AI w medycynie. „Jesteśmy w błędnym kole pilotaży”

Polska ochrona zdrowia nie może się odnaleźć w rewolucji sztucznej inteligencji. I to zarówno technologicznie, finansowo, organizacyjnie i edukacyjnie. Uczestnicy debaty o AI na Forum Rynku Zdrowia postulowali uproszczenie ścieżek refundacyjnych dla innowacji, stworzenie celowego funduszu na rozwój AI w zdrowiu i uwolnienie danych do rozwoju nowych algorytmów.

• AOTMiT przygotowuje wytyczne oceny technologii AI. Proces ich oceny i refundacji musi być dopasowany do dynamicznego rozwoju i krótszego cyklu życia niż w przypadku leków.
• AI już wspiera radiologię, skracając czas badań i poprawiając diagnostykę, ale jej rozwój hamują niejasne regulacje i brak stabilnego finansowania.
• Największą barierą pozostaje finansowanie, bo brak mechanizmów refundacji i funduszu innowacji zniechęca inwestorów i wypycha polskie startupy za granicę.
• Niektóre szpitale już skutecznie wykorzystują AI, m.in. w logistyce, analizie obrazów i prognozowaniu liczby pacjentów, jednak większość projektów to nadal tylko pilotaże.
• Brak integracji z codziennym workflow szpitalnym sprawia, że nawet dobre narzędzia AI nie są w pełni wykorzystywane przez personel.
• Lekarze i pacjenci potrzebują edukacji o AI, bo technologia budzi obawy i bywa niezrozumiała; NIL prowadzi szkolenia z komunikacji i praktycznego wdrożenia.
• Eksperci apelują o stworzenie realnych mechanizmów wdrażania oraz finansowania AI w systemie ochrony zdrowia.

Refundacja technologii AI? „Pracujemy nad tym”

– Pociąg sztucznej inteligencji w Europie nie odjechał – stoi na peronie, ale musimy do niego wsiąść, zanim będzie za późno – mówiła dr hab. Anna Kowalczuk, zastępczyni prezesa Agencji Oceny Technologii Medycznych i Taryfikacji (AOTMiT),

AOTMiT już pracuje nad przygotowaniem dedykowanych wytycznych oceny technologii AI. Chodzi m.in. o krótszy cykl oceny dopasowany do dynamiki rozwoju takich rozwiązań. Zdaniem dr Kowalczuk, nie można przenosić klasycznych, długotrwałych procedur oceny leków na technologie cyfrowe.

Adaptację AI opóźnia też brak europejskich wytycznych. Polska nie jest tu w tyle i cały kontynent szuka właściwego modelu oceny skuteczności, bezpieczeństwa i kosztów technologii AI.

Agencja opublikowała niedawno raport dotyczący oceny cyfrowych technologii medycznych. Zawiera on propozycje zmian w modelu taryfikacji, który uwzględniłby m.in. cykl życia rozwiązań AI. W przypadku rozwiązań opartych na AI, pod uwagę trzeba wziąć wysokie koszty wdrożenia, koszty uczenia algorytmów na danych lokalnych i testowania ich w realnych warunkach klinicznych.

– Musimy pamiętać, że pierwsze efekty finansowe AI dla systemu pojawią się po czasie. Najszybciej skorzysta pacjent, dopiero później placówka i cały system – podkreśliła Kowalczuk. Kiedy wytyczne zostaną zaadaptowane w formie zmian legislacyjnych? Tego na razie nie wiadomo.

Algorytmy są, finansowania nie ma

– Sztuczna inteligencja to nie przyszłość. To już teraźniejszość m.in. w radiologii – podkreślił dr Daniel Kaźmierczak, prezes Diagnostyka-Teleradiologia24, dodając, że „dzięki modelom AI skracamy czas badania z 20 do 12 minut, zmniejszamy ekspozycję pacjentów na promieniowanie i zwiększamy przepustowość pracowni badań diagnostyki obrazowej”.

AI wspiera też wczesną detekcję zmian patologicznych, w tym nowotworowych i naczyniowych, pozwalając szybciej rozpocząć leczenie. Testowane są już m.in. modele wspomagania raportowania radiologicznego, segmentacji badań i detekcji zmian. Jak podkreślał Kaźmierczak, AI ma ogromny potencjał w teleradiologii, gdzie może wspomagać pracę zespołów w szpitalach powiatowych, a także przyspieszać procesy decyzyjne na SOR-ach.

– Dla lekarza dyżurnego, który często dopiero zaczyna pracę, szybka informacja od algorytmu może być bezcenna. Ale ostateczna decyzja i tak należy do człowieka – zaznaczył.

AI oferuje korzyści, a tymczasem środowisko radiologiczne zmaga się z regulacjami i obniżkami wycen świadczeń. Jak podkreślał prezes Diagnostyka-Teleradiologia24, AI wprowadza większą efektywność i szybszą diagnostykę, ale musi iść w parze z odpowiednimi rozwiązaniami systemowymi – zarówno finansowymi, jak i prawnymi.

– Nie możemy jedną ręką przyspieszać diagnostyki, a drugą ograniczać dostępu do niej przez spadek finansowania – dodał.

Technologia musi być opłacalna. Inaczej nikt jej nie wdroży

Z perspektywy biznesu największym wyzwaniem wdrażania AI do praktyki klinicznej pozostaje finansowanie.

– W Polsce mamy więcej konferencji o AI niż realnych projektów komercyjnych. Wszyscy chcą testować, ale nikt nie chce za to płacić – mówił Rafał Dunal, Prezes Zarządu Polskiej Izby Informatyki Medycznej (PIIM).  Przypomniał, że w większości przypadków rozwiązania AI są oferowane w modelu usługowym i nie wymagają zakupu kosztownej licencji, a jedynie stałej opłaty miesięcznej lub za badanie.

– Nie trzeba kupić licencji za 2 miliony złotych. Można sobie podpisać umowę z 1000 zł opłaty miesięcznej, a w przypadku badań radiologicznych są to kwoty od kilku do kilkunastu złotych za jedno badanie – mówił Prezes PIIM.

Problemem jest brak mechanizmów refundacyjnych i krajowych instrumentów finansowania. Nadal nie doczekaliśmy się krajowego funduszu inwestycyjnego dla priorytetowych technologii zdrowotnych, a to ogromny błąd systemowy – ocenił Dunal. Dodał też, że brak jasnych reguł refundacji skutecznie odstrasza inwestorów, przez co obiecujące polskie startupy medyczne często nie są w stanie wejść na rynek. A tych powstaje coraz więcej, ale często zmuszone są szukać szans rozwoju za granicą.

Zwrócił również uwagę na potrzebę zmiany podejścia użytkowników.

– Darmowe narzędzia są często niedoceniane. Dopiero kiedy placówki zaczną płacić za konkretne rozwiązania, zaczną też świadomie z nich korzystać – dodał. Inwestycje w AI mogą w dłuższej perspektywie przynieść realne oszczędności dla systemu, ale muszą być odpowiednio ustrukturyzowane.

Są szpitale w Polsce, które sięgają do AI. Ale to wyjątki

– AI to nie tylko wspomaganie decyzji klinicznych. W naszej jednostce AI już dziś wspiera logistykę szpitalną, np. prognozuje liczbę pacjentów na SOR – zwrócił uwagę Jakub Olędzki, kierownik Regionalnego Centrum Medycyny Cyfrowej Wojskowego Instytutu Medycznego.

W WIM AI jest wykorzystywana m.in. w projekcie monitorowania pacjentów z niewydolnością serca oraz analizie obrazów RTG. Kolejnym przedsięwzięciem jest analiza obrazów RTG w kontekście oceny zmian według skali RESIST. Obecnie prace koncentrują się na wykrywaniu nieprawidłowości w obrębie trzustki, a równolegle rozwijane są analizy obrazów w populacji pediatrycznej, szczególnie w ocenie struktury zatok przynosowych pod kątem odchyleń od normy. Dodatkowym efektem projektu jest optymalizacja procesu analizy obrazów – system automatycznie odrzuca przypadki bez zmian patologicznych, co znacząco oszczędza czas pracy specjalistów. Zespół pracuje również nad narzędziem do prognozowania liczby pacjentów trafiających na Szpitalny Oddział Ratunkowy (SOR). Wstępne wyniki pozwalają przewidywać obciążenie dobę do przodu, jednak – jak zauważa kierownictwo – precyzja prognoz mogłaby wzrosnąć wraz z dostępem do większej ilości danych.

Placówka pracuje też nad narzędziem służącym do monitorowania hospitalizowanych pacjentów w celu prognozowania ryzyka rozwoju zakażenia. Olędzki przyznał jednak, że wiele z tych rozwiązań działa na razie w trybie pilotażowym, bez pełnej certyfikacji CE. To ogranicza możliwość komercjalizacji i upowszechnienia efektów w innych szpitalach.

– Nie chcemy, żeby AI podejmowała decyzje za lekarzy. Chcemy, by dostarczała im szybciej i więcej informacji, na podstawie których mogą podejmować lepsze decyzje – dodał. Zwrócił też uwagę na ekonomiczny wymiar optymalizacji procesów logistycznych. AI, choć sama w sobie generuje koszty, pozwala lepiej wykorzystywać istniejące zasoby kadrowe i infrastrukturalne. To niezwykle ważne w warunkach ograniczonego finansowania i niedoborów kadrowych.

–  Czekamy na moment, w którym pojawi się możliwość rejestracji produktów opartych na AI jako refundowanych rozwiązań medycznych. Mówimy też o produktach, które optymalizują funkcjonowanie szpitala, poprawiają organizację pracy czy wspierają procesy decyzyjne. Takie rozwiązania również powinny móc zostać objęte refundacją, jeśli realnie przynoszą korzyści systemowi – podsumował Jakub Olędzki.

Wiele algorytmów nie pasuje do charakteru pracy lekarzy

– Od lat wdrażam innowacje w szpitalach i mogę powiedzieć jedno: Kluczowe jest, by technologia była zintegrowana z istniejącymi procedurami diagnostyczno-terapeutycznymi, a nie tworzyła kolejnych „wyspowych” systemów, które wymagają osobnej obsługi i generują dodatkowe obciążenia dla personelu. To jedno z najtrudniejszych wyzwań, bo nawet jeśli narzędzie AI działa poprawnie i przynosi wymierne efekty, brak integracji z codziennym workflow sprawia, że nie jesteśmy w stanie w pełni wykorzystać jego potencjału – mówiła z kolei Karolina Tądel, kierownik Działu Zarządzania Danymi w Instytucie Matki i Dziecka. Jej zdaniem, w Polsce problemem nie jest wyłącznie dostępność technologii, ale rozproszenie i jakość danych, które powinny je zasilać.

Tądel przypomniała, że zgodnie z danymi Centrum e-Zdrowia tylko 13 proc. polskich szpitali stosuje rozwiązania AI, a integracja AI z EDM to wciąż wyjątek. Dla porównania w USA – jest to 71 proc. placówek, a w 80 proc. posiadają integrację AI z EDM. AI są tam wdrażane przede wszystkim w obszarach administracyjnych i organizacyjnych i służą do optymalizacji przyjęć pacjentów, oceny ryzyka klinicznego oraz prognozowania stanu pacjenta w momencie przyjęcia do szpitala. Systemy AI pomagają także klasyfikować potencjalne koszty leczenia i lepiej zarządzać zasobami. To bezpieczniejszy obszar wdrożeń niż decyzje kliniczne, ale jednocześnie taki, który bezpośrednio przekłada się na efektywność działania szpitala i jego wyniki finansowe.

Dodała również, że w IMiD działa specjalny dział ds. AI – pierwszy taki w publicznym szpitalu w Polsce – który zajmuje się przygotowaniem i standaryzacją danych dla wdrażanych projektów AI.

– Bardzo często rozwiązania startupów nie pasują do rzeczywistych danych szpitalnych. Musimy więc budować mosty między światem kliniki a technologią – zaznaczyła. Wspomniała też, że IMiD już teraz myśli o najnowocześniejszych zastosowaniach jak, jak przykładowo agenci AI.

– Obecnie otwieramy się na wykorzystanie tzw. agentów AI, czyli narzędzi automatyzujących czynności, które dotychczas były wykonywane ręcznie. Dotyczy to zwłaszcza analiz jakościowych i przeglądu przypadków klinicznych prowadzonych metodą case by case. Analizujemy, na ile agenci AI mogą wspierać nas w identyfikowaniu wzorców, trendów i nieprawidłowości, których wcześniej – z powodu ograniczonych zasobów – nie byliśmy w stanie wychwycić. Takie podejście może znacząco usprawnić procesy analityczne, poprawić jakość danych i odciążyć zespoły, które dziś poświęcają na te zadania ogromną ilość czasu. To również krok w stronę lepszego wykorzystania danych do planowania finansowego i organizacyjnego, tak aby technologie AI realnie wspierały codzienne funkcjonowanie szpitala – podsumowała Tądel.

Pacjent boi się tego, czego nie rozumie. To też dotyczy AI

Małgorzata Wywrot z Naczelnej Izby Lekarskiej zwróciła uwagę, że AI wymaga nowej komunikacji z pacjentem, a „lekarze muszą mówić pacjentom jasno, że korzystają z narzędzi AI. Pacjenci boją się tego, czego nie rozumieją”. Według NIL, wielu lekarzy nie potrafi rozmawiać z pacjentami.

– 95 proc. pacjentów nie rozumie języka, jakim mówi do nich lekarz. W obszarze AI to jeszcze większe wyzwanie – zaznaczyła Wywrot. Dlatego Naczelna Izba Lekarska, a konkretnie sieć NIL IN – Sieć Lekarzy Innowatorów, prowadzi bezpłatne szkolenia – także punktowane edukacyjnie – poświęcone komunikacji lekarza z pacjentem w kontekście innowacji i technologii medycznych. Uczą one m.in., jak wprowadzać elementy AI do codziennej praktyki gabinetowej, jak informować pacjenta o ich zastosowaniu i jak rozwiewać jego wątpliwości. Szkolenia są otwarte nie tylko dla lekarzy, ale również dla wszystkich osób zainteresowanych nowoczesnymi rozwiązaniami w medycynie.

Jak dodała, nie chodzi tylko o wytłumaczenie, jak działa AI, ale też o zbudowanie zaufania, a „pacjent musi wiedzieć, że technologia nie zastępuje lekarza, tylko mu pomaga”.

Wywrot zwróciła też uwagę na potrzebę systemowego włączenia edukacji o AI do programów specjalizacji lekarskich. Obecnie wielu młodych lekarzy kończy studia i specjalizację, nie mając żadnej wiedzy o tym, jakie narzędzia AI są dostępne i jak z nich korzystać.

– W ramach mojej pracy dydaktycznej mam kontakt z lekarzami w trakcie specjalizacji. Gdy pytam ich, czy korzystają z narzędzi AI, niemal wszyscy odpowiadają, że nie. A tymczasem część z nich z takich rozwiązań już korzysta, choć nawet o tym nie wie – mówiła. Wynika to przede wszystkim z przeciążenia biurokratycznego i obowiązku wypełniania dokumentacji medycznej, który pochłania większość czasu. Lekarze są tak skupieni na obowiązkach administracyjnych, że często nie mają przestrzeni, by zainteresować się narzędziami, które mogłyby im tę pracę realnie ułatwić.

Konieczne doprecyzowanie regulacji

W kontekście regulacji i certyfikacji AI uczestnicy byli zgodni: polskie prawo nie nadąża za rzeczywistością. Dunal przypomniał, że patentowanie samych modeli AI jest trudne – łatwiejsze są patenty na procesy i technologie pomocnicze.

– Najwięcej patentów jest w USA i Chinach. Jeśli my nie opatentujemy, zrobią to inni – ostrzegł.

Z kolei Jakub Olędzki zwrócił uwagę na kwestię odpowiedzialności: AI może wykonać pracę, ale odpowiedzialność za decyzję zawsze będzie po stronie człowieka. I to dobrze, bo to gwarantuje bezpieczeństwo pacjenta. W praktyce oznacza to, że nawet jeśli model popełni błąd, to i tak lekarz odpowiada za decyzję kliniczną.

Eksperci zgodnie uznali, że konieczne jest doprecyzowanie regulacji dotyczących certyfikacji i odpowiedzialności prawnej w kontekście użycia AI. Brak jasnych zasad może w przyszłości hamować wdrażanie nowych rozwiązań, szczególnie w obszarach klinicznie krytycznych.

W kwestii finansowania Karolina Tądel wskazała, że obecnie rozwój AI w szpitalach opiera się na grantach, partnerstwach z firmami technologicznymi i projektach pilotażowych. Niestety, to model, który nie jest skalowalny. Placówki muszą sięgać po środki unijne lub szukać inwestorów prywatnych, a dostęp do takich zasobów jest ograniczony i konkurencyjny.

– Mamy świetne pomysły i projekty, ale zostają w laboratoriach i pilotażach. Potrzebujemy mechanizmów, które pozwolą im wejść do realnego systemu – apelował Dunal.

Czytaj także: Relacja z debaty o e-zdrowiu 2025-2025 podczas Forum Rynku Zdrowia