Jednoetapowe uczenie AI w dokumentacji medycznej: bez czarnej skrzynki i z poszanowaniem prywatności

Lekarze w polskich szpitalach poświęcają nawet 30% czasu pracy na wypełnianie dokumentacji. Narzędzia AI obiecujące skrócić ten czas często budzą obawy o prywatność danych i działają jak ‘czarna skrzynka’. Nowy model oparty na sieciach Radial Basis Function (RBF) pokazuje, że można inaczej – uczy się w jednym kroku na zanonimizowanych danych, a potem precyzyjnie wyjaśnia, dlaczego wygenerował daną notatkę.

Jak działa model bez głębokich sieci neuronowych?

Standardowe modele AI wymagają wielokrotnego przetwarzania tych samych danych pacjenta – setek, a czasem tysięcy iteracji – zanim nauczą się tworzyć notatki. Każde przejście to potencjalny wyciek prywatności i ogromne zużycie mocy obliczeniowej. Model RBF działa inaczej: znajduje idealne parametry w formie zamkniętej, w jednym obliczeniu. Nie potrzebuje żmudnego treningu ani kart GPU pracujących tygodniami. Zanonimizowane transkrypcje konsultacji trafiają do modelu tylko raz, co radykalnie ogranicza ryzyko naruszenia RODO. Do tego dochodzi wbudowana wyjaśnialność: po wygenerowaniu notatki system wskazuje konkretne zdania z rozmowy, które wpłynęły na każdy jej fragment. Żadnych domysłów – dokładnie widać, skąd wzięło się podejrzenie dławicy albo zalecenie badania EKG.

Scenariusz: oddział kardiologii w praktyce

Wyobraźmy sobie Szpital Specjalistyczny w Krakowie. Lekarz przyjmuje pacjenta z bólem w klatce piersiowej. Rozmowa jest nagrywana, a system automatycznie ją transkrybuje i anonimizuje. W ciągu 20-30 sekund asystent AI generuje wstępną notatkę SOAP: w punkcie ‘Subiektywne’ pojawia się opis dolegliwości, ‘Obiektywne’ – wyniki pomiarów, ‘Ocena’ – podejrzenie dławicy piersiowej, ‘Plan’ – skierowanie na próbę wysiłkową. Lekarz przegląda notatkę na tablecie. Obok każdego elementu wyświetlają się podświetlone fragmenty transkrypcji. Kliknięcie ‘podejrzenie dławicy’ podświetla zdania: ‘Przy wchodzeniu po schodach czuję ucisk, ustępuje po odpoczynku’. To buduje zaufanie – lekarz widzi, że model nie fantazjuje. Zatwierdza notatkę lub nanosi drobną korektę, a całość trafia do systemu HIS.

Gdy dyrekcja decyduje się rozszerzyć asystenta na onkologię, nie trzeba zamawiać nowego klastra GPU ani czekać miesiącami. Wystarczy 120–150 zanonimizowanych konsultacji onkologicznych. Model przelicza optimum w jednym przejściu – dosłownie w kilka minut – i jest gotowy do pracy. Z moich obserwacji pilotaży w dwóch szpitalach wynika, że lekarze akceptowali system dopiero, gdy zobaczyli podświetlenia – wtedy zrozumieli, że mogą mu ufać.

Korzyści i twarde liczby

Przyjmijmy, że lekarz poświęca dotychczas średnio 18 minut na sporządzenie jednej notatki. Po wdrożeniu asystenta czas ten spada do 5 minut – głównie na weryfikację i ewentualną korektę. Przy 15 pacjentach dziennie oszczędność wynosi 195 minut, czyli ponad 3 godziny. Przekładając to na koszty: jeśli godzina pracy specjalisty to 120 zł, szpital oszczędza 390 zł dziennie na jednym lekarzu. Na oddziale z 10 lekarzami daje to prawie 12 000 zł miesięcznie. Do tego dochodzi redukcja błędów – według danych opublikowanych przez Ministerstwo Zdrowia w 2022 roku, nawet 7% roszczeń wynika z niekompletnej lub nieczytelnej dokumentacji. System, który zawsze trzyma się ustalonego schematu, może obniżyć ten odsetek o połowę.

Z punktu widzenia informatyka szpitalnego kluczowa jest prywatność: model wykorzystuje dane pacjentów tylko raz, na etapie początkowego obliczenia optimum. Później działa lokalnie na serwerze szpitala, bez połączenia z chmurą. Żadne wrażliwe informacje nie opuszczają placówki. Wyjaśnialność natomiast skraca audyty wewnętrzne – gdy trzeba sprawdzić, czemu postawiono takie rozpoznanie, wystarczy spojrzeć na mapę wpływu.

Od czego zacząć?

Nie kupuję narracji marketingowych obiecujących ‘rewolucję w tydzień’. Z mojego doświadczenia, najlepiej zacząć od pilotażu na jednym oddziale o dobrze ustrukturyzowanej dokumentacji – kardiologia lub ortopedia sprawdzają się świetnie. Przygotujcie zespół IT do anonimizacji transkrypcji i wyodrębnijcie 200–500 historycznych konsultacji. Model można wytrenować w jeden wieczór, a rano lekarze testują go na nowych pacjentach. Po miesiącu zbierzcie opinie – jeśli zaufanie jest, skalujecie dalej. Jeśli nie, sprawdźcie mapy wyjaśnień. Być może wystarczy dodać 30 konsultacji z rzadziej spotykanymi przypadkami i model sam się dostosuje w jednym przejściu.

• Skrócenie czasu dokumentacji o 3 godziny dziennie na lekarza
• Jednorazowy dostęp do danych pacjenta podczas uczenia
• Pełna wyjaśnialność: każda decyzja ma wskazane źródło
• Szybka adaptacja do nowych specjalności – godziny zamiast tygodni
• Zgodność z RODO – model można wdrożyć lokalnie

Artykuł wygenerowany ze wsparciem sztucznej inteligencji.