Inteligentne zegarki i opaski fitness potrzebowały dekady, aby z prymitywnych liczników kroków ewoluować do osobistych doradców sportowych. Teraz sztuczna inteligencja pozwala zbierać coraz więcej danych, oferując personalizowane porady zdrowego stylu życia. O tym opowiada Jörn Watzke, starszy dyrektor w Garmin Health. Mający swoją siedzibę w Szwajcarii amerykański Garmin dotąd sprzedał ok. 300 mln urządzeń ubieralnych i jest jednym z liderów rynku wearables.

Pamiętam czasy, gdy Garmin był znany głównie z profesjonalnych smartwatchy dla sportowców. Kiedy firma uświadomiła sobie, że zbierane na nadgarstku dane mogą nie tylko poprawić wyniki sportowe, ale także stan zdrowia i jakość życia?

Garmin wprowadził pierwszy smartwatch przeznaczony dla biegaczy, czyli Forerunner, w 2003 roku. W ciągu następnej dekady na rynek wchodziły kolejne modele oferujące ulepszone funkcje GPS, dłuższą żywotność baterii i dokładniejsze dane dotyczące spalanych kalorii. W 2014 roku swoją premierę miał vivofit – minimalistyczny tracker fitness przeznaczony dla szerokiego grona odbiorców. W tym samym roku wydzielono dział Garmin Zdrowie.

Wraz z tym Garmin zdał sobie sprawę, że analiza danych ze smartwatchy i innych rozwiązań fitness może być wykorzystywana w modelu B2B do wspierania cyfrowych rozwiązań zdrowotnych i programów wellness oferowanych przez firmy.

Kolejna dekada przyniosła znaczne ulepszenia w obszarze śledzenia stanu zdrowia, zwłaszcza za sprawą optycznego czujnika tętna, który umożliwił śledzenie snu oraz poziomu stresu. Podobne możliwości wprowadził pomiar zmienności tętna, czyli tzw. HRV.

Proszę wytłumaczyć, jak technologia zaszyta wewnątrz smartwatcha pozwala śledzić aktywność fizyczną?

Najszerszy wgląd w zdrowie dostarcza ciągłe monitorowanie tętna, umożliwiając śledzenie stresu, monitorowanie energii (Body Battery™), częstości oddechów i snu. To także baza do ilościowego określenia VO2 max, czyli pułapu tlenowego. Aby mierzyć tętno, urządzenia do noszenia Garmin posiadają czujnik optyczny PPG wbudowany w tylną część koperty zegarka. Emituje on zielone światło, które przechodzi przez skórę i odbija się od czerwonych krwinek w naczyniach krwionośnych. W ten sposób możliwy jest pomiar tętna. Podobnie mierzone jest HRV, które z kolei daje wgląd w poziom stresu, szybkość regeneracji organizmu po treningu i fazy snu.

Z kolei do nawigacji Garmin wykorzystuje odbiorniki GPS. Na ich podstawie obliczana jest pozycja 2D użytkownika, czyli szerokość i długość geograficzna, lub 3D – szerokość i długość geograficzna oraz wysokość nad poziomem morza. Warto wspomnieć, że pozycjonowanie 3D jest bardziej skomplikowane, bo wymaga większej liczby satelitów niż w przypadku 2D. Informacje GPS są używane nie tylko do określenia położenia i nawigowania, ale także do obliczania prędkości, odległości podróży, czasu do miejsca docelowego, czasu wschodu/zachodu słońca i innych parametrów.

A jak mierzone są parametry związane ze zdrowiem, na przykład jakość snu?

Obliczenia związane ze zdrowiem, takie jak wspomniana ocena snu, opierają się na danych dostępnych z czujników smartwatcha lub monitora fitness. Etapy snu – lekki, głęboki, REM i czuwanie – oraz całkowity czas snu oceniane są przy użyciu kombinacji danych dotyczących tętna, HRV i ruchu ciała. Nowsze urządzenia rejestrują dodatkowo zmianę temperatury skóry, wahania oddechu i nasycenie krwi tlenem (poprzez pulsoksymetr), dzięki czemu pomiary są jeszcze dokładniejsze.

Inteligentne zegarki coraz częściej dają użytkownikom konkretne wskazówki dotyczące odpoczynku, snu, relaksu. A to duża odpowiedzialność.

Opieramy się zawsze na wiarygodnych badaniach naukowych i zaleceniach wiodących autorytetów, tak aby wszelkie zalecenia dotyczące zdrowia lub ćwiczeń były oparte na faktach. Przykładowo, rady dotyczące faz snu są poparte raportami Narodowej Fundacji Snu (National Sleep Foundation) z siedzibą w USA. Kolejnym źródłem informacji i wskazówek jest amerykańskie Centrum Kontroli Chorób (CDC, Centers for Disease Control and Prevention). Wszystkie urządzenia i funkcje są rygorystycznie oceniane w ramach globalnego programu beta-testów, zapewniającego wysoki standard jakości przed ich publicznym udostępnieniem.

Użytkownicy kierują się zaleceniami smartwatcha tylko wtedy, gdy ufają technologii. Jak to zaufanie jest budowane?

Od czasu wprowadzenia na rynek Forerunnera w 2003 roku, strategicznie rozwijamy swoje portfolio smartwatchy i monitorów fitness, rozszerzając je o kategorie takie jak Advanced Wellness (red.: zaawansowana samoopieka i dobre samopoczucie)

Pierwszym krokiem jest dokładne zrozumienie potrzeb różnych użytkowników, poświęcenie czasu na opracowanie dokładnych czujników i technologii, rygorystyczne testowanie i walidowanie produktów przed wprowadzeniem na rynek oraz edukowanie konsumentów na temat możliwości stojących za nowymi funkcjami. Jest to długi i czasochłonny proces.

Smartwatche mogą dziś wykonywać testy, które do niedawna wymagały wizyty w gabinecie lekarskim, jak przykładowo nasycenie krwi tlenem albo funkcja EKG do wykrywania migotania przedsionków.

Rzeczywiście, tempo ewolucji technologicznej smartwatchów w kierunku zaawansowanych urządzeń do monitorowania zdrowia znacznie przyspieszyło. W ciągu kilku ostatnich lat byliśmy świadkami, jak urządzenia do noszenia przechodziły od prostych opasek fitness do urządzeń z funkcjami medycznymi, jak ocena ryzyka bezdechu sennego, wykrywanie arytmii serca i wspomaganie zdrowia kobiet.

Urządzenia ubieralne dostarczają dane zdrowotne w czasie rzeczywistym, które mogą być cenne zarówno dla poprawy dobrego samopoczucia, jak i w medycynie. A to prowadzi do coraz większego zainteresowania świadczeniodawców opieki zdrowotnej integracją tych informacji, aby lepiej zrozumieć zdrowie pacjentów.

Jesteśmy dopiero na początku tego, do czego te urządzenia będą zdolne w najbliższej przyszłości.

Jak AI wpływa na funkcje i możliwości smartwatchy? Czy aby mierzyć więcej parametrów zdrowia potrzebujemy nowych czujników, czy po prostu dobrych algorytmów mogących obliczać nowe parametry na podstawie istniejących danych?

Sztuczna inteligencja i uczenie maszynowe mają niezwykłą umiejętność analizowania dużych ilości danych i identyfikowania wcześniej nierozpoznanych lub niezbadanych przez naukowców korelacji.

Warto tutaj zaznaczyć, że nie każda korelacja oznacza od razu występowanie związku przyczynowego – każde zależności w danych muszą zostać zweryfikowane, zanim zostaną uznane za przydatne dla konsumentów.

Celem nie jest dodawanie większej liczby czujników lub lepszych algorytmów, ale raczej skrupulatna analiza wniosków wyciąganych przez AI. Priorytetem jest bowiem ochrona użytkownika końcowego przed niezamierzoną dezinformacją, która może wystąpić w przypadku niektórych modeli AI. Dlatego zanim przygotujemy nowe biomarkery, najważniejsza jest personalizacja informacji zwrotnych, aby mogły one być wykorzystywane przez konsumentów do podejmowania decyzji.

Jakiego kolejnego czujnika możemy spodziewać się w smartwatchach?

Analiza krwi z wykorzystaniem nieinwazyjnych czujników byłaby interesującym rozwiązaniem. Na razie jednak nie mamy takiej technologii.

A jakie są trzy najczęściej śledzone przez użytkowników parametry?

Jeśli chodzi o rodzaj aktywności fizycznej, to w czołówce jest bieganie, jazda na rowerze i piesze wędrówki. Z kolei w przypadku pasywnego śledzenia – czyli gdy użytkownik nie musi włączać opcji monitoringu, tylko działa ona cały czas w tle – są to kroki, tętno i sen.

Pasywne śledzenie danych jest szczególnie ważne, bo dzięki niemu wszyscy użytkownicy smartwatchy otrzymują wgląd do ogólnych danych zdrowotnych, które następnie mogą wykorzystać do wprowadzenia zmian behawioralnych.

Biorąc pod uwagę rosnące moce analityczne smartwatchy można się spodziewać, że w niedalekiej przyszłości większość danych zdrowotnych wykorzystywanych przez lekarzy będzie pochodzić bezpośrednio z nadgarstka, a nie z laboratoriów…

Medycyna, jako branża, często jest bardzo powolna. Widać to na przykładzie wieloletniego wdrażania elektronicznej dokumentacji medycznej. Wierzę jednak, że coraz więcej lekarzy będzie chciało wykorzystywać dane z urządzeń do noszenia, aby wspierać opieką nad pacjentem.

Zalety nowego źródła danych, jakim jest pacjent, i możliwości zdalnego monitorowania zdrowia są zbyt duże, by je ignorować. Przedwczesne jest jednak twierdzenie, że „większość” lekarzy przyjmie ten nowy sposób opieki nad pacjentem w najbliższej przyszłości. Punkt zwrotny nastąpi, gdy studenci medycyny zaczną uczyć się najlepszych praktyk związanych z integracją danych do noszenia w procesie leczenia.

Dane mogą ze smartwatchy mogą też być wykorzystywane w badaniach naukowych.

Tak, nasze urządzenia były do tej pory stosowane w ponad 1000 badaniach naukowych. W tym celu instytucje naukowe mogą korzystać z bezpłatnego interfejsu API Garmin Health i szerokiego portfolio produktów w różnych przedziałach cenowych. Oto kilka przykładów badań, w których uczestniczyliśmy:

• W badaniu przeprowadzonym przez Kyushu Institute of Technology (Japonia) wykorzystano trackery fitness Garmin do zbierania danych, takich jak czas trwania snu i liczba kroków, od pacjentów z chorobą Parkinsona w celu znalezienia wzorców związanych z „zużyciem” ich leków. Okazało się, że zmiany snu i aktywności mogą pomóc przewidzieć, kiedy objawy powrócą, co z kolei pozwala lepiej dopasować opiekę.

• Czterotygodniowe badanie z Uniwersytetem Maastricht (Holandia) z wykorzystaniem Forerunner’a i HRM-Dua wykazało, że muzyka w tempie o 7,5–10% szybszym niż kadencja wyjściowa (red.: liczba kroków stawianych przez biegacza w ciągu jednej minuty) zwiększyła kadencję biegu bez wpływu na prędkość lub tętno, pokazując, że muzyka może poprawić formę i zmniejszyć ryzyko kontuzji bez dodatkowego wysiłku.

• W badaniu przeprowadzonym przez University of Calgary (Kanada) śledzono aktywność fizyczną u osób z ostrą białaczką poddawanych przeszczepom komórek macierzystych. Celem było zmierzenie ich aktywności na różnych etapach leczenia. Dane posłużyły do określenia spersonalizowanego programu ćwiczeń wspierającego powrót do zdrowia i jakości życia.

• Badanie przeprowadzone przez Universidad de Guayaquil (Ekwador) polegało na integracji smartwatcha Garmin z aplikacją mobilną i systemem internetowym, aby pomóc pacjentom i lekarzom monitorować nadciśnienie tętnicze w czasie rzeczywistym. Celem było wspomożenie pacjentów w przestrzeganiu planów leczenia, z kolei lekarze mogli śledzić parametry życiowe chorych i w ten sposób lepiej się nimi zaopiekować.

Jakich czujników brakuje obecnie smartwatchom, aby poszerzyć zakres monitorowanych danych?

Nieinwazyjne czujniki, które mogą dostarczyć wcześniej niedostępnych danych biometrycznych, byłyby cennym dodatkiem do każdego smartwatcha. W szczególności monitorowanie poziomu glukozy ma szerokie zastosowanie w zarządzaniu cukrzycą, zdrowiu metabolicznym i ogólnej kondycji.

Dużo mówi się o agentach AI, czyli personalizowanych doradcach. Czy tacy agenci AI pojawią się wkrótce w smartwatchach?

W kwietniu Garmin zaprezentował Connect+, który oferuje nową funkcję AI – Active Intelligence. Nasz model sztucznej inteligencji został przeszkolony na ponad 8 bilionach tokenów danych tekstowych. Z Active Intelligence użytkownicy otrzymują spersonalizowane informacje na temat ostatnich aktywności lub trendów zdrowotnych. Chociaż model nie daje rekomendacji, informacje pozwalają użytkownikom podejmować bardziej świadome decyzje dotyczące ich zdrowia i kondycji.

Sztuczną inteligencję wdraża też wielu partnerów biznesowych Garmin bezpośrednio w swoich cyfrowych rozwiązaniach zdrowotnych. Na przykład Uptivo, dostawca technologii dla siłowni, zaprezentował ostatnio NATE – chatbota AI analizującego dane zbierane przez smartwatch i odpowiadającego na pytania dotyczące snu, kondycji fizycznej oraz podającego personalizowane zalecenia. Można z całą pewnością założyć, że trend ten będzie kontynuowany w obszarach fitness, wellness i zdrowia.

A co z analityką predykcyjną?

Smartwatche Garmin zawierają już kilka analiz predykcyjnych w obszarze fitness. Najbardziej znaną funkcją jest Race Predictor, która szacuje, jak można osiągnąć pożądane wyniki na różnych dystansach biegowych. Bierze ona pod uwagę ostatni bieg, obciążenie treningowe i VO2 max.

Z kolei wiele zegarków fitness ma funkcję Recovery Time, która oblicza i przewiduje, jak długo należy odpoczywać po aktywności. Po stronie śledzenia zdrowia, Sleep Coach podaje zalecenia dotyczące ilości snu potrzebnego danego dnia w oparciu o sen z poprzedniej nocy.

Wraz z rozwojem Active Intelligence, liczba dostępnych analiz predykcyjnych będzie rosła. Trzeba jednak zaznaczyć, że wszelkiego rodzaju rekomendacje dodajemy bardzo ostrożnie i dopiero po etapie rygorystycznej weryfikacji pod względem dokładności i bezpieczeństwa.

Jaka będzie rola inteligentnych zegarków za 10 lat?

Na pewno nastąpi znaczny wzrost specjalistycznych rozwiązań w zakresie opieki, a nacisk zostanie położony na zapobieganie chorobom. Centralnym elementem śledzenia będzie zdrowie metaboliczne, a zbieranie i przetwarzanie danych z urządzeń do noszenia będzie standardem w dbaniu o zdrowie albo dla jego poprawy.

Smartwatche w jeszcze większym stopniu staną się całodziennymi towarzyszami zdrowia, bez względu na to, czy ktoś uprawia sport, prowadzi siedzący tryb życia, albo zmaga się z przewlekłą chorobą. Coraz więcej danych będzie można przekuć na coraz lepsze wskazówki dotyczące zdrowego trybu życia i szeroko rozumianego wellness. I w końcu możemy spodziewać się integracji danych biometrycznych z urządzeń do noszenia z danymi gromadzonymi w systemie opieki zdrowotnej. To będzie rewolucja.

Czytaj także: Czy VO2 max naprawdę jest miernikiem długowieczności?

Technologie cyfrowe i dostęp do danych zacierają granicę pomiędzy klasyczną medycyną a samo-opieką. A to oznacza, że system zdrowia czekają duże przetasowania – wielkie firmy technologiczne wchodzą w rolę neo-dostawców opieki, umywając ręce od odpowiedzialności, ale za to towarzysząc pacjentowi w dbaniu o zdrowie dzień i noc.

Teoria dwóch systemów zdrowia

Ochrona zdrowia to jedna z tych branż, która zmienia się nieustannie za sprawą rewolucji wiedzy i technologii. Tak było jak wynaleziono pierwszy stetoskop, antybiotyki albo RTG. Dlatego transformacja cyfrowa nie jest niczym nowym, choć po raz pierwszy mamy do czynienia z zupełnie nowymi siłami oddziaływującymi na sektor zdrowia: technologie komunikacyjne oraz dane i sztuczna inteligencja razem wzięte powodują, że nagle powstaje alternatywny model świadczenia usług, usytuowany poza systemem zdrowia, a kreowany przez firmy nowych technologii, które z sektorem zdrowia nie mają nic wspólnego.

AI, smartwatche i aplikacje zdrowotne nie są już tylko „dodatkami” do opieki zdrowotnej, jak miało to miejsce jeszcze kilka lat temu. Stają się fundamentem coraz potężniejszego, równoległego systemu zdrowia, a pacjenci – sfrustrowani długim czasem oczekiwania na wizyty, medycyną skupioną na leczeniu narządów zamiast opiece i profilaktyce – chętnie korzystają z nowych form świadczenia usług.

W efekcie system zdrowia rozwarstwia się na:

• system 2 – klasyczną medycynę realizowaną w szpitalach, przychodniach i gabinetach lekarskich;
• system 1 – cyfrowe usługi typu „well-being”, które jednak coraz częściej przypominają usługi medyczne.

System 2 – w analogii do teorii podejmowania decyzji Daniela Kahneman’a – to medycyna „powolna” realizowana w placówkach zdrowia, a system 1 – medycyna „szybka”, czyli decyzje pacjenta dotyczące zdrowia oparte na wskazówkach z urządzeń cyfrowych mierzących parametry zdrowia.

To zjawisko będzie szybko postępować, bo systemy opieki zdrowotnej są pod dużymi obciążeniami, a jako statyczne kolosy nie są w stanie już spełnić oczekiwań pacjentów. Ludność starzeje się, rośnie częstość występowania chorób przewlekłych, brakuje pracowników służby zdrowia. Nawet jeśli wydatki na zdrowie rosną z roku na rok, idą one na utrzymanie systemu 1 przed upadkiem, zamiast na reformy.

System 1 możliwy dzięki nowym technologiom

Pacjenci nie czekają i w ewolucji technologicznej szukają korzyści dla siebie. Dotyczy to zwłaszcza pokolenia Z, które wychowało się w erze mediów społecznościowych i e-usług, oczekując od ochrony zdrowia podobnych standardów.

Duże modele językowe obsługują codziennie miliony zapytań związanych ze zdrowiem. Już nie doktora Google, ale profesora ChatGPT pytamy o objawy, dietę, zdrowie psychiczne, sen i ćwiczenia. Nie tylko w celu uzyskania informacji, ale także, aby znaleźć wsparcie psychiczne – według ostatniego raportu Harvard Business Review, właśnie „wsparcie psychiczne” jest najczęstszą przyczyną, dlaczego zwracamy się do AI z pytaniem. Narzędzia AI są zawsze dostępne, łatwe w użyciu i oferują coś, czego tradycyjna opieka często nie jest w stanie zagwarantować: natychmiastową odpowiedź, bez osądzania, bez uprzedzeń, bez patrzenia na zegarek, bo kończy się 10-minutowa wizyta.

Za szybkim rozwojem konsumenckiej ochrony zdrowia w modelu „jeden dostawca – miliony konsumentów zdrowia” stoją też media społecznościowe. Na platformach takich jak TikTok i Instagram to influencerzy, a nie lekarze, radzą, co jeść, jak się diagnozować, co zrobić, aby żyć długo. Filmy na temat ADHD, suplementów diety i „longevity” notują miliardy wyświetleń, bo pochodzą od autorytetu, kogoś kto imponuje, zbudował zasięg i mówi przekonującym oraz zrozumiałym językiem, dostarczając prostych rozwiązań na skomplikowane problemy.

Wiele z tych treści wprowadza w błąd, a niektóre są nawet niebezpieczne dla zdrowia i życia. Mimo to, faworyzują je algorytmy, których celem jest sprawienie, aby użytkownik jak najwięcej czasu spędził na Facebooku, Tik-Toku albo YouTube. Dlatego promowane są angażujące, emocjonalne, krótkie treści, a niekoniecznie te najbardziej poprawne pod względem naukowym. Edukacja zdrowotna dawno temu została przejęta przez media społecznościowe, a negatywne efekty będą widoczne za kilka lat.

Na to trzeba nałożyć jeszcze jeden trend: w wysokorozwiniętych społeczeństwach zdrowie stało się symbolem prestiżu społecznego, determinantem sukcesu. Aby utrzymać zdrowie oraz żyć długo i szczęśliwie trzeba wykazać się własną zaradnością, stosować niekonwencjonalne metody, nie ufając starej medycynie. Stąd popularność suplementów diety obiecujących większą energię i pozbycie się problemów, kariera Ozempicu jako drogi na skróty do atrakcyjności fizycznej i formy zdrowotnej, a wkrótce – agentów AI.

2026-2027: Agenci AI zaczynają przyjmować pierwszych pacjentów

Urządzenia wearables śledzą już sen, stres, tętno, a nawet wczesne oznaki choroby. Nowej generacji smartwatche potrafią wykonać EKG, monitorować wzorce ruchu i na tej podstawie ostrzegać przed chorobami przewlekłymi, a inteligentna biżuteria zbiera skrupulatnie dane, aby radzić, jak poprawić jakość snu i zoptymalizować styl życia. To już tylko kwestia czasu, gdy zegarki Apple albo Samsung będą mierzyły nieinwazyjnie poziom glukozy we krwi.

Najlepszym przykładem firmy big tech wchodzącej do ochrony zdrowia, aby zagospodarować niszę związaną z profilaktyką, jest Neko Health – klinika założona przez szefa platformy streamingowej Spotify. Neko Health z filiami w Londynie i Sztokholmie oferuje skanowanie całego ciała i analizę danych z wykorzystaniem AI za 299 dolarów. Na tej podstawie lekarze szukają możliwych ryzyk zdrowotnych albo pierwszym objawów chorób. Lista oczekujących na wizytę w Londynie przekroczyła 100 000 osób.

Profilaktyka staje się domeną firm technologicznych, które mają dostęp do danych pacjenta w czasie rzeczywistym. Oznacza to, że tradycyjni dostawcy usług medycznych tracą powoli monopol na opiekę, a granica pomiędzy usługami medycznymi – które, zgodnie z przepisami, mogą być realizowane tylko przez uprawnione podmioty – a usługami „wellness” staje się płynna.

Pacjenci się cieszą, bo mają dostęp do informacji i porad w czasie rzeczywistym, ale problem jest poważny, bo opieka cyfrowa świadczona jest z pominięciem jakiekolwiek odpowiedzialności, a dane z np. smartwatchy nie będących urządzeniami medycznymi mogą wprowadzać w błąd. Ale dla pacjentów nie posiadających wiedzy technicznej nie ma to znaczenia. Liczą się porady i poczucie, że zdrowie jest „pod kontrolą”. To zaufanie w inteligencję maszyn i AI zostało dokładnie zbadane dekady temu i określane jest antropomorfizmem.

AI nie jest cudownym lekiem na kulejący system zdrowia

Oczywiście, AI nie wchodzi tylko do systemu 1, czyli zdrowia konsumenckiego, ale także do systemu 2. I wiele z rozwiązań rodzi nadzieje na pozbycie się obciążeń administracyjnych. AI automatycznie analizuje dane pacjentów w elektronicznej dokumentacji medycznej (EDM), aby przewidzieć rozwój chorób, pomaga wyszukiwać dane albo notować przebieg wizyty na podstawie rozmowy z pacjentem. AI wspomaga decyzje kliniczne zestawiając dane pacjenta z dostępną literaturą medyczną i ostatnimi badaniami naukowymi, aby pacjent otrzymał leczenie dopasowane do jego indywidualnego przypadku, w oparciu o twarde fakty, a nie tylko wybiórcze deklaracje.

Choć zdolności systemów AI w medycynie szybko rosną, AI nie jest magicznym rozwiązaniem na wszystkie problemy sektora zdrowia. Obecnie znajdujemy się w okresie zachwytu nad AI i wiele doniesień prasowych wywołuje nieuzasadniony hurra-optymizm. Nie jest wykluczone, że coraz silniejsze modele AI będą wkrótce stosowane w diagnozie pacjentów. Ale równie prawdopodobny jest scenariusz, że szybko nie poradzimy sobie z halucynacjami i duże modele językowe (LLM) nieszybko doczekają się certyfikacji do zastosowań klinicznych.

Jest jeszcze jedno wyzwanie. Sztuczna inteligencja wymaga czystych, wysokiej jakości danych. A tych ciągle brakuje. Dlatego przez najbliższe lata placówki medyczne muszą skupić się na budowaniu dobrych baz, najlepiej w chmurze danych.

Cyfryzacja w czasach rosnących jak na drożdżach nowych aplikacji AI wymaga też jasnej mapy drogowej. Niektóre z najbardziej innowacyjnych szpitali na świecie stosują obecnie prostą zasadę minimalizmu cyfrowego: każda nowa aplikacja cyfrowa musi zmniejszać liczbę kliknięć, a nie ją zwiększać, a każdy nowy system musi być zintegrowany z systemem centralnym elektronicznej dokumentacji medycznej.

To będzie największa w historii transformacja sektora zdrowia

Jesteśmy świadkami czegoś więcej niż transformacji technologicznej. To zmiana ustanowionych od wieków reguł ochrony zdrowia. Przechodzimy od modelu opieki „jeden lekarz – jeden pacjent w tym samym czasie” do „jeden algorytm/agent AI – miliony pacjentów”, od „leczenia pacjenta” do „leczenia danych pacjenta”.

Opieka przenosi się z klinik do telefonów, z EDM do agentów AI, z planowanych 10-minutowych wizyt do zawsze dostępnych usług on-line. Nie oznacza to, że tradycyjna opieka zdrowotna traci na znaczeniu. Technologia nie zakłóci medycyny jako nauki, bo ta chroniona jest przepisami i nadal ma monopol na opiekę w bardziej skomplikowanych przypadkach albo gdy wymagana jest operacja. Kolejki przed klinikami nie zmniejszą się. Jednak zmienia się sposób, w jaki pacjenci postrzegają medycynę i wchodzą z nią w interakcje.

To proces przemian społecznych, których nie da się już zatrzymać, oraz nowe rozdanie kart o zdrowie, gdzie duże firmy technologiczne zaczynają przejmować pacjentów w walce o rynek warty globalnie ponad 21 222 mld dolarów.

Czytaj także: Sztuczna inteligencja nie uratuje systemu zdrowia

Pacjenci czekają w długich kolejkach do specjalistów, tymczasem 77% pracowników ochrony zdrowia traci czas na szukaniu danych w różnych źródłach – wynika z raportu Philips Future Health Index 2025. Rośnie optymizm lekarzy w stosunku do sztucznej inteligencji i już 82% uważa, że AI i analityka predykcyjna pozwolą skuteczniej leczyć dzięki przyspieszonej diagnozie.

Pacjenci umierają w kolejkach

W 16 krajach objętych badaniem, 73% pacjentów czekało w kolejkach na wizytę u specjalisty średnio 70 dni. Statystyczny czas oczekiwania w niektórych krajach sięgał nawet 131 dni (badanie nie obejmuje Polski). W Kanadzie i Hiszpanii to nawet cztery miesiące lub więcej. Każdy dodatkowy dzień obniża skuteczność leczenia, bo stan pacjentów czekających na wizytę często pogorsza się. Z powodu opóźnień, aż 36% pacjentów kardiologicznych, którzy mogliby być leczeni ambulatoryjnie, trafiło do szpitala.

Tymczasem pracownicy służby zdrowia pracują na granicy wytrzymałości – paradoksalnie, bo ogromną ilość ich czasu pracy pożerają nieefektywności systemu i biurokracja. Aż 77% zgłasza, że traci cenny czas (średnio 45 minut dziennie) z powodu niedostępnych lub niekompletnych danych pacjentów. W skali roku daje to cztery tygodnie pracy, które wyciekają z nieefektywnego systemu.

Drugim problemem jest nadmiar obowiązków administracyjnych. 35% pracowników ochrony zdrowia twierdzi, że poświęca coraz więcej czasu na papierkową robotę i zostaje go coraz mniej dla pacjentów. To prowadzi do wypalenia zawodowego.

Lepsza opieka dzięki AI

Jak rozwiązać te problemy, skoro dotychczasowe reformy albo cyfryzacja nie sprawdziły się? Pracownicy służby zdrowia zgadzają się, że wyjściem może być szerokie zastosowanie AI. 84% ankietowanych uważa, że AI może zautomatyzować powtarzalne zadania, 78% – że pomoże obsłużyć większą liczbę pacjentów, a 76% – że skróci czas oczekiwania na wizytę. 8 na 10 lekarzy jest przekonanych, że analityka predykcyjna pozwoli zredukować czas pomiędzy wystąpieniem pierwszych objawów a rozpoczęciem leczenia, a 3 na 4 ma nadzieję, że nowe technologie zmniejszą liczbę pacjentów przyjmowanych do szpitala.

Z badania wynika, że lekarze oczekują od AI usprawnienia organizacji pracy, np. poprzez optymalizację harmonogramów zabiegów po triaż pacjentów i podsumowania danych z różnych źródeł, tak aby nie trzeba było manualnie sprawdzać wyników badań i przeglądać elektronicznej dokumentacji medycznej. Kolejną korzyścią AI jest podniesienie kompetencji mniej doświadczonego personelu, szczególnie ważne na terenach wiejskich często borykających się z niedoborami kadrowymi. Lekarze specjaliści oczekują od AI poprawy precyzji diagnostyki, szczególnie w specjalizacjach o wysokim ryzyku, takich jak kardiologia, gdzie skrupulatna analiza danych i wczesne wykrycie choroby mają kluczowe znaczenie.

Do tego dochodzą oszczędności. Dane z USA sugerują, że szerokie zastosowanie AI mogłoby przynieść oszczędności rzędu 200–360 mld dolarów rocznie, co przelicza się na około 5–10% wydatków na opiekę zdrowotną. Skąd ta suma? W kalkulacji uwzględniono zmniejszenie liczby ponownych hospitalizacji oraz niepotrzebnych świadczeń obecnie realizowanych ze względu na brak danych oraz oszczędności wynikające z automatyzacji zadań administracyjnych.

Lekarze optymistyczni, pacjenci ostrożni

Aż 79% pracowników ochrony zdrowia uważa, że AI poprawi wyniki leczenia pacjentów. Tego entuzjazmu nie podzielają pacjenci – tak twierdzi tylko 59% świadeczniobiorców.

Pacjenci są przywiązani do lekarzy i dlatego często sceptyczni wobec AI. Choć akceptują stosowanie AI w zadaniach administracyjnych, takich jak planowanie wizyt lub rejestracja, ich zaufanie gwałtownie spada, gdy AI ma być wykorzystywana w gabinecie lekarskim, np. do sporządzania dokumentacji medycznej, triażu lub jako wsparcie w diagnozowaniu.

Pacjenci boją się po prostu, że z czasem AI zastąpi ich lekarza (52% ankietowanych). Obawy są takie same bez względu na kraj albo grupę wiekową. Paradoksalnie, najbardziej ostrożni w stosunku do AI są pacjenci, którzy mają największą wiedzę na temat AI.

Problem odpowiedzialności i zaufania

Optymizm pracowników zdrowia maleje, gdy padają pytania o szczegóły zastosowania AI w codziennej praktyce klinicznej. Tylko 38% uważa, że narzędzia AI są zaprojektowane z myślą o ich pracy. Przeszkodą wdrożenia AI pozostaje słaba integracja z przepływami pracy. W efekcie rozwiązania technologiczne często przeszkadzają zamiast pomagać.

Ponadto 76% lekarzy obawia się odpowiedzialności prawnej w przypadku błędu systemu AI, a 61% – stronniczości algorytmów, która może pogłębić nierówności w opiece zdrowotnej. Autorzy raportu wskazują też argumenty, które pozwolą wzmocnić zaufanie pacjentów do AI. Wśród najmocniej przemawiających są poprawa stanu zdrowia, mniejsza liczba błędów medycznych, szybszy dostęp do lekarzy i więcej czasu na rozmowę z lekarzem.

Wniosek: pacjenci nie są przeciwni sztucznej inteligencji, ale są ostrożni i pragmatyczni. Jeśli AI daje im konkretne korzyści i nie jest zagrożeniem dla ludzkiego charakteru opieki, są otwarci na jej stosowanie. Kto powinien ich edukować na temat AI? Odpowiedź jest prosta: lekarze. 86% pacjentów ufa informacjom dotyczącym wykorzystania sztucznej inteligencji w leczeniu, których udzielają lekarze.

Plan wdrożenia AI

W podsumowaniu Raportu Future Health Index 2025 znalazło się pięć kluczowych zaleceń, jak wprowadzać sztuczną inteligencję do ochrony zdrowia, aby skorzystali na niej lekarze i pacjenci oraz aby technologia cieszyła się zaufaniem:

1. W projektowaniu sztucznej inteligencji należy stawiać na pierwszym miejscu ludzi. Narzędzia AI muszą być projektowane w oparciu o procesy kliniczne realizowane w placówce zdrowia i potrzeby pacjentów, a nie abstrakcyjne ideały techniczne.
   
2. Należy wzmocnić współpracę między ludźmi a AI. AI powinna pełnić rolę wspomagającą, wspierać i poszerzać wiedzę kliniczną pracowników zdrowia, a nie zastępować ich. To wymaga szkoleń dla lekarzy z AI.
   
3. Zanim AI zostanie wdrożone, trzeba wykazać skuteczność i bezpieczeństwo działania algorytmów. Każde rozwiązanie AI musi być podparte dowodami naukowymi potwierdzającymi, że AI działa niezawodnie w różnych populacjach pacjentów i nie jest stronnicza.
   
4. Prawo musi dawać jasność stosowania AI. Bez odpowiednich przepisów gwarantujących bezpieczeństwo stosowania AI, lekarze nie będą chcieli z niej korzystać. Bezpieczne wdrażanie AI powinno opierać się na tzw. piaskownicach regulacyjnych. Oprócz krajowych przepisów niezbędna jest też globalna harmonizacja regulacji, bo systemy AI przekraczają granice państw.
   
5. Rozwój AI wymaga partnerstw międzysektorowych. Dobre rozwiązania AI nie powstają w silosach, ale są efektem współpracy lekarzy, placówek medycznych, dostawców technologii, organów regulacyjnych i pacjentów.

Raport uświadamia, jak duże nadzieje środowisko ochrony zdrowia wiąże z AI. Jest to wynik zmęczenia chronicznymi problemami sektora, przepracowania i obciążeń biurokracją. Ten duży kredyt zaufania to duża szansa i odpowiedzialność. Zwlekanie z wdrożeniem AI oznacza przymykanie oczu na rosnące problemy ochrony zdrowia, które odbijają się negatywnie na zdrowiu pacjentów, ale i lekarzy oraz pielęgniarek na pierwszej linii opieki.

Indeks Philips Future Health Index 2025 opiera się na dwóch ankietach internetowych przeprowadzonych w okresie od grudnia 2024 r. do kwietnia 2025 r. w 16 krajach. Wzięło w niej udział 1926 pracowników służby zdrowia i 16 144 pacjentów. Metodologia badania: internetowe badanie (CAWI). W badaniu wzięli udział lekarze, pielęgniarki i asystenci medyczni różnych specjalności, a próbka badawcza pacjentów była reprezentatywna pod względem demograficznym. Wyniki podsumowano z 95-procentowym poziomem ufności.

Czytaj także: Wszystko o AI w ochronie zdrowia. Pobierz bezpłatnie 242-stronicowy raport

Żadna inna dziedzina medycyny nie wdrażała tak intensywnie AI w ostatnich 5 latach jak obrazowanie medyczne. Tymczasem za rogiem czai się kolejna innowacja: generatywna AI, która jest w stanie łączyć wyniki RTG, MRI, TK i USG z zapisami w EDM. O postępach AI w radiologii rozmawiamy z prof. dr hab. n. med. Mathiasem Goyenem, Dyrektorem Medycznym ds. obrazowania i zaawansowanych rozwiązań wizualizacyjnych w GE HealthCare.

Jaka innowacja najbardziej zmieniła sposób pracy radiologów w ostatnich latach?

Jedną z najbardziej przełomowych innowacji w obrazowaniu medycznym była i nadal jest integracja sztucznej inteligencji (AI) w procesach klinicznych. Chociaż AI wdrażana jest już od dawna, dopiero teraz widzimy efekty i to, jak jej zastosowanie wpływa wymiernie na poprawę wydajności pracy, jakość interpretacji zdjęć medycznych i wspomaganie decyzji klinicznych.

Przykład z radiologii: techniki rekonstrukcji obrazu oparte na głębokim uczeniu, takie jak AIR™ Recon DL, zapewniają wyższą jakość obrazów przy znacznie krótszym czasie skanowania. Nie tylko poprawia to komfort pacjenta, ale także zwiększa przepustowość skanera, co ma kluczowe znaczenie, bo zapotrzebowanie na usługi obrazowania medycznego jest duże, a liczba sprzętu – często niewystarczająca.

Kolejnym osiągnięciem jest rozwój ilościowych biomarkerów obrazowania. Pomagają one przejść od jakościowej interpretacji obrazowania do opartych na danych, wymiernych ocen. Ma to szczególne znaczenie w onkologii, kardiologii i neurologii, gdzie kontrola postępu choroby lub odpowiedzi na leczenie wymaga precyzyjnych, powtarzalnych pomiarów.

Jakie konkretnie aplikacje AI są obecne w rozwiązaniach GE HealthCare?

Koncentrujemy się na opracowywaniu rozwiązań AI, które wychodzą naprzeciw rzeczywistym problemom klinicznym, takim jak potrzeba poprawy precyzji diagnostycznej, przepływów pracy i wyników diagnozy. Przykładem jest pakiet Critical Care Suite, który wykorzystuje AI do wykrywania odmy opłucnowej na zdjęciach rentgenowskich klatki piersiowej w punkcie opieki, co pozwala na priorytetowe traktowanie tych przypadków do przeglądu przez radiologa. Dzięki rozwiązaniu można skrócić czas leczenia w krytycznych przypadkach.

Rozwijamy również AI wspierającą sam proces pobierania obrazów. Tutaj to dyspozycji są narzędzia do automatycznego pozycjonowania i wyboru protokołu. Zmniejszają one zmienność i optymalizują jakość badania przy mniejszym zaangażowaniu technologa, co jest szczególnie korzystne tam, gdzie brakuje wykwalifikowanych kadr. Do tego, nasze narzędzia do przetwarzania końcowego z obsługą AI pomagają klinicystom w kwantyfikacji i interpretacji subtelnych wyników, na przykład umożliwiając automatyczną segmentację struktur serca w echokardiografii lub oceny wolumetryczne w tomografii komputerowej.

Ostatnio jedna z firm technologicznych pokazywała model generatywnej AI, dzięki któremu radiolog może rozmawiać z PACS/RIS? Czy takie narzędzie wejdą wkrótce do radiologii?

Jak najbardziej. Generatywna AI już teraz znajduje zastosowanie w zadaniach związanych z przetwarzaniem języka naturalnego, a zastosowanie wspomnianych narzędzi w radiologii będzie kolejnym dużym krokiem naprzód. Aktywnie badamy modele generatywne, które mogą łączyć kontekst kliniczny z obrazów, raportów i dokumentacji pacjentów, umożliwiając radiologom jeszcze lepiej zrozumieć podłoże choroby i w ten sposób interpretować zdjęcia medyczne nie tylko na podstawie obrazu, ale pełnego stanu zdrowia.

Wyobraźmy sobie scenariusz, w którym radiolog może zapytać system: „Pokaż mi podobne przypadki z potwierdzeniem histopatologicznym” lub „Jakie było wcześniejsze tempo wzrostu tej zmiany?”. Ten poziom interakcji może znacznie zwiększyć wydajność pracy i poprawić poziom dostępnej wiedzy klinicznej. Choć takie narzędzia są dopiero na wczesnym etapie rozwoju, prawdopodobnie w niedalekiej przyszłości pojawią się cyfrowi asystenci wbudowani w systemy PACS/RIS – świadomi kontekstu choroby, którzy nieustannie się uczą i są ulepszani.

Wspomniał Pan, że największa siła AI leży w optymalizacji pracy i identyfikacji krytycznych wyników, takich jak odma opłucnowa i krwotok wewnątrzczaszkowy. Jednak sukces AI zależy od nie tylko od samej technologii, ale i wdrożenia.

Pomyślne wdrożenie rozpoczyna się od jasnych celów klinicznych i solidnego zarządzania zmianą. Po pierwsze, oddziały powinny zidentyfikować wąskie gardła lub obszary prowadzące do opóźnień. Mogą to być ścieżki ratunkowe lub udarowe. Z doświadczenia wynika, że narzędzia AI ukierunkowane na te obszary często mają największy wpływ na poprawę opieki.

Po drugie, kluczowa jest integracja z istniejącymi przepływami pracy. Sztuczna inteligencja jest najbardziej pomocna, gdy jest osadzona w środowisku pracy IT radiologa – PACS, RIS lub EDM – dzięki czemu go wspiera, a nie przeszkadza. Na przykład oznaczanie krytycznych wyników nie powinno wymagać osobnych loginów lub oprogramowania; powinno to odbywać się automatycznie i przy minimalnej interakcji użytkownika.

I wreszcie kluczowe są ciągłe monitorowanie i informacje zwrotne. Placówki zdrowia powinny śledzić wskaźniki wydajności, takie jak czułość, specyficzność i oszczędność czasu, i w razie potrzeby dokonywać ponownej kalibracji. Budowanie zaufania wśród użytkowników poprzez przejrzystość i udowodnioną wartość jest niezbędne do akceptacji innowacji.

Czyli AI powinna działać w tle.

Tak, nasza filozofia projektowania koncentruje się na tym, aby uczynić AI „niewidoczną”, pracującą cicho w tle, ale wyraźnie usprawniając pracę kliniczną. Doskonałym przykładem jest integracja pakietu Critical Care Suite z przepływami pracy RTG. AI działa na urządzeniu i wysyła priorytetowe alerty bezpośrednio do PACS bez konieczności wprowadzania dodatkowych danych przez użytkownika. Radiolog nie musi klikać na osobną kartę AI lub logować się na zewnętrzny portal; wyniki są prezentowane kontekstowo w ramach dotychczasowych przepływów pracy.

Zasadę tę stosujemy również w modelu Smart Subscription, który umożliwia świadczeniodawcom otrzymywanie ciągłych aktualizacji oprogramowania bez przerywania operacji klinicznych. Z kolei nasza warstwa harmonizacji AI pozwala zapewnić, że odpowiednie algorytmy działają na właściwych badaniach we właściwym czasie, w oparciu o kontekst kliniczny, modalność i anatomię.

Jak tego typu rozwiązania AI zmieniają pracę radiologów?

AI nie zastąpi radiologów, ale znacznie podniesie rangę zawodu, zmniejszając liczbę powtarzalnych zadań i umożliwiając skupienie się na syntezie danych i opiece nad pacjentami. Radiolodzy będą w coraz większym stopniu pełnić rolę integratorów informacji, łącząc dane z obrazowania, historię leczenia, dane patologiczne i genetyczne i na tej podstawie wyciągając wnioski diagnostyczne.

Co więcej, radiolodzy będą odgrywać kluczową rolę w rozwoju AI, oznaczając zbiory danych do trenowania modeli, walidując je i gwarantując ich etyczne wdrożenie. Jako członkowie multidyscyplinarnych zespołów będą odgrywać strategiczną rolę w medycynie precyzyjnej.

Jak radiolodzy wchodzący do zawodu powinni przygotować się na tę zmianę?

Przede wszystkim muszą poszerzyć swoje umiejętności poza obrazowanie. Mam na myśli zrozumienie biologii molekularnej, patologii i bioinformatyki. Działy radiologii mogą również wspierać tę ewolucję napędzaną AI, tworząc komisje diagnostyczne i włączając do swoich zespołów naukowców zajmujących się danymi.

Zrozumienie podstaw bioinformatyki czy AI pozwoli lekarzom poznać sposób działania algorytmów i oceniać ich przydatność oraz poprawność działania.

Jeszcze raz podkreślę, że AI będzie wspomagać proces oceny klinicznej, a nie wyręczać ludzi. To radiolodzy muszą być zawsze ostatecznymi arbitrami diagnozy, wspieranymi przez AI, ale nie wypieranymi przez nią.

Jakie są największe wyzwania stojące przed świadczeniodawcami opieki zdrowotnej wdrażającymi zaawansowane technologie obrazowania?

To przede wszystkim ograniczenia infrastruktury, przygotowanie użytkowników do ich obsługi i zarządzanie zmianami. Zaawansowane narzędzia do obrazowania często wymagają posiadania dobrych systemów informatycznych, umożliwiających integrację i niezawodną łączność z oprogramowaniem PACS/RIS.

Równie ważny jest czynnik ludzki. Lekarze potrzebują szkolenia, zaufania i czasu na dostosowanie się do nowych technologii. Innymi przeszkodami pozostają od lat zwrot inwestycji i jasność przepisów. Z jednej strony menedżerowie muszą wdrażać coraz to nowsze innowacje, aby nadążyć za rynkiem zdrowia, wiedzą kliniczną i oczekiwaniami pacjentów, z drugiej – tak wykorzystywać technologie, aby się one opłacały w rachunku ekonomicznym placówki. Każda placówka działa w określonych ramach budżetowych.

Co najbardziej ekscytuje Cię w przyszłości obrazowania medycznego?

Najbardziej ekscytuje mnie konwergencja danych, diagnostyki i personalizacji. Przechodzimy od analizy obrazów do generowania interpretacji obejmujących cały kontekst pacjenta; od statycznych do dynamicznych obrazów.

Niezależnie od tego, czy jest to AI pomagająca klinicystom wcześniej wykrywać choroby, biomarkery obrazowania przewidujące odpowiedź na terapię czy platformy łączące informacje i dane z zakresu radiologii, patologii i genomiki, cel pozostaje jasny: wzmocnić pozycję klinicystów w opiece nad pacjentem, ułatwić dostęp do diagnozy i poprawić wyniki leczenia każdego pacjenta, niezależnie od miejsca zamieszkania.

Czytaj: Czytaj więcej wywiadów o AI w ochronie zdrowia – pobierz bezpłatny raport

Do Ministerstwa Zdrowia wpłynęła petycja o opracowanie centralnego oprogramowania intepretującego wyniki badań medycznych, aby skrócić czas oczekiwania pacjentów na diagnozę. Ministerstwo Zdrowia takich planów nie ma i wysuwa racjonalne argumenty. W poczekalni czekają dziesiątki innych pomysłów, w tym m.in. umieszczenie numeru telefonu pacjenta na e-recepcie.

Co roku do Ministerstwa Zdrowia trafiają setki petycji w różnych kwestiach. Czasami to ciekawe propozycje usprawnień w systemie zdrowia, a czasami prośby o interwencje w konkretnej sprawie. W samym roku 2024 roku było ich aż 191, rok wcześniej – 178. W tym roku będzie podobnie, bo do 17 lipca ich liczba osiągnęła 110.

MZ nie może narzucać oprogramowania

Od samych petycji, o wiele ciekawsze są często odpowiedzi udzielane przed Ministerstwo Zdrowia, bo stanowią stanowisko w sprawach, o które jeszcze nikt wcześniej nie zapytał. A każdą z nich MZ musi rozpatrzyć i udzielić odpowiedzi. Tak też jest w przypadku petycji z 26 stycznia 2025 r. w sprawie „zwiększenia jakości usług medycznych” (identyczna pojawiła się też 12 czerwca). Znalazła się w niej propozycja wprowadzenia oprogramowania interpretującego wynik takich badań jak ENG, EMG, KTG, USG, UKG, tomografii komputerowej i rezonansu magnetycznego.

Takie podejście mogłoby skrócić czas oczekiwania pacjentów na wynik badania. W uzasadnieniu podano, że przecież już teraz wyniki takich badań realizowanych przez aparaty EKG, kardiomonitory oraz analizatory laboratoryjne są podawane automatycznie. Do tego istnieje szereg innych systemów jak np. oprogramowanie do automatycznej detekcji guzków (CAD) w tomografii komputerowej wysokiej rozdzielczości HRCT. 

Dlaczego więc USG czy TK lekarz musi interpretować samodzielnie?

Z odpowiedzi Ministerstwa Zdrowia jasno wynika, że resort nie planuje takiego systemu. Po pierwsze, na rynku jest już szereg komercyjnych rozwiązań informatycznych oferujących taką możliwość, wykorzystujących algorytmy porównawcze, analizę wzorców oraz AI do generowania wyników na podstawie obrazów medycznych. Placówki medyczne mogą je wdrażać w zależności od potrzeb i możliwości budżetowych. Po drugie, jak czytamy w uzasadnieniu, „MZ nie ingeruje w dobór konkretnych narzędzi informatycznych stosowanych przez szpitale i inne jednostki ochrony zdrowia.” Po trzecie, wprowadzenie ustawowego obowiązku stosowania określonego typu oprogramowania naruszałoby zasadę swobody organizacyjnej i mogłoby prowadzić do nieproporcjonalnych obciążeń finansowych oraz ograniczenia innowacyjności.

Kolejny pomysł: numer telefonu pacjenta na e-recepcie

Na liście petycji, która publikowana jest na stronie Ministerstwa Zdrowia, znalazły się m.in. postulaty wprowadzenia kar finansowych za nieodwoływanie wizyt, zmian w triażu na SOR, kontroli podmiotów medycznych czy mierzenia jakości usług.

Jedną z ciekawszych jest ta z 6 czerwca dotycząca umieszczenia numeru telefonu pacjenta na e-recepcie. To postulat zgłaszany przez środowisko farmaceutów od lat, który miałaby zwiększyć bezpieczeństwo pacjentów. Chodzi o sytuacje, kiedy farmaceuta popełni błąd wydając lek choremu i nie może się z nim skontaktować, co może prowadzić do zagrożenia utraty życia lub zdrowia. Zdarzają się też błędy dawkowania, które – choć mniej groźne – też mogłyby być skorygowane jednym telefonem do pacjenta. Do tego niektóre leki są wycofywane z obrotu przez GIF, a o tym pacjent już się nie dowiaduje.

Numer telefonu do placówki zdrowia, w której wystawiono receptę nie wystarczy, bo apteki są czynne praktycznie cały czas, a placówki nie i niekiedy kontakt jest niemożliwy. Do tego dochodzą przepisy RODO utrudniające komunikację i uzyskanie numeru pacjenta. To prowadzi do kuriozalnych sytuacji, kiedy farmaceuci muszą czasami szukać pacjentów w mediach społecznościowych, a na wsiach korzystać z uprzejmości sołtysów albo straży pożarnej.

Poprzednia, analogiczna petycja została przez MZ odrzucona. W uzasadnieniu napisano, że nr telefonu jest informacją możliwą do uzyskania z pozycji Internetowego Konta Pacjenta IKP. MZ jest świadome możliwych do wystąpienia negatywnych scenariuszy i błędów realizacji recepty, jednak „uzasadnionym działaniem w celu ich przeciwdziałania jest w pierwszej kolejności rozpowszechnienie dostępu do Internetowego Konta Pacjenta”. Taka zmiana wymagałaby nowelizacji ustawy i na pewno wzbudziłaby duże pytania pod kątem ochrony danych osobowych. W nowej petycji autorka argumentuje, że IKP nie jest rozwiązaniem, bo farmaceuci nie mają przecież do niego dostępu. Odpowiedzi na to pismo MZ jeszcze nie udzieliło.

Jakie jeszcze petycje trafiają do Ministerstwa Zdrowia? Kliknij tutaj, aby przejrzeć pełną listę.

Czytaj także: Czy aplikacje zdrowotne będą na NFZ? Jest projekt AOTMiT

Zamiast od razu pytać, jaką AI najlepiej wdrożyć, trzeba najpierw się zastanowić „po co”, a następnie przeanalizować gotowość pod względem technicznym, finansowym, operacyjnym i etycznym. W porównaniu do klasycznych rozwiązań cyfrowych, AI wymaga dobrego przygotowania.

Jak placówki medyczne stosują AI?

Zainteresowanie wdrażaniem dużych modeli językowych (LLM) nie wynika z mody, ale z korzyści jakie raportują szpitale, które już je wdrożyły – wynika z raportu AI Adoption in Healthcare Report 2024 opracowanego przez HIMSS i Medscape.

Od momentu premiery generatywnej sztucznej inteligencji, w kontekście ochrony zdrowia dużo mówi się o wspomaganiu tworzenia elektronicznej dokumentacji medycznej (EDM). Po raz pierwszy od czasu pojawienia się pierwszych EDM-ów pojawiła się szansa, że lekarz nie będzie musiał przeglądać manualnie wszystkich zapisów w e-kartotekach, bo AI podsumuje najważniejsze informacje i trendy.

I faktycznie, generatywna AI stosowana jest najczęściej do zadań administracyjnych jak transkrypcja rozmowy lekarza z pacjentem i tworzenie na tej podstawie wpisów w EDM oraz zarządzanie dokumentacją medyczną. Równie często placówki medyczne sięgają do modeli AI w celu wyszukiwania i podsumowywania literatury medycznej. W tym zakresie najlepiej sprawdzają się rozwiązania w modelu „open-source”, które zapewniają bezpieczeństwo danych (dane medyczne nie opuszczają bazy placówki i są analizowane lokalnie). Przykładem jest Llama (Meta, dawniej Facebook).

AI jest zaskakująco często stosowana do wspomagania procesu diagnozy i w doborze terapii – częściej prywatnie przez lekarzy niż oficjalnie przez placówki medyczne. 57% badanych (raport AI Adoption in Healthcare Report 2024) wskazuje, że dzięki AI zwiększyła się efektywność pracy, 25% deklaruje oszczędności czasowe, a 21% chwali się redukcją kosztów. Najwyższe korzyści odnotowane zostały w radiologii oraz w transkrypcji rozmów lekarza z pacjentem do tworzenia wpisów w EDM.

Z drugiej strony placówki medyczne ostrożnie wdrażają AI, bo obawiają się o prywatność danych (72%) oraz stronniczość algorytmów i odpowiedzialność za błędne decyzje AI (70%). Nadal tylko niewielka część podmiotów zdrowia oferuje szkolenia z zakresu AI, co rodzi jeszcze większy opór przez technologią.

AI dobrze się sprawdza w rozwiązywaniu krytycznych problemów

W 2024 roku Chiny otworzyły pierwszy na świecie szpital w pełni zasilany AI „Agent Hospital”. Na razie pracują w nim ludzie, ale jego twórcy mają wizję, że wkrótce osiągnie pełną autonomię działania. To pokazuje, co już jest możliwe technologicznie. Ale europejskie placówki zdrowia ograniczone są przepisami prawnymi i nie mogą sobie pozwolić na eksperymentowanie bez jakichkolwiek hamulców. Zresztą wiele rozwiązań AI jest niedojrzałych i niegotowanych do pracy w medycynie.

Mimo to pierwsze podmioty z powodzeniem stosują generatywną AI. Przykładowo, w szwajcarskim Szpitalu Uniwersyteckim w Bazylei, AI podsumowuje informacje z różnych, niekompatybilnych systemów IT oraz pisze wypisy ze szpitala. Lekarze cenią sobie przede wszystkim skrócenie czasu potrzebnego na tę czasochłonną czynność.

Zanim szpital zaczął stosować AI, przeprowadził analizę gotowości, unikając podejścia „musimy mieć AI, bo inni też mają”. Obejmuje ona ryzyka operacyjne (jak wdrożenie algorytmu wpłynie na pracę personelu), finansowe (koszty utrzymania AI w przyszłości i serwisowania systemu), kliniczne (wpływ na ścieżkę opieki i wyniki pacjenta, ryzyka zdrowotne), a nawet reputacyjne (ryzyko w przypadku nieudanego wdrożenia lub błędów).

Zaleca się zadanie sobie trzech pytań:

1. Jaki problem próbujesz rozwiązać wdrażając algorytm?
2. Czy istnieją inne sprawdzone rozwiązania – technologiczne lub nie-technologiczne – które mogą rozwiązać problem?
3. Czy masz wystarczająco dobre dane do zasilenia algorytmu?

Taka analiza może doprowadzić do znalezienia innych rozwiązań tego samego problemu, ale obciążonych mniejszym ryzykiem wdrożenia, a do tego mniej kosztochłonnych. Jeśli jednak zapadnie decyzja o adaptacji AI, w kolejnym kroku trzeba się zapytać o umiejętności personelu, konieczność przebudowy ścieżek opieki nad pacjentem w przypadku algorytmów wspomagających procesy kliniczne, koszty utrzymania. Do tego zaleca się wyznaczenie nienegocjowanych, minimalnych korzyści.

Jeśli placówka chce spróbować wdrożyć generatywną AI do tworzenia EDM, szybko zda sobie sprawę z potencjalnych kosztów – taki model, aby był bezpieczny, musi działać lokalnie, a to często wymaga rozbudowy infrastruktury bazy danych. Jeśli szpital albo klinika ma swój dział IT, trzeba będzie doszkolić jego pracowników.

Uwaga na dług technologiczny

Jednym z najczęstszych błędów we wdrażaniu AI jest tzw. dług technologiczny. Dyrektorzy placówek zamiast najpierw zreformować procesy organizacyjne stojące za stratami i problemami, spieszą się z zakupami i wszczepiają do organizacji rozwiązanie, na które organizacja nie jest przygotowana. Innym problemem jest ślepa wiara w obietnice dostawców – łatwo ulec urokowi ładnie przygotowanych prezentacji i nowych rozwiązań, za działaniem których nie stoją żadne badania naukowe czy dowody. Nawet jeśli jedno badanie potwierdza skuteczność algorytmu, trzeba zastanowić się razem z personelem, czy te same korzyści są do skopiowania w unikalnych warunkach placówki.

Jeszcze innym złudzeniem jest przekonanie, że nowe technologie automatycznie rozwiązują stare problemy. Nawet jeśli w ochronie zdrowia nie ma klasycznej konkurencji, to jest na pewno kultura ukrywania porażek i chwalenia się sukcesami. Jeśli nieprzygotowana klinika wdroży AI, wdrożenie się nie uda, a pieniądze zostaną wyrzucone w błoto, fakt ten rzadko kiedy ujrzy światło dziennie. O wiele gorsze jest utrwalenie w zespole poczucia porażki i zrażenie się do technologii. Tego można uniknąć przeprowadzając szczerą ewaluację i szukając przyczyn niepowodzenia. Jak w przypadku każdego rozwiązania cyfrowego, bez dobrej strategii, dojrzałych procesów organizacyjnych i kultury innowacyjności, wdrażanie AI jest narażone na porażkę.

Czytaj także: Pobierz bezpłatny, 242-stronicowy raport specjalny „AI w ochronie zdrowia”

Podczas Światowej Konferencji Robotów 2025 w Pekinie zaprezentowano plany stworzenia humanoidalnego „robota ciążowego”. Pierwsze egzemplarze mają być gotowe w 2026 roku i kosztować ok. 50 000 zł.

Chiński, kontrowersyjny plan walki z kryzysem demograficznym

Jedna z najbardziej utopijnych wizji przyszłości może już za rok stać się rzeczywistością. Dr Zhang Qifeng z Uniwersytetu Technologicznego w Nanyang ujawnił, że jego firma Kaiwa Robot Technology pracuje nad robotem ciążowym.

Choć liczba mieszkańców Chin dotąd szybko szybko rosła i dziś wynosi 1,4 mld, w ostatnich latach tempo wzrostu demograficznego zaczyna mocno hamować. To efekt industrializacji kraju i coraz lepszej sytuacji ekonomicznej. Na to nakłada się rosnący odsetek bezpłodności: w 2007 r. wynosił on ok. 12%, a w 2020 r. już 18%. Nowa technologia robota-surogatki ma być odpowiedzią na kryzys demograficzny.

System zostanie wyposażony w sztuczne łono w robotycznym module brzusznym symulującym cały proces ciąży, od poczęcia do porodu. Przebieg ciąży i rozwój dziecka w łonie będzie podobny do naturalnego procesu i wyniesie 9 miesięcy. Połączenie inkubatora z robotem już zyskało miano „robo-matki”.

System utrzymuje sztuczny płyn owodniowy, potocznie nazywany wodami płodowymi, dostarczając składniki odżywcze przez sztucznie stworzony system rur i przewodów. Jak podkreśla dr Zhang, „technologia sztucznego łona znajduje się w dojrzałej fazie rozwoju”. Innowacja jest efektem wcześniej prowadzonych eksperymentów i badań. Jednym z nich jest opracowane w 2017 roku w Szpitalu Dziecięcym w Filadelfii sztuczne łono, w którym udało się wyhodować przedwcześnie urodzone jagnięta.

„Upadek ludzkości” czy „uwolnienie kobiet od cierpienia”?

Pierwszy prototyp ma być gotowy w 2026 roku i kierowany jest do osób, które „chcą mieć dzieci, ale wolą uniknąć tradycyjnej ciąży”. Cena urządzenia: ok 100 000 juanów, czyli 50 tys. zł.

Chiny, które mają ambicję stać się mocarstwem technologicznym, nie przejmują się kwestiami etycznymi i moralnymi. W jednym z wywiadów, dr Zhang powiedział, że zespół naukowców z jego firmy przeprowadził już dyskusje z władzami prowincji Guangdong i przedłożył odpowiednie propozycje prawne, które mają uregulować robo-matki.

Mimo to, technologia wzbudziła kontrowersje nawet na chińskich platformach społecznościowych i podzieliła internautów. Kiedy jedni są zdania, że rozwój płodu mechanicznym środowisku bez kontaktu z matką jest po prostu okrutne, inni nie kryją entuzjazmu podkreślając, że „kobiety nie będą już musiały cierpieć”.

Na razie nie ma żadnych potwierdzonych i wiarygodnych informacji na temat projektu. Kaiwa Robot Technology nie przedstawił ani prototypu, ani odpowiedział na pytania dotyczące procesu zapłodnienia, ani nie wyjaśnił, jak dokładnie będą dostarczane składniki odżywcze do łona matki.

Czytaj także: 7 zadziwiających robotów dla ochrony zdrowia 2025

Żaden inny model AI nie zrobił takiego wrażenia na środowisku medycznym jak MAI-DxO od Microsoft. Daje on przedsmak tego, jak sztuczna inteligencja może sekwencyjnie diagnozować najbardziej złożone przypadki kliniczne, z którymi problem mają nawet doświadczeni lekarze.

Chodzi o „dyrygenta diagnostycznego” Microsoft AI Diagnostic Orchestrator (MAI-DxO), który diagnozuje do 85% przypadków klinicznych opisanych w New England Journal of Medicine (NEJM), czyli z ponad czterokrotnie wyższą skutecznością w porównaniu z grupą doświadczonych lekarzy. Do tego diagnoza przeprowadzana przez MAI-DxO jest tańsza, bo wymaga przeprowadzania mniejszej ilości badań laboratoryjnych i diagnostyki obrazowej.

AI symuluje grupę lekarzy z różnych dziedzin

Ochrona zdrowia ma trzy bazowe problemy: rosnące koszty nie przekładające się na poziom opieki i wyniki leczenia, ograniczona dostępność do opieki ze względu na kolejki do specjalistów oraz wynikająca z tego opóźniona diagnoza i leczenie. Nie wspominając o błędach diagnozowania pozostających nadal mało zbadanym problemem. Dlatego pacjenci coraz częściej zwracają się o pomoc do Google, a ostatnio także do rozwiązań generatywnej AI. Bing i Copilot od Microsoftu odnotowuje codziennie ponad 50 milionów zapytań związanych ze zdrowiem.

Ogólnodostępna AI jak ChatGPT czy Copilot zdaje już egzaminy medyczne zdobywając więcej punktów niż doświadczeni lekarze. W zaledwie trzy lata, genAI przeszła drogę od systematycznie oblewanych testów do prawie 100% poprawności odpowiedzi na pytania z amerykańskiego egzaminu państwowego na medycynę (USMLE). Ale krytycy podkreślają, że odpowiadanie na pytania wielokrotnego wyboru, faworyzujące zapamiętywanie zamiast głębokiego zrozumienia problemu, to nie to samo co diagnozowanie pacjenta w gabinecie lekarskim.

Dlatego naukowcy skupiają się na modelach AI zbudowanych z różnych warstw, aby możliwie wiernie naśladować to, jak lekarz prowadzi wywiad, kieruje na badania i na tej podstawie stawia diagnozę. Jednym słowem chodzi o zdekodowanie sposobu rozumowania klinicznego.

I wszystko wskazuje na to, że to się udało. MAI-DxO opiera się na diagnostyce sekwencyjnej, która jest podstawą podejmowania decyzji medycznych. W tym procesie lekarz rozpoczyna od wstępnego wywiadu z pacjentem, a następnie iteracyjnie dobiera kolejne pytania i badania diagnostyczne, aby na tej podstawie dojść do ostatecznej diagnozy. Na przykład, gdy na wizytę zgłasza się pacjent z kaszlem i gorączką, lekarz osłucha pacjenta, zapyta o czas trwania dolegliwości, a w razie wątpliwości zleceni badania krwi oraz prześwietlenie klatki piersiowej.

Aby sprawdzić skuteczność MAI-DxO, eksperci Microsoft po raz pierwszy zdecydowali się przetestować model na ekstremalnie złożonych przypadkach chorób, które co tydzień są publikowane w New England Journal of Medicine (NEJM) – jednym z najbardziej prestiżowych czasopism naukowych w dziedzinie medycyny na świecie. Ich poprawna diagnoza wymaga doświadczenia, ogromnej wiedzy, współpracy wielu specjalistów oraz przeprowadzenia badań diagnostycznych.

Naukowcy stworzyli interaktywne zadania oparte na serii 304 przypadków klinicznych z NEJM. Przedstawili je następnie modelowi AI oraz lekarzom. W dochodzeniu do diagnozy mogli oni zadawać dowolne pytania i zlecać badania. W ocenie skuteczności wzięto pod uwagę dokładność diagnostyczną oraz koszty zleconych badań.

AI zdiagnozowała poprawnie 85% przypadków, lekarze – 20%

Aby sprawdzić wydajność modelu, testom poddano także klasyczne modele genAI jak GPT, Llama, Claude, Gemini, Grok i DeepSeek. Microsoft AI Diagnostic Orchestrator (MAI-DxO) – który jest nakładką na istniejące modele – został zaprojektowany do symulowania wirtualnego panelu lekarzy o różnorodnych podejściach diagnostycznych, współpracujących w celu rozwiązania przypadków diagnostycznych.

Takie podejście ma kilka zalet. Koordynatory AI mogą integrować różne źródła danych, zwiększając bezpieczeństwo i elastycznie modyfikując proces diagnozy. Do tego są bardziej transparentni w działaniu i audytowalni, co ma ogromne znaczenie w medycynie – lekarze korzystający z AI chcą zrozumieć, jak model doszedł do takiego, a nie innego wniosku.

Wyniki testów zaskoczyły wszystkich. MAI-DxO poprawił wydajność diagnostyczną testowanych modeli. Najlepszą konfiguracją okazało się połączenie MAI-DxO z o3 firmy OpenAI. W takim zestawieniu system poprawnie rozszyfrował 85,5% przypadków testowych z NEJM. Dla porównania: 21 praktykujących lekarzy z USA i Wielkiej Brytanii z 5–20-letnim doświadczeniem klinicznym osiągnęło średnią dokładność diagnozy na poziomie 20%.

Do tego MAI-DxO może być dowolnie konfigurowalny. Przykładowo, można z góry określić ograniczenia kosztowe dotyczące realizowanych badań, a model dobiera optymalnie kompromisowe rozwiązanie uwzględniając cenę testów diagnostycznych. To zresztą odpowiada warunkom rzeczywistym, ponieważ lekarze też muszą kierować się rachunkiem ekonomicznym podczas podejmowania decyzji diagnostycznych. Bez takich ograniczeń system AI mógłby domyślnie zlecać wszystkie możliwe badania – niezależnie od kosztów, dyskomfortu pacjenta lub opóźnień w opiece. Oprócz tego okazało się, że MAI-DxO zapewnia nie tylko wyższą dokładność diagnostyczną, ale i niższe całkowite koszty badań w porównaniu z lekarzami.

Diagnoza bez AI będzie ryzykowna

Żaden lekarz nie jest jednak w stanie sam diagnozować złożone przypadki opisane w NEJM. Lekarze rodzinni mają szeroką, ale ogólną wiedzę o najczęściej występujących schorzeniach w różnych grupach wiekowych i narządach. Z kolei specjaliści, jak reumatolodzy, koncentrują się na jednym układzie, obszarze chorób, a nawet schorzeniu. Sztuczna inteligencja nie ma natomiast takich ograniczeń, wykazując się zdolnościami rozumowania klinicznego, które w wielu aspektach przewyższają zdolności poszczególnych lekarzy.

Co to oznacza? Nowy model pokazuje, że AI może być stosowana przez pacjentów do rutynowej diagnozy, a w przypadku złożonych przypadków klinicznych stanowi dla lekarzy cenne wsparcie. Jeśli takie podejście się przyjmie, znacznie zwiększy się przepustowość systemu zdrowia, bo pacjenci będą mogli po części diagnozować się sami, a lekarze zyskają czas dla tych, którzy naprawdę potrzebują pomocy lekarskiej. Obliczenia Microsoft sugerują, że AI zredukuje niepotrzebne koszty opieki zdrowotnej.

Chociaż MAI-DxO doskonale radzi sobie z najbardziej złożonymi wyzwaniami diagnostycznymi, konieczne są dalsze testy w celu oceny jego działania w przypadku prostych przypadków klinicznych. Do tego w przeprowadzonych badaniach lekarze nie mieli dostępu do literatury medycznej ani do AI, aby nie zakłócać wyników.

Ten przykład pokazuje jednak, że AI może diagnozować pacjentów. To szansa na to, aby chorzy błyskawicznie mogli rozpocząć leczenie bez opóźnień spowodowanych kolejkami albo niedostępnością lekarzy.

Czytaj także: Więcej nowości AI w ochronie zdrowia? Pobierz nas bezpłatny raport

Jessica Morley z Centrum Etyki Cyfrowej na Uniwersytecie Yale głośno krytykuje szum wokół sztucznej inteligencji w opiece zdrowotnej: AI nie jest ani nowa, ani magiczna, ani inteligentna. Ale i tak pomoże medycynie, odciążając lekarzy od biurokracji oraz pomagając opracować nowe leki i terapie.

Często słyszymy, że AI jest jedynym ratunkiem dla systemu opieki zdrowotnej uginającym się pod rosnącymi kosztami i obciążeniami administracyjnymi. Ile w tym złudnej nadziei, a ile prawdy?

Prawda leży pośrodku. Sztuczna inteligencja nie rozwiąże każdego problemu systemów opieki zdrowotnej, zwłaszcza biorąc pod uwagę, jak jest obecnie wykorzystywana. W społecznej świadomości istnieje tendencja myślenia o AI jako uniwersalnym narzędziu, które pozwoli nam robić wszystko szybciej i taniej, przykładowo szybciej diagnozować, a nawet przewidywać choroby z dużym wyprzedzeniem. W teorii brzmi to obiecująco, ale w praktyce się tak się nie stanie, bo życie człowieka i jego otoczenie są skrajnie nieuporządkowane, a algorytmy działają poprawnie tylko w uporządkowanych warunkach.

AI może pomóc zmniejszyć obciążenia administracyjne albo wspomóc realizację badań w medycynie. Pozwoli nam lepiej zrozumieć zdrowie człowieka i lepiej wykorzystać dotychczas niedostatecznie wykorzystywane dane zdrowotne. AI nie jest jednak lekarstwem na wszystko, ponieważ nie da się naprawić fizycznych i społecznych problemów wyłącznie za pomocą narzędzi cyfrowych.

Na przykład, jeśli AI zasugeruje, że pacjent jest zagrożony cukrzycą typu 2 i zaleci profilaktycznie spożywanie większej ilości owoców i warzyw oraz większą aktywność fizyczną, ale dana osoba żyje w środowisku, w którym wprowadzenie tych zaleceń w życie jest niemożliwe, to taka sugestia jest bezużyteczna.

Skoro AI nie ma magicznej mocy, dlaczego tak wiele osób wciąż wierzy, że jest to przełomowa technologia? Czy opieka zdrowotna jest w aż tak opłakanym stanie, że desperacko szukamy prostego rozwiązania?

AI to podręcznikowy przykład cyklu szumu wokół nowej technologii i dobrego marketingu. W 2015 i 2016 roku, AI była zagadnieniem niszowym. Jednak wraz z pojawieniem się na rynku nowych firm big tech albo spin-offów takich jak DeepMind, media, politycy i fundusze inwestycyjne zaczęli nakręcać podekscytowanie. Tak powstała pętla sprzężenia zwrotnego: każdy chciał robić coś z AI, więc nagle wszystko, co wykorzystuje dane, było nazywane AI.

Zgadzam się, że w ochronie zdrowia istnieje mocne pragnienie znalezienia Złotego Grala na wszystkie problemy. Przyglądając się historii medycyny, takie przełomy już miały miejsce. Przykładowo, podobny poziom ekscytacji wywołało odkrycie antybiotyków. Różnica polega teraz na tym, że tempo globalnej wymiany informacji sprawia, że szum szybko się napędza.

Twierdzi Pani, że na podstawie danych na temat zdrowia człowieka jesteśmy w stanie przewidzieć stan zdrowia tylko w 40%. Powodem są środowiskowe determinanty zdrowia, na temat których nie zbieramy danych. Czy to oznacza, że predykcja zdrowia z pomocą AI nie ma sensu?

Poziom 40% jest szacunkowy – chodzi o to, że na zdrowie wpływają czynniki pozostające poza kontrolą danej osoby, w tym środowisko, żywność, woda i sieci społecznościowe, a nawet dezinformacja w Internecie. Od lat 70-tych wiemy, że indywidualne zachowania mają ograniczony wpływ. Nawet genetyka, niegdyś postrzegana jako odpowiedź na wszystko, nie okazała się kluczem do rozszyfrowania zdrowia, jak wielu miało nadzieję.

Dlatego zdecydowanie sensowniejszą rolą dla AI jest zdrowie populacyjne. AI może pomóc zrozumieć dynamikę występowania chorób, przewidywać społeczności zagrożone niektórymi schorzeniami, poznać warunki społeczne lub środowiskowe przyczyniające się do powstawania ryzyk zdrowotnych. Zamiast wydawać pieniądze na reklamy Ozempicu, moglibyśmy wykorzystać AI do planowania miast czy ułatwienia dostępu do zdrowej żywności albo organizacji lekcji zdrowego gotowania w szkołach.

To właśnie w obszarze populacyjnym AI mogłaby dokonać transformacji.

Prognozuje Pani, że popularyzacja AI w medycynie prowadzi do „leczenia danych pacjenta” zamiast do „leczenia pacjenta”. Ale czy to już nie jest faktem w erze cyfryzacji, gdy lekarze podejmują decyzje na podstawie danych w elektronicznej dokumentacji medycznej?

Do pewnego stopnia prawdą jest, że lekarze już teraz w dużej mierze polegają na danych. Decydującą różnicą jest jednak to, że lekarze nadal mają bezpośredni kontakt z pacjentami. Widzą ich w gabinecie lekarskim, mogą obserwować subtelne oznaki, takie jak odcień skóry pacjenta, mimikę twarzy, wigor albo sposób, w jaki zachowuje się dziecko. Rodzice mogą powiedzieć, że „dziecko dzisiaj nie jest sobą”, a lekarz wie, jak to zinterpretować.

Algorytmy nie zrozumieją, kiedy pacjent stwierdzi, że czuje się zagubiony, bo nie mają dostępu do szerszego kontekstu życia człowieka, niezależnie od tego, czy dana osoba jest przygnębiona, ponieważ straciła pracę, czy zestresowana. Takie dane nie są rejestrowane w elektronicznej dokumentacji medycznej, ale mogą mieć duży wpływ na diagnozę.

Aby zapobiec takiemu oderwaniu się cyfrowej medycyny od realnego życia pacjenta, musimy po pierwsze dokładnie przemyśleć zakres zbieranych danych i modele, które z nich będą korzystały. W rozwiązywaniu prostych zagadek klinicznych czasami pomoże staromodna AI oparta na regułach, a czasami będzie niezbędny człowiek.

Po drugie, unikajmy delegowania wszystkich zadań algorytmom. Zwłaszcza w przypadku osób najbardziej zagrożonych wykluczeniem z różnych przyczyn – to właśnie na ich temat najbardziej brakuje danych. Przykładowo, czytałam ostatnio o praktyce lekarza rodzinnego korzystającej z triażu opartego na AI. Pacjenci masowo odchodzili, ponieważ nie czuli się wysłuchani. To nie jest kierunek, w którym medycyna powinna iść. Musimy projektować systemy, w których ludzie i AI pracują równolegle, a nie konkurują ze sobą.

No ale mamy coraz więcej danych z np. smartwatchy, które mogą zbierać informacje o otoczeniu człowieka?

Moim zdaniem w medycynie priorytetem jest budowa modeli, które nie wymagają nadmiernej ilości danych ze źródeł komercyjnych, takich jak urządzenia do noszenia lub karty kredytowe. Powód jest prosty: posiadają je często tylko osoby o lepszej sytuacji finansowej, a więc lepsza opieka oparta na AI staje się dostępna dla tych, którzy już i tak są dobrze zaopiekowani. To prowadzi do powiększania się przepaści zdrowotnej.

Skoro opieka zdrowotna jest coraz częściej oparta na algorytmach, rozmywa się odpowiedzialność za wyniki pacjenta i ewentualne błędy.

Tak, w medycynie opartej na algorytmach brakuje elementu ludzkiego osądu oraz osadzenia decyzji w dowodach naukowych. Aby to rozwiązać, potrzebne są trzy rzeczy:

1. Możliwość audytu. Niezbędna jest pełna przejrzystość w zakresie tego, gdzie wykorzystywana jest AI, na jakich danych jest szkolona i w jaki sposób podejmowane są decyzje.
2. Odpowiedzialność. Ramy prawne wymagają aktualizacji. To lekarze nadal ponoszą odpowiedzialność za decyzje, ale jeśli nie w pełni rozumieją sposobu działania algorytmu albo padają ofiarą stronniczości AI, nie jest jasne, po której stronie leży wina. Trzeba zapewnić lekarzom możliwość kwestionowania algorytmów.
3. Regulacje. Regulacje dotyczące oprogramowania jako urządzenia medycznego nie są gotowe na AI, zwłaszcza na generatywną AI. Musimy ustanowić „złoty standard dowodów” dla sztucznej inteligencji i nowe podejście do mierzenia bezpieczeństwa i skuteczności, w sytuacji, gdy AI jest narzędziem dynamicznym i niedeterministycznym, bo uczy się ciągle na danych.

Czyli AI powinna być mocniej regulowana? A może lepiej poczekać z regulacjami, pozwalając rozwinąć się technologii, zamiast od razu ją hamować prawnie?

To dylemat Collingridge’a: regulować technologię na wczesnym etapie posiadając niewielką ilość informacji lub regulować na późnym etapie, gdy jest już rozwinięta i tak zakorzeniona, że trudno skorygować jej negatywne efekty.

To fałszywa dychotomia – regulacje i innowacje nie są wrogami. Regulacje muszą ewoluować wraz z technologią. Możemy na przykład rozszerzyć definicję oprogramowania jako wyrobu medycznego, a następnie opracować elastyczne standardy dowodowe, takie jak monitorowanie w warunkach rzeczywistych, zamiast polegać tylko i wyłącznie na sztywnych testach.

Kolejnym świetnym pomysłem są tzw. piaskownice regulacyjne, takie jak te zawarte w unijnej ustawie o sztucznej inteligencji. Pozwalają one bezpiecznie eksperymentować bez narażania społeczeństwa na ryzyko. Do tego medycyna potrzebuje audytu AI, aby na bieżąco testować poprawność działania algorytmów.

Założenie, że regulacje zawsze hamują innowacje, jest mitem, często forsowanym przez osoby mające konkretny interes w niepohamowanym rozwoju technologii.

Gdyby miała Pani wybór pomiędzy algorytmem diagnostycznym o 95% dokładności a lekarzem z 90% poprawnych diagnoz, wybrałaby Pani maszynę czy człowieka?

Zabrzmię jak klasyczny naukowiec społeczny: to zależy. W warunkach, w których nie ma dostępu do lekarza, użycie algorytmu o dokładności 95% jest lepsze niż nic. Mamy etyczny obowiązek wykorzystywać wszystkie narzędzia, które potencjalnie mogą uratować życie lub poprawić stan zdrowia.

Zamiast przeciwstawiać algorytmy lekarzom, lepiej porozmawiajmy o tym, jak AI i człowiek mogą ze sobą współpracować. Czasami algorytmy osiągają lepsze wyniki niż lekarze, ale często te porównania są bardzo selektywne. Młodszy lekarz ze świeżym podejściem i otwartym umysłem może być lepszy od algorytmu, a doświadczony, funkcjonujący w bańce poznawczej wynikającej z wiary w doświadczenie – już nie. Ale jeśli AI i lekarz stworzą zespół, zyskujemy podwójny system weryfikacji decyzji.

Czytaj także: Pobierz bezpłatnie 242-stronicowy raport o AI w ochronie zdrowia

Rada Ministrów przyjęła projekt ustawy o Centralnej e-Rejestracji. Na integrację z systemem placówki medyczne mają czas do 1 lipca 2026 r., inaczej mogą utracić finansowanie świadczeń z NFZ. Podsumowujemy najważniejsze informacje dla świadczeniodawców.

Centralna elektroniczna rejestracja (e-Rejestracja) zacznie obowiązywać już od 1 stycznia 2026 r. na pierwsze trzy świadczenia. Formalnie wprowadza ją w życie projekt ustawy o zmianie ustawy o świadczeniach opieki zdrowotnej finansowanych ze środków publicznych oraz niektórych innych ustaw. Pierwotnie CeR miała ruszyć w kwietniu 2024 roku. Zamiast tego uruchomiono pilotaż i przesunięto termin na kwiecień 2025 roku, a następnie na 1 stycznia 2026 roku.

Jest to jeden z największych projektów e-zdrowia w Polsce, zaraz obok elektronicznej dokumentacji medycznej. Dzięki niej ma się udać to, czego nie udało się zrobić innymi środkami – czyli skrócić kolejki do lekarzy. Idea jest prosta – zamiast obecnego podejścia, gdzie każda placówka ma swój kalendarz wizyt i pacjent musi obdzwaniać kilka przychodni, aby w ogóle dostać się do specjalisty, będzie jeden centralny kalendarz z wszystkimi wolnymi terminami we wszystkich przychodniach. W ten sposób pacjent dowie się m.in. że jest wolny termin u innego lekarza w okolicy, łatwo odwoła lub przesunie termin i dostanie przypomnienie o wizycie.

Aby system zadziałał, placówki medyczne muszą zintegrować się z systemem centralnym. Centralna e-Rejestracja obejmuje tylko świadczenia w ramach NFZ i nie dotyczy wizyt prywatnych.

Co to jest Centralna e-Rejestracja?

Centralna e-rejestracja (CeR) to jeden system rejestracji pacjentów na wybrane świadczenia zdrowotne, działający dzięki centralnej platformie teleinformatycznej, do której podłączone są placówki medyczne. Przez CeR, pacjenci mogą zapisać się na wizyty zarówno osobiście, telefonicznie, elektronicznie u danego świadczeniodawcy, jak i przez Internetowe Konto Pacjenta (IKP).

Pacjentów czeka duża zmiana. Choć na razie przez CeR można umówić się na zaledwie trzy świadczenia, od 2029 roku rejestracja na każdą wizytę będzie odbywać się przez CeR.

Oprócz tego, że pacjent będzie mógł samodzielnie umawiać się na wizytę przez Indywidualne Konto Zdrowotne IKP, nowością jest też asystent głosowy (voicebot), który przypomni pacjentom o wizycie i pomoże w jej odwołaniu lub zmianie terminu. Voicebot będzie oddzwaniał do tych pacjentów, którzy nie mają możliwości odbioru wiadomości SMS, w trzech przypadkach:

• powiadomienie o umówieniu, odwołaniu, zmianie terminu wizyty;
• przypomnienie o wizycie (np. 2 dni przed wizytą i 1 dzień przed wizytą);
• powiadomienie o umieszczeniu świadczeniobiorcy w centralnym wykazie oczekujących.

Ważnym elementem w walce z kolejkami będzie dyscyplina pacjentów i odwoływanie terminów jeśli pacjent nie może pojawić się u lekarza. Dlatego jeśli tego nie zrobi, zostanie przesunięty na koniec kolejki i będzie musiał czekać od początku.

Od 1 stycznia 2026 r. system CeR obejmie rejestrację na:

• Świadczenia w zakresie kardiologii (również w ramach Krajowej Sieci Kardiologicznej),
• Program profilaktyki raka szyjki macicy,
• Program profilaktyki raka piersi.

Pacjenci już teraz mogą się na nie zapisywać przez IKP w placówkach biorących udział w pilotażu CeR. Katalog tych świadczeń będzie stopniowo rozszerzany o kolejne zakresy, w miarę rozwoju systemu.

Obowiązki świadczeniodawców

Podmioty realizujące świadczenia objęte e-rejestracją będą musiały:

• Udostępniać harmonogramy wizyt, czyli przekazywać do centralnego systemu teleinformatycznego aktualne harmonogramy przyjęć wraz z dostępnymi wolnymi terminami na udzielenie świadczeń, obejmujące okresy do 5 lat od dnia ich udostępnienia.
  
• Na bieżąco aktualizować harmonogramy i wolne terminy.
  
• Przekazywać do CeR szczegółowe dane o wizycie podając m.in. imię i nazwisko oraz identyfikator pracownika medycznego udzielającego świadczenia, miejsce udzielania świadczenia, kody MKCh i MKPM i inne niezbędne dane.
  
• Umożliwić pacjentom zarówno tradycyjną rejestrację (osobiście na miejsc, telefonicznie), jak elektroniczną (przez IKP).

Centralna e-Rejestracja nie jest osobnym systemem IT, ale platformą, gdzie trafiają i zarządzanie są wszystkie wizyty. Umawianie pacjentów realizowane jest w systemie IT placówki medycznej zintegrowanym z CeR – nie trzeba instalować dodatkowego systemu informatycznego. Czołowi dostawcy IT w Polsce, jak np. KAMSOFT, już dopasowali swoje systemy, dzięki czemu ich klienci mogą korzystać z atrakcyjnych bonusów w ramach pilotażu.

Terminy dostosowania systemów IT

Z punktu widzenia świadczeniodawców, ważne są dwa terminy. W okresie 5 miesięcy od wskazania danego świadczenia w przepisach, są oni zobowiązani do udostępnienia harmonogramów w swoim systemie teleinformatycznym. Z kolei 6 miesięcy mają na zapewnienie możliwości dokonywania przez pacjentów zgłoszeń centralnych. Dlatego dla pierwszej puli świadczeń termin końcowy wdrożenia to 31 czerwca 2026 roku (6 miesięcy od wejścia w obowiązku).

Od 1 lipca 2026 roku brak integracji z CeR będzie oznaczał, że placówka nie otrzyma refundacji świadczenia z NFZ. W uzasadnieniu do projektu ustawy czytamy wprost, że „świadczeniodawcy są elementem centralnej elektronicznej rejestracji, bez których projektowana regulacja nie będzie właściwie działać”. Dlatego Narodowy Fundusz Zdrowia będzie finansował świadczeniodawcy wyłącznie świadczenia opieki zdrowotnej realizowane z wykorzystaniem centralnej elektronicznej rejestracji.

Nowe zasady kolejek do lekarzy

Pacjent będzie mógł tak jak dotychczas wybrać, gdzie chce się zapisać na wizytę i w jaki sposób chce z niej skorzystać (na miejscu, w formie teleporady). Z jedną różnicą – będzie miał dostęp do terminów wszystkich lekarzy, bez konieczności obdzwaniania lekarzy. A to ogromne ułatwienie.

Termin wizyty przydziela system kierując się określonymi kryteriami. Priorytetowo traktowane będą przypadki pilne, tak aby pacjenci nie musieli czekać tak samo długo, jak osoby w lepszym stanie zdrowia. Pacjenci kontynuujący leczenie uzyskują terminy poza kolejnością – termin ustala sam świadczeniodawca. Jednocześnie znikną obecnie prowadzone listy oczekujących i zastąpi je centralny wykaz oczekujących prowadzony w ramach platformy CeR.

Pacjent i świadczeniodawca uzyskają jednolitą, codziennie aktualizowaną przez NFZ informację o prognozowanym czasie oczekiwania na dane świadczenie, osobno dla różnych grup pacjentów.

Ustawa przewiduje też rozszerzenie zakresu danych w e-skierowaniach i e-receptach (np. dodatkowe informacje od lekarza, informacje o asystencie wystawiającym receptę, dane o odpłatności i kodach uprawnień dodatkowych). Ma to ułatwić realizację recept i skierowań.

Jak placówki medyczne muszą się przygotować na CeR?

Podmioty realizujące świadczenia, które jako pierwsze wchodzą do CeR – czyli na cytologię, mammografię lub pierwszą wizytę do kardiologa – muszą:

• Przygotować systemy informatyczne do udostępniania harmonogramów przyjęć w centralnym systemie. W tym celu dostawca systemu IT musi zintegrować program z CeR. Jest to już możliwe, bo Centrum e-Zdrowia opublikowało już środowisko integracyjne.
  
• Przygotować się do obsługi pacjenta na nowych zasadach, co oznacza reorganizację dotychczasowego sposobu planowania wizyt w elektronicznym kalendarzu.
  
• Przećwiczyć nowe zasady kolejkowania, weryfikacji i aktualizacji danych o wolnych terminach oraz zgłaszania pacjentów do centralnej e-rejestracji.
  
• Przeszkolić personel z nowych procedur pracy i zmian wprowadzonych do systemu IT.
  
• Śledzić komunikaty na temat rozszerzania listy świadczeń objętych rejestracją. Planuje się, że CeR będzie obowiązkowa dla każdego świadczenia od 2029 roku.

Wdrożenie CeR może okazać się trudniejsze niż się wydaje. Świadczeniodawcy mają od lat ustalone metody kolejkowania, które CeR wywraca do góry nogami. Do tego trzeba nauczyć się nowej obsługi e-kalendarza zintegrowanego z platformą centralną i przećwiczyć różne scenariusze (pacjent pierwszorazowy, pacjent kontynuujący leczenie).

Najlepszym rozwiązaniem jest przystąpienie do trwającego do końca grudnia 2025 r. pilotażu. Udział w nim opłaca się, bo placówka może liczyć na jednorazowe dofinansowanie kosztów m.in. integracji systemów IT z centralną e-rejestracją oraz comiesięczny ryczałt w wysokości proporcjonalnej do liczby udzielonych świadczeń, które zostały zrealizowane i potwierdzone w e-rejestracji.

Czytaj także: Bądź na bieżąco z wymaganiami dotyczącymi CeR. Zapisz się do naszego newslettera