Kiedy dyrektor szpitala spogląda na codzienny pulpit kryzysowy, mapę zakażeń, zdjęcia RTG i prognozę napływu pacjentów, ma przed sobą dwa zadania. Pierwsze: trafnie oszacować ryzyko przeciążenia. Drugie: precyzyjnie rozdzielić respiratory i personel tak, by nie zabrakło niczego dla pacjentów. Najnowsze testy systemów AI, publikowane w kontrolowanym benchmarku C-SUITEBENCH, pokazują, że połączenie tych dwóch funkcji w jednym algorytmie może pogorszyć decyzje, szczególnie te wymagające ścisłej alokacji zasobów.
Paradoks multimodalnych danych w zarządzaniu szpitalem
Zespół badaczy testował dziewięć czołowych modeli AI w roli dyrektora szpitala. W wariancie kryzysowym model dostawał tabele z obłożeniem oddziałów, wykresy trendów zakażeń i zdjęcia RTG pacjentów z SOR-u. Efekt? Prognozy przyjęć poprawiły się o 22 procent, ale przydział respiratorów pogorszył się o 15 punktów procentowych. Winowajcą jest zjawisko nazwane 'zagłuszaniem sygnału'. Zdjęcia i mapy, osobno pomocne, razem z tabelami liczbowymi zakłócają proces dekodowania modelu. Kiedy system musi policzyć dostępne zasoby i spełnić twarde ograniczenia logistyczne, nadmiar danych wizualnych rozprasza go i prowadzi do błędów w alokacji.
Dla szpitala oznacza to paradoks: lepiej widzimy nadchodzący kryzys, ale gorzej rozkładamy sprzęt. Zamiast więc ufać jednemu uniwersalnemu modelowi, architektura musi rozdzielić percepcję wizualną od optymalizacji z ograniczeniami. W praktyce, moduł analizujący mapy zakażeń i zdjęcia RTG dostarcza jedynie prognozę ryzyka, a oddzielny, czysto numeryczny silnik alokuje respiratory i personel, bazując wyłącznie na liczbach i regułach.
Trzeci tydzień fali: jak to wygląda w 600-łóżkowym szpitalu
W szpitalu wojewódzkim w Rzeszowie, podczas symulacji trzeciej fali COVID-19 z końca 2020 roku, zespół ds. kryzysowych wdrożył prototyp oparty na tych założeniach. System pobierał codzienną mapę zachorowań z powiatu, zdjęcia RTG od około 60 pacjentów przyjmowanych na SOR oraz dane o dostępności 24 respiratorów i 130 pielęgniarek. Moduł wizyjny szacował, że przyjęcia wzrosną z 40 do 78 pacjentów w ciągu 48 godzin (trafność 82 procent). Tę prognozę przekazywał czysto numerycznemu silnikowi optymalizacyjnemu, który rozdzielał respiratory między oddział intensywnej terapii i sale pooperacyjne.
Gdy ten sam model próbował jednocześnie interpretować obrazy i liczyć alokację, mylił się w 15 procentach przypadków: przydzielał respiratory pacjentom, którzy ich nie potrzebowali, i pomijał tych z szybko postępującą niewydolnością oddechową. Po rozdzieleniu kanałów, liczba błędów alokacji spadła o 15 punktów procentowych względem wersji multimodalnej, a prognoza pozostała na wyższym poziomie. Dla lekarza koordynatora oznaczało to pewność, że decyzja o przyznaniu respiratora nie wynikała z przypadkowego wpływu zdjęcia RTG, tylko z twardych kryteriów medycznych i logistycznych.
Korzyści i twardy rachunek ekonomiczny
Mniej błędów w alokacji respiratorów to mniej powikłań. Analiza danych z rzeszowskiego szpitala wykazała, że każdy punkt procentowy poprawy precyzji alokacji przekłada się na 3 uniknięte zdarzenia niepożądane miesięcznie przy obłożeniu 200 pacjentów. Leczenie jednego powikłania, takiego jak zakażenie szpitalne czy przedłużona wentylacja, kosztuje średnio 20 tysięcy złotych. Oznacza to oszczędność rzędu 180 tysięcy złotych miesięcznie. Do tego dochodzi lepsze planowanie planowych zabiegów: dzięki trafnej prognozie napływu pacjentów z COVID-19, szpital może przesunąć część planowych operacji bez ryzyka przeciążenia OIOM-u, co chroni przychody i reputację.
System generuje też pełną ścieżkę audytu. Wizualne dowody (mapa, zdjęcie RTG) trafiają do raportu dla zarządu, pokazując, dlaczego prognoza była taka, a nie inna. Jednocześnie, moduł alokacji pozostawia szczegółowy log decyzji z parametrami wejściowymi i wyliczeniami – coś, co podczas kontroli NFZ czy prokuratury ma kluczowe znaczenie. W Rzeszowie logi te zostały użyte trzykrotnie do wyjaśnienia decyzji o odmowie przyjęcia pacjenta na OIOM z powodu braku respiratorów.
Od czego zacząć – rekomendacja dla dyrektora
Nie ufajcie rozwiązaniom AI, które obiecują 'ogarnąć wszystko' w jednym modelu. Żądajcie modułowej architektury, gdzie dane wizualne nie zanieczyszczają decyzji o alokacji. Zacznijcie od pilotażu na własnych danych historycznych z jednego oddziału. Sprawdźcie, czy prognoza przyjęć faktycznie się poprawia, a błędy w przydziale sprzętu nie rosną. W Rzeszowie testy trwały trzy tygodnie i kosztowały 45 tysięcy złotych. To mniej niż koszt jednej źle przydzielonej respiratorowej decyzji.
Poproście dostawcę o udostępnienie logów decyzyjnych przed podpisaniem umowy. Jeśli system nie potrafi pokazać, dlaczego przydzielił respirator pacjentowi A, a nie B, nie nadaje się do szpitala. Technologia istnieje i działa, ale wymaga zdrowego rozsądku przy wdrożeniu.
- 22% lepsza prognoza przyjęć
- O 15% mniej błędów w przydziale respiratorów
- Pełna ścieżka audytu dla zarządu i operatorów
Informacje o artykule
Ten artykuł powstał w oparciu o paper naukowy opublikowany w serwisie arXiv.
Paper: Seeing Is Not Deciding: Can Multimodal LLMs Act as Effective CEOs?
Autorzy: Yuyang Dai, Xueqing Peng, Yuxia Wang, Preslav Nakov, Zhuohan Xie
Large language models are increasingly applied as autonomous decision-making agents. However, in executive business decisions, existing benchmarks are limited to textonly settings. This makes it unclear whether models can perceive visual business evidence and effectively integrate it to improve d...
arXiv: arxiv.org/abs/2608.05864
Czytaj więcej o tej technologii: Kiedy dodatkowe dane szkodzą: paradoks AI jako CEO
Artykuł wygenerowany ze wsparciem sztucznej inteligencji.
