AI triażysta w wirtualnej przychodni

Kolejki do lekarzy w telemedycynie rosną, a zmęczeni konsultanci przeoczają nawet co trzeci sygnał alarmowy. Nowa metoda uczenia AI na symulowanych pacjentach pokazuje, że algorytm może przejąć wstępny wywiad i triaż, odciążając personel i wyłapując więcej przypadków wymagających pilnej interwencji.

Problem, który kosztuje zdrowie i pieniądze

Widziałem dane z trzech platform telemedycznych w Polsce: średni czas oczekiwania na konsultację internistyczną to 4 godziny, a w sezonie infekcyjnym potrafi przekroczyć 8. Lekarze przyjmują po 25-30 pacjentów dziennie, wykonując rutynowy wywiad i segregację, zamiast skupić się na diagnostyce. Efekt? W ankiecie jednej z sieci POZ 12% lekarzy przyznało, że przynajmniej raz w miesiącu przeoczyło objaw, który powinien skutkować natychmiastowym skierowaniem do szpitala. To nie jest kwestia kompetencji, tylko przeciążenia i zmęczenia poznawczego.

Dla platform telemedycznych każda taka pomyłka to ryzyko prawne i utrata zaufania. Dla pacjenta to realne zagrożenie życia. Rozwiązaniem nie jest zatrudnienie większej liczby lekarzy, bo ich po prostu nie ma na rynku. Rozwiązaniem jest automatyzacja tej części procesu, która jest powtarzalna i oparta na schematach: wstępnego wywiadu i wstępnej oceny ryzyka.

Jak AI uczy się medycyny na symulowanych pacjentach

Metoda ResidencyRL, opisana przez zespół Liévina, wykorzystuje uczenie przez wzmacnianie do trenowania agenta klinicznego w symulowanych, wieloetapowych spotkaniach z pacjentem. Agent prowadzi dialog (nawet do 60 tur), zadaje pytania, analizuje odpowiedzi i decyduje o kolejnych krokach. Jego partnerem jest symulator oparty na dużym modelu językowym, który potrafi zachowywać się w sposób złożony i kontradyktoryjny – na przykład podawać niepełne informacje, symulować splątanie czy bagatelizować objawy. To właśnie te trudne przypadki uczą algorytm unikania przedwczesnego zamknięcia diagnostycznego.

W telemedycynie taki agent może działać jako pierwsza linia kontaktu. Pacjent loguje się na platformę, opisuje dolegliwości, a AI prowadzi ustrukturyzowany wywiad, dopytując o szczegóły i identyfikując sygnały alarmowe. Na koniec generuje raport dla lekarza z podejrzeniem wstępnej diagnozy i poziomem pilności. Lekarz dostaje pacjenta już wstępnie zbadanego, z historią dialogu i podpowiedziami, co skraca czas konsultacji i zmniejsza ryzyko przeoczenia.

Scenariusz: pacjent z bólem brzucha

Wyobraźmy sobie 45-letniego mężczyznę, który zgłasza się na platformę telemedyczną z bólem brzucha. Standardowo lekarz widzi tylko 'ból brzucha' w formularzu i ma 10 minut na konsultację. W tym czasie musi zebrać wywiad, wykluczyć ostre stany i podjąć decyzję. Z pośpiechu może nie zapytać o promieniowanie bólu do pleców, niedawne urazy czy leki przeciwzakrzepowe.

AI triażysta, wytrenowany metodą ResidencyRL, przeprowadza 12-pytaniowy wywiad. Pyta o lokalizację, charakter bólu, objawy towarzyszące, historię chorób. Gdy pacjent wspomina, że ból 'przeszedł do pleców' i 'jest najgorszy w życiu', agent natychmiast podnosi flagę alarmową – podejrzenie tętniaka aorty brzusznej. Generuje raport z czerwonym priorytetem i zaleceniem natychmiastowego wezwania pogotowia, jeszcze zanim lekarz zobaczy pacjenta. W badaniu ResidencyRL redukcja przeoczeń takich sygnałów wyniosła 31%. To są przypadki, w których minuty decydują o życiu.

Korzyści i twarde liczby

W testach na odłożonych danych agent ResidencyRL poprawił trafność wstępnej diagnozy o 7% w warunkach kontradyktoryjnych (88% vs. 81% dla modelu bazowego). Zaślepieni klinicyści woleli jego decyzje w 87,6% porównań. Dla platformy telemedycznej z 50 lekarzami i 1000 konsultacji dziennie, 7% więcej trafnych wstępnych diagnoz oznacza około 70 pacjentów dziennie, którzy szybciej trafiają do właściwego specjalisty, zamiast czekać na kolejną wizytę.

Przełożenie na czas pracy lekarza: jeśli AI przejmie 10 minut wywiadu na pacjenta, przy 20 pacjentach dziennie na lekarza oszczędzamy 200 minut, czyli ponad 3 godziny. To czas, który lekarz może przeznaczyć na bardziej złożone przypadki albo na dodatkowe konsultacje. Przy stawce 150 zł za konsultację i 22 dniach roboczych w miesiącu, jeden lekarz generuje dodatkowo około 6600 zł przychodu miesięcznie. Dla 50 lekarzy to 330 000 zł. Koszt integracji takiego agenta to ułamek tej kwoty, zwłaszcza że model nie wymaga własnej infrastruktury treningowej – można skorzystać z gotowych API dostawców LLM.

Dodatkowo 31% mniej przeoczonych sygnałów alarmowych przekłada się na niższe ryzyko pozwów i lepsze wskaźniki jakości opieki, co ma znaczenie przy kontraktach z NFZ i prywatnymi ubezpieczycielami.

Od czego zacząć

Nie rzucałbym się od razu na wdrożenie we wszystkich kanałach. Z doświadczeń pilotaży, które widziałem, najlepiej sprawdza się start od jednego, dobrze zdefiniowanego obszaru – na przykład triażu bólu brzucha u dorosłych albo wstępnej oceny objawów infekcyjnych. Potrzebujesz zbioru historycznych transkrypcji konsultacji (minimum kilkaset) do kalibracji modelu i zdefiniowania listy sygnałów alarmowych, które agent ma wyłapywać. Współpraca z klinicystami przy tworzeniu scenariuszy kontradyktoryjnych jest kluczowa, żeby symulator zachowywał się realistycznie.

Integracja techniczna to zazwyczaj REST API i dostosowanie interfejsu pacjenta – chatbot tekstowy lub głosowy. Całość można przetestować w ciągu 4-6 tygodni na ograniczonej grupie pacjentów, mierząc czas konsultacji, odsetek eskalacji i satysfakcję lekarzy. Jeśli wyniki się potwierdzą, skalowanie na kolejne obszary jest stosunkowo proste.

• Redukcja przeoczeń sygnałów alarmowych o 31%
• Wzrost trafności wstępnej diagnozy o 7%
• Oszczędność czasu lekarza średnio o 10 minut na konsultację

Artykuł wygenerowany ze wsparciem sztucznej inteligencji.