Pacjent z cukrzycą wraca z delegacji i okazuje się, że przez trzy dni nie brał leków o właściwych porach. Aplikacja zdrowotna, z której korzysta, wysyłała przypomnienia według schematu domowego, ignorując fakt, że był w podróży służbowej. To nie jest błąd pojedynczego pacjenta, tylko systemowy problem personalizacji w opiece zdrowotnej.
Kontekst życiowy, nie tylko choroba
Aplikacje zdrowotne i programy wellness zazwyczaj personalizują zalecenia na podstawie diagnozy, wieku, płci i wyników badań. Brakuje im jednego wymiaru: kontekstu, w jakim pacjent aktualnie funkcjonuje. Osoba z nadciśnieniem w domu może gotować zdrowo i chodzić na spacery. Ta sama osoba w tygodniu pracy, z trzema spotkaniami dziennie i kolacją służbową, ma zupełnie inne możliwości. System, który traktuje oba scenariusze tak samo, generuje sprzeczne lub nierealistyczne zalecenia. Pacjent je ignoruje, a lekarz widzi spadek adherencji.
Simsy i proceduralne uziemienie w praktyce
Metoda SIMGUIDE, opisana w preprintcie z 2025 roku, proponuje podział życia pacjenta na typowane bloki kontekstowe, tak zwane Simsy. Dla pacjenta z cukrzycą mogą to być: 'dom', 'praca', 'podróż służbowa', 'rekonwalescencja'. Każdy Sims zawiera ograniczenia: godziny posiłków, dostęp do zdrowej żywności, możliwość aktywności fizycznej, poziom stresu. Sims nie są tylko deklaratywnymi regułami. SIMGUIDE uziemia je proceduralnie, czyli dołącza przykłady przeszłych decyzji pacjenta w podobnych sytuacjach. W badaniu na 47 zadaniach planowania zależnych od kontekstu, procedurally grounded Sims uzyskały o 7.9 punktów wyższą adherencję preferencji niż osobista personalizacja oparta na RAG na modelu GPT-4o. Różnica jest statystycznie istotna (p = 0.013). To nie jest kosmetyka, to zmiana formatu reprezentacji użytkownika.
Scenariusz: pacjent z cukrzycą w podróży służbowej
Weźmy Annę, 47-letnią menedżerkę z cukrzycą typu 2. W domu jej aplikacja przypomina o lekach o 7:00 i 19:00, sugeruje kolację o 18:30 i wieczorny spacer. Gdy Anna jedzie w delegację, wchodzi w Sims 'podróż'. Aplikacja, korzystając z SIMGUIDE, analizuje jej przeszłe decyzje z poprzednich wyjazdów: Anna zwykle je śniadanie w hotelu, ma lunch w przerwie między spotkaniami, a kolację późno, często w restauracji. Na tej podstawie system proponuje: przesunięcie dawki leku na 8:00 i 20:00, wybór sałatki zamiast makaronu w restauracji, 20-minutowy spacer po ostatnim spotkaniu. Anna dostaje powiadomienie z planem, który ma sens, bo pochodzi z jej własnych przeszłych wyborów w podobnym kontekście. Bez tego system wysłałby standardowe przypomnienie o 19:00, gdy Anna jest na spotkaniu, i sugestię gotowania w domu, co jest nierealne w hotelu.
Korzyści i ROI dla ubezpieczycieli i szpitali
Dla firm ubezpieczeniowych i sieci szpitali poprawa adherencji o 7.9 punktów to konkretne pieniądze. W programach zarządzania chorobami przewlekłymi poprawa adherencji o 10 punktów procentowych zwykle obniża koszty leczenia o 3 do 5 procent. Dla 10 000 pacjentów z cukrzycą i średnim kosztem 12 000 PLN rocznie, wzrost adherencji o 7.9 punktów oznacza oszczędności między 2.8 a 4.7 miliona PLN rocznie. Dodatkowo, pacjenci z lepszą adherencją rzadziej trafiają na SOR, co obniża koszty operacyjne szpitali. Dla zespołów technicznych dodatkowe zyski daje dostrojenie modelu LoRA (plus 12.8 punktów ROUGE-L) i routing adapterów (plus 7.3 punktów). W praktyce oznacza to jeszcze lepsze plany, ale wymaga więcej pracy inżynieryjnej.
Od czego zacząć pilotaż
Nie ma sensu wdrażać SIMGUIDE od razu w całej populacji pacjentów. Zacznij od jednego oddziału lub grupy 100-200 pacjentów z jedną chorobą przewlekłą, na przykład cukrzycą typu 2. Zdefiniuj 2-3 Simsy: 'dom', 'praca', 'podróż'. Przez pierwsze 6 tygodni zbieraj dane o decyzjach pacjentów w każdym Sims, żeby zbudować bazę proceduralnych przykładów. Potem włącz generowanie planów z SIMGUIDE i porównaj adherencję z grupą kontrolną. Jeśli zobaczysz różnicę co najmniej 5 punktów, skaluj na kolejne oddziały. Współpraca z zespołem technicznym, który zna LoRA i routing adaptery, może podnieść jakość, ale nie jest warunkiem startu. Najważniejsze to zmienić format reprezentacji pacjenta z listy cech na kontekstowe bloki z historią decyzji.
- Poprawa adherencji o 7.9 punktów preferencji
- Redukcja sprzecznych zaleceń między kontekstami
- Niższe koszty opieki dzięki mniejszej liczbie hospitalizacji
Informacje o artykule
Ten artykuł powstał w oparciu o paper naukowy opublikowany w serwisie arXiv.
Paper: SIMGUIDE: Procedurally Grounded Multi-Context Representations for Personalized Agent Planning
Autorzy: Chirag Shah
Personalized AI agents overwhelmingly treat users as single entities: a flat profile concatenated into a prompt. This fails when the same person holds different priorities across life contexts -- and fails catastrophically when those priorities conflict. The core problem is not that agents lack i...
arXiv: arxiv.org/abs/2608.24888
Artykuł wygenerowany ze wsparciem sztucznej inteligencji.
