Model uczenia maszynowego wytrenowany na danych 43 197 uczestników norweskiego badania HUNT rozpoznawał migrenę z wynikiem AUC 0,80, choć nie otrzymał żadnych informacji o samym bólu głowy. Zespół z Norweskiego Uniwersytetu Nauki i Technologii (NTNU) kierowany przez Ankera Stubberuda wyodrębnił następnie w grupie migrenowej cztery odrębne podtypy, co badacze uznali za argument przeciwko traktowaniu migreny jako jednej choroby.
- Model uczenia maszynowego light gradient boosting machine, wytrenowany na danych 43 197 uczestników norweskiego badania HUNT, rozpoznawał migrenę z wynikiem AUC 0,80, choć nie otrzymał żadnych informacji o samym bólu głowy – za najsilniejszy predyktor algorytm uznał wiek, przed bólem karku, miesiączką i nudnościami.
- Zespół z NTNU kierowany przez Ankera Stubberuda wyodrębnił w grupie migrenowej cztery odrębne podtypy, w tym jeden złożony wyłącznie z mężczyzn, jeden z nasilonym bólem karku, jeden z częstszym bólem mięśniowo-szkieletowym, lękiem i depresją oraz jeden odpowiadający migrenie klasycznej z aurą.
- Podgrupy migrenowe okazały się lepiej rozróżniane przez genetyczne wskaźniki ryzyka oparte na uczeniu maszynowym niż przez klasyczne poligeniczne wskaźniki ryzyka (PRS), co autorzy uznali za argument na rzecz hipotezy, że migrena nie jest jedną jednostką chorobową, lecz zróżnicowanym zbiorem odmiennych stanów biologicznych.
Wyniki opublikowano 16 czerwca 2026 roku w czasopiśmie „Neurology” pod tytułem „Machine Diagnostics and Machine Phenotyping of Migraine: A HUNT Study”. Pierwszym autorem jest Antonios Danelakis z Wydziału Informatyki NTNU, a autorem korespondencyjnym Anker Stubberud, lekarz i badacz bólów głowy związany z NorHEAD, norweskim centrum badań nad bólem głowy.
Chcesz czytać więcej treści związanych z AI?
Dodaj AIPORT.pl do preferowanych źródeł Google
Model uzyskał AUC 0,80 na danych, z których usunięto wszystko, co dotyczy bólu głowy
Najważniejszy element eksperymentu polegał na tym, czego algorytm nie dostał. Badacze zbudowali modele diagnostyczne wyłącznie na danych demograficznych, ogólnoklinicznych i genetycznych, celowo usuwając z nich informacje o charakterystyce bólu głowy. Zadaniem modelu było odróżnienie osób z migreną od osób, które w ogóle nie zgłaszały bólów głowy.
Najlepszy wynik osiągnął light gradient boosting machine, czyli model oparty na zespole drzew decyzyjnych. Na wydzielonym zbiorze testowym uzyskał AUC równe 0,80 przy 95-procentowym przedziale ufności od 0,78 do 0,81. AUC (pole pod krzywą ROC) to miara zdolności rozróżniania dwóch grup, gdzie 0,5 oznacza wynik losowy, a 1,0 klasyfikację idealną. Wartość 0,80 to rezultat przyzwoity, ale daleki od precyzji, jakiej wymaga się od testu diagnostycznego stosowanego samodzielnie.
Dane pochodzą z Trøndelag Health Study, znanego pod norweskim skrótem HUNT. To populacyjne badanie prowadzone w regionie Trøndelag, z którego wykorzystano dwie fale zbierania danych: z lat 1995-1997 oraz 2006-2008. Do analizy diagnostycznej włączono 43 197 osób, w tym blisko 9 tysięcy zakwalifikowanych jako chorujące na migrenę. Dodanie danych genetycznych do modelu poprawiło wynik tylko nieznacznie w porównaniu z samymi danymi klinicznymi.
„Wygląda na to, że sztuczna inteligencja może nam pomóc postawić właściwą diagnozę” / „It appears that AI could help us make the correct diagnosis” powiedział Stubberud w komunikacie NTNU.
Wiek okazał się najsilniejszym predyktorem, przed bólem karku, miesiączką i nudnościami
Analiza tego, które cechy najmocniej wpływały na przewidywania modelu, wskazała wiek jako czynnik o największym znaczeniu. Dalej znalazły się ból karku, miesiączka i nudności. To zestaw, który tylko częściowo pokrywa się z klasycznymi kryteriami rozpoznania migreny, opartymi przede wszystkim na opisie napadu bólowego.
Stubberud interpretuje ten wynik jako dowód na szerszy biologiczny ślad choroby. W wersji anglojęzycznej Euronews jego wypowiedź brzmi: „schorzenie zostawia ślady wykraczające daleko poza same napady” / „the condition leaves traces that extend far beyond the attacks”.
Migrena pozostaje jednym z największych problemów zdrowotnych na świecie. W Norwegii dotyczy około 15 procent populacji i jest wiodącą przyczyną niepełnosprawności wśród kobiet poniżej 50. roku życia. Globalnie choroba dotyka ponad miliarda osób, a jej rozpoznanie do dziś opiera się wyłącznie na objawach, bez badania krwi, badania obrazowego czy jakiegokolwiek innego uznanego biomarkera.
Opisz krótko, czego potrzebujesz. Jesteśmy największym HUB-em AI w Polsce — w naszej bazie znajdziesz blisko 500 zweryfikowanych firm specjalizujących się w AI. W Twoim imieniu poprosimy 3-5 dopasowanych wykonawców o kontakt w ciągu 48 godzin.
Algorytm podzielił grupę migrenową na cztery podtypy, w tym jeden złożony wyłącznie z mężczyzn
Drugi etap badania wyglądał inaczej. Zamiast prosić algorytm o odróżnianie migreny od innych bólów głowy, badacze użyli modeli nienadzorowanych i kazali im szukać naturalnie występujących skupień w danych.
Spośród 12 185 osób z wystarczająco kompletnymi informacjami o bólach głowy (średni wiek 49,1 roku, 51,7 procent kobiet) algorytm wyodrębnił dwa główne skupienia. Pierwsze liczyło 1425 osób, z których 94 procent spełniało kryteria rozpoznania migreny. Drugie objęło 10 760 osób, wśród których 71 procent miało bóle głowy inne niż migrenowe.
Grupę migrenową dało się podzielić dalej na cztery względnie odrębne podgrupy:
- podgrupa złożona wyłącznie z mężczyzn,
- podgrupa z wyraźnie nasilonym bólem karku,
- podgrupa z częstszym bólem mięśniowo-szkieletowym, lękiem i depresją,
- podgrupa odpowiadająca migrenie „klasycznej”, z aurą migrenową, czyli zestawem przejściowych objawów neurologicznych poprzedzających napad lub mu towarzyszących, takich jak błyski światła, zygzakowate wzory, mroczki, mrowienie albo trudności z mówieniem.
Sprawdziłem, jak ten wynik prezentuje się na tle wcześniejszych prac tego samego zespołu, i widzę tu konsekwentnie budowaną linię badawczą, a nie pojedynczy efektowny eksperyment. Danelakis, Stubberud i współpracownicy publikowali wcześniej w „Brain” analizę rozpoznawania migreny z samych danych genotypowych, a w „The Journal of Headache and Pain” model przewidywania nowych zachorowań. Praca z „Neurology” jest kolejnym krokiem w tę samą stronę.
Zachowałbym jednak dystans wobec czytania tego jako zapowiedzi testu diagnostycznego. AUC 0,80 przy odróżnianiu osób z migreną od osób bez bólów głowy to zadanie łatwiejsze niż to, przed którym stoi neurolog w gabinecie, gdzie pacjent przychodzi już z bólem, a pytanie brzmi, jakiego rodzaju ból to jest. Sami autorzy zresztą tego nie ukrywają.
Naprawdę interesujący jest dla mnie drugi wynik, ten o czterech podgrupach. Jeśli migrena rzeczywiście rozpada się na kilka biologicznie odmiennych stanów, to tłumaczy frustrację znaną każdemu pacjentowi i lekarzowi: dlaczego lek, który u jednej osoby działa świetnie, u drugiej nie robi nic. Ale między hipotezą wyprowadzoną z klastrowania a receptą dobieraną na podstawie profilu biologicznego jest jeszcze bardzo długa droga i co najmniej kilka badań prospektywnych.
Piotr Wolniewicz, Redaktor Naczelny AIPORT.pl
Genetyczne wskaźniki oparte na uczeniu maszynowym rozróżniały podgrupy lepiej niż klasyczne PRS
Do porównania wyodrębnionych podgrup badacze użyli trzech narzędzi: analiz asocjacyjnych całego genomu, konwencjonalnych poligenicznych wskaźników ryzyka (PRS) oraz genetycznych wskaźników ryzyka opartych na uczeniu maszynowym. PRS to standardowa metoda szacowania genetycznego ryzyka choroby na podstawie wielu drobnych wariantów genetycznych.
Podgrupy okazały się lepiej rozróżniane przez wskaźniki oparte na uczeniu maszynowym niż przez klasyczne PRS. Autorzy uznali to za wzmocnienie hipotezy, że migrena nie jest pojedynczą jednostką chorobową, lecz zróżnicowanym zbiorem odmiennych stanów biologicznych.
W dyskusji badacze piszą, że migrenę można trafnie rozpoznać na podstawie danych niezawierających informacji o bólu głowy, co sugeruje, że da się ją opisać biologicznie kombinacją danych klinicznych, genetycznych i środowiskowych. Wskazane podgrupy mają, ich zdaniem, odrębne sygnały fenotypowe i genotypowe, prawdopodobnie nieuchwycone przez obecne kryteria diagnostyczne.
Dane pochodzą sprzed kilkunastu lat, a modelu nie sprawdzono na pacjentach zgłaszających się z bólem głowy
Ograniczenia badania są poważne i autorzy ich nie ukrywają. Analiza ma charakter przekrojowy, więc nie pozwala wnioskować o przyczynowości. Informacje kliniczne zbierano w latach 1995-2008, a część zgłaszanych przez uczestników schorzeń nie została zweryfikowana medycznie w kwestionariuszach HUNT. Grupę kontrolną stanowiły osoby bez bólów głowy, a nie osoby z bólami głowy innego typu, co czyni zadanie modelu prostszym niż realna sytuacja kliniczna.
Stubberud sam zwraca uwagę, że dotychczasowe badania nad AI w ochronie zdrowia opierały się głównie na liczbach i statystyce, a systemy tego rodzaju powinny zostać przetestowane na pacjentach, którzy faktycznie zgłaszają się do lekarza z bólem głowy. Bez takiego kroku trudno mówić o narzędziu diagnostycznym, a nie o ciekawym wyniku obliczeniowym.
Za każdą polską firmą AI stoi konkretny człowiek z imieniem i nazwiskiem, często ten sam w kilku miejscach naraz, i to właśnie ludzie, nie tabelki finansowania, są prawdziwym bohaterem tego artykułu.
Migrena dotyka w Polsce nawet 5 milionów osób, a droga do diagnozy potrafi zająć kilkanaście lat
Polska skala problemu jest porównywalna z norweską i skutki diagnostycznej niepewności są u nas równie dotkliwe. W marcu 2026 roku na wspólnym posiedzeniu Parlamentarnego Zespołu do spraw Neuroróżnorodności oraz Parlamentarnego Zespołu do spraw Leczenia Chorób Neurologicznych mówiono o ponad 5 milionach chorych w Polsce, z czego około 400 tysięcy przypada na migrenę przewlekłą.
Dr hab. n. med. Magdalena Nowaczewska, prof. UMK, specjalistka neurologii, w rozmowie z Rynkiem Zdrowia z maja 2026 roku szacowała liczbę chorych na do 5 milionów osób, a liczbę spełniających kryteria migreny przewlekłej na około 500 tysięcy. Opisała przy tym problem, który badanie z NTNU dotyka bezpośrednio: „Droga do diagnozy i optymalnego leczenia może trwać od kilku do kilkunastu lat”.
Nowaczewska zwraca też uwagę na koszty. Migrena obciąża system ochrony zdrowia i gospodarkę mocniej niż inne schorzenia neurologiczne, ponieważ dotyczy przede wszystkim osób młodych i aktywnych zawodowo, obniżając ich produktywność. Narzędzie skracające kilkunastoletnią ścieżkę diagnostyczną miałoby więc w polskich realiach wymierną wartość. Pod warunkiem że najpierw przejdzie walidację kliniczną, a potem ścieżkę zgodności wymaganą od wyrobów medycznych wykorzystujących sztuczną inteligencję na rynku unijnym.
Źródła i metodologia
Artykuł powstał na podstawie analizy redakcji AIPORT.pl oraz źródeł pierwotnych, w tym badania Machine Diagnostics and Machine Phenotyping of Migraine: A HUNT Study, „Neurology” z 16.06.2026 (DOI: 10.1212/WNL.0000000000218076), komunikatu Norwegian SciTech News / NTNU oraz materiału Euronews Health z 04.09.2026.
Polski kontekst epidemiologiczny opracowano na podstawie wywiadu z dr hab. n. med. Magdaleną Nowaczewską, prof. UMK, dla Rynku Zdrowia oraz relacji z marcowego posiedzenia parlamentarnych zespołów do spraw neuroróżnorodności i leczenia chorób neurologicznych.
Cytaty Ankera Stubberuda, lekarza i badacza bólów głowy z NTNU, zostały zweryfikowane z oryginalnym anglojęzycznym materiałem źródłowym. Cytat Magdaleny Nowaczewskiej pochodzi z polskojęzycznego oryginału i nie był tłumaczony.
Komentarz redakcyjny i ocena kontekstu branżowego: Piotr Wolniewicz, Redaktor Naczelny AIPORT.pl.
Artykuł będzie aktualizowany w miarę pojawiania się nowych informacji o klinicznej walidacji modeli diagnostycznych migreny opartych na uczeniu maszynowym.
