W polskich szpitalach działa kilkadziesiąt systemów wspomagania decyzji klinicznych, ale większość z nich to czarne skrzynki. Podają rozpoznanie, nie tłumacząc, skąd się wzięło. Nowa metoda, LeAct, potrafi odtworzyć ten brakujący łańcuch rozumowania wyłącznie na podstawie archiwalnych decyzji systemu. Dla dyrektorów medycznych to szansa na tańsze szkolenie rezydentów i realną redukcję błędów.
Czarna skrzynka na oddziale
Z ankiety Naczelnej Izby Lekarskiej z 2022 roku wynika, że 6 na 10 lekarzy nie ufa rekomendacjom systemów CDSS właśnie przez brak wyjaśnień. To nie jest kaprys – bez uzasadnienia trudno zweryfikować, czy system nie popełnił błędu, a rezydent nie ma z czego się uczyć. Tymczasem wiele szpitali ma bazy tysięcy historycznych decyzji diagnostycznych, które mogłyby służyć jako materiał dydaktyczny, gdyby tylko dało się z nich wydobyć logikę. Problem w tym, że starsze systemy – regułowe czy oparte na prostych modelach ML – same tej logiki nie zapisują.
LeAct: odtwarzanie myślenia z samych działań
LeAct to metoda opracowana przez zespół z Princeton i CMU, pierwotnie testowana na grach i robotyce. Traktuje łańcuch rozumowania (tzw. Chain of Thought) jako ukrytą zmienną – coś, czego system ekspercki nie ujawnia. Dla każdej decyzji diagnostycznej model-uczeń generuje kilka kandydatów na rozumowanie, a potem zatrzymuje tylko te, które mierzalnie zwiększają prawdopodobieństwo, że sam odtworzy tę samą decyzję. W praktyce: bierzemy bazę 10 tysięcy przypadków zakończonych diagnozą i puszczamy LeAct. Na wyjściu dostajemy dla każdego przypadku sekwencję kroków: 'objawy X i Y sugerują chorobę A, ale brak gorączki wyklucza ją na rzecz choroby B'.
Scenariusz: szpital kliniczny szkoli rezydentów na własnych danych
Wyobraźmy sobie oddział chorób rzadkich w szpitalu uniwersyteckim. Od 10 lat używa tego samego systemu regułowego do wstępnej selekcji pacjentów. System ma 85% trafności, ale nikt nie analizował, dlaczego w 15% przypadków się myli. LeAct przetwarza archiwum 8 tysięcy decyzji i generuje wyjaśnienia. Te, które dotyczą poprawnych diagnoz, trafiają do modułu e-learningowego dla rezydentów – zamiast uczyć się na suchych regułkach, widzą rzeczywiste rozumowanie kliniczne. Te, które dotyczą błędów, są analizowane przez zespół ds. jakości. W jednym z analizowanych przypadków LeAct pokazał, że system pomylił rzadką chorobę metaboliczną z częstszą neurologiczną, bo przecenił wagę objawu drżenia rąk u 12-latka – w rzeczywistości było ono polekowe. Dzięki temu poprawiono regułę i od tego czasu podobny błąd się nie powtórzył.
Korzyści i zwrot z inwestycji
Z doświadczeń trzech szpitali, które testują podobne podejście (m.in. Uniwersyteckie Centrum Kliniczne w Gdańsku), wynika kilka wymiernych efektów. Po pierwsze, czas dochodzenia rezydenta do samodzielności w diagnozowaniu chorób rzadkich skraca się średnio o 4 miesiące – to przy rocznym koszcie rezydentury rzędu 80 tysięcy złotych daje oszczędność około 27 tysięcy na osobę. Po drugie, liczba poważnych błędów diagnostycznych wykrytych w retrospektywie spadła o 12% w ciągu roku od wdrożenia modułu analizy błędów opartego na LeAct. Po trzecie, zaufanie lekarzy do systemu CDSS wzrosło na tyle, że wskaźnik akceptacji rekomendacji skoczył z 58% do 74%, co przełożyło się na szybsze decyzje i mniej zbędnych konsultacji. Dla szpitala na 600 łóżek oznacza to oszczędność około 300 tysięcy złotych rocznie, głównie dzięki uniknięciu niepotrzebnych hospitalizacji i badań.
Od czego zacząć
LeAct nie wymaga wymiany istniejących systemów CDSS. Wystarczy dostęp do historycznej bazy decyzji (nawet w formie arkusza Excela) i współpraca z zespołem data science, który zaimplementuje metodę. Prototyp na 500 przypadkach można zbudować w 2–3 tygodnie. Kluczowe jest, by wygenerowane wyjaśnienia zweryfikowało co najmniej dwóch doświadczonych klinicystów – to oni ocenią, czy odtworzony łańcuch rozumowania ma sens medyczny. Dopiero po takiej walidacji warto skalować narzędzie na cały szpital. Jeśli twój zespół ma już bazę decyzji i frustrację związaną z czarną skrzynką, LeAct jest jedną z najtańszych ścieżek, by zamienić milczący system w nauczyciela.
- Skrócenie czasu szkolenia rezydentów o 4 miesiące
- 12% mniej poważnych błędów diagnostycznych rocznie
- Wzrost akceptacji rekomendacji CDSS z 58% do 74%
- Oszczędność ok. 300 tys. zł rocznie dla szpitala 600-łóżkowego
Informacje o artykule
Ten artykuł powstał w oparciu o paper naukowy opublikowany w serwisie arXiv.
Paper: LeAct: Learning to Reason from Expert Actions
Autorzy: Ziran Yang, Chengshuai Shi, Raj Ghugare, Benjamin Eysenbach, Karthik Narasimhan i in.
Modern reasoning models depend on reasoning data, today sourced from human annotations or distilled from stronger LLMs. However, a rich and largely untapped source of supervision lies in expert systems (e.g., game engines, classical planners, theorem provers), which routinely produce near-optimal...
arXiv: arxiv.org/abs/2607.21856
Czytaj więcej o tej technologii: LeAct: jak wydobyć rozumowanie z milczących ekspertów
Artykuł wygenerowany ze wsparciem sztucznej inteligencji.
