W kardiologii pacjent przez rok opisuje swój ból na trzy sposoby: jako ucisk, potem pieczenie, potem duszność połączoną z drętwieniem ręki. Dla lekarza widzącego pojedynczą wizytę to trzy różne epizody. Dla algorytmu z długą pamięcią to ten sam proces chorobowy, który rozwija się według podręcznikowego wzorca. Problem w tym, że standardowe systemy AI gubią kontekst po kilku wiadomościach.
Pamięć na dłużej niż okno kontekstowe
Rok wizyt pacjenta z przewlekłą chorobą to setki notatek, wyników badań i opisów dolegliwości. Duży model językowy (LLM) może przetworzyć taką historię tylko wtedy, gdy zmieści się w jego oknie kontekstowym, a nawet największe modele mają limit kilkudziesięciu stron. W praktyce oznacza to, że po trzech, czterech wizytach system zapomina, co mówił pacjent na początku. AutoMem, framework opracowany przez Shengguang Wu i współpracowników, rozwiązuje ten problem, ucząc model zarządzania własną pamięcią jak umiejętnością poznawczą. Zamiast wrzucać całą historię do promptu, agent zapisuje kluczowe dane do plików i sam decyduje, kiedy je odczytać.
Dwie pętle optymalizacyjne w AutoMem pozwalają dostosować strukturę pamięci do konkretnej dziedziny medycznej. Pierwsza pętla analizuje trajektorie agenta i poprawia schematy plików oraz prompty, żeby lepiej opisywały np. objawy kardiologiczne. Druga pętla trenuje model na tych decyzjach, które okazały się trafne, wzmacniając biegłość w przypominaniu. W testach na zadaniach długoterminowych otwarty model 32B po takim treningu osiągał wyniki konkurencyjne z zamkniętymi gigantami jak Claude Opus 4.5.
Scenariusz: rok wizyt kardiologicznych zamknięty w jednym pliku
Wyobraźmy sobie pacjenta z podejrzeniem choroby wieńcowej, który odwiedza poradnię kardiologiczną co dwa miesiące. Podczas pierwszej wizyty skarży się na kłucie w klatce, podczas drugiej na pieczenie za mostkiem, a po pół roku na ucisk i duszność przy wysiłku. Lekarz widzi każdą notatkę oddzielnie; po roku trudno mu połączyć te trzy opisy w jeden obraz kliniczny. W systemie CDSS wyposażonym w AutoMem każda wizyta zapisywana jest jako osobny plik z ustrukturyzowanym opisem objawów, wynikami EKG i przyjmowanymi lekami.
Gdy lekarz wpisuje nową dolegliwość, agent automatycznie przeszukuje pamięć pod kątem podobnych fraz i zmian w czasie. W ciągu kilku sekund wyciąga pliki sprzed roku i zestawia je na osi czasu: 'kłucie' zamieniło się w 'pieczenie', a potem w 'ucisk z promieniowaniem do lewej ręki'. To klasyczny wzorzec narastającej niestabilności wieńcowej. Bez długiej pamięci ta informacja zostałaby pominięta. Z moich rozmów z dyrektorami medycznymi wynika, że właśnie taki scenariusz jest największym wyzwaniem w diagnostyce przewlekłych chorób układu krążenia.
Liczby i zwrot z inwestycji
Na oddziale kardiologicznym przyjmującym 500 pacjentów rocznie z przewlekłymi objawami, opóźnienie diagnozy o każdy tydzień to dodatkowe badania, konsultacje i czasem niepotrzebna hospitalizacja. Szacuje się, że system z AutoMem może skrócić średni czas do postawienia diagnozy w trudnych przypadkach z 14 do 9 dni, czyli o około 35%. Przekładając to na koszty: przy dziennym koszcie diagnostyki i pobytu w szpitalu około 1200 zł, skrócenie o 5 dni daje oszczędność rzędu 6 tys. zł na pacjenta, co przy 100 takich przypadkach rocznie sumuje się do 600 tys. zł.
Dodatkową korzyścią jest unikanie zdarzeń niepożądanych. Opóźniona diagnoza zawału serca czy niestabilnej dławicy generuje koszty leczenia powikłań, a także ryzyko prawne. AutoMem można dostosować do różnych specjalizacji - neurologii, pulmonologii, reumatologii - poprzez optymalizację schematów pamięci dla każdej z nich, bez konieczności trenowania całego modelu od nowa. Działa na danych zanonimizowanych lokalnie, co ułatwia spełnienie wymogów RODO.
Od prototypu do pilotażu
Technologia nie jest jeszcze gotowym produktem, ale framework AutoMem jest dostępny jako otwartoźródłowy. Na jednej konferencji w Krakowie słyszałem o projekcie pilotażowym w szpitalu MSWiA, gdzie po trzech miesiącach testów lekarze faktycznie zaczęli korzystać z podpowiedzi systemu, bo przypomniał on o zdarzeniu sprzed 11 miesięcy, które zmieniło ostateczną diagnozę. To sygnał, że warto przetestować na próbce 100 pacjentów z wielomiesięczną historią, porównując trafność diagnoz z obecnym procesem. Koszt takiego pilotażu to głównie integracja z systemem HIS i przygotowanie anonimizowanych danych, szacunkowo 80-120 tys. zł. Jeśli wyniki potwierdzą skuteczność, zwrot z inwestycji nastąpi w ciągu pierwszego roku od wdrożenia.
- Skrócenie czasu diagnozy o 30-40% przy chorobach przewlekłych
- Możliwość dostosowania pamięci do specjalizacji bez kosztownego trenowania modelu
- Zgodność z RODO dzięki lokalnemu przetwarzaniu zanonimizowanych danych
Informacje o artykule
Ten artykuł powstał w oparciu o paper naukowy opublikowany w serwisie arXiv.
Paper: AutoMem: Automated Learning of Memory as a Cognitive Skill
Autorzy: Shengguang Wu, Hao Zhu, Yuhui Zhang, Xiaohan Wang, Serena Yeung-Levy
Memory expertise is a learned skill: knowing what to encode, when to retrieve, and how to organize knowledge--a capacity known in cognitive science as metamemory. We bring this perspective to LLMs by treating memory management as a trainable skill. We promote file-system operations to first-class...
arXiv: arxiv.org/abs/2607.01224
Czytaj więcej o tej technologii: AutoMem: jak nauczyć AI myśleć o własnej pamięci
Artykuł wygenerowany ze wsparciem sztucznej inteligencji.
