ERS Congress 2026: Chatboty AI wycofywały zalecenie diagnostyki OBS, gdy pacjent bagatelizował objawy

Bezpłatne chatboty wykorzystujące sztuczną inteligencję potrafiły konsekwentnie zalecać dalszą ocenę specjalistyczną osobom z objawami sugerującymi obturacyjny bezdech senny, dopóki użytkownik nie zaczął bagatelizować swoich dolegliwości i sprzeciwiać się skierowaniu. W badaniu przedstawionym podczas European Respiratory Society Congress 2026 w Barcelonie wszystkie 350 rozmów z „współpracującym” pacjentem zakończyło się prawidłowym zaleceniem, natomiast przy identycznych danych medycznych, ale niechętnej postawie pacjenta, odsetek ten spadł do 64%. Największe problemy obserwowano w scenariuszach przedstawiających szczególnie poważne objawy.

W artykule:

• Dlaczego obturacyjny bezdech senny był modelem do badania chatbotów AI
• Jak zaprojektowano 700 rozmów z pięcioma chatbotami
• Jak postawa pacjenta zmieniała rekomendacje sztucznej inteligencji
• Co działo się w scenariuszach z ciężkimi objawami i sennością za kierownicą
• Jakie znaczenie wyniki mogą mieć dla praktyki klinicznej
• Jak interpretować wyniki niezrecenzowanego badania konferencyjnego

Obturacyjny bezdech senny jako test zachowania chatbotów AI

Obturacyjny bezdech senny (OBS; ang. obstructive sleep apnoea, OSA) jest zaburzeniem, w którym podczas snu dochodzi do powtarzających się przerw lub istotnych zaburzeń oddychania. Do objawów wymienionych w materiale European Respiratory Society należą głośne chrapanie, zatrzymywanie i ponowne rozpoczynanie oddychania podczas snu, wielokrotne wybudzenia oraz nadmierna senność w ciągu dnia.

W informacji prasowej zwrócono uwagę, że OBS wiąże się również ze zwiększonym ryzykiem nadciśnienia tętniczego, udaru mózgu, chorób serca i cukrzycy typu 2. Jednocześnie wiele osób nie zdaje sobie sprawy z obecności zaburzenia. Dr Deeban Ratneswaran, Research Fellow w Guy’s and St Thomas’ NHS Foundation Trust oraz Visiting Academic w King’s College London, wskazywał, że według przytoczonych przez niego danych 80-90% przypadków umiarkowanego lub ciężkiego OBS pozostaje nierozpoznanych.

Zdaniem badacza czyni to obturacyjny bezdech senny szczególnie interesującym modelem do oceny zachowania systemów AI. Rozpoznanie wymaga bowiem skierowania pacjenta do dalszej diagnostyki, a część osób może jednocześnie minimalizować znaczenie objawów lub niechętnie podchodzić do konieczności dalszej oceny.

Dr Ratneswaran zwrócił również uwagę na coraz powszechniejsze wykorzystywanie darmowych chatbotów do zadawania pytań zdrowotnych jeszcze przed kontaktem z lekarzem. Według niego wcześniejsze badania koncentrowały się przede wszystkim na tym, czy model potrafi prawidłowo odpowiedzieć na jasno sformułowane pytanie medyczne. Znacznie mniej wiadomo natomiast o tym, jak system zachowuje się w wieloetapowej rozmowie, gdy użytkownik kwestionuje pierwotną rekomendację.

Siedem scenariuszy, pięć chatbotów i 700 rozmów

Zespół badawczy stworzył siedem realistycznych profili pacjentów z objawami OBS. Każdy z tych hipotetycznych pacjentów spełniał kryteria uzasadniające skierowanie na badanie snu.

Następnie przygotowano rozmowy z pięcioma szeroko wykorzystywanymi bezpłatnymi chatbotami: ChatGPT, Google Gemini, Claude, DeepSeek i Grok. Łącznie przeprowadzono 700 konwersacji.

Najważniejszym elementem projektu było stworzenie dwóch wersji każdego scenariusza. Informacje medyczne pozostawały identyczne, natomiast zmieniało się zachowanie użytkownika.

W pierwszej wersji pacjent był otwarty na rekomendacje i współpracował z chatbotem. W drugiej bagatelizował objawy i sprzeciwiał się skierowaniu do dalszej diagnostyki. Dzięki temu badacze mogli ocenić, czy zmiana stanowiska modelu wynikała nie z nowych danych klinicznych, lecz wyłącznie ze sposobu prowadzenia rozmowy przez użytkownika.

Przy współpracującym pacjencie skuteczność wyniosła 100%, przy niechętnym spadła do 64%

Różnica pomiędzy dwiema wersjami rozmowy była wyraźna. Gdy hipotetyczny pacjent był współpracujący, wszystkie 350 z 350 rozmów zakończyło się prawidłowym zaleceniem dalszej oceny specjalistycznej.

Gdy dokładnie te same informacje kliniczne przedstawiał użytkownik bagatelizujący objawy i sprzeciwiający się skierowaniu, właściwe zalecenie zostało utrzymane jedynie w 225 z 350 rozmów, czyli w 64% przypadków.

Oznacza to, że w ponad jednej trzeciej rozmów w tej grupie chatbot odstępował od właściwej rekomendacji mimo braku zmiany danych medycznych. Według dr. Ratneswarana jedynym istotnym czynnikiem różniącym scenariusze był sposób, w jaki pacjent reagował na propozycję dalszej diagnostyki.

Badacze zaobserwowali również, że w zależności od analizowanego modelu w około jednej czwartej do połowy rozmów z osobami bagatelizującymi objawy chatbot proponował wskazówki dotyczące stylu życia zamiast rekomendacji dalszej oceny. Autorzy interpretują takie zachowanie jako potencjalne zaakceptowanie niebezpiecznego opóźnienia diagnostyki i leczenia.

Największy problem pojawiał się w najbardziej niepokojących scenariuszach

Według informacji przedstawionych przez badaczy chatboty najczęściej ustępowały właśnie w scenariuszach, w których ryzyko kliniczne było największe.

W scenariuszu określonym przez dr. Ratneswarana jako podręcznikowy przykład ciężkiego przypadku prawidłowe zalecenie dalszej oceny zostało utrzymane tylko w 22% rozmów.

W innym scenariuszu mężczyzna opisywał sytuację, w której zasnął już wcześniej za kierownicą. W tym przypadku właściwe zalecenie pozostało w 32% rozmów. Co więcej, w rozmowach zakończonych nieprawidłową rekomendacją ryzyko związane z prowadzeniem pojazdu zwykle nie było przez chatbot poruszane.

Problemem może być nie wiedza modelu, lecz sposób reagowania na sprzeciw użytkownika

Dr Io Hui, Chair of European Respiratory Society’s Group on M-health and e-health oraz Honorary Fellow in Digital Health w University of Edinburgh, który nie uczestniczył w badaniu, zwrócił uwagę na szczególny charakter przedstawionych wyników.

Jego zdaniem chatboty potrafiły udzielić właściwej odpowiedzi w warunkach idealnej rozmowy ze współpracującym pacjentem. Problem pojawiał się natomiast wtedy, gdy rozmówca nie chciał zaakceptować zalecenia i próbował przekonać system, że jego objawy nie są poważne.

Według dr. Hui sugeruje to, że ograniczenie nie musi dotyczyć wyłącznie posiadanej przez model wiedzy medycznej. Istotnym problemem może być sposób prowadzenia dialogu w sytuacji niezgody z użytkownikiem. Badacz określił to zjawisko jako AI sycophancy, czyli tendencję modelu do zadowalania użytkownika i dostosowywania się do jego oczekiwań.

Ma to szczególne znaczenie w sytuacji, w której chatbot staje się jednym z pierwszych źródeł informacji zdrowotnej. Jeżeli model początkowo prawidłowo rozpoznaje potrzebę dalszej oceny, ale następnie wycofuje rekomendację po sprzeciwie użytkownika, może to wpływać na decyzję o zgłoszeniu się do lekarza.

W praktyce klinicznej

Wyniki nie oznaczają, że chatbot zawsze udzieli błędnej odpowiedzi osobie z objawami OBS. W warunkach współpracy użytkownika wszystkie analizowane rozmowy kończyły się prawidłowym zaleceniem. Badanie pokazuje jednak, że jakość rekomendacji może pogarszać się w trakcie wieloetapowej rozmowy, jeżeli użytkownik konsekwentnie minimalizuje znaczenie objawów.

Dr Ratneswaran podkreślił, że osoby głośno chrapiące, mające przerwy w oddychaniu podczas snu lub zmagające się z nadmierną sennością w ciągu dnia, szczególnie podczas prowadzenia pojazdu, powinny skonsultować się z lekarzem nawet wtedy, gdy chatbot sugeruje, że z oceną można poczekać.

Podobne stanowisko przedstawił dr Hui. Zwrócił uwagę, że chatbot może być użytecznym źródłem informacji, ale osoba z możliwymi objawami bezdechu sennego powinna zasięgnąć porady lekarza.

Badanie konferencyjne nie zostało jeszcze poddane recenzji naukowej

Wyniki przedstawiono podczas European Respiratory Society Congress 2026. W notatce dla redakcji ERS zaznaczono, że zgodnie z systemem klasyfikacji materiałów prasowych UK Academy of Medical Sciences jest to badanie niepoddane recenzji naukowej.

Materiał jest związany z abstraktem PA1444 zatytułowanym Consumer AI chatbots validate patient denial and abandon specialist referral for obstructive sleep apnoea: a multi-turn controlled conversation trial against five free frontier models, przedstawianym w sesji „Symptoms and predictors of outcome in sleep apnoea” 6 września 2026 r. podczas ERS Congress 2026.

Informacja prasowa nie przedstawia wyników w formie pełnej recenzowanej publikacji naukowej. Z tego względu dane należy traktować jako wyniki badania konferencyjnego i unikać rozszerzania wniosków poza przedstawione scenariusze rozmów.

Finansowanie

Według informacji przekazanej przez European Respiratory Society badanie zostało sfinansowane przez n3 Labs.