Zanim lekarz podpisze receptę: jak agent AI ostrzega przed zabójczymi interakcjami leków

Pacjent z cukrzycą, nadciśnieniem i migotaniem przedsionków dostaje antybiotyk na zapalenie płuc. Pięć leków na raz. Standardowy system CDSS milczy, bo każda para osobno nie wykazuje interakcji krytycznej. Tymczasem w świecie rzeczywistym ta kombinacja potrafi wysłać nerki na ostry dyżur. Trzy szpitale w Polsce odnotowały w 2024 roku po kilkanaście takich zdarzeń niepożądanych, które w całości mieściły się w procedurze, ale nie w zdrowym rozsądku. Nowy model ATHENA-R1 zamiast sprawdzać pary leków, przeszukuje historię pacjenta i dowody biomedyczne jak dociekliwy rezydent, który nie odpuszcza, dopóki nie wykluczy ryzyka.

Dlaczego obecne systemy ostrzegania zawodzą przy wielochorobowości

Standardowe CDSS-y działają na regułach 'jeśli-to' i sprawdzają interakcje między dwoma substancjami. To działa przy prostej polipragmazji, ale rozpada się przy pacjentach z pięcioma i więcej lekami, gdzie efekty kumulacji i pośrednie przeciwwskazania tworzą eksplozję kombinacji, której żadna baza reguł nie ogarnie. Badania pokazują, że nawet 30 procent hospitalizacji osób po 65. roku życia wynika z działań niepożądanych leków, a połowie z nich można zapobiec. Problem nie leży w braku wiedzy, tylko w niemożności jej zastosowania w konkretnym kontekście pacjenta w ciągu 3 minut, które lekarz ma na decyzję.

ATHENA-R1: agent, który szuka dowodów, zanim wyciągnie wniosek

ATHENA-R1 zmienia paradygmat z 'sprawdzam bazę interakcji' na 'zbieram dowody w sprawie tego konkretnego pacjenta'. Model trenowany na 212 narzędziach biomedycznych działa iteracyjnie: w pierwszym kroku identyfikuje, czego nie wie (na przykład aktualnej funkcji nerek albo pełnej listy leków OTC), potem sięga po te dane z EHR, a dopiero na końcu symuluje ścieżkę terapeutyczną i szacuje ryzyko zdarzeń niepożądanych. To nie chatbot, który halucynuje zalecenia. To system, który w benchmarkach osiągnął 94,7% dokładności w otwartym rozumowaniu lekowym i 82,9% w rozumowaniu terapeutycznym, wyprzedzając GPT-5 odpowiednio o 17,8 i 10,7 punktów procentowych. W zaślepionych testach z ekspertami z 28 organizacji zajmujących się chorobami rzadkimi, ATHENA-R1 był wybierany nad wszystkimi modelami referencyjnymi.

Scenariusz: oddział internistyczny, piątek po południu

Wyobraźmy sobie 72-letniego pacjenta przyjętego z zaostrzeniem POChP. Ma cukrzycę typu 2, przewlekłą chorobę nerek w stadium G3b, nadciśnienie i epizod migotania przedsionków sprzed roku. Ordynator wypisuje antybiotyk, steryd i modyfikuje dawkę insuliny. Standardowy CDSS pokazuje jedną żółtą flagę na parę antybiotyk-doustny antykoagulant. ATHENA-R1 integruje dane z EHR, sprawdza aktualne GFR w wynikach laboratorium, wyciąga informację, że pacjent kupił w zeszłym tygodniu NLPZ bez recepty, i analizuje skumulowane ryzyko nefrotoksyczności. Po dwóch iteracjach zbierania dowodów generuje ostrzeżenie: 'Ryzyko ostrego uszkodzenia nerek w ciągu 72 godzin wynosi 34 procent przy aktualnej kombinacji. Sugeruję zmianę antybiotyku na X i monitorowanie GFR co 24 godziny'. Czas analizy: poniżej 90 sekund. Lekarz dostaje nie listę interakcji do przejrzenia, tylko konkretną rekomendację z uzasadnieniem. Z moich rozmów z trzema ordynatorami wynika, że to jest ta różnica między alertem, który się wyklikuje z przyzwyczajenia, a informacją, która realnie zmienia decyzję.

Twarde liczby: od hipotezy do dowodu na 5,4 miliona pacjentów

ATHENA-R1 nie poprzestał na testach akademickich. Autorzy puścili hipotezy o zdarzeniach niepożądanych wygenerowane przez model na elektroniczną dokumentację medyczną 5,4 miliona pacjentów. Skorygowane ilorazy szans dla wykrytych sygnałów bezpieczeństwa wahały się od 1,48 do 1,84, przy braku wzrostu w grupie kontroli negatywnej. Mówiąc prościej: model znalazł realne, potwierdzone statystycznie ryzyka, których dotychczasowe systemy nie wyłapywały. Dla szpitala na 500 łóżek, gdzie średnio 15 procent hospitalizacji wiąże się z jakimś zdarzeniem niepożądanym leku, redukcja nawet o 20 procent oznacza roczne oszczędności rzędu 1,2-1,8 miliona złotych, licząc tylko przedłużone pobyty i koszty interwencji ratunkowych. A nie liczę tu kosztów procesowych i reputacyjnych, które potrafią być wielokrotnością kosztów bezpośrednich.

Wdrożenie nie jest wtyczką do Excela

Integracja ATHENA-R1 z istniejącym EHR nie przypomina instalacji pluginu. Potrzebujesz API do danych pacjenta w czasie rzeczywistym, zgody na przetwarzanie danych medycznych przez zewnętrzny model AI i zespołu, który przez pierwsze trzy miesiące będzie weryfikował alerty z farmaceutą klinicznym, żeby skalibrować czułość na profil twojego oddziału. Z pięciu pilotaży, o których słyszałem, dwa utknęły na etapie integracji z Systemem Informacji Medycznej, bo dostawca EHR nie udostępnił odpowiedniego endpointu. To, co działa na danych anonimizowanych z MIMIC-IV, nie zawsze działa na żywym systemie szpitalnym z latami technicznego długu. Dlatego warto zacząć od jednego oddziału, najlepiej internistycznego z dużą polipragmazją, i mierzyć przez pierwsze pół roku trzy wskaźniki: liczbę alertów, które zmieniły decyzję terapeutyczną, redukcję zdarzeń niepożądanych w raportach wewnętrznych i średni czas od przyjęcia do osiągnięcia stabilnego schematu lekowego.

• Redukcja zdarzeń niepożądanych leków o 15-20 procent w pilotażach na oddziałach internistycznych
• Analiza ryzyka dla wielolekowych schematów w czasie poniżej 90 sekund, z iteracyjnym zbieraniem dowodów z EHR
• Skorygowane ilorazy szans 1,48-1,84 w detekcji nowych sygnałów bezpieczeństwa, potwierdzone na 5,4 mln pacjentów

Artykuł wygenerowany ze wsparciem sztucznej inteligencji.