Piotr Sędzik jest założycielem i CEO Momentum – firmy działającej w obszarze health tech. Publicznie opisuje kierunek rozwoju spółki jako przejście od ogólnego software house’u do firmy wyspecjalizowanej w projektach zdrowotnych. W materiałach Momentum podkreśla, że sektor health tech znajduje się na etapie intensywnej cyfryzacji, a firma koncentruje się na rozwiązaniach opartych na danych i wdrożeniach dla podmiotów zdrowotnych. Temat prezentacji był związany z koncepcją Personal Health Intelligence, czyli przekształcaniem osobistych danych zdrowotnych w użyteczne informacje, rekomendacje i sygnały wspierające decyzje zdrowotne. Chodzi nie tylko o samo gromadzenie danych z urządzeń ubieralnych, ale ich normalizację, łączenie z innymi źródłami i analizę w taki sposób, aby mogły wspierać profilaktykę, monitorowanie ryzyka, coaching zdrowotny, opiekę nad pacjentem i modele longevity.

Sędzik mówił o praktycznych projektach health tech realizowanych w Momentum oraz budowie open wearables, czyli otwartej, self-hosted warstwy danych, która ma integrować dane z Apple Health, Garmin, Oura, Polar i innych źródeł w jeden spójny model gotowy do użycia w produktach AI. Jak argumentował, „miliardy punktów danych są codziennie zbierane przez wearables, a prawie wszystkie donikąd nie trafiają”, ponieważ brakuje otwartej infrastruktury pozwalającej zamienić je w realną inteligencję zdrowotną. Dane z urządzeń różnią się formatem, częstotliwością pomiaru, definicjami parametrów i sposobem przetwarzania przez poszczególne platformy. Sen, tętno, aktywność, regeneracja czy obciążenie treningowe mogą być mierzone i opisywane inaczej w zależności od producenta. Bez wspólnej warstwy danych trudno budować narzędzia, które porównują informacje, wykrywają trendy i tworzą rekomendacje możliwe do wykorzystania w opiece zdrowotnej.

Sędzik w swoich materiałach podkreślił także znaczenie infrastruktury. Open wearables ma łączyć dane z 11 głównych dostawców i ponad 300 urządzeń w jedno znormalizowane API. Na tej warstwie mają powstawać kolejne elementy: health scores, agenci AI rozumiejący kontekst użytkownika oraz automatyzacja zdrowotnych procesów pracy. To przesuwa rozmowę o AI z samego algorytmu na wcześniejszy etap – jakość, dostępność i spójność danych. W takim modelu pacjent przestaje być wyłącznie odbiorcą interwencji medycznej po wystąpieniu objawów. Dane z wearables, EHR i badań laboratoryjnych mogą tworzyć bardziej ciągły zapis funkcjonowania organizmu. System może szybciej wykrywać zmiany, wskazywać odchylenia od indywidualnej normy, wspierać decyzje o konsultacji lub zmianie zachowań zdrowotnych. Zastosowania obejmują: digital clinics, programy longevity, profilaktykę metaboliczną, monitoring aktywności, regeneracji i snu oraz rozwiązania dla firm tworzących produkty zdrowotne.

Wątek Personal Health Intelligence dotyczy również relacji pacjenta z systemem ochrony zdrowia. W modelu reaktywnym pacjent trafia do systemu najczęściej wtedy, gdy pojawia się objaw, wynik badania albo pogorszenie stanu zdrowia. Model predykcyjny zakłada wcześniejsze wykorzystywanie danych, aby identyfikować ryzyko, wspierać profilaktykę i personalizować zalecenia. W takim podejściu znaczenie mają nie tylko lekarze i placówki, ale także infrastruktura danych, integracje, bezpieczeństwo, przejrzystość algorytmów i odpowiedzialność za rekomendacje generowane przez systemy AI.

Prezentacja na MEDmeetsTECH pokazała Personal Health Intelligence jako jeden z kierunków rozwoju health tech – od zbierania danych, przez urządzenia i systemy medyczne, po budowę warstw analitycznych, które mają pomagać w profilaktyce, personalizacji opieki i tworzeniu nowych usług zdrowotnych.