W 2024 r. 13,2% szpitali w Polsce korzystało z narzędzi opartych na sztucznej inteligencji, co oznacza ponad dwukrotny wzrost w porównaniu z 2023 r. (6,5%), pokazują dane zebrane przez Centrum e-Zdrowia i Ministerstwo Zdrowia [1]. AI jest najczęściej stosowana w diagnostyce obrazowej – analizie tomografii komputerowej (33,9%) i rezonansu magnetycznego (15,9%). Inne zastosowania to obsługa pacjentów z wykorzystaniem chatbotów (18%) oraz wspomaganie decyzji klinicznych poprzez analizę danych pacjentów (16,2%). Placówki medyczne planują rozwój zastosowań AI przede wszystkim w: obsłudze pacjentów (52,6%), diagnostyce obrazowej CT (36,7%) i MRI (29%), analizie danych medycznych (28,8%) oraz predykcji zdarzeń niepożądanych (18,7%). – Sztuczna inteligencja już dziś realnie wspiera lekarzy w codziennej praktyce – od precyzyjnego obrazowania w kardiologii po automatyzację diagnostyki nowotworów mózgu. Projekty, takie jak ECBIG-MOSAIC, realizowane w Poznaniu przez Instytut Chemii Bioorganicznej PAN wraz z partnerami, m.in. Poznańskim Centrum Superkomputerowo-Sieciowym (PCSS), integrują dane biomedyczne i kliniczne w celu budowy zaawansowanych modeli predykcyjnych. Dzięki temu możliwe staje się tworzenie spersonalizowanych rekomendacji terapeutycznych i rozwój nowoczesnej, proaktywnej opieki zdrowotnej – komentuje Paweł Szymański, Senior Systems Engineer, Healthcare & Life Science w Dell Technologies.

GenAI bazuje na danych, co daje pracownikom ochrony zdrowia wyjątkową szansę na osiągnięcie wymiernych korzyści. Największy potencjał tkwi w obszarach z dużą ilością nieustrukturyzowanych danych, takich jak: obrazy, nagrania wideo, notatki lekarskie czy e-maile. GenAI potrafi zautomatyzować przetwarzanie tych danych, np. łącząc notatki lekarzy z odpowiednią korespondencją czy obrazami dotyczącymi danego pacjenta. Oto najważniejsze kwestie, na które warto zwrócić uwagę, by skutecznie rozpocząć pracę z tą technologią.

1) Określenie jasnego celu

Na początek warto zdefiniować konkretne cele związane z wdrożeniem GenAI – powinny one odpowiadać na rzeczywiste problemy biznesowe i być zgodne ze strategicznymi priorytetami w ochronie zdrowia, takimi jak: poprawa wyników leczenia, usprawnienie procesów czy zwiększenie efektywności operacyjnej. Możemy wytypować obszary, w których tradycyjne metody zawodzą, i zastanowić się, jak GenAI może wypełnić te luki. Przykłady obejmują: spersonalizowaną opiekę nad pacjentem, automatyzację dokumentacji medycznej czy wykorzystanie wirtualnych agentów do obsługi zapytań pacjentów. Z badania McKinsey wynika, że większość placówek rozpoczyna wdrażanie GenAI w obszarach, takich jak: dokumentacja, zarządzanie zasobami czy kontakt z pacjentami. Wprowadzając GenAI w codzienne procesy operacyjne, organizacje mogą zdobywać cenne doświadczenie i budować zaufanie do nowych technologii.

2) Odpowiednia infrastruktura danych

Jakość danych jest kluczowa. Brak jej kontroli może prowadzić do niepowodzenia projektów AI. Dane w ochronie zdrowia często są fragmentaryczne i rozproszone w różnych systemach, dlatego przed rozpoczęciem projektów konieczna jest ich konsolidacja i uporządkowanie. Rekomenduje się budowę solidnej infrastruktury danych obejmującej odpowiednie przepływy danych, bezpieczne magazynowanie i narzędzia do integracji informacji z różnych źródeł, takich jak: dokumentacja pacjentów, systemy obrazowania medycznego czy notatki kliniczne. – Stosowane rozwiązania powinny być skalowalne i dostosowane do rosnącej ilości danych, kładąc duży nacisk na bezpieczeństwo składowania brzegowego/lokalnego (edge) i centralnego (core), nie pomijając otwartości na możliwości związane z chmurą obliczeniową. Odpowiednia infrastruktura nie tylko usprawnia wdrożenia, ale także pozwala lepiej gospodarować budżetem i koncentrować środki na projektach o najwyższym priorytecie – dodaje Paweł Szymański.

3) Zasady zarządzania AI ustalone od samego początku

Organizacje muszą jasno określić zasady odpowiedzialnego korzystania ze sztucznej inteligencji. Warto od razu powołać strukturę zarządzania, która będzie obejmowała wytyczne dotyczące użycia danych pacjentów, zgodności z przepisami prawa oraz etycznego podejmowania decyzji. Kluczowe jest zaangażowanie różnych działów, takich jak IT, zespołów klinicznych i prawnych, we wspólne tworzenie zasad. Wdrażając GenAI, trzeba uwzględnić takie regulacje, jak: HIPAA, NIS2 czy wytyczne AIAct’u. Szczególnie ważne są kwestie etyczne, tj.: sprawiedliwość, dokładność działania algorytmów i uzyskanie świadomej zgody pacjentów. Należy także opracować ramy zarządzania ryzykiem, aby zapewnić pełną zgodność z obowiązującymi standardami branżowymi.

4) Kultura innowacji i uczenia się

Ważna jest także kultura otwartości na innowacje i eksperymentowanie. Warto łączyć zespoły IT z liderami klinicznymi w celu wspólnego projektowania rozwiązań, które nie tylko wykorzystują możliwości technologii, ale przede wszystkim – wspierają praktykę medyczną. Pomogą w tym odpowiednie zasoby, np. wewnętrzne narzędzia oparte na GenAI czy systemy wsparcia. Trzeba też upewnić się, że wszyscy rozumieją etyczne i operacyjne granice korzystania ze sztucznej inteligencji w opiece zdrowotnej. Kluczowe jest rozbijanie silosów między IT, personelem klinicznym i specjalistami ds. danych. Rekomenduje się, jako pierwszy krok, uruchomienie programu szkoleń, który nauczy pracowników ochrony zdrowia, jak skutecznie wykorzystywać narzędzia GenAI w codziennej pracy.

5) Mierzenie efektów i skalowanie wdrożeń

Organizacja może zacząć od niewielkich projektów pilotażowych, mierzyć efekty i rozwijać wdrożenia w oparciu o realne sukcesy. Jeśli GenAI pozwala np. na istotne ograniczenie liczby błędów administracyjnych w jednym dziale, warto rozważyć rozszerzenie rozwiązania na całą organizację. Regularna ocena wdrożeń pomoże upewnić się, że przynoszą one oczekiwane korzyści. Postępy należy monitorować za pomocą mierzalnych wskaźników (KPI), takich jak: poprawa efektywności, oszczędności kosztów czy poziom zadowolenia pacjentów. Informacja zwrotna pomaga udoskonalić modele AI, eliminować luki w procesach oraz identyfikować nowe możliwości wykorzystania GenAI. Gdy uda się odnieść sukces, możesz go powtórzyć w kolejnym dziale lub podobnym przypadku użycia.

GenAI – przyszłość ochrony zdrowia

Widać wyraźnie, że w kontekście ochrony zdrowia GenAI oznacza znacznie więcej niż tylko niewielkie usprawnienia. Od podniesienia efektywności operacyjnej po wsparcie prac klinicznych – synergia medycyny z technologią staje się fundamentem poprawy jakości opieki zdrowot nej.Jeśli chcesz wdrażać innowacje technologiczne i jesteś gotowy zrobić pierwszy krok, zacznij od opracowania strategii GenAI obejmującej procesy zarządzania i ramy przewidywania oraz reagowania na potencjalne wyzwania. Liderzy ochrony zdrowia już dziś stawiają sobie pytania typu: „Jak za pięć lat będzie wyglądało doświadczenie pacjenta i jaką rolę odegra w tym sztuczna inteligencja?”. Krajobraz ochrony zdrowia zmienia się bardzo szybko, a GenAI nie jest już tylko opcją. To kompas, który wyznacza kierunek rozwoju całej branży.