Autor: Paweł Ginalski
We wrześniu 2024 roku zespół naukowców z Kanady opublikował coś, co brzmi jak futurologia. Sztuczna inteligencja rozpoznaje autyzm u dziecka, analizując jego głos. Dokładność? 98,82 procent. Miesiąc później, w Korei Południowej, inny zespół osiągnął 98% dokładności w diagnozowaniu ADHD – tym razem AI patrzyła na to, jak dziecko reaguje na testy uwagi.1,2
Dla porównania: tradycyjna droga do diagnozy autyzmu lub ADHD w Polsce? Od sześciu miesięcy do dwóch lat oczekiwania. Kilka wizyt u specjalistów. Koszt? Często kilka tysięcy złotych w prywatnych placówkach. W publicznej służbie zdrowia – jeśli w ogóle dostaniesz skierowanie.
Spis treści
Czy maszyny naprawdę potrafią dostrzec to, czego my nie widzimy? I czy powinniśmy im na to pozwolić? Sprawdzamy, opierając się wyłącznie na zweryfikowanych badaniach naukowych z ostatnich dwóch lat.
O czym właściwie mówimy?
Zacznijmy od podstaw. Autyzm (ASD – Autism Spectrum Disorder) i ADHD (Attention-Deficit/Hyperactivity Disorder) to dwa najpowszechniejsze zaburzenia neurorozwojowe.1,3 I choć często wrzucane do jednego worka “neurodywergencji”, działają zupełnie inaczej.
Liczby mówią same za siebie: jedno na 50 dzieci w Kanadzie ma zdiagnozowane ASD (to 2% populacji).1 W przypadku ADHD szacunki globalne wskazują na około 5,9% dzieci i młodzieży.3 W Polsce? Brak rzetelnych, ogólnopolskich statystyk. Co oznacza jedną rzecz: problem jest większy, niż nam się wydaje.
Ale jest jeszcze coś. Około 30-50% dzieci z autyzmem ma też ADHD.3 I tutaj zaczyna się prawdziwy chaos diagnostyczny. Dziecko jest nieuwažne – to ADHD? Przytłoczenie sensoryczne w ASD? A może po prostu lęk? Nawet doświadczeni psychiatrzy mają z tym problem.
Dlaczego diagnoza trwa tak długo? Bo nie ma jednego testu krwi ani obrazowania, które powie: “to autyzm” albo “to ADHD”. Tradycyjna droga to ADOS (Autism Diagnostic Observation Schedule) – kilka godzin strukturyzowanych obserwacji, wywiady z rodzicami, nauczycielami, skale oceny jak ADHD-RS.1,3 To wymaga wysoko wyspecjalizowanych klinicystów. Których brakuje. Wszędzie.
A konsekwencje opóźnienia? Dramatyczne. Okno wczesnej interwencji (2-5 lat) ma kluczowe znaczenie dla rozwoju dziecka.1 Każdy miesiąc zwłoki to miesiąc straconych szans na naukę, terapię, budowanie umiejętności społecznych.
W Polsce sytuacja jest jeszcze gorsza niż w Kanadzie czy USA. Średni czas oczekiwania na diagnostykę psychiatryczną dziecka? Prawie rok. Rok życia trzylatka to przepaść rozwojowa.
Maszyna, która słucha inaczej
Teraz zaczyna się część, która brzmi jak science fiction. W czerwcu 2024 roku Vacca i zespół z Uniwersytetu w Toronto wzięli 84 dzieci w wieku 6-12 lat.1 Połowa miała zdiagnozowany autyzm, połowa była neurotypowa. Naukowcy nagrali ich głosy podczas zwykłych rozmów. I nauczyli komputer słuchać.
Nie chodzi o to, co dzieci mówiły. Chodzi o jak mówiły.
AI analizowała coś, czego ludzkie ucho nie wyłapie bez specjalistycznego sprzętu. Jitter – mikroskopijne drżenie struny głosowej (u dzieci z ASD często wyższe).1 Shimmer – wahania amplitudy głosu, inna “barwa” mowy.1 Formanty F1-F5 – unikalne częstotliwości rezonansowe, które tworzą “odcisk palca” każdego głosu.1 Prozodia – melodia mowy (dzieci z ASD często mówią “płasko” lub w nietypowym rytmie).1
Komputer ekstrahował 36 takich cech akustycznych z każdego nagrania.1 Uczył się na przykładach. I potem – testowano go.
Wynik? 98,82% dokładności.1
Brzmi niewiarygodnie? Sprawdźmy inne badania. Keerthana Sai i zespół (2024) wzięli tylko 30 dzieci (3,5-9 lat), użyli niestandardowej sieci neuronowej CNN i osiągnęli 99,1% dokładności.1 Briend i współpracownicy (2023) testowali 108 dzieci (8-9 lat) algorytmem k-means clustering – 91% dokładności.1
Systematyczny przegląd opublikowany w październiku 2025 roku w czasopiśmie Bioengineering przeanalizował 13 takich badań.1 Średnia dokładność? 85-99%. Najpopularniejsze algorytmy? SVM (Support Vector Machine), Random Forest, k-Means.1
Brzmi jak przełom. Ale zanim zaczniemy świętować, spójrzmy na liczby inaczej.
84 dzieci. 30 dzieci. 108 dzieci. To mniej niż populacja dwóch – czterech klas w podstawówce. Czy maszyna nauczona na tak małej grupie zadziała w prawdziwym świecie? W gabinecie pełnym płaczących dzieci, zdenerwowanych rodziców i trzaskających drzwi?
Tego nikt jeszcze nie wie.1
ADHD w rytmie kliknięć
Teraz przeskoczmy do ADHD. I tutaj skala robi wrażenie.
W maju 2025 roku koreańscy badacze opublikowali wyniki pracy z… 11,429 uczestnikami.2 To największe badanie robione przez Sztuczną Inteligencję w diagnostyce ADHD w historii.
Użyli tzw. Comprehensive Attention Test (CAT) – komputerowego testu składającego się z 6 podtestów uwagi.2 Uwaga wzrokowa, słuchowa, pamięć robocza, kontrola hamowania (to, co sprawia, że nie przerywamy rozmówcy co trzy sekundy). 50-60 minut na komputerze. AI analizowała: błędy pominięcia (przegapiłeś sygnał), błędy popełnienia (kliknąłeś, gdy nie należało), czas reakcji, zmienność odpowiedzi.2
Wynik: 98% dokładności w odróżnieniu osób z ADHD od neurotypowych.2
Ale koreańskie badanie to nie jedyny kierunek. Przegląd systematyczny z września 2025 roku (Frontiers in Artificial Intelligence) pokazuje, że naukowcy próbują różnych podejść:3
- EEG (fale mózgowe): do 99,95% dokładności w niektórych badaniach3,5
- MRI (obrazowanie mózgu): 89% dokładności2,3
- Testy behawioralne + machine learning: modele hybrydowe osiągają 93,61%3,6
- Analiza ruchu (motion tracking): 71,79% – najniżej, ale wciąż obiecująco8
Koreańskie badanie to przełom pod względem skali. Ale – i to ważne – przeprowadzono je tylko w Korei Południowej.2 Czy AI nauczony na koreańskich dzieciach zadziała w Polsce? W Nigerii? W Brazylii? Jeszcze nie wiemy.
Bo jest jeszcze jeden problem, o którym za chwilę.
Gdy autyzm spotyka ADHD
Oto, gdzie robi się naprawdę skomplikowanie. Około 30-50% dzieci z autyzmem ma też ADHD.3 A objawy? Czasem nie do odróżnienia.
Nieuwaga występuje w ASD (dziecko jest przytłoczone bodźcami sensorycznymi, wyłącza się) i ADHD (deficyt funkcji wykonawczych, mózg nie filtruje informacji).3 Trudności społeczne – w ASD to brak teorii umysłu (trudność z rozumieniem, co czuje druga osoba), w ADHD to impulsywność w relacjach (przerywanie, niecierpliwość).3 Ruchliwość – stereotypie w ASD (kołysanie, machanie rękami) vs. hyperaktywność w ADHD (nie może usiedzieć w miejscu).3
Jak AI radzi sobie z tym nakładaniem się objawów?
Różnie. Badania z obrazowaniem fMRI pokazują, że modele potrafią wychwycić różnice w łączności sieci mózgowych między ASD a ADHD.3 Eye-tracking (śledzenie wzroku) również pomaga: dzieci z ASD unikają kontaktu wzrokowego, dzieci z ADHD mają chaotyczny, niestabilny wzrok.3
Ale gdy badacze próbowali AI w realnych warunkach klinicznych? Badanie z lipca 2025 roku pokazało, że AI osiąga 71,79% dokładności w odróżnieniu dzieci neurotypowych od neurodywergentnych (ASD lub ADHD).8 Ale gdy próbowała rozróżnić dzieci z ASD+ADHD od czystego ASD? Dokładność spadała dramatycznie.8
To nie jest wina AI. To odbicie klinicznej rzeczywistości – nawet doświadczeni psychiatrzy mają z tym problem.
Czy AI może wspierać terapię?
Załóżmy, że diagnoza już jest. Co dalej? Tradycyjna terapia dla osób z autyzmem – Applied Behavior Analysis (ABA) – kosztuje krocie i wymaga setek godzin pracy terapeuty. Czy AI może wspomóc ten proces?
W kwietniu 2025 roku w czasopiśmie JMIR Neurotechnology opublikowano wyniki 12-miesięcznego badania platformy CognitiveBotics.4 43 dzieci z ASD (2-18 lat). Połowa korzystała z platformy AI – interaktywne gry, chatboty dostosowujące poziom trudności, materiały audiowizualne reagujące na postępy dziecka. Druga połowa – tradycyjna terapia bez AI.
Standardowe narzędzia oceny: CARS (Childhood Autism Rating Scale), VSMS (Vineland Social Maturity Scale), testy rozwoju języka.4
Wyniki po 12 miesiącach (grupa z AI):
- CARS (skala autyzmu): spadek o 15,2% (p<0,00001)4
- Wiek społeczny: wzrost o 56,8% (p<0,00001)4
- Język receptywny: wzrost o 56,2% (p<0,00001)4
- Język ekspresyjny: wzrost o 59,9% (p<0,00001)4
Co oznacza wartość p<0,00001? W statystyce to niemal pewność, że wynik nie jest przypadkiem. Mniej niż 1 szansa na 100,000, że to zbieg okoliczności.
Grupa kontrolna (tradycyjna terapia)? CARS spadł o 10,6%, ale bez istotności statystycznej (p=0,0625).4 Pozostałe parametry – brak istotnych zmian.4
Brzmi imponująco. Ale zanim zaczniemy planować rewolucję, zobaczmy ograniczenia. Grupa testowa: tylko 43 dzieci.4 Brak long-term follow-up – co będzie za 5 lat z tymi dziećmi? Koszt platformy? Nie podano publicznie.4
A co z ADHD? Tutaj obraz jest mniej wyraźny. Przegląd systematyczny z 2025 roku pokazuje, że AI w personalizacji wsparcia dla osób z ADHD (adaptacyjne platformy uczenia, digital phenotyping przez smartfony) ma potencjał.3 Ale większość badań to pilotaże. Brak dużych randomizowanych badań kontrolowanych (RCT).3
To obszar, który dopiero się rozwija.
Co może pójść nie tak?
Systematyczne przeglądy z 2024-2025 są brutalne w ocenie. Zidentyfikowano kluczowe problemy, których nie można ignorować.1,3
Problem pierwszy: Małe próby
W badaniach ASD: mediana próby w badaniach głosowych to 30-118 dzieci.1 Dla porównania: każdy lek przed dopuszczeniem do obrotu jest testowany na tysiącach ludzi. Szczepionka przeciw COVID-19? Dziesiątki tysięcy uczestników w badaniach klinicznych.
W badaniach ADHD: koreańskie badanie z 11,429 uczestnikami to wyjątek, nie reguła.2 Większość badań EEG czy fMRI? Mniej niż 200 osób.3
Mała próba to jak nauczenie kogoś języka polskiego, pokazując mu tylko mieszkańców jednej wsi. Zrozumie lokalne wyrażenia, powiedzenia, akcent. Ale czy poradzi sobie w Warszawie? W Krakowie? W Białymstoku?
Problem drugi: Brak różnorodności
Gender bias to problem systemowy.1,3 W badaniach ASD stosunek chłopców do dziewczynek wynosi około 4:1 – co odpowiada populacyjnemu rozkładowi.1 Problem? Dziewczynki z autyzmem są masowo niedodiagnozowane. Objawy u nich wyglądają inaczej (lepsze maskowanie społeczne). Czy AI nauczony głównie na chłopcach rozpozna autyzm u dziewczynki?
W ADHD sytuacja podobna – przewaga chłopców w próbach badawczych.3
Bias geograficzny jest jeszcze gorszy. 90% badań pochodzi z USA, Kanady, Europy Zachodniej lub Korei Południowej.1,3 Brak walidacji wielojęzykowej i wielokulturowej. Czy AI nauczony na angielskojęzycznych dzieciach z Toronto zadziała dla polskich dzieci? Dla afrykańskich? Dla południowoamerykańskich?
Nikt nie wie, bo nikt nie testował.
Problem trzeci: Laboratorium vs. rzeczywistość
99% dokładności brzmi fantastycznie. Ale to w kontrolowanych warunkach: cicha sala, spokojne dziecko, doskonały sprzęt nagraniowy, brak zakłóceń.1
A co w chaosie prawdziwego gabinetu pediatry? Gdzie dziecko płacze, mama się niecierpliwi, w tle dzwoni telefon, a nagranie ma szumy z klimatyzacji?
Przegląd systematyczny z 2025 roku (Frontiers in Artificial Intelligence) pisze wprost:3
“The field faces challenges: insufficient standardized data, limited generalization, interpretability issues, potential biases, and lack of rigorous clinical validation.”
Tłumacząc: AI ma potencjał, ale wciąż brakuje standaryzacji, wiarygodnej walidacji klinicznej i ryzyko stronniczości>
Z przeglądu badań o ASD (Bioengineering, październik 2025):1
“The major limitations identified across studies include small sample sizes (median 30-118 children), lack of cross-cultural validation, and insufficient longitudinal data on long-term outcomes.”
Innymi słowy: badamy za małe grupy, nie testujemy w różnych kulturach i nie wiemy, co będzie za 5-10 lat z dziećmi diagnozowanymi przez AI.
Problem czwarty: Etyka i prywatność
Nagrania głosu dziecka. Wideo z sesji terapeutycznych. Obrazowanie fMRI mózgu. To dane wysoce wrażliwe.3 Kto ma do nich dostęp? Jak długo są przechowywane? Czy rodzice mogą żądać usunięcia? Co jeśli wyciekną?
I jest ryzyko błędu. Fałszywie pozytywna diagnoza: neurotypowe dziecko diagnozowane z ASD lub ADHD. Niepotrzebny stres dla rodziny, stygmatyzacja, możliwe niepotrzebne interwencje. Fałszywie negatywna diagnoza: dziecko z ASD lub ADHD pominięte przez AI. Stracone okno wczesnej interwencji. Konsekwencje na całe życie.
A jest jeszcze jeden problem, o którym rzadko się mówi głośno. AI uczy się na danych historycznych. A w historii medycyny? Białych chłopców z klasy średniej diagnozowano częściej i szybciej. Mniejszości etniczne, dziewczynki, rodziny z niskimi dochodami – pomijane.3
Czy algorytm nauczył się tendencyjności? Badania sugerują, że tak.3
Głosy ostrożności
Nawet autorzy najbardziej obiecujących badań zachowują ostrożność. Z badania koreańskiego o ADHD (Frontiers in Psychiatry, maj 2025):2
“It is crucial to emphasize that the results from this tool must be interpreted within the context of a full clinical evaluation. The value of this instrument lies not in functioning as a standalone diagnostic test, but in providing adjunctive objective data to the clinician.”
Nawet przy 98% dokładności i próbie prawie 12 tysięcy osób autorzy podkreślają: AI to nie zamiennik lekarza. To narzędzie wspomagające.2
Z przeglądu w Bioengineering (2025) o systemach AI w diagnostyce ASD:1
“While voice biomarkers show high accuracy in controlled settings, real-world implementation requires larger, more diverse datasets and cross-cultural validation before clinical deployment can be recommended.”
Potencjał jest. Ale droga do praktycznego zastosowania jeszcze daleka.
Czy to przyszłość?
Wróćmy do pytania z początku: czy AI zdiagnozuje autyzm i ADHD lepiej niż lekarz?
Odpowiedź w 2026 roku brzmi: jeszcze nie. Ale za 10 lat? Prawdopodobnie tak.
Co musi się zmienić? Wnioski z przeglądów systematycznych są jasne:1,2,3
Większe, różnorodne bazy danych. Nie 100, ale 10,000+ dzieci z różnych krajów, kultur, języków. Równowaga płci w próbach badawczych. Longitudinalne badania – śledzenie przez lata, nie miesiące.
Standaryzacja metod. Ujednolicone protokoły zbierania danych. Jak nagrywać głos? W jakich warunkach? Jakie testy stosować? Dziś każdy zespół robi to inaczej. To uniemożliwia porównanie wyników.
Integracja modalności. Nie tylko głos. Nie tylko EEG. Wszystko razem. Systematyczne przeglądy pokazują, że multimodalne systemy (głos + wzrok + ruch + dane behawioralne) osiągają lepsze wyniki niż pojedyncze podejścia.1
AI jako screening tool, nie diagnosta. To kluczowe. Pierwsza linia: AI identyfikuje dzieci wysokiego ryzyka. Szybki, tani, masowy screening. Druga linia: specjalista potwierdza, różnicuje, planuje interwencję. Skrócenie czasu z roku do tygodnia.
Wyobraź sobie 2030 rok. Rodzic 3-latka wypełnia krótki kwestionariusz w aplikacji, nagrywa 10 minut zabawy z dzieckiem. AI analizuje: głos, ruchy, wzorce zabawy, kontakt wzrokowy. Po 24 godzinach: “Wykryto ryzyko ASD – zalecana konsultacja specjalistyczna”. Miesiąc później rodzic siedzi u diagnosty, który już ma obiektywne dane. Diagnoza w 6 tygodni, nie 6 miesięcy.
To nie science fiction. Technologia jest. Algorytmy działają. Brakuje tylko standardów, walidacji klinicznej i – co może najważniejsze – zaufania społecznego.
Epilog
Historia medycyny to historia narzędzi, które kiedyś wydawały się szaleństwem. W 1895 roku Wilhelm Röntgen odkrył promienie X. Lekarze mówili: “Bzdura, nie można zaglądać do wnętrza ciała bez skalpela”. Dziś? RTG to standard. Nikt się nie dziwi.
W 1928 Alexander Fleming odkrył penicylinę. Przez 15 lat nikt mu nie wierzył. Nie było pieniędzy na badania. “Jak pleśń może wspierać organizm w walce z infekcjami?” Dziś? Antybiotyki ratują miliony żyć rocznie.
Może za pokolenie nikt nie będzie się dziwił, że AI słucha głosu dziecka i mówi: “warto pokazać je specjaliście”. Że algorytm analizuje wzrok, ruchy, rytm mowy – i wykrywa to, czego ludzkie oko nie dostrzeże.
Ale – i to kluczowe – pod warunkiem, że będziemy pilnować, by technologia służyła dzieciom. By nie pogłębiała nierówności (bogate kraje mają AI, biedne czekają w kolejkach). By nie utrwalała trndencyjnuch wzorców (algorytm uczony na białych chłopcach pomija dziewczynki i mniejszości). By nie zastępowała człowieka, ale go wspierała.
Bo AI to narzędzie. A każde narzędzie można użyć dobrze – albo źle.
To od nas zależy, którą drogę wybierzemy.
Bibliografia
- A Scoping Review of AI-Based Approaches for Detecting Autism Spectrum Disorder (2025)
Bioengineering
https://pmc.ncbi.nlm.nih.gov/articles/PMC12649475/ - Prediction of attention deficit hyperactivity disorder using the comprehensive attention test: a large-scale machine learning approach (2025)
Frontiers in Psychiatry
https://www.frontiersin.org/journals/psychiatry/articles/10.3389/fpsyt.2025.1574615/full - Artificial intelligence in ADHD assessment: a comprehensive review (2025)
Frontiers in Artificial Intelligence
https://pmc.ncbi.nlm.nih.gov/articles/PMC12436382/ - Effectiveness of Artificial Intelligence–Based Platform in Managing Autism Spectrum Disorder (2025)
JMIR Neurotechnology
https://neuro.jmir.org/2025/1/e70589 - Application of artificial intelligence in attention-deficit hyperactivity disorder (2024)
ScienceDirect
https://www.sciencedirect.com/science/article/abs/pii/S1746809425007086 - Machine learning in attention-deficit/hyperactivity disorder (2023)
Nature Scientific Reports
https://www.nature.com/articles/s41398-023-02536-w - Exploring the application of AI in the education of children with autism spectrum disorder (2025)
PMC
https://pmc.ncbi.nlm.nih.gov/articles/PMC11811491/ - AI Tool Shows Promise for Faster, More Accurate Autism and ADHD Diagnoses (2025)
AJMC
https://www.ajmc.com/view/ai-tool-shows-promise-for-faster-more-accurate-autism-and-adhd-diagnoses - Digital accessibility in the era of artificial intelligence (2024)
PMC
https://pmc.ncbi.nlm.nih.gov/articles/PMC10905618/ - Artificial Intelligence and Health Equity for People with Disabilities (2025)
PMC
https://pmc.ncbi.nlm.nih.gov/articles/PMC12374087/
~~ Paweł Ginalski.
