Inteligentny triaż w przychodni: jak historia pacjenta uczy AI odróżniać pilne przypadki od błahych

Przeciętna przychodnia POZ odbiera dziennie kilkadziesiąt telefonów i wiadomości od pacjentów. Nawet połowa tych zgłoszeń nie wymaga wizyty u lekarza – to pytania o leki, objawy przeziębienia czy kontrolne wyniki. Mimo to personel musi każdą sprawę przeanalizować ręcznie, co wydłuża kolejki i opóźnia obsługę naprawdę pilnych przypadków. Asystent triażu oparty na modelu językowym, który widzi pełną historię leczenia pacjenta, może ten proces skrócić i uczynić bezpieczniejszym.

Model, który czyta kartotekę, zanim odpowie

Badanie opublikowane przez zespół Rory’ego Sayresa pokazało, że duży model językowy (Gemini 3.0 Flash) znacząco poprawia jakość odpowiedzi na pytania zdrowotne, gdy otrzymuje dostęp do osobistego rekordu zdrowia pacjenta (PHR). Na próbie 2257 zapytań – od krótkich haseł z wyszukiwarki po autentyczne pytania pacjentów z rozmów telefonicznych – dodanie danych PHR podniosło trafność, bezpieczeństwo i personalizację odpowiedzi (p < 0,001 w teście t-Studenta).

W przychodni POZ taka technologia może działać jako pierwszy filtr zgłoszeń. System nie analizuje objawów w oderwaniu od kontekstu. Widzi choroby przewlekłe, listę leków, wyniki ostatnich badań i wcześniejsze wizyty. Dzięki temu potrafi odróżnić ból głowy u zdrowego 30-latka od bólu głowy u pacjenta z nadciśnieniem przyjmującego leki przeciwzakrzepowe. W tym drugim przypadku od razu zasugeruje pilny kontakt z lekarzem, podczas gdy pierwszy może otrzymać poradę pielęgniarską.

Scenariusz: pacjent dzwoni z bólem brzucha

Wyobraźmy sobie poniedziałkowy poranek. Do rejestracji dzwoni 55-letni mężczyzna z bólem brzucha i nudnościami. W tradycyjnym modelu rejestratorka wpisuje objawy i próbuje umówić wizytę na ten sam dzień, bo nie ma narzędzi do oceny pilności. Lekarz przyjmuje pacjenta, zleca badania, ale okazuje się, że to niestrawność – można było rozwiązać sprawę telefonicznie.

Z asystentem triażu proces wygląda inaczej. Pacjent opisuje objawy przez formularz online lub podczas rozmowy z chatbotem głosowym. System automatycznie pobiera jego PHR: cukrzyca typu 2, metformina, ostatnie badanie HbA1c sprzed miesiąca w normie, brak hospitalizacji. Analizuje zgłoszenie w kontekście tych danych. Nie znajduje sygnałów alarmowych – ból nie jest nagły, nie ma gorączki, leki nie wskazują na ryzyko interakcji. W ciągu kilkunastu sekund wysyła pacjentowi spersonalizowaną odpowiedź: zalecenia dietetyczne, informację o możliwości umówienia teleporady pielęgniarskiej za dwa dni i alert, by zgłosić się natychmiast, jeśli pojawią się nowe objawy.

Gdyby ten sam mężczyzna miał w historii zapalenie trzustki i przyjmował lek, który w interakcji z metforminą zwiększa ryzyko kwasicy mleczanowej, asystent oznaczyłby zgłoszenie jako pilne i skierował je bezpośrednio do lekarza dyżurnego z adnotacją o potencjalnym konflikcie lekowym. Lekarz widzi gotowe podsumowanie i może zdecydować o dalszych krokach w kilka minut, zamiast przeszukiwać dokumentację ręcznie.

Korzyści i zwrot z inwestycji

Szacunki z kilku przychodni w Polsce pokazują, że nawet 30-40% wizyt w POZ to konsultacje, które mogłyby być obsłużone przez pielęgniarkę lub farmaceutę. Jeśli asystent triażu odciąży choćby 20% tych wizyt, średniej wielkości placówka z 5 lekarzami oszczędza około 12 godzin lekarskich tygodniowo. Przy stawce 150 zł za godzinę pracy lekarza daje to 1800 zł oszczędności tygodniowo, czyli ponad 85 tys. zł rocznie. Koszt wdrożenia takiego systemu – integracji z istniejącym oprogramowaniem gabinetowym i subskrypcji modelu – zamyka się w granicach 40-60 tys. zł rocznie. Oznacza to zwrot w ciągu 6-8 miesięcy, nie licząc poprawy dostępności i skrócenia kolejek.

Badanie Sayresa wskazuje też na konkretne wzrosty jakości odpowiedzi: z danych PHR skorzystały wszystkie typy zapytań, a największą poprawę odnotowano w personalizacji i trafności. Dla menedżera placówki oznacza to mniej błędów triażu i mniej sytuacji, gdy pacjent z bagatelnym problemem blokuje czas lekarza, a ktoś z objawami alarmowymi czeka w kolejce.

Oczywiście technologia nie jest bez wad. Autorzy raportują rzadkie przypadki dezorientacji czasowej i konfabulacji – model może pomylić kolejność zdarzeń lub dodać nieistniejący szczegół. Dlatego wdrożenie wymaga etapu nadzorowanego: przez pierwsze 2-3 miesiące wszystkie decyzje asystenta weryfikuje pielęgniarka lub lekarz. Po tym okresie algorytm można stopniowo odblokowywać dla rutynowych przypadków, zachowując kontrolę człowieka nad tymi oznaczonymi jako pilne.

Od czego zacząć

Najprostsza ścieżka to pilotaż na jednej grupie pacjentów – np. 200 osób z chorobami przewlekłymi, które najczęściej kontaktują się z przychodnią. Przez dwa tygodnie ich zgłoszenia online są przetwarzane równolegle przez asystenta i dotychczasowy zespół. Porównanie wyników (czas reakcji, liczba eskalacji do lekarza, zadowolenie pacjentów) da solidną podstawę do decyzji o rozszerzeniu. Warto też od razu zintegrować system z bazą leków, by alerty o interakcjach działały automatycznie – to najprostszy sposób na podniesienie bezpieczeństwa bez dodatkowego wysiłku personelu.

• Redukcja niepotrzebnych wizyt o 20-30% w ciągu pierwszego roku
• Zwrot z inwestycji w 6-8 miesięcy przy oszczędności ok. 85 tys. zł rocznie na placówkę
• Automatyczne alerty o interakcjach lekowych i sprzecznościach z historią pacjenta

Artykuł wygenerowany ze wsparciem sztucznej inteligencji.