Deepfake w medycynie: czy można podrobić dane zdrowotne i co z tego wynika

Intuicyjne wprowadzenie: co znaczy „deepfake” w kontekście zdrowia

Od podmienionych twarzy do podmienionych wyników badań

Deepfake kojarzy się najczęściej z przerobionymi filmami, w których ktoś mówi lub robi coś, czego nigdy nie zrobił. Technicznie chodzi o syntetyczne treści tworzone przez sztuczną inteligencję – modele generatywne uczone na ogromnych zbiorach danych. Zamiast zwykłego „retuszu” zdjęcia, algorytm sam uczy się, jak wygląda twarz, głos czy ciało człowieka, a potem potrafi wygenerować całkiem nowe, lecz bardzo wiarygodne materiały.

Różnica między klasyczną edycją (np. Photoshop) a deepfake polega na skali automatyzacji i realizmu. Człowiek retuszujący zdjęcie popełnia błędy, ma ograniczoną cierpliwość i czas. Model generatywny może produkować tysiące wariantów, testować je i korygować, aż produkt będzie niemal nieodróżnialny od prawdziwych danych. Deepfake to nie pojedynczy trik, ale cała fabryka podróbek napędzana AI.

W medycynie ten sam mechanizm można przenieść z twarzy celebryty na… dane zdrowotne. Zamiast fałszywego nagrania polityka pojawia się fałszywy wynik rezonansu, kreatywnie „poprawiony” zapis EKG albo syntetyczna historia choroby. Deepfake w medycynie to więc nie tylko przerobiony głos lekarza podczas teleporady, ale kompletna, spójna i wygenerowana komputerowo dokumentacja pacjenta.

Dwie twarze medycznego deepfake: pacjent i jego zdrowie

W kontekście ochrony zdrowia warto myśleć o dwóch kategoriach podróbek:

• „Podrabiamy pacjenta” – chodzi o tożsamość, głos, wizerunek, sposób logowania. Przykład: ktoś podszywa się pod pacjenta podczas teleporady przy użyciu wygenerowanego obrazu i głosu; dostaje receptę lub dostęp do jego dokumentacji medycznej.
• „Podrabiamy jego zdrowie” – manipulujemy danymi medycznymi: wynikami badań, opisami wizyt, obrazami diagnostycznymi czy zapisami z urządzeń medycznych. Przykład: w systemie pojawia się fałszywa tomografia z „udawanym” guzem lub odwrotnie – guz zostaje „usunięty” z obrazu.

Oba scenariusze są równie groźne, ale uderzają w inne elementy systemu. Fałszowanie tożsamości pacjenta lub lekarza to bezpośrednie ryzyko kradzieży dokumentacji, leków czy świadczeń. Podrabianie stanu zdrowia może prowadzić do złej diagnozy, niepotrzebnych zabiegów, a nawet do zagrożenia życia.

Pacjent, który nie istnieje, ale ma pełną dokumentację

Wyobraźmy sobie „pacjenta”, który nigdy nie istniał. Ma jednak numer PESEL podobny do prawdziwych, pełną historię choroby, skany RTG, wyniki badań laboratoryjnych, wypisy ze szpitala, recepty. Wszystko wygenerowane przez AI tak, aby wyglądało spójnie i wiarygodnie. W systemie ubezpieczyciela – to realna osoba, która „przeszła” leczenie, pobierała świadczenia, kupowała leki refundowane.

Taki syntetyczny pacjent może posłużyć do wyłudzeń, ale także do maskowania innych operacji – np. przykrycia nielegalnego dostępu do leków, usług czy sprzętu medycznego. Jeśli systemy ochrony zdrowia nie będą miały mechanizmów weryfikacji autentyczności danych, z czasem trudno będzie odróżnić realne historie chorób od tych ułożonych przez algorytmy.

Deepfake w medycynie staje się więc pytaniem nie tylko o technologię, ale też o zaufanie: komu, czemu i jak wierzyć, gdy nawet „twarde” dane zdrowotne mogą zostać wytworzone lub podmienione przez maszynę.

Jakie dane zdrowotne da się „podrobić”: katalog potencjalnych celów

Dane tekstowe: dokumentacja, która „mówi” po lekarsku

Dane tekstowe to najłatwiejszy cel dla generatywnej sztucznej inteligencji. Modele językowe uczone na ogromnych korpusach tekstów medycznych potrafią pisać jak lekarz: używają skrótów, specjalistycznych terminów, właściwej struktury dokumentu. To już nie jest amatorskie „kopiuj-wklej”, ale tworzenie nowych treści, które brzmią jak prawdziwa dokumentacja.

Do podrabianych danych tekstowych należą między innymi:

• opisy wizyt i wywiad lekarski – np. wywiad „negatywny” w kierunku chorób przewlekłych, by wykazać doskonały stan zdrowia przy badaniach do pracy lub polisy;
• wypisy ze szpitala – fałszywe hospitalizacje z rzekomymi zabiegami, które nigdy się nie odbyły;
• recepty i zalecenia – generowane „na zamówienie” zestawy leków, w tym psychotropowych czy przeciwbólowych, z poprawnymi dawkami i podpisem lekarza sfałszowanym cyfrowo;
• zaświadczenia lekarskie – dokumenty o czasowej niezdolności do pracy, przeciwskazaniach do wykonywania określonych zawodów, „pozytywnych” orzeczeniach dla sportowców czy kierowców.

Jeśli model AI ma dostęp do prawdziwych przykładów dokumentów z danej placówki, jest w stanie naśladować ich styl, układ, typowe sformułowania, a nawet typowe błędy. To dodatkowo utrudnia weryfikację – podróbka wygląda jak „nasza”, a nie jak coś z zewnątrz.

Dane obrazowe: RTG, rezonans, USG i zdjęcia skórne

Obrazy medyczne są naturalnym polem dla deepfake, bo od lat używa się do ich obróbki zaawansowanych algorytmów. Sztuczna inteligencja, która diagnozuje raka płuc na RTG, łatwo może zostać odwrócona: zamiast wykrywać zmiany – zaczyna je generować lub usuwać.

Najczęściej wymieniane obrazy nadające się do syntetycznego tworzenia lub przeróbek to:

• RTG i tomografia komputerowa (CT) – dodanie lub usunięcie cienia guza, złamania, nacieku zapalnego;
• rezonans magnetyczny (MRI) – subtelne zmiany w strukturze mózgu, dysków kręgosłupa, narządów wewnętrznych;
• USG i echo serca – syntetyczne obrazy narządów, np. brak cech marskości wątroby lub „poprawione” frakcje wyrzutowe serca;
• zdjęcia zmian skórnych – generowane fotografii znamion i guzów skóry, które mają przypominać raka lub wyglądać całkiem niewinnie.

Kluczowy problem polega na tym, że lekarz oglądający pojedynczy obraz nie ma z czym go porównać, a przy dużym obciążeniu nie wychwyci drobnych niezgodności. Jeśli sztuczna zmiana jest anatomicznie wiarygodna, a opis badania tekstowego pasuje do obrazu, poziom podejrzeń spada niemal do zera.

Dane sygnałowe i pomiary z urządzeń wearable

Deepfake w medycynie nie kończy się na obrazach. Duża część diagnostyki opiera się na sygnałach i ciągłych pomiarach: krzywa EKG, fale EEG, zapis saturacji tlenem, ciśnienie, puls z zegarków sportowych. Te dane są w rzeczywistości sekwencjami liczb – idealnymi do modelowania przez sieci generatywne.

Do syntetycznych lub fałszowanych danych sygnałowych należą np.:

• EKG – zapis udający zawał serca lub odwrotnie: wygładzony tak, by ukryć arytmie;
• EEG – dane, na podstawie których diagnozuje się padaczkę czy inne zaburzenia neurologiczne;
• monitoring glikemii – pomiary poziomu cukru z sensorów u diabetyków, które decydują o dawkach insuliny lub ocenie wyrównania choroby;
• dane z urządzeń noszonych – ciągły monitoring tętna, snu, aktywności fizycznej przydatny w ubezpieczeniach i programach prozdrowotnych.

Syntetyczne EKG lub zapis glikemii można wygenerować tak, by pasował do oczekiwanego scenariusza – np. idealnego, zdrowego serca czy świetnie kontrolowanej cukrzycy. Trudne jest wykrycie takiej podróbki, jeśli lekarz widzi tylko wykres, a nie ma dostępu do surowych danych urządzenia i systemów ich autoryzacji.

Dane biometryczne i administracyjne

Systemy ochrony zdrowia coraz częściej wprowadzają elementy biometrii: rozpoznawanie twarzy przy logowaniu, weryfikacja głosu w infoliniach zdrowotnych, identyfikacja pacjenta po linii papilarnych. Deepfake może tu uderzać w samą podstawę zaufania: kto naprawdę loguje się do systemu.

Jednocześnie nie wolno lekceważyć danych administracyjnych, takich jak:

• numery polis i identyfikatory pacjentów,
• opisy wykonanych procedur,
• dokumenty zgód na leczenie,
• harmonogramy hospitalizacji.

Jeśli ktoś potrafi wygenerować i wprowadzić do systemu realistyczne połączenie: „pacjent – zabieg – zgoda – wynik”, może później rozliczyć nieistniejące świadczenia, uzyskać odszkodowanie, albo przeciwnie – „zniknąć” pewne zdarzenie medyczne z dokumentacji. Deepfake w danych administracyjnych to de facto fałszerstwo finansowe i prawne, ale w opakowaniu medycznym.

Techniczne podstawy: jak AI może generować fałszywe dane medyczne

Modele generatywne: sztuka tworzenia czegoś „nowego, ale podobnego”

Model generatywny to algorytm, który nie tylko klasyfikuje dane („czy na tym RTG jest guz?”), ale uczy się ich struktury, a potem potrafi tworzyć nowe przykłady. Uczy się, jak „statystycznie” wygląda zdrowe serce, chorobowe zmiany w płucach, typowy przebieg gorączki czy napadów padaczkowych.

Najpopularniejsze rodziny modeli to:

• GAN (Generative Adversarial Networks) – sieć generująca i sieć oceniająca rywalizują ze sobą, aż wygenerowane dane stają się nieodróżnialne od prawdziwych;
• modele dyfuzyjne – uczą się „odszumiać” losowy obraz krok po kroku, aż powstanie realistyczne zdjęcie czy skan;
• modele sekwencyjne – generują dane w czasie, idealne do tworzenia sygnałów, wykresów i ciągów pomiarów (np. EKG, glikemii).

Wszystkie opierają się na tej samej idei: jeśli pokażesz algorytmowi dziesiątki tysięcy prawdziwych przykładów, nauczy się on ich regularności i zacznie tworzyć nowe, które statystycznie pasują do wzorca.

Generowanie obrazów medycznych przez AI

Naukowe projekty wykorzystujące AI do generowania obrazów medycznych rozwijają się od kilku lat. Ich założenie zwykle jest pozytywne: brakuje dużych, dobrze opisanych zbiorów danych do trenowania algorytmów diagnostycznych, więc tworzy się ich syntetyczne odpowiedniki. Zamiast narażać prywatność pacjentów, generuje się „nowych” pacjentów na podstawie zanonimizowanych wzorców.

Przykładowe zastosowania to:

• syntetyczne zdjęcia RTG płuc do trenowania algorytmów wykrywających zapalenie czy nowotwór,
• wygenerowane obrazy MRI mózgu z różnymi rodzajami zmian,
• dane do szkolenia systemów wykrywania złamań, deformacji kręgosłupa, zmian zwyrodnieniowych.

Te same techniki można jednak wykorzystać do celowego zafałszowywania badań. Jeśli algorytm potrafi dodać do zdjęcia przekonujący cień guza, to przy odpowiednim dostępie do systemu szpitalnego można go użyć w sposób przestępczy. Co więcej, generowanie „od zera” całego obrazu badania (a nie tylko przerabianie istniejącego) praktycznie uniemożliwia wykrycie klasycznych śladów manipulacji.

Syntetyczne sygnały: EKG, EEG i krzywe diagnostyczne

Sygnały medyczne to ciągi wartości w czasie. Dla człowieka mogą wyglądać jak zygzaki na papierze, ale dla algorytmu są idealnym materiałem: powtarzalne wzorce, możliwe do opisania matematycznie. Badacze pokazali już, że sieci generatywne potrafią tworzyć:

• EKG z charakterystycznymi odchyleniami (zawał, arytmie),
• EEG z napadami padaczkowymi,
• symulowane zapisy ciśnienia, tętna i saturacji w różnych stanach klinicznych.

Jeśli syntetyczny sygnał zostanie odpowiednio „opakowany” metadanymi (czas badania, parametry urządzenia, ID pacjenta), wygląda jak normalne badanie. Nawet specjalista, który rozpoznaje patologie na EKG, nie ma sposobu, by stwierdzić, czy sygnał powstał na skutek pracy serca, czy został narysowany przez algorytm.

Generowanie dokumentacji tekstowej przez modele językowe

Modele językowe typu GPT, PaLM czy LLaMA potrafią tworzyć spójne teksty w stylu medycznym: od krótkich notatek po wielostronicowe opisy historii choroby. Jeśli dostaną kilka przykładów z konkretnej placówki, mogą naśladować jej styl i strukturę dokumentów. W praktyce oznacza to, że podrabianie dokumentacji medycznej staje się szybkie i „hurtowe”.

Potencjalne zastosowania przestępcze takich modeli obejmują:

• tworzenie fałszywych zaświadczeń i wypisów – bez konieczności „kopiuj-wklej” z innych dokumentów,
• generowanie spójnej historii choroby z wieloma wizytami i hospitalizacjami,

Mieszanie danych: łączenie obrazu, sygnału i dokumentacji

Najbardziej niebezpieczne są nie pojedyncze podróbki, ale całe „pakiety” danych, które do siebie pasują. Syntetyczne RTG jest dużo trudniejsze do wykrycia, jeśli obok znajduje się spójny opis badania, historia choroby i wyniki laboratoryjne, które dokładnie tłumaczą to, co widać na obrazie.

Technicznie da się dziś połączyć kilka typów modeli generatywnych: jeden tworzy zdjęcie płuc z zapaleniem, drugi generuje odpowiadające mu EKG i krzywą saturacji, a trzeci dopisuje historię ostatnich dni choroby. Całość może wyglądać na dobrze udokumentowany przypadek kliniczny – czy to w systemie szpitalnym, czy jako zestaw danych wysyłany do ubezpieczyciela.

Kłopot polega na tym, że lekarz zwykle analizuje fragment rzeczywistości: konkretne badanie, jeden wykres, krótki wpis z oddziału. Rzadko ma czas, aby sprawdzić, czy każdy szczegół pasuje do całości z punktu widzenia logiki medycznej i administracyjnej. To tworzy pole dla zaawansowanych medycznych deepfake’ów, które są „zgrane” na wielu poziomach naraz.



Po co komu medyczny deepfake: motywacje i scenariusze nadużyć

Korzyści finansowe: naciąganie systemu i ubezpieczycieli

Najprostsza motywacja to pieniądze. Dokumentacja medyczna jest podstawą do wypłaty świadczeń, refundacji leków i rozliczeń z NFZ czy ubezpieczycielami. Jeśli ktoś potrafi wygenerować w miarę spójny zestaw danych, może „wyprodukować” nieistniejące choroby lub zabiegi.

Scenariusze finansowych nadużyć obejmują m.in.:

• fikcyjne hospitalizacje i zabiegi – wygenerowane opisy operacji, wyniki badań, a nawet syntetyczne obrazy przed- i pooperacyjne, które „uzasadniają” wysokie koszty,
• zawyżanie stopnia niepełnosprawności – spreparowane wyniki MRI, EKG czy testów funkcjonalnych, które „udowadniają” większe ograniczenia zdrowotne niż w rzeczywistości,
• wyłudzenia odszkodowań – fałszywa dokumentacja urazów powypadkowych (zdjęcia złamań, opisy operacji, długie zwolnienia), generowana na potrzeby firm ubezpieczeniowych.

W praktyce najbardziej opłacalne są nie spektakularne oszustwa, lecz wiele małych, trudnych do wykrycia nadużyć: drobne zabiegi, dodatkowe badania, wydłużone zwolnienia. Deepfake pozwala je zautomatyzować – zamiast ręcznie przerabiać skany dokumentów, można wygenerować kompletną, spójną dokumentację w kilka minut.

Ukrywanie lub fabrykowanie błędów medycznych

Medycyna to także odpowiedzialność prawna. Gdy dojdzie do powikłania, wypadku na sali operacyjnej czy opóźnionej diagnozy, kluczową rolę odgrywa dokumentacja: wyniki badań, zapisy monitoringu, notatki z dyżurów. Jeśli te dane zostaną zmienione, bardzo trudno ustalić, co naprawdę się wydarzyło.

Deepfake może być użyty do:

• znikania sygnałów alarmowych – syntetyczny zapis EKG czy monitoringu, na którym nie ma wcześniejszych zaburzeń, chociaż w rzeczywistości system ostrzegał o pogarszaniu się stanu pacjenta,
• „korekty” godzin i zdarzeń – zmiana czasu wykonania badania, wpisów w dokumentacji, aby wyglądało, że lekarz zareagował szybciej niż w rzeczywistości,
• tworzenia fałszywej zgody – wygenerowane skany podpisów czy nagrania głosowe sugerujące, że pacjent został poinformowany i zgodził się na ryzykowną procedurę.

W takich sytuacjach stawką nie są już wyłącznie pieniądze, lecz odpowiedzialność karna, zawodowa i reputacja całej placówki. Im bardziej cyfrowa jest dokumentacja, tym większa pokusa, aby „wyprostować” ją po fakcie za pomocą algorytmów.

Manipulacja pacjentami i opinią publiczną

Zdrowie to obszar, w którym ludzie są szczególnie podatni na strach i nadzieję. Deepfake może to wykorzystywać, tworząc przekonujące, ale fałszywe „dowody” medyczne. Nie chodzi tylko o indywidualne przypadki, lecz także o wpływanie na całe grupy społeczne.

Możliwe są m.in. takie scenariusze:

• fałszywe „dowody” na szkodliwość szczepionek lub leków – spreparowane obrazy MRI, krzywe EKG czy zdjęcia „uszkodzeń” narządów, rzekomo po konkretnym preparacie,
• kampanie dezinformacyjne – syntetyczne statystyki zachorowań, „wypisy” z oddziałów intensywnej terapii, mające wywołać panikę lub podważyć zaufanie do systemu ochrony zdrowia,
• personalizowana manipulacja – wysyłanie pacjentowi spreparowanych wyników badań czy „drugiej opinii”, aby przekonać go do określonego leczenia, kliniki czy produktu.

Przy odpowiednim opakowaniu medialnym – nagrania lekarzy, „przecieki z dokumentacji”, zrzuty ekranu z systemów – takie deepfake’i mogą być przekonujące nawet dla osób obeznanych z medycyną.

Szantaż, wyłudzenia i przestępczość zorganizowana

Dane zdrowotne są wrażliwe same w sobie; dodanie możliwości ich realistycznego podrabiania otwiera drogę do nowych form szantażu. W typowym scenariuszu przestępcy przejmują część prawdziwych danych z wycieku, a resztę „domalowują” modelami generatywnymi.

Może to przybrać kilka form:

• szantaż osobisty – wygenerowane wyniki badań sugerujące choroby weneryczne, zaburzenia psychiczne czy uzależnienie, wysyłane do ofiary z groźbą ujawnienia rodzinie lub pracodawcy,
• atak na osoby publiczne – fałszywe diagnozy polityków, menedżerów czy celebrytów (np. „udowodniona demencja”, „choroba zagrażająca życiu”), wsparte spreparowanymi obrazami i dokumentacją,
• „ransomware 2.0” – nie tylko kradzież danych ze szpitala, ale także masowe ich modyfikowanie, tak by placówka nie wiedziała, co jest prawdziwe, a co nie; odzyskanie samych plików z kopii zapasowej nie wystarczy, jeśli część z nich była wcześniej podmieniona syntetycznie.

W odróżnieniu od zwykłego wycieku, tu pojawia się dodatkowy element: ofiara nie ma pewności, czy rzekome dokumenty są autentyczne, a to utrudnia zarówno obronę prawną, jak i komunikację z opinią publiczną.

Sabotaż badań klinicznych i farmacji

Badania kliniczne opierają się na danych: wynikach badań, pomiarach parametrów życiowych, zgłaszanych objawach. Jeśli te dane zostaną podrobione, można podważyć wiarygodność całego badania, zaszkodzić konkurencyjnej firmie lub przyspieszyć (albo opóźnić) rejestrację leku.

Medyczne deepfake’i mogą zostać użyte do:

• fabrykacji pacjentów – tworzenia całych „wirtualnych” uczestników badania z kompletem syntetycznych wyników,
• modyfikacji efektów leczenia – „poprawiania” wykresów ciśnienia, poziomów markerów nowotworowych czy objawów zgłaszanych w ankietach, tak by lek wyglądał na skuteczniejszy lub bardziej szkodliwy,
• podważania dowodów naukowych – rozpowszechniania fałszywych zestawów danych rzekomo pochodzących z niezależnych badań, które mają „pokazać”, że oficjalne wyniki są zmanipulowane.

Dla laików zestaw tabel, wykresów i obrazów medycznych wygląda wiarygodnie sam z siebie; niewielu odbiorców ma kompetencje, by ocenić, czy dane są statystycznie spójne z rzeczywistością kliniczną. To czyni z generatywnej AI wygodne narzędzie w wojnach gospodarczych i informacyjnych.

Czy to już się dzieje: obecne przykłady i badania

Eksperymenty naukowe pokazujące podatność systemów

Środowisko naukowe od kilku lat bada, jak łatwo oszukać systemy medyczne za pomocą wygenerowanych danych. W kontrolowanych eksperymentach badacze modyfikują np. obrazy tomografii komputerowej czy RTG tak, aby dodać lub usunąć zmiany nowotworowe, a następnie sprawdzają, jak radzą sobie z nimi lekarze i algorytmy diagnostyczne.

W części takich badań radiolodzy nie byli w stanie odróżnić zmodyfikowanych obrazów od oryginałów, szczególnie gdy zmiany były subtelne i dobrze wpisane w anatomiczny kontekst. Podobnie systemy sztucznej inteligencji, które wcześniej świetnie rozpoznawały guzy, dawały się zwieść, gdy obiekt został wprowadzony lub usunięty „w stylu” prawdziwych danych.

Inne prace pokazały, że modele generatywne potrafią tworzyć całe zbiory syntetycznych badań, które statystycznie są nie do odróżnienia od realnych populacji pacjentów – co jest świetne dla prywatności, ale jednocześnie uświadamia, jak trudno wychwycić ewentualną podróbkę.

Realne incydenty z pogranicza deepfake i fałszowania dokumentacji

Dotychczas większość spektakularnych przypadków dotyczyła klasycznego fałszowania dokumentacji: przepisywania wyników, ręcznych przeróbek PDF-ów, skanów podpisów. Jednak już pojawiają się sygnały, że do gry wchodzą narzędzia oparte na AI.

W praktyce placówek medycznych raportowane są m.in.:

• podejrzanie „idealne” dane – serie pomiarów z urządzeń wearable, które wyglądają zbyt gładko i książkowo, jakby nikt nie miał gorszych dni,
• kopiowane „szablony” badań – liczne wyniki testów diagnostycznych o niemal identycznych przebiegach, sugerujące użycie algorytmu do generowania wartości,
• masowo produkowane zaświadczenia – teksty medyczne tworzone ewidentnie przez modele językowe, na potrzeby zwolnień, zaświadczeń czy wniosków o świadczenia.

Te sytuacje są sygnałem ostrzegawczym: choć jeszcze nie zawsze mamy do czynienia z w pełni dopracowanym deepfake’iem medycznym, kierunek rozwoju jest jasny. Wraz ze wzrostem dostępności generatywnej AI granica między „sprytną podmianą PDF-a” a złożonym, wielowymiarowym fałszerstwem zaczyna się zacierać.

Medyczne deepfake’i w edukacji i treningu – szara strefa

Szczególnym obszarem, gdzie syntetyczne dane już są wykorzystywane na szeroką skalę, jest edukacja. Uczelnie medyczne i firmy szkoleniowe używają wygenerowanych przypadków klinicznych, obrazów i sygnałów do treningu studentów oraz testowania systemów AI. Celem jest z reguły dobro – więcej przykładów, lepsze wyszkolenie lekarzy, mniejsze ryzyko naruszenia prywatności pacjentów.

Problem pojawia się, gdy granica między „przykładowym przypadkiem edukacyjnym” a prawdziwą dokumentacją zaczyna się rozmywać. Jeśli syntetyczny obraz lub opis trafi do systemu produkcyjnego i nie zostanie wyraźnie oznaczony jako treningowy, może zacząć funkcjonować w obiegu jak realna historia medyczna. W największych systemach informatycznych, gdzie dane przepływają między modułami, łatwo o taką pomyłkę.

Istnieje też pokusa, by częściowo syntetyzować dane w dużych rejestrach medycznych – np. „uzupełniać luki” w historii pacjentów dla celów statystycznych. Jeśli nie ma jasnej granicy i audytu, gdzie kończy się rekonstrukcja statystyczna, a zaczyna fabrykacja konkretów, rodzi to ryzyko, że decyzje o leczeniu, refundacji czy polityce zdrowotnej będą oparte na niejednoznacznych fundamentach.

Badania nad wykrywaniem syntetycznych danych medycznych

Równolegle do tworzenia medycznych deepfake’ów rozwija się drugi nurt badań: jak je wychwycić. Zespół jednych badaczy uczy model generować perfekcyjne obrazy MRI, a zespół po drugiej stronie korytarza trenuje system, który ma wykryć, że to podróbka. To swoisty wyścig zbrojeń.

Proponowane metody detekcji obejmują m.in.:

• analizę „odcisku palca” urządzenia – prawdziwe skanery i aparaty RTG zostawiają charakterystyczne wzorce szumów i artefaktów; ich brak lub dziwne rozkłady mogą zdradzać obraz syntetyczny,
• sprawdzanie spójności czasowej – algorytmy weryfikujące, czy kolejne badania tego samego pacjenta zmieniają się w sposób biologicznie realistyczny,
• modele rozpoznające artefakty generatywne – wyspecjalizowane sieci uczone na tysiącach prawdziwych i syntetycznych przykładów, szukające subtelnych różnic w strukturze obrazu czy sygnału.

Na razie nie ma jednak idealnego rozwiązania. Z każdym rokiem generatory stają się lepsze, a klasyczne „ślady” manipulacji znikają. Dlatego coraz częściej podkreśla się, że wykrywanie deepfake’ów medycznych nie może opierać się wyłącznie na analizie samych danych; równie ważne są mechanizmy kontroli dostępu, rejestrowania zmian i niezależnego potwierdzania wyników kluczowych badań.

Systemy ochrony zdrowia wobec syntetycznych danych: pierwsze reakcje

Procedury i regulacje: jak prawo próbuje dogonić technologię

Systemy ochrony zdrowia powoli zaczynają dostrzegać, że problem nie kończy się na klasycznym RODO i cyberbezpieczeństwie. Skoro dane można nie tylko ukraść, lecz także wiarygodnie podrobić, trzeba inaczej projektować zasady obiegu informacji medycznej.

W dyskusjach regulacyjnych pojawiają się m.in. następujące wątki:

• obowiązek oznaczania danych syntetycznych – wyraźne tagowanie, że dany obraz, zapis EKG czy opis przypadku jest wygenerowany lub częściowo zrekonstruowany,
• wzmocniona ścieżka weryfikacji dla „krytycznych” wyników – np. każde badanie, na podstawie którego ma zapaść decyzja o operacji czy drogim leczeniu, wymaga podwójnego potwierdzenia innym narzędziem lub w innym ośrodku,
• audytowalność zmian – systemy informatyczne muszą przechowywać historię modyfikacji dokumentacji medycznej w sposób trudny do sfałszowania (np. logi nieedytowalne, rozwiązania typu blockchain lub ich prostsze odpowiedniki),
• odpowiedzialność za użycie AI – jasne określenie, kto odpowiada za szkody, jeśli fałszywe dane powstały lub zostały przepuszczone przez narzędzie sztucznej inteligencji: dostawca oprogramowania, szpital, czy konkretny lekarz.

Na poziomie międzynarodowym pojawiają się propozycje, by medyczne systemy generatywne traktować jak wyroby medyczne wysokiego ryzyka. Oznaczałoby to konieczność testów klinicznych, rejestracji i ścisłego nadzoru – nie tylko pod kątem skuteczności, lecz także możliwości nadużyć. To znacząco spowolniłoby wprowadzanie nowych narzędzi, ale jednocześnie zmniejszyłoby szanse, że „eksperymentalny generator” trafi prosto na oddział ratunkowy.

Cyfrowe łańcuchy zaufania i „podpisy” danych medycznych

Jedną z ciekawszych koncepcji obrony przed medycznymi deepfake’ami jest przeniesienie do świata zdrowia tego, co znamy z bankowości czy podpisu elektronicznego: ścisłego śledzenia pochodzenia danych i potwierdzania ich integralności.

W praktyce może to wyglądać tak, że każdy obraz z tomografu, każdy zapis EKG czy raport laboratoryjny dostaje własny, trudny do podrobienia „odcisk palca” – kryptograficzny hash, czasem powiązany z certyfikatem placówki lub urządzenia. Zmiana choćby jednego piksela lub cyfry powoduje, że podpis przestaje się zgadzać.

W bardziej rozbudowanej wersji powstaje łańcuch zaufania: system informatyczny zapisuje, kto i kiedy dodał opis do badania, kto je obejrzał, czy wynik został użyty do wydania recepty lub skierowania. Jeżeli w tym łańcuchu pojawi się „dziura” – np. nagle w systemie jest wersja obrazu, która nie ma prawidłowego podpisu z aparatu – to sygnał alarmowy.

Takie podejście ma dwie ważne konsekwencje. Po pierwsze, utrudnia ciche podmiany pojedynczych badań, bo każda zmiana zostawia ślad w logach. Po drugie, w razie kryzysu (np. podejrzenia sabotażu) umożliwia odtworzenie, które dane są zaufane, a które trzeba ponownie zweryfikować u pacjentów. To żmudne, ale lepsze niż kompletny paraliż zaufania do całej dokumentacji.

Rola producentów sprzętu i oprogramowania

Odpowiedzialność za odporność na medyczne deepfake’i nie spoczywa wyłącznie na lekarzach czy administratorach szpitali. Ogromną rolę mają producenci sprzętu medycznego i oprogramowania. Od tego, jak zaprojektują swoje systemy, zależy, czy będzie dało się łatwo podrobić dane „od samego źródła”.

W praktyce oznacza to kilka kierunków działania:

• sprzęt z wbudowaną kryptografią – aparaty RTG, USG czy pompy infuzyjne wyposażone w moduły, które podpisują generowane dane prywatnym kluczem, tak aby można było później zweryfikować ich autentyczność,
• bezpieczne aktualizacje oprogramowania – każda zmiana firmware’u lub aplikacji musi być podpisana i zweryfikowana; brak tej kontroli otwiera drogę dla złośliwych modyfikacji, które np. dodają „filtr” generatywny do obrazu,
• wbudowane wykrywacze anomalii – systemy diagnostyczne, które nie tylko klasyfikują choroby, lecz także monitorują, czy wejściowe badania nie noszą cech manipulacji lub nienaturalnej statystyki.

Coraz częściej pojawia się też postulat, aby twórcy medycznej AI prowadzili testy odporności na ataki deepfake’owe podobnie jak testy bezpieczeństwa w samochodach. Tak jak mamy zderzenia kontrolne, tak samo można przeprowadzać „zderzenia danych” – próbując oszukać algorytm syntetycznymi przykładami, zanim trafi do prawdziwych pacjentów.

Kultura pracy z danymi: nowe kompetencje dla lekarzy i personelu

Nawet najlepsze zabezpieczenia techniczne nie zastąpią wyrobionego „instynktu” użytkowników. W świecie, w którym dane zdrowotne można wiarygodnie podrobić, lekarz musi umieć zadawać inne pytania niż dotychczas. Nie tylko „co pokazuje wynik?”, lecz także „jak ten wynik powstał?” i „czy coś w tej historii nie zgrzyta?”.

W praktyce może to oznaczać np.:

• większą czujność przy nietypowo „czystych” lub idealnie dopasowanych do oczekiwań wynikach – szczególnie gdy stoją w sprzeczności z objawami pacjenta,
• umiejętność korzystania z narzędzi do weryfikacji pochodzenia danych (sprawdzanie logów, podpisów, historii modyfikacji),
• świadomą pracę z systemami AI – rozumienie ich ograniczeń, typowych błędów i możliwości manipulacji wejścia.

W jednej z dużych klinik internistycznych wprowadzono prostą zasadę: jeśli kluczowy wynik badania radykalnie zmienia plan leczenia, a stan pacjenta „przy łóżku” nie bardzo do tego pasuje, badanie trzeba powtórzyć lub zweryfikować w innym ośrodku. Ta reguła istniała wcześniej jako zdrowy rozsądek, ale w epoce potencjalnych deepfake’ów nabiera zupełnie nowego znaczenia.

Do programów studiów medycznych i kursów dla pielęgniarek powoli trafiają moduły dotyczące krytycznej oceny danych cyfrowych. Nie chodzi o to, by każdy lekarz umiał trenować sieci neuronowe, lecz by rozumiał, że „to jest w komputerze” nie oznacza automatycznie „to jest prawdziwe”.

Granica między prywatnością a bezpieczeństwem

Paradoksalnie, te same techniki, które chronią prywatność pacjentów, mogą utrudniać wykrywanie deepfake’ów. Anonimizacja, redukcja metadanych, ograniczanie dostępu – wszystko to sprawia, że z danych znika część „śladu kontekstowego”, który pomaga odróżnić prawdę od fałszu.

Przykład: obraz MRI bez metadanych o aparacie, szpitalu i czasie wykonania jest lepiej chroniony przed śledzeniem konkretnej osoby, ale jednocześnie trudniej sprawdzić, czy rzeczywiście powstał na prawdziwym urządzeniu, w konkretnym miejscu. Jeśli dodatkowo dane są silnie zanonimizowane, systemy detekcji deepfake’ów mają ograniczone pole manewru.

Dlatego pojawia się nurt „prywatność z wbudowanym zaufaniem” – próba pogodzenia obu światów. Można to osiągnąć m.in. poprzez:

• podpisy techniczne odseparowane od tożsamości pacjenta – dane zachowują informację o autentyczności urządzenia i czasu badania, ale nie ujawniają imienia, nazwiska ani numeru PESEL,
• warstwowy dostęp – lekarz prowadzący widzi więcej szczegółów niż badacz pracujący na zanonimizowanym zbiorze, a systemy anty-deepfake’owe mają dostęp do „surowych” metadanych bez ujawniania ich osobom postronnym,
• bezpieczne środowiska analityczne – dane nie są wypuszczane „w świat”, tylko analizowane w kontrolowanych infrastrukturach, które same dbają o weryfikację autentyczności.

Takie rozwiązania są bardziej skomplikowane organizacyjnie, ale pozwalają uniknąć fałszywej alternatywy: albo pełna prywatność bez kontroli, albo pełna kontrola bez prywatności.

Scenariusze pozytywne: kiedy deepfake działa na korzyść pacjenta

Choć słowo „deepfake” kojarzy się głównie z oszustwem, te same mechanizmy generatywne można wykorzystać w sposób korzystny dla pacjentów. Różnica polega na intencji, przejrzystości i kontroli nad tym, co dzieje się z syntetycznymi danymi.

Najbardziej oczywisty przykład to anonimowe zbiory treningowe. Zamiast udostępniać badaczom prawdziwe dane z minimalną anonimizacją, można trenować modele na syntetycznych zestawach wygenerowanych na podstawie realnych trendów, bez możliwości prześledzenia pojedynczych osób. Dzięki temu powstają narzędzia diagnostyczne oparte na szerokim materiale, a ryzyko naruszenia prywatności jest mniejsze.

Inny obszar to planowanie zabiegów i symulacje. Chirurdzy od lat korzystają z modeli 3D, by przygotować się do trudnych operacji. Modele generatywne pozwalają pójść krok dalej: tworzyć warianty anatomiczne danego pacjenta, symulować możliwe powikłania czy skutki różnych technik operacyjnych. Formalnie są to „deepfake’i” – wygenerowane wersje tego, jak ciało może wyglądać po interwencji – ale służą lepszemu podjęciu decyzji, a nie oszustwu.

Dla edukacji i komunikacji z pacjentem syntetyczne wizualizacje mogą być sposobem na lepsze zrozumienie choroby. Wygenerowany film pokazujący, jak rozwija się guz w płucu i jak działa terapia, może być bardziej przekonujący niż suchy opis. Kluczowe jest jednak jasne zaznaczenie, że to symulacja, a nie zdjęcie konkretnej osoby.

Psychologiczny wymiar: erozja zaufania do dokumentacji medycznej

Medyczne deepfake’i wpływają nie tylko na procedury i technologię, lecz także na relacje między pacjentem, lekarzem a systemem ochrony zdrowia. Jeśli coraz częściej słyszymy, że „danymi można manipulować”, rośnie pokusa, by podważać każdy niekorzystny wynik: „to na pewno błąd systemu” albo „ktoś coś podmienił”.

To zjawisko ma dwie strony. Z jednej – wzmaga zdrowy sceptycyzm wobec ślepego zaufania do cyfrowych raportów. Z drugiej – może prowadzić do paraliżu decyzyjnego, gdy pacjent odrzuca kolejne, spójne wyniki, bo „przecież wszystko da się dziś sfałszować”.

Rolą lekarza staje się nie tylko interpretacja danych, ale też mediacja zaufania. Trzeba umieć wytłumaczyć, dlaczego dany wynik uznaje się za wiarygodny: że pochodzi z konkretnego urządzenia, w konkretnym ośrodku, że był weryfikowany, że zapisano jego pochodzenie. Takie rozmowy już się toczą, choć jeszcze rzadko pada w nich słowo „deepfake”.

Z drugiej strony, pacjenci coraz częściej przychodzą z własnymi zapisami z aplikacji zdrowotnych i urządzeń noszonych. W tym gąszczu danych – częściowo generowanych, częściowo szumowych – trzeba nauczyć się wybierać to, co medycznie istotne, i spokojnie tłumaczyć, co może być artefaktem czy błędem, a co wymaga realnej interwencji.

Globalne nierówności: kto jest najbardziej narażony na medyczne deepfake’i

Technologie generatywne rozwijają się głównie w bogatych krajach, ale skutki ich nadużycia najmocniej mogą odczuć systemy ochrony zdrowia w regionach o słabszej infrastrukturze. Tam, gdzie brakuje specjalistów, a dokumentacja bywa prowadzona w sposób niespójny, łatwiej wprowadzić syntetyczne dane, które nie zostaną wychwycone.

Przykładowo, w krajach o ograniczonym dostępie do onkologów bardziej polega się na automatycznej analizie obrazów i raportach przesyłanych zdalnie. Dodanie lub usunięcie zmiany nowotworowej w takim obrazie – czy to w wyniku ataku, czy nieuczciwego działania – może dłużej pozostać niezauważone. Brak równoległego, „analogowego” systemu kontroli (np. drugiego ośrodka, który wykonuje badanie) zwiększa ryzyko.

Z kolei w systemach opierających się na pomocy humanitarnej, gdzie duża część rozliczeń i planowania zasobów wynika z danych przesyłanych elektronicznie, pojawia się pokusa fałszowania statystyk zdrowotnych przy użyciu generatywnej AI – np. zawyżania liczby pacjentów lub rozmiarów epidemii, by uzyskać więcej środków. To nie jest już domena pojedynczych oszustw, lecz potencjalnie całych instytucji czy władz.

Odpowiedzią mogłyby być wspólne standardy międzynarodowe dotyczące podpisywania danych medycznych, wspierane finansowo i technologicznie przez bogatsze kraje. Bez takich podstawowych „szyn zaufania” dyskusja o deepfake’ach w medycynie pozostanie luksusem systemów, które i tak mają relatywnie dobrze zorganizowaną infrastrukturę.

Najczęściej zadawane pytania (FAQ)

Czym jest deepfake w medycynie i czym różni się od zwykłego „podrobienia dokumentu”?

Deepfake w medycynie to syntetyczne dane zdrowotne tworzone przez sztuczną inteligencję tak, by wyglądały jak prawdziwe: kompletna dokumentacja pacjenta, obrazy badań, wykresy EKG czy zapis z opaski na rękę. To nie jest tylko skan podrobionego zwolnienia, ale całe „życie medyczne” wygenerowane przez algorytm.

Kluczowa różnica względem klasycznego fałszerstwa polega na skali i realizmie. Zamiast jednego prymitywnego dokumentu mamy setki spójnych elementów: historię choroby, wypisy, zdjęcia RTG i zalecenia, które ze sobą „gadają” i przypominają prawdziwą kartę pacjenta. Taka podróbka jest dużo trudniejsza do wychwycenia gołym okiem.

Jakie dane zdrowotne można „podrobić” przy pomocy deepfake?

W zasadzie każdy rodzaj danych, który da się zapisać w formie tekstu, obrazu lub sygnału, może być syntetycznie wygenerowany. Dotyczy to zarówno krótkich zaświadczeń, jak i bardzo złożonych historii leczenia.

Najczęstsze cele to:

• tekst – opisy wizyt, wypisy ze szpitala, recepty, zwolnienia i zaświadczenia lekarskie, raporty z badań,
• obrazy – RTG, tomografie, rezonanse, USG, zdjęcia zmian skórnych,
• sygnały – EKG, EEG, zapis saturacji, pomiary glikemii, aktywność i sen z zegarków sportowych,
• dane biometryczne – głos, twarz używana do logowania, odcisk palca zapisany w systemie.

Czy ktoś może podszyć się pode mnie jako pacjenta za pomocą deepfake?

Tak, scenariusz „podrabiamy pacjenta” jest jak najbardziej realny. Polega na wykorzystaniu wygenerowanego wizerunku i głosu, aby podczas teleporady lub rozmowy z infolinią udawać konkretną osobę. W ten sposób można spróbować zdobyć leki na receptę, dostęp do dokumentacji czy dane ubezpieczeniowe.

Ryzyko rośnie tam, gdzie identyfikacja opiera się tylko na tym, co „widać i słychać” (kamera, mikrofon) lub prostych pytaniach kontrolnych. Jeśli dodatkowo logowanie do konta pacjenta nie wymaga silnego uwierzytelniania (np. kodu SMS, aplikacji, podpisu kwalifikowanego), system jest bardziej podatny na takie ataki.

Czy da się wygenerować całkowicie fikcyjnego pacjenta z pełną historią leczenia?

Da się. Sztuczna inteligencja może stworzyć od zera „syntetycznego pacjenta”: numer identyfikacyjny podobny do prawdziwych, listę hospitalizacji, wyniki badań, obrazy RTG, recepty i zaświadczenia – wszystko spójne i wyglądające „jak z prawdziwego życia”. Taka wirtualna osoba może „korzystać” z refundowanych leków i procedur tylko w systemie informatycznym.

W praktyce taki pacjent służy do wyłudzeń (fikcyjne świadczenia, leki, sprzęt) albo maskowania innych nadużyć. Jeśli system ubezpieczyciela lub szpitala nie ma mechanizmów weryfikacji autentyczności danych, po pewnym czasie bardzo trudno odróżnić realne karty chorób od historii ułożonych przez algorytm.

Jak deepfake danych medycznych może zagrozić mojemu zdrowiu?

Najpoważniejszym zagrożeniem jest błędna diagnoza lub leczenie oparte na fałszywych danych. Jeśli w obrazie tomografii „dorysuje się” guz, pacjent może trafić na niepotrzebne, inwazyjne leczenie. Jeśli guz zostanie z obrazu usunięty – choroba może pozostać niezauważona do momentu, gdy będzie zaawansowana.

Podobnie z sygnałami: sztucznie „wygładzone” EKG może ukryć arytmię, a idealne zapisy glikemii – sugerować świetną kontrolę cukrzycy, choć w rzeczywistości poziomy cukru są niebezpieczne. Lekarz podejmuje decyzje na podstawie wykresów i obrazów, więc manipulacja tym materiałem przekłada się bezpośrednio na decyzje kliniczne.

Jak mogę się bronić przed wykorzystaniem mojego wizerunku lub danych w medycznych deepfake’ach?

Z poziomu pacjenta nie da się całkowicie wyeliminować ryzyka, ale można je istotnie ograniczyć. Kluczowe jest ostrożne podejście do udostępniania swoich dokumentów i nagrań: nie publikować w sieci zdjęć wyników badań, kart wypisu, e-recept, a także nagrań z konsultacji medycznych, które pokazują dane osobowe.

W praktyce pomagają też proste nawyki bezpieczeństwa:

• korzystanie wyłącznie z oficjalnych portali pacjenta i aplikacji szpitala/przychodni,
• włączone dwuskładnikowe logowanie (np. SMS, aplikacja, klucz sprzętowy),
• reakcja na każde podejrzane logowanie lub nieznane wizyty w historii konta pacjenta,
• zgłaszanie lekarzowi lub placówce błędów w dokumentacji (np. wizyt, na których nigdy się nie było).

Jak szpitale i system ochrony zdrowia mogą wykrywać i ograniczać deepfake danych medycznych?

Instytucje medyczne zaczynają sięgać po „detektory” deepfake – algorytmy, które szukają nienaturalnych wzorców w obrazach, tekstach czy sygnałach. Dodatkowo testuje się techniki „znakowania” danych, np. cyfrowe podpisy i pieczęcie, które pozwalają sprawdzić, czy plik badania od momentu wykonania nie był modyfikowany.

Technologia to jednak tylko część układanki. Potrzebne są też procedury: ograniczanie liczby osób mających dostęp do edycji dokumentacji, ścisłe logowanie każdej zmiany w systemie, regularne audyty losowo wybranych kart pacjentów i korelacja danych z różnych źródeł (np. porównanie zapisów z urządzenia z tym, co trafiło do dokumentacji). Dopiero połączenie tych elementów zmniejsza pole manewru dla „fabryki podróbek” opartej na AI.

Najważniejsze punkty

• Deepfake w medycynie to nie tylko „podmienione twarze”, ale także syntetyczne dane zdrowotne – kompletne, spójne historie choroby, które na pierwszy rzut oka wyglądają jak prawdziwe.
• Można „podrobić pacjenta” (jego tożsamość, głos, wizerunek przy teleporadzie) oraz „podrobić jego zdrowie” (wyniki badań, opisy wizyt, obrazy diagnostyczne); oba typy ataków uderzają w różne elementy systemu ochrony zdrowia.
• Fałszowanie tożsamości prowadzi do kradzieży dokumentacji, leków i świadczeń, natomiast manipulacja danymi medycznymi niesie bezpośrednie ryzyko złej diagnozy, niepotrzebnych terapii i realnego zagrożenia życia pacjenta.
• Generatywna AI potrafi tworzyć dokumentację tekstową brzmiącą „jak od lekarza” – od wywiadów i wypisów ze szpitala po recepty i zaświadczenia, włącznie z typowym stylem danej placówki, co bardzo utrudnia wykrycie fałszerstwa.
• Obrazy medyczne (RTG, tomografia, rezonans, USG, zdjęcia zmian skórnych) można syntetycznie „poprawiać” – dodawać lub usuwać guzy, złamania czy zmiany zapalne, przez co pojedynczy obraz staje się niewiarygodny bez dodatkowej weryfikacji.
• Sztucznie wykreowany „pacjent widmo” z pełną dokumentacją w systemie ubezpieczyciela może służyć do wyłudzeń i maskowania nielegalnych działań, a z czasem zaciera granicę między prawdziwą a generowaną historią choroby.

Bibliografia

• Deepfakes in medicine: clinical, legal and ethical considerations. Nature Medicine (2021) – Przegląd zastosowań i ryzyk deepfake w medycynie, aspekty etyczne i prawne
• Deep learning for healthcare: review, opportunities and challenges. Royal Society (2019) – Omówienie modeli generatywnych i ich zastosowań w danych medycznych
• Synthetically generated medical images for teaching and training. Radiology (2020) – Zastosowanie obrazów syntetycznych w radiologii i ryzyko nadużyć
• Adversarial attacks and defenses in medical imaging. IEEE (2020) – Ataki na systemy obrazowania, m.in. modyfikacje CT/MRI i ich wykrywanie
• Guidance on the use of artificial intelligence in healthcare. World Health Organization (2021) – Wytyczne WHO nt. AI w zdrowiu, bezpieczeństwo danych i zaufanie do systemów