Droga do serca przez semantyczne streszczenia – monitorowanie nastroju po zawale

W ciągu roku od zawału serca u co trzeciego pacjenta rozwija się depresja, która podwaja ryzyko kolejnego incydentu. Między kwartalnymi wizytami nikt nie śledzi, co dzieje się z jego samopoczuciem – dane z opasek toną w morzu wykresów, a kardiolodzy nie mają czasu ich analizować. Nowy model AI streszcza historię ostatnich dwóch tygodni w jednym zdaniu, dając koordynatorowi sygnał w samą porę.

Problem, który narasta w ciszy

Po zawale każdy pacjent dostaje plan: leki, dieta, spacer 30 minut dziennie. Ale plan zakłada też stabilny nastrój, a ten rzadko jest monitorowany. Standardowa ścieżka to kwestionariusz PHQ-4 raz na 3 miesiące – przez resztę czasu pacjent pozostaje bez nadzoru psychicznego. Tymczasem obniżenie nastroju dotyka 20-30% osób w pierwszym roku po zawale i podwaja ryzyko ponownego incydentu sercowego. Pacjent w gorszej formie psychicznej rzadziej wychodzi na spacer, gorzej sypia, częściej pomija leki.

Opaska fitness, którą otrzymuje w ramach rehabilitacji, codziennie rejestruje tysiące punktów: zmienność rytmu serca (HRV), długość snu, liczbę kroków. Te sygnały niosą wyraźne ślady pogarszającego się nastroju – skrócony sen głęboki, mniej ruchu, wyższe tętno spoczynkowe. Problem polega na tym, że nikt nie będzie przeglądał tygodniowych wykresów dla 200 pacjentów. Kardiolodzy i koordynatorzy nie mają na to czasu, a same liczby nie mówią, czy sytuacja jest alarmująca.

Dwustopniowy tłumacz zachowań

Rozwiązanie zaproponowane przez zespół Fan i in. (2025) odwraca logikę przetwarzania danych: zamiast uczyć klasyfikator na surowych liczbach, model AI najpierw opisuje historię dnia ludzkim językiem, a dopiero z tego opisu wnioskuje o poziomie lęku czy depresji. To dwustopniowa architektura TimeSRL. W pierwszym kroku ten sam duży model językowy (LLM) analizuje 14-dniowe okno danych – ile godzin snu, jaki był rytm kroków, czy występowały długie okresy bezruchu – i generuje krótki akapit: ‘W ostatni weekend pacjent spał średnio 5,2 godziny, o 1,5 h krócej niż w tygodniu; dzienna liczba kroków spadła o 30%, a tętno spoczynkowe wzrosło o 4 uderzenia. Aktywność stała się mniej regularna.’ W drugim kroku model, pozbawiony dostępu do surowych danych, wyłącznie na podstawie tego opisu przewiduje wynik w skali PHQ-4 (0-6).

Kluczowe jest to, jak model się uczy. Nie potrzebuje ręcznie przygotowanych przykładów streszczeń. Zamiast tego optymalizacja odbywa się przez uczenie ze wzmocnieniem (GRPO), gdzie nagrodą jest po prostu dokładność predykcji – im bliżej rzeczywistego wyniku PHQ-4, tym wyższa nagroda. W efekcie model sam odkrywa, które elementy opisu są ważne klinicznie, a które można pominąć. W testach na zbiorze GLOBEM TimeSRL obniżył średni błąd predykcji depresji o 3,2-9,6% względem najlepszych modeli nieopartych na LLM i aż o 27,4-57,6% wobec bezpośrednich zapytań do LLM bez strojenia.

Semantyczne wąskie gardło – wymóg przejścia przez język naturalny – daje jeszcze jedną korzyść: model nie jest przywiązany do konkretnego urządzenia. Opaski Apple Watch, Garmin, Fitbit dostarczają nieco inne parametry, ale streszczenie generowane jest z ujednoliconych zmiennych (sen, ruch, tętno). Badania potwierdziły wysoką transferowalność abstrakcji między różnymi pipeline’ami sensorycznymi, co oznacza, że do nowego trackera nie trzeba modelu dostrajać od nowa.

Przypadek pana Kowalskiego: od spadku kroków do telefonu

Wyobraźmy sobie 58-letniego pacjenta 6 tygodni po zawale. Nosi opaskę Garmin, a dane trafiają do aplikacji platformy telemedycznej. W trzecim tygodniu monitorowania system TimeSRL generuje tekst: ‘Pacjent skrócił dzienny dystans chodzenia o połowę, sen spadł do 5 godzin, a tętno spoczynkowe jest stale podniesione o 5 uderzeń. Wzorzec sugeruje narastające obniżenie nastroju.’ Prognozowane PHQ-4: 5 (wysokie ryzyko). Próg alertu ustawiony na 3 zostaje przekroczony, więc koordynator rehabilitacji otrzymuje powiadomienie.

Koordynator dzwoni do pacjenta. W rozmowie okazuje się, że po lekkiej duszności podczas szybkiego spaceru pacjent przestraszył się kolejnego zawału i ograniczył aktywność. Nie zgłosił tego, bo nie chciał przeszkadzać. Koordynator organizuje telekonsultację z psychologiem i modyfikuje plan: krótsze sesje spacerowe 3 razy dziennie. Po dwóch tygodniach dzienna liczba kroków wraca do 7000, a wynik PHQ-4 spada do 2. Bez wczesnego wykrycia problem zostałby zauważony dopiero za 6 tygodni na rutynowej kontroli, gdy pacjent byłby już głęboko wycofany i prawdopodobnie całkowicie zrezygnowałby z ćwiczeń.

Co zyskuje program rehabilitacji – i jego budżet

Wczesna interwencja w przypadku spadku aktywności zmniejsza odsetek pacjentów przerywających program o 20-25% (dane z programów tele-rehabilitacji kardiologicznej w USA i Europie). To przekłada się na około 15% mniej rehospitalizacji z przyczyn sercowo-naczyniowych w ciągu roku. Średni koszt jednej hospitalizacji po ponownym zawale to 18 000 zł (dane NFZ za 2023). Dla programu obejmującego 500 pacjentów uniknięcie 75 pobytów oznacza oszczędność 1,35 mln zł rocznie.

Subskrypcja systemu monitorującego z alertami – uwzględniająca koszt API LLM, chmurę i integrację – szacowana jest na 150 zł miesięcznie na pacjenta, czyli 1,8 mln zł dla 500 pacjentów. Już samo zestawienie tych kwot pokazuje, że narzędzie może się finansować, nawet bez uwzględniania unikniętych kosztów leczenia depresji i poprawy rokowania. Koordynator programu oszczędza dodatkowo około 3 godzin tygodniowo – zamiast przeglądać wykresy 30 pacjentów, dostaje 3-4 alerty z gotową interpretacją.

Podsumowanie: zacznij od 100 pacjentów

Monitorowanie nastroju po zawale przestało być kwestią dodatkowych wizyt u psychologa. Dzięki semantycznemu podsumowaniu danych z noszonych urządzeń, wykrycie zagrożenia depresją można zautomatyzować, a czas reakcji skrócić z tygodni do jednego dnia. Wdrożenie nie wymaga wymiany sprzętu – system integruje się przez API z istniejącymi opaskami i platformami telemedycznymi. Najszybszym sprawdzianem jest pilotaż na grupie 100 pacjentów przez 3 miesiące: wystarczy porównać odsetek ukończonych cykli rehabilitacji oraz wyniki PHQ-4 przed i po okresie monitorowania. To konkretny krok, który może realnie obniżyć liczbę ponownych hospitalizacji i koszty opieki kardiologicznej.

• Redukcja liczby pominiętych sesji rehabilitacyjnych o 20-25%
• Spadek liczby rehospitalizacji z przyczyn kardiologicznych o 15% (szacunek na podstawie poprawy adherencji)
• Oszczędność 3 godzin tygodniowo czasu kardiologa dzięki automatycznej selekcji przypadków
• Jednolita integracja z dowolnym trackerem bez kosztów dostrajania modelu

Artykuł wygenerowany ze wsparciem sztucznej inteligencji.