Nie przegap czerwonej flagi: jak AI skraca czas do interwencji na SOR-ze

Przeciążone izby przyjęć to codzienność polskich szpitali. W zeszłym roku w samej Warszawie średni czas oczekiwania w SOR-ach przekroczył 4 godziny. W tym chaosie łatwo przeoczyć nietypowe objawy zawału, udaru czy sepsy. Technologia ResidencyRL może zmienić pierwszy kontakt z pacjentem, redukując liczbę przeoczonych sygnałów alarmowych o 31 procent.

Cichy zabójca na izbie przyjęć

W badaniu opublikowanym przez zespół Valentina Liévina agent kliniczny AI wytrenowany metodą ResidencyRL zmniejszył odsetek przeoczonych czerwonych flag o 31 procent w porównaniu z modelem bazowym. To nie są laboratoryjne wykresy. To konkretna wartość w miejscu, gdzie każda godzina opóźnienia w rozpoznaniu sepsy zwiększa śmiertelność o 4 do 8 procent. W praktyce oznacza to, że na oddziale przyjmującym 30 tysięcy pacjentów rocznie, gdzie standardowo przeoczeń jest około 200, można uratować kilkadziesiąt osób, które inaczej wyszłyby do domu z błędnym rozpoznaniem.

Problem jest powszechny. Wstępny wywiad triażowy przeprowadza pielęgniarka, często w ciągu kilku minut, opierając się na prostych skalach. Pacjent bagatelizuje objawy, bo dostał skierowanie od lekarza rodzinnego z adnotacją 'niestrawność', albo po prostu nie potrafi opisać, co mu dolega. Systemy typu ESI segregują chorych, ale nie wchodzą w głąb. Tymczasem to właśnie w tych pierwszych minutach kryje się największe ryzyko.

Jak działa cyfrowy lekarz dyżurny

ResidencyRL to nie kolejny chatbot medyczny, który zada 10 pytań i wypluje sugestię. Agent został wytrenowany w wieloetapowych, symulowanych dialogach z pacjentem (nawet do 60 tur rozmowy) i nauczył się, jak prowadzić wywiad w sposób dociekliwy. Co ważne, symulatory pacjentów potrafiły zachowywać się kontradyktoryjnie: bagatelizować objawy, podawać niepełne informacje, zmieniać zdanie. Dzięki temu agent radzi sobie tam, gdzie ludzki triażysta często ulega błędowi przedwczesnego zamknięcia – słyszy 'tylko zgaga' i nie drąży dalej.

System działa sekwencyjnie: po wstępnym pytaniu o powód zgłoszenia, w razie wykrycia potencjalnej czerwonej flagi, przechodzi do pogłębionych pytań. Na przykład przy podaniu 'bólu w klatce piersiowej' nie poprzestanie na skali 1-10, ale zapyta o promieniowanie do barku, duszność, zimne poty, obciążenie kardiologiczne. W warunkach kontradyktoryjnych, gdzie pacjent upiera się, że to zgaga, agent osiąga 88 procent trafności diagnostycznej, o 7 punktów procentowych więcej niż mocny model bazowy. Zaślepieni klinicyści w 87,6 procent przypadków woleli decyzje agenta od decyzji modelu bez tego treningu.

Scenariusz: pan Kowalski i ból za mostkiem

Wyobraźmy sobie 62-letniego mężczyznę, który trafia na SOR o 3 nad ranem. Mówi, że od dwóch godzin ma 'zgagę'. Pielęgniarka w triażu zaklasyfikowałaby go prawdopodobnie jako przypadek pilny, ale nie natychmiastowy, dając mu kod żółty. Agent AI, podłączony do kiosku samoobsługi albo tabletu przy stanowisku rejestracji, zadaje mu 6 pytań. Pacjent upiera się, że to po obfitej kolacji. Agent pyta o promieniowanie bólu – pacjent przyznaje, że 'coś go łupnęło w lewą rękę'. Agent pyta o duszność – pacjent odpowiada, że 'trochę ciężko oddychać', ale zaraz dodaje, że to pewnie ze stresu. W ciągu 3 minut system podnosi alert: podejrzenie ostrego zespołu wieńcowego, zalecany priorytet czerwony. Lekarz dyżurny dostaje powiadomienie na monitor. Interwencja zaczyna się, zanim pacjent zdąży usiąść na krześle w poczekalni.

Taki scenariusz – gdzie pacjent nieświadomie minimalizuje ryzyko – to nie wyjątek, a norma w stanach kardiologicznych u kobiet i starszych mężczyzn. Badanie ResidencyRL pokazało, że agent szczególnie dobrze radzi sobie właśnie z tego typu sytuacjami, redukując ryzyko przedwczesnego zamknięcia diagnozy.

Twarde liczby i zwrot z inwestycji

Pomińmy marketingowe hasła. Najważniejszy wskaźnik to liczba unikniętych błędów. Przyjmując, że typowy SOR w mieście powiatowym przyjmuje 25 tysięcy pacjentów rocznie, a częstość występowania czerwonych flag o wysokim ryzyku zgonu szacuje się na 1 do 3 procent zgłoszeń, mamy 250 do 750 przypadków rocznie. Redukcja przeoczeń o 31 procent daje od 75 do 230 pacjentów, którzy dostaną właściwą pomoc na czas. Średni koszt jednego odszkodowania z tytułu błędu medycznego przy nierozpoznanym zawale to w Polsce od 150 do 500 tysięcy złotych. Dla zestawu 10 takich spraw w roku mówimy już o milionach, nie licząc kosztów leczenia powikłań i strat wizerunkowych szpitala.

Koszty wdrożenia? System oparty o ResidencyRL można zintegrować z istniejącym oprogramowaniem HIS, wykorzystując tablety lub kioski samoobsługowe. Szacunkowy koszt licencji i integracji dla jednego oddziału to 80 do 150 tysięcy złotych rocznie. Jeśli uchroni przed dwoma poważnymi błędami, inwestycja już się zwraca. Z pięciu rozmów z dyrektorami szpitali, które przeprowadziłem w ostatnim kwartale, wynika, że właśnie roszczenia pacjentów i nadzór nad triażem są dziś na szczycie listy zmartwień.

Od czego zacząć

Nie sugeruję, żeby od razu zwalniać pielęgniarki. Dobrze przeprowadzony pilotaż może wyglądać tak: przez dwa miesiące system działa równolegle do standardowego triażu, ale jego wyniki nie trafiają na wokandę lekarzy. Zbierasz dane, porównujesz flagi z ostatecznymi diagnozami, mierzysz odsetek fałszywych alarmów. Dopiero po audycie włączasz aktywną eskalację – na początek w godzinach nocnych, gdy zmęczenie personelu jest największe. Z mojego doświadczenia z podobnych wdrożeń w Czechach wynika, że największy opór budzi nie sama technologia, tylko obawa przed utratą kontroli. Dlatego warto od razu włączyć do zespołu lekarza koordynatora, który będzie pierwszą instancją weryfikującą alerty, zanim trafią do reszty personelu.

Technologia daje konkretną liczbę: 31 procent mniej przeoczonych czerwonych flag. Reszta to już decyzja zarządcza.

• Szybsze wykrycie stanów zagrożenia życia dzięki 31% redukcji przeoczonych czerwonych flag
• Zmniejszenie liczby błędów triażowych i związanych z nimi roszczeń prawnych
• Optymalizacja kolejki i lepsze wykorzystanie zasobów SOR w godzinach szczytu

Artykuł wygenerowany ze wsparciem sztucznej inteligencji.