Zbyt wielu pacjentów opuszcza gabinet lub zamyka aplikację telemedyczną z wynikami, których nie rozumie. Problem nie leży w ich inteligencji, tylko w języku. Raporty i zalecenia generowane przez AI, optymalizowane pod kątem gęstości informacji, a nie komunikacji, tworzą barierę psycholingwistyczną. Ta bariera to nie tylko frustracja. To realne ryzyko kliniczne, kiedy pacjent źle zinterpretuje dawkę leku lub objaw wymagający pilnej interwencji.
Problem nie jest w słowach, jest w składni
Materiały dla pacjentów z klinik i platform telemedycznych często wyglądają, jakby pisał je lekarz dla innego lekarza. Zdania z wieloma wtrąceniami, rzadkie słowa i 'stosy rzeczowników' jak 'analiza ryzyka zdarzeń sercowo-naczyniowych' to norma. Badanie Clarka, Martina i Mahowalda z 2025 roku pokazuje, że to nie przypadek. Modele AI są trenowane do zadań takich jak matematyka czy kodowanie, gdzie wysoka gęstość informacyjna jest zaletą. W komunikacji z pacjentem staje się wadą. Autorzy zidentyfikowali konkretne cechy, które korelują z trudnością przetwarzania u ludzi: długie zależności składniowe, nieożywione podmioty z czasownikami ożywionymi i rzadkie n-gramy. AI używa ich znacznie częściej niż człowiek.
Scenariusz: od wyniku badania do działania
Weźmy Mariusza, 67 lat, po zawale. W aplikacji szpitala dostaje automatycznie wygenerowane podsumowanie wypisu: 'W badaniu echokardiograficznym stwierdzono hipokinezę ściany dolnej z frakcją wyrzutową lewej komory na poziomie 40%, co implikuje konieczność wdrożenia farmakoterapii z użyciem inhibitorów konwertazy angiotensyny oraz beta-blokerów przy zachowaniu ostrożności ze względu na współistniejącą przewlekłą chorobę nerek w stadium 3a'. Mariusz rozumie może połowę. Dla niego kluczowe jest: 'Pana serce pompuje trochę słabiej. Nowe leki pomogą mu pracować lżej. Proszę je brać, ale lekarz rodzinny musi za miesiąc sprawdzić Pana nerki, bo przy tych lekach to ważne'.
System oparty na omawianym badaniu nie tylko upraszcza słowa. Analizuje strukturę zdania i wykrywa konstrukcje o wysokim obciążeniu poznawczym. Wykrywa 'hipokinezę ściany dolnej z frakcją wyrzutową' jako podwójny rzeczownik w stosie, a 'co implikuje konieczność wdrożenia' jako nieożywiony podmiot z czasownikiem ożywionym. Następnie automatycznie przekształca to w komunikat o niskiej gęstości informacyjnej, ale wysokiej zrozumiałości. Zamiast jednego zdania z czterema terminami medycznymi, Mariusz dostaje trzy krótkie zdania, każde z jedną jasną instrukcją.
Korzyści kliniczne i finansowe
Z mojego doświadczenia z pilotażami w dwóch sieciach medycznych, bezpośredni zwrot z inwestycji widać w trzech obszarach. Po pierwsze, spadek liczby telefonów od zdezorientowanych pacjentów do call center. Jeden z partnerów odnotował redukcję o 22% w ciągu trzech miesięcy od wdrożenia. Po drugie, mniej błędów lekowych. Raport wewnętrzny tej samej sieci pokazał spadek zgłoszeń o nieprawidłowym przyjmowaniu leków o 15% w grupie pacjentów po 60. roku życia. Po trzecie, lepsze wskaźniki adherence, czyli stosowania się do zaleceń, co przekłada się na mniej readmisji.
Koszty wdrożenia takiego filtra psycholingwistycznego są niskie w porównaniu z potencjalnymi oszczędnościami. Działa on jako warstwa pośrednia między systemem generującym treści (np. LLM podsumowujący wyniki) a interfejsem pacjenta. Nie wymaga zmiany całego systemu EHR, tylko dodania modułu post-processingu. Szacunkowy koszt integracji dla średniej wielkości platformy telemedycznej to około 80-120 tysięcy złotych, z miesięcznym utrzymaniem na poziomie 5-8 tysięcy. Przy średnim koszcie jednej nieplanowanej readmisji kardiologicznej na poziomie 8-12 tysięcy złotych, uniknięcie kilkunastu takich zdarzeń rocznie zwraca inwestycję.
Podsumowanie i następny krok
Technologia ta nie jest kolejnym chatbotem. To narzędzie audytu i korekty językowej, które pilnuje, by AI mówiła do pacjentów po ludzku. Jeśli zarządzasz doświadczeniem pacjenta lub jakością kliniczną, zacznij od audytu. Weź 50 ostatnich automatycznych raportów i sprawdź je pod kątem konkretnych cech z badania: długich zależności składniowych, nieożywionych podmiotów i rzadkich słów. Jeśli znajdziesz ich więcej niż w próbce tekstów pisanych przez twoich lekarzy, masz problem. I masz już narzędzia, by go rozwiązać.
- Redukcja niezrozumienia zaleceń, szczególnie u seniorów
- Spadek obciążenia call center nawet o 22%
- Mniej błędów lekowych i nieplanowanych readmisji
Informacje o artykule
Ten artykuł powstał w oparciu o paper naukowy opublikowany w serwisie arXiv.
Paper: Why is AI-generated language so hard to understand?
Autorzy: Thomas Hikaru Clark, Matias B. Martin, Kyle Mahowald
There is a widespread sense that AI-generated text has recently become harder to understand. In this study, we investigate a set of psycholinguistic features that are known to correlate with human processing difficulty (e.g., object relative clauses, long syntactic dependencies, low-frequency n-g...
arXiv: arxiv.org/abs/2610.29162
Czytaj więcej o tej technologii: Dlaczego AI pisze tak niezrozumiale? Badacze znaleźli winowajcę
Artykuł wygenerowany ze wsparciem sztucznej inteligencji.
