\n\n\n<li>XGBoost oraz LightGBM (algorytmy oparte na wzmacnianiu gradientowym).<\/li>\n\n\n\n<li>Regresja Logistyczna (ang. Logistic Regression) jako prosty punkt odniesienia (ang. baseline).<\/li>\n<\/ul>\n\n\n\n<p>Ko\u0144cowa ocena ryzyka powsta\u0142a przez po\u0142\u0105czenie wynik\u00f3w tych modeli, np. z wagami zale\u017cnymi od ich jako\u015bci na walidacji.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\"><strong>Wydajno\u015b\u0107 systemu i por\u00f3wnanie z literatur\u0105<\/strong><\/h2>\n\n\n\n<p>Wyniki mo\u017cna opisa\u0107 standardow\u0105 metryk\u0105 AUC (Area Under the ROC Curve). Intuicyjnie: AUC mierzy, jak dobrze model rozr\u00f3\u017cnia badania, kt\u00f3re zako\u0144cz\u0105 si\u0119 niepowodzeniem, od tych, kt\u00f3re zako\u0144cz\u0105 si\u0119 sukcesem. AUC=0.5 oznacza wynik losowy, a AUC=1.0 \u2013 perfekcyjn\u0105 separacj\u0119.<\/p>\n\n\n\n<p>W tym projekcie uzyskano orientacyjnie:<\/p>\n\n\n\n<ul class=\"wp-block-list\">\n<li>Modele indywidualne: AUC ok. 0.72-0.78<\/li>\n\n\n\n<li>Modele hybrydowe z BERT: AUC ok. 0.74-0.80<\/li>\n\n\n\n<li>Modele ensemble: AUC ok. 0.76-0.82<\/li>\n<\/ul>\n\n\n\n<p>W literaturze mo\u017cna znale\u017a\u0107 wyniki o podobnym rz\u0119dzie wielko\u015bci, cho\u0107 por\u00f3wnania nie zawsze s\u0105 proste (r\u00f3\u017cne definicje etykiet, r\u00f3\u017cne okresy danych, r\u00f3\u017cne filtry). W artykule przywo\u0142ano m.in.: prace: Kavalci &amp; Hartshorn (2023), Chen i wsp. (2025), Yu i wsp. (2021) oraz przegl\u0105d Vorisek i wsp. (2025).<\/p>\n\n\n\n<figure data-wp-context=\"{&quot;uploadedSrc&quot;:&quot;https:\\\/\\\/sii.pl\\\/blog\\\/wp-content\\\/uploads\\\/2026\\\/02\\\/image5.png&quot;,&quot;figureClassNames&quot;:&quot;wp-block-image aligncenter size-large&quot;,&quot;figureStyles&quot;:null,&quot;imgClassNames&quot;:&quot;wp-image-33225&quot;,&quot;imgStyles&quot;:null,&quot;targetWidth&quot;:2772,&quot;targetHeight&quot;:1535,&quot;scaleAttr&quot;:false,&quot;ariaLabel&quot;:&quot;Powi\\u0119ksz obrazek: Wydajno\\u015b\\u0107 poszczeg\\u00f3lnych modeli na tle wybranych wynik\\u00f3w z literatury&quot;,&quot;alt&quot;:&quot;Wydajno\\u015b\\u0107 poszczeg\\u00f3lnych modeli na tle wybranych wynik\\u00f3w z literatury&quot;}\" data-wp-interactive=\"core\/image\" class=\"wp-block-image aligncenter size-large wp-lightbox-container\"><img decoding=\"async\" width=\"1024\" height=\"567\" data-wp-init=\"callbacks.setButtonStyles\" data-wp-on-async--click=\"actions.showLightbox\" data-wp-on-async--load=\"callbacks.setButtonStyles\" data-wp-on-async-window--resize=\"callbacks.setButtonStyles\" src=\"https:\/\/sii.pl\/blog\/wp-content\/uploads\/2026\/02\/image5-1024x567.png\" alt=\"Wydajno\u015b\u0107 poszczeg\u00f3lnych modeli na tle wybranych wynik\u00f3w z literatury\" class=\"wp-image-33225\" srcset=\"https:\/\/sii.pl\/blog\/wp-content\/uploads\/2026\/02\/image5-1024x567.png 1024w, https:\/\/sii.pl\/blog\/wp-content\/uploads\/2026\/02\/image5-300x166.png 300w, https:\/\/sii.pl\/blog\/wp-content\/uploads\/2026\/02\/image5-768x425.png 768w, https:\/\/sii.pl\/blog\/wp-content\/uploads\/2026\/02\/image5-1536x851.png 1536w, https:\/\/sii.pl\/blog\/wp-content\/uploads\/2026\/02\/image5-2048x1134.png 2048w\" sizes=\"(max-width: 1024px) 100vw, 1024px\" \/><button\n\t\t\tclass=\"lightbox-trigger\"\n\t\t\ttype=\"button\"\n\t\t\taria-haspopup=\"dialog\"\n\t\t\taria-label=\"Powi\u0119ksz obrazek: Wydajno\u015b\u0107 poszczeg\u00f3lnych modeli na tle wybranych wynik\u00f3w z literatury\"\n\t\t\tdata-wp-init=\"callbacks.initTriggerButton\"\n\t\t\tdata-wp-on-async--click=\"actions.showLightbox\"\n\t\t\tdata-wp-style--right=\"context.imageButtonRight\"\n\t\t\tdata-wp-style--top=\"context.imageButtonTop\"\n\t\t>\n\t\t\t<svg xmlns=\"http:\/\/www.w3.org\/2000\/svg\" width=\"12\" height=\"12\" fill=\"none\" viewBox=\"0 0 12 12\">\n\t\t\t\t<path fill=\"#fff\" d=\"M2 0a2 2 0 0 0-2 2v2h1.5V2a.5.5 0 0 1 .5-.5h2V0H2Zm2 10.5H2a.5.5 0 0 1-.5-.5V8H0v2a2 2 0 0 0 2 2h2v-1.5ZM8 12v-1.5h2a.5.5 0 0 0 .5-.5V8H12v2a2 2 0 0 1-2 2H8Zm2-12a2 2 0 0 1 2 2v2h-1.5V2a.5.5 0 0 0-.5-.5H8V0h2Z\" \/>\n\t\t\t<\/svg>\n\t\t<\/button><figcaption class=\"wp-element-caption\">Ryc. 5 Wydajno\u015b\u0107 poszczeg\u00f3lnych modeli na tle wybranych wynik\u00f3w z literatury<\/figcaption><\/figure>\n\n\n\n<h2 class=\"wp-block-heading\"><strong>Jak sprawdzano, czy model nie \u201eoszukuje\u201d? Walidacja temporalna i leave-one-sponsor-out<\/strong><\/h2>\n\n\n\n<p>Dobre wyniki na testach nie wystarcz\u0105, je\u015bli model uczy si\u0119 na skr\u00f3ty. Dlatego w projekcie zastosowano kilka podej\u015b\u0107 walidacyjnych, kt\u00f3re pomagaj\u0105 oceni\u0107, czy model b\u0119dzie dzia\u0142a\u0142 w praktyce.<\/p>\n\n\n\n<p>Walidacja temporalna (ang. temporal validation) oznacza, \u017ce model trenujemy na starszych danych, a testujemy na nowszych. To wa\u017cne, bo w realnym u\u017cyciu zawsze przewidujemy przysz\u0142o\u015b\u0107 na podstawie przesz\u0142o\u015bci. Taki test sprawdza, czy model nie jest \u201edopasowany\u201d do specyfiki konkretnego okresu historycznego.<\/p>\n\n\n\n<p>Leave-one-sponsor-out validation to walidacja, w kt\u00f3rej na etapie testu ca\u0142kowicie wyklucza si\u0119 z treningu badania jednego sponsora (np. konkretnej firmy) i sprawdza, jak model radzi sobie na badaniach tego sponsora. Dzi\u0119ki temu mo\u017cna oceni\u0107, czy model generalizuje na nowych sponsor\u00f3w, a nie tylko \u201ezapami\u0119tuje\u201d typowe wzorce kilku najwi\u0119kszych organizacji.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\"><strong>Potencjalne zastosowania w praktyce<\/strong><\/h2>\n\n\n\n<p>Taki system m\u00f3g\u0142by wspiera\u0107 prac\u0119 zespo\u0142\u00f3w klinicznych w kilku scenariuszach:<\/p>\n\n\n\n<ul class=\"wp-block-list\">\n<li>Ocena ryzyka przed startem badania (wst\u0119pna selekcja projekt\u00f3w i priorytetyzacja portfela).<\/li>\n\n\n\n<li>Optymalizacja protoko\u0142u (wskazanie element\u00f3w, kt\u00f3re historycznie wi\u0105za\u0142y si\u0119 z wi\u0119kszym ryzykiem niepowodzenia).<\/li>\n\n\n\n<li>Planowanie rekrutacji i wyb\u00f3r o\u015brodk\u00f3w (np. ocena ryzyka op\u00f3\u017anie\u0144 w zale\u017cno\u015bci od kraj\u00f3w\/region\u00f3w i charakterystyki badania).<\/li>\n\n\n\n<li>Wsparcie komunikacji interesariuszy (bardziej obiektywne, oparte na danych opisuj\u0105cych ryzyka).<\/li>\n<\/ul>\n\n\n\n<h2 class=\"wp-block-heading\"><strong>Przyk\u0142adowa analiza ekonomiczna: Do jakich oszcz\u0119dno\u015bci mo\u017ce prowadzi\u0107 model?<\/strong><\/h2>\n\n\n\n<p>Aby z grubsza oszacowa\u0107 potencjaln\u0105 korzy\u015b\u0107, mo\u017cna rozwa\u017cy\u0107 hipotetyczny scenariusz. Du\u017ca firma prowadzi 50 bada\u0144 rocznie, z czego ok. 20% ko\u0144czy si\u0119 niepowodzeniem. Je\u015bli \u015bredni koszt nieudanego badania fazy III wynosi np. 75 mln dolar\u00f3w, to 10 niepowodze\u0144 oznacza \u0142\u0105cznie 750 mln dolar\u00f3w koszt\u00f3w.<\/p>\n\n\n\n<p>Je\u015bli model pomaga\u0142by ograniczy\u0107 liczb\u0119 takich pora\u017cek cho\u0107by o kilka przypadk\u00f3w (np. dzi\u0119ki wcze\u015bniejszemu wykryciu ryzyka i modyfikacji protoko\u0142u albo decyzji o nieuruchamianiu projektu), potencjalne oszcz\u0119dno\u015bci mog\u0142yby si\u0119ga\u0107 setek milion\u00f3w dolar\u00f3w rocznie. Oczywi\u015bcie s\u0105 to kalkulacje orientacyjne \u2013 w praktyce wp\u0142yw zale\u017cy od tego, jak model jest u\u017cywany i jakie decyzje wspiera.<\/p>\n\n\n\n<figure data-wp-context=\"{&quot;uploadedSrc&quot;:&quot;https:\\\/\\\/sii.pl\\\/blog\\\/wp-content\\\/uploads\\\/2026\\\/02\\\/image6.png&quot;,&quot;figureClassNames&quot;:&quot;wp-block-image aligncenter size-large&quot;,&quot;figureStyles&quot;:null,&quot;imgClassNames&quot;:&quot;wp-image-33227&quot;,&quot;imgStyles&quot;:null,&quot;targetWidth&quot;:3127,&quot;targetHeight&quot;:1590,&quot;scaleAttr&quot;:false,&quot;ariaLabel&quot;:&quot;Powi\\u0119ksz obrazek: Struktura koszt\\u00f3w rozwoju leku i przyk\\u0142adowa analiza ROI przy konserwatywnych za\\u0142o\\u017ceniach&quot;,&quot;alt&quot;:&quot;Struktura koszt\\u00f3w rozwoju leku i przyk\\u0142adowa analiza ROI przy konserwatywnych za\\u0142o\\u017ceniach&quot;}\" data-wp-interactive=\"core\/image\" class=\"wp-block-image aligncenter size-large wp-lightbox-container\"><img decoding=\"async\" width=\"1024\" height=\"521\" data-wp-init=\"callbacks.setButtonStyles\" data-wp-on-async--click=\"actions.showLightbox\" data-wp-on-async--load=\"callbacks.setButtonStyles\" data-wp-on-async-window--resize=\"callbacks.setButtonStyles\" src=\"https:\/\/sii.pl\/blog\/wp-content\/uploads\/2026\/02\/image6-1024x521.png\" alt=\"Struktura koszt\u00f3w rozwoju leku i przyk\u0142adowa analiza ROI przy konserwatywnych za\u0142o\u017ceniach\" class=\"wp-image-33227\" srcset=\"https:\/\/sii.pl\/blog\/wp-content\/uploads\/2026\/02\/image6-1024x521.png 1024w, https:\/\/sii.pl\/blog\/wp-content\/uploads\/2026\/02\/image6-300x153.png 300w, https:\/\/sii.pl\/blog\/wp-content\/uploads\/2026\/02\/image6-768x391.png 768w, https:\/\/sii.pl\/blog\/wp-content\/uploads\/2026\/02\/image6-1536x781.png 1536w, https:\/\/sii.pl\/blog\/wp-content\/uploads\/2026\/02\/image6-2048x1041.png 2048w\" sizes=\"(max-width: 1024px) 100vw, 1024px\" \/><button\n\t\t\tclass=\"lightbox-trigger\"\n\t\t\ttype=\"button\"\n\t\t\taria-haspopup=\"dialog\"\n\t\t\taria-label=\"Powi\u0119ksz obrazek: Struktura koszt\u00f3w rozwoju leku i przyk\u0142adowa analiza ROI przy konserwatywnych za\u0142o\u017ceniach\"\n\t\t\tdata-wp-init=\"callbacks.initTriggerButton\"\n\t\t\tdata-wp-on-async--click=\"actions.showLightbox\"\n\t\t\tdata-wp-style--right=\"context.imageButtonRight\"\n\t\t\tdata-wp-style--top=\"context.imageButtonTop\"\n\t\t>\n\t\t\t<svg xmlns=\"http:\/\/www.w3.org\/2000\/svg\" width=\"12\" height=\"12\" fill=\"none\" viewBox=\"0 0 12 12\">\n\t\t\t\t<path fill=\"#fff\" d=\"M2 0a2 2 0 0 0-2 2v2h1.5V2a.5.5 0 0 1 .5-.5h2V0H2Zm2 10.5H2a.5.5 0 0 1-.5-.5V8H0v2a2 2 0 0 0 2 2h2v-1.5ZM8 12v-1.5h2a.5.5 0 0 0 .5-.5V8H12v2a2 2 0 0 1-2 2H8Zm2-12a2 2 0 0 1 2 2v2h-1.5V2a.5.5 0 0 0-.5-.5H8V0h2Z\" \/>\n\t\t\t<\/svg>\n\t\t<\/button><figcaption class=\"wp-element-caption\">Ryc. 6 Struktura koszt\u00f3w rozwoju leku i przyk\u0142adowa analiza ROI przy konserwatywnych za\u0142o\u017ceniach<\/figcaption><\/figure>\n\n\n\n<h2 class=\"wp-block-heading\"><strong>Ograniczenia i wyzwania<\/strong><\/h2>\n\n\n\n<p>Taki system nie jest magiczn\u0105 kul\u0105. Ograniczenia s\u0105 realne:<\/p>\n\n\n\n<ul class=\"wp-block-list\">\n<li>Jako\u015b\u0107 danych determinuje jako\u015b\u0107 predykcji \u2013 rejestr ClinicalTrials.gov jest najwi\u0119kszym publicznym \u017ar\u00f3d\u0142em, ale dane bywaj\u0105 niekompletne, niesp\u00f3jne lub r\u00f3\u017cnie wype\u0142niane.<\/li>\n\n\n\n<li>Modele ucz\u0105 si\u0119 z przesz\u0142o\u015bci \u2013 nowe zjawiska (np. pandemia) mog\u0105 wymaga\u0107 aktualizacji modeli i ostro\u017cnej interpretacji.<\/li>\n\n\n\n<li>Decyzje o inwestowaniu du\u017cych bud\u017cet\u00f3w nie mog\u0105 opiera\u0107 si\u0119 wy\u0142\u0105cznie na \u201eczarnej skrzynce\u201d \u2013 potrzebna jest interpretowalno\u015b\u0107 i mo\u017cliwo\u015b\u0107 weryfikacji, dlaczego model ocenia ryzyko jako wysokie.<\/li>\n\n\n\n<li>W rzadkich chorobach i nowych modalno\u015bciach terapeutycznych mo\u017ce brakowa\u0107 danych historycznych, co ogranicza skuteczno\u015b\u0107 modeli specyficznych.<\/li>\n<\/ul>\n\n\n\n<h2 class=\"wp-block-heading\"><strong>Kierunki dalszego rozwoju<\/strong><\/h2>\n\n\n\n<p>Naturalne kierunki rozwoju obejmuj\u0105:<\/p>\n\n\n\n<ul class=\"wp-block-list\">\n<li>Predykcj\u0119 \u201ew czasie rzeczywistym \u2013 aktualizowanie oceny ryzyka w miar\u0119 pojawiania si\u0119 nowych informacji w trakcie prowadzenia badania.<\/li>\n\n\n\n<li>Integracj\u0119 z danymi biologicznymi i molekularnymi (np. mechanizm dzia\u0142ania, profil target\u00f3w, informacje o cz\u0105steczce), je\u015bli s\u0105 dost\u0119pne.<\/li>\n\n\n\n<li>Rekomendacje aktywne \u2013 nie tylko ocena ryzyka, ale te\u017c sugestie, jakie elementy protoko\u0142u warto rozwa\u017cy\u0107 do zmiany.<\/li>\n\n\n\n<li>Personalizacj\u0119 pod organizacj\u0119 \u2013 dostrajanie modeli do specyfiki danego sponsora (np. typowych obszar\u00f3w terapeutycznych, praktyk operacyjnych), przy zachowaniu generalizacji.<\/li>\n<\/ul>\n\n\n<div class=\"nsw-o-blogersii-banner\">\n            <picture>\n            <source srcset=\"https:\/\/sii.pl\/blog\/wp-content\/uploads\/2026\/04\/Banner-AI-Offer-Sample-Desktop.jpg\" media=\"(min-width: 992px)\" >\n            <source srcset=\"https:\/\/sii.pl\/blog\/wp-content\/uploads\/2026\/04\/Banner-AI-Offer-Sample-MOB.jpg\" media=\"(min-width: 300px)\" >            <img decoding=\"async\" src=\"https:\/\/sii.pl\/blog\/wp-content\/uploads\/2026\/04\/Banner-AI-Offer-Sample-Desktop.jpg\" alt=\"\"  class=\"\"  >\n        <\/picture>\n        <div class=\"cnt\">\n                    <div class=\"nsw-m-title-block -h3 -invert  -has-title-margin-bottom-0 -has-title-font-weight-bold\">\n                                <h2 class=\"nsw-m-title-block__title\">Artificial Intelligence<\/h2>\n                <\/div>\n                            <p class=\"has-nsw-p-4-font-size has-invert-color\">\n                Dostarczamy rozwi\u0105zania AI dopasowane do Twojego biznesu, kt\u00f3re zwi\u0119kszaj\u0105 efektywno\u015b\u0107 i podnosz\u0105 produktywno\u015b\u0107 Twojego zespo\u0142u.\n            <\/p>\n                            <a  href=\"https:\/\/sii.pl\/oferta\/artificial-intelligence\/\" class=\"nsw-a-button -ghost -banner-button\"   >\n        <span>Oferta AI<\/span>\n    <\/a>\n            <\/div>\n<\/div>\n\n\n\n<h2 class=\"wp-block-heading\"><strong>Podsumowanie<\/strong><\/h2>\n\n\n\n<p>Badania kliniczne s\u0105 fundamentem rozwoju nowoczesnej medycyny, ale s\u0105 te\u017c d\u0142ugie, drogie i obarczone du\u017cym ryzykiem niepowodzenia. Sztuczna inteligencja nie zast\u0105pi ekspert\u00f3w klinicznych i nie wyeliminuje potrzeby prowadzenia bada\u0144, ale mo\u017ce dzia\u0142a\u0107 jak dodatkowa \u201ewarstwa\u201d analityczna \u2013 pom\u00f3c wcze\u015bniej zauwa\u017cy\u0107 czynniki ryzyka, usprawni\u0107 projektowanie protoko\u0142u i lepiej alokowa\u0107 zasoby.<\/p>\n\n\n\n<p>Opisany system pokazuje, \u017ce mo\u017cna budowa\u0107 modele przewidywania niepowodze\u0144 bada\u0144 klinicznych wy\u0142\u0105cznie na danych publicznych, z naciskiem na unikanie wycieku danych i realistyczne scenariusze walidacji. To kierunek, kt\u00f3ry mo\u017ce by\u0107 przydatny nie tylko dla najwi\u0119kszych firm farmaceutycznych, ale te\u017c dla mniejszych organizacji i zespo\u0142\u00f3w akademickich \u2013 wsz\u0119dzie tam, gdzie liczy si\u0119 podejmowanie decyzji na podstawie danych, a bud\u017cety s\u0105 ograniczone.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\"><strong>Przypisy i \u017ar\u00f3d\u0142a<\/strong><\/h2>\n\n\n\n<p>[1] DiMasi, J. A., Grabowski, H. G., &amp; Hansen, R. W. (2016). Innovation in the pharmaceutical industry: New estimates of R&amp;D costs. Journal of Health Economics, 47, 20-33.<\/p>\n\n\n\n<p>[2] Wong, C. H., Siah, K. W., &amp; Lo, A. W. (2019). Estimation of clinical trial success rates and related parameters. Biostatistics, 20(2), 273-286.<\/p>\n\n\n\n<p>[3] Kavalci, E., &amp; Hartshorn, A. (2023). Improving clinical trial design using interpretable machine learning based prediction of early trial termination. Scientific Reports, 13, 121. <a href=\"https:\/\/doi.org\/10.1038\/s41598-023-27416-7\" target=\"_blank\" rel=\"noopener\" title=\"\" rel=\"nofollow\" >https:\/\/doi.org\/10.1038\/s41598-023-27416-7<\/a><\/p>\n\n\n\n<p>[4] Chen, Y., et al. (2025). Predicting accrual success for better clinical trial resource allocation. Scientific Reports, 15. <a href=\"https:\/\/doi.org\/10.1038\/s41598-025-88400-x\" target=\"_blank\" rel=\"noopener\" title=\"\" rel=\"nofollow\" >https:\/\/doi.org\/10.1038\/s41598-025-88400-x<\/a><\/p>\n\n\n\n<p>[5] Vorisek, C. N., et al. (2025). A scoping review of artificial intelligence applications in clinical trial risk assessment. npj Digital Medicine, 8(26). <a href=\"https:\/\/doi.org\/10.1038\/s41746-025-01886-7\" target=\"_blank\" rel=\"noopener\" title=\"\" rel=\"nofollow\" >https:\/\/doi.org\/10.1038\/s41746-025-01886-7<\/a><\/p>\n\n\n\n<p>[6] Fogel, D. B. (2018). Factors associated with clinical trials that fail and opportunities for improving the likelihood of success: A review. Contemporary Clinical Trials Communications, 11, 156-164.<\/p>\n\n\n\n<p>[7] Yu, T., et al. (2021). Predictive modeling of clinical trial terminations using feature engineering and embedding learning. Scientific Reports, 11, 3817. <a href=\"https:\/\/doi.org\/10.1038\/s41598-021-82840-x\" target=\"_blank\" rel=\"noopener\" title=\"\" rel=\"nofollow\" >https:\/\/doi.org\/10.1038\/s41598-021-82840-x<\/a><\/p>\n\n\n\n<p>[8] ClinicalTrials.gov. U.S. National Library of Medicine. <a href=\"https:\/\/clinicaltrials.gov\" target=\"_blank\" rel=\"noopener\" title=\"\" rel=\"nofollow\" >https:\/\/clinicaltrials.gov<\/a><\/p>\n\n\n\n<p>[9] Devlin, J., Chang, M. W., Lee, K., &amp; Toutanova, K. (2018). BERT: Pre-training of deep bidirectional transformers for language understanding. <a href=\"https:\/\/arxiv.org\/pdf\/1810.04805\" target=\"_blank\" rel=\"noopener\" title=\"\" rel=\"nofollow\" >arXiv:1810.04805<\/a>.<\/p>\n\n\n\n<p>[10] Alsentzer, E., et al. (2019). Publicly available clinical BERT embeddings. <a href=\"https:\/\/arxiv.org\/abs\/1904.03323\" target=\"_blank\" rel=\"noopener\" title=\"\" rel=\"nofollow\" >arXiv:1904.03323<\/a>.<\/p>\n\n\n<div class=\"kk-star-ratings kksr-auto kksr-align-left kksr-valign-bottom\"\n    data-payload='{&quot;align&quot;:&quot;left&quot;,&quot;id&quot;:&quot;33216&quot;,&quot;slug&quot;:&quot;default&quot;,&quot;valign&quot;:&quot;bottom&quot;,&quot;ignore&quot;:&quot;&quot;,&quot;reference&quot;:&quot;auto&quot;,&quot;class&quot;:&quot;&quot;,&quot;count&quot;:&quot;1&quot;,&quot;legendonly&quot;:&quot;&quot;,&quot;readonly&quot;:&quot;&quot;,&quot;score&quot;:&quot;5&quot;,&quot;starsonly&quot;:&quot;&quot;,&quot;best&quot;:&quot;5&quot;,&quot;gap&quot;:&quot;2&quot;,&quot;greet&quot;:&quot;&quot;,&quot;legend&quot;:&quot;5\\\/5&quot;,&quot;size&quot;:&quot;30&quot;,&quot;title&quot;:&quot;Sztuczna inteligencja w s\u0142u\u017cbie bada\u0144 klinicznych&quot;,&quot;width&quot;:&quot;159&quot;,&quot;_legend&quot;:&quot;{score}\\\/5&quot;,&quot;font_factor&quot;:&quot;1.25&quot;}'>\n            \n<div class=\"kksr-stars\">\n    \n<div class=\"kksr-stars-inactive\">\n            <div class=\"kksr-star\" data-star=\"1\" style=\"padding-right: 2px\">\n            \n\n<div class=\"kksr-icon\" style=\"width: 30px; height: 30px;\"><\/div>\n        <\/div>\n            <div class=\"kksr-star\" data-star=\"2\" style=\"padding-right: 2px\">\n            \n\n<div class=\"kksr-icon\" style=\"width: 30px; height: 30px;\"><\/div>\n        <\/div>\n            <div class=\"kksr-star\" data-star=\"3\" style=\"padding-right: 2px\">\n            \n\n<div class=\"kksr-icon\" style=\"width: 30px; height: 30px;\"><\/div>\n        <\/div>\n            <div class=\"kksr-star\" data-star=\"4\" style=\"padding-right: 2px\">\n            \n\n<div class=\"kksr-icon\" style=\"width: 30px; height: 30px;\"><\/div>\n        <\/div>\n            <div class=\"kksr-star\" data-star=\"5\" style=\"padding-right: 2px\">\n            \n\n<div class=\"kksr-icon\" style=\"width: 30px; height: 30px;\"><\/div>\n        <\/div>\n    <\/div>\n    \n<div class=\"kksr-stars-active\" style=\"width: 159px;\">\n            <div class=\"kksr-star\" style=\"padding-right: 2px\">\n            \n\n<div class=\"kksr-icon\" style=\"width: 30px; height: 30px;\"><\/div>\n        <\/div>\n            <div class=\"kksr-star\" style=\"padding-right: 2px\">\n            \n\n<div class=\"kksr-icon\" style=\"width: 30px; height: 30px;\"><\/div>\n        <\/div>\n            <div class=\"kksr-star\" style=\"padding-right: 2px\">\n            \n\n<div class=\"kksr-icon\" style=\"width: 30px; height: 30px;\"><\/div>\n        <\/div>\n            <div class=\"kksr-star\" style=\"padding-right: 2px\">\n            \n\n<div class=\"kksr-icon\" style=\"width: 30px; height: 30px;\"><\/div>\n        <\/div>\n            <div class=\"kksr-star\" style=\"padding-right: 2px\">\n            \n\n<div class=\"kksr-icon\" style=\"width: 30px; height: 30px;\"><\/div>\n        <\/div>\n    <\/div>\n<\/div>\n                \n\n<div class=\"kksr-legend\" style=\"font-size: 24px;\">\n            5\/5    <\/div>\n    <\/div>\n","protected":false},"excerpt":{"rendered":"<p>Gdy si\u0119gamy po tabletk\u0119 przeciwb\u00f3low\u0105, antybiotyk czy lek na nadci\u015bnienie, rzadko my\u015blimy, ile pracy stoi za tym, \u017ceby dana substancja &hellip; <a class=\"continued-btn\" href=\"https:\/\/sii.pl\/blog\/sztuczna-inteligencja-w-sluzbie-badan-klinicznych\/\">Continued<\/a><\/p>\n","protected":false},"author":779,"featured_media":33231,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"_acf_changed":false,"_editorskit_title_hidden":false,"_editorskit_reading_time":0,"_editorskit_is_block_options_detached":false,"_editorskit_block_options_position":"{}","inline_featured_image":false,"footnotes":""},"categories":[1316],"tags":[5440,1627,1512,682,1032],"class_list":["post-33216","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-development-na-miekko","tag-coreai","tag-healthcare-2-2","tag-poradnik","tag-artificial-intelligence","tag-case-study"],"acf":[],"aioseo_notices":[],"republish_history":[],"featured_media_url":"https:\/\/sii.pl\/blog\/wp-content\/uploads\/2026\/02\/Healthcare_1.jpg","category_names":["Development na mi\u0119kko"],"_links":{"self":[{"href":"https:\/\/sii.pl\/blog\/wp-json\/wp\/v2\/posts\/33216"}],"collection":[{"href":"https:\/\/sii.pl\/blog\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/sii.pl\/blog\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/sii.pl\/blog\/wp-json\/wp\/v2\/users\/779"}],"replies":[{"embeddable":true,"href":"https:\/\/sii.pl\/blog\/wp-json\/wp\/v2\/comments?post=33216"}],"version-history":[{"count":2,"href":"https:\/\/sii.pl\/blog\/wp-json\/wp\/v2\/posts\/33216\/revisions"}],"predecessor-version":[{"id":33773,"href":"https:\/\/sii.pl\/blog\/wp-json\/wp\/v2\/posts\/33216\/revisions\/33773"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/sii.pl\/blog\/wp-json\/wp\/v2\/media\/33231"}],"wp:attachment":[{"href":"https:\/\/sii.pl\/blog\/wp-json\/wp\/v2\/media?parent=33216"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/sii.pl\/blog\/wp-json\/wp\/v2\/categories?post=33216"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/sii.pl\/blog\/wp-json\/wp\/v2\/tags?post=33216"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}