Když AI vstoupí do nemocnice: co se změní pro lékaře a pacienty

Ve svém předchozím sloupku jsem se na medicínskou AI podíval z obchodního hlediska a zaměřil se na příležitosti, které přináší technologickým společnostem. Vedle potenciálu pro inovace a vznik nových trhů se však nabízí ještě zásadnější otázka: jaký dopad budou mít tyto technologie na lékaře, kteří je používají, a pacienty, kteří se na ně spoléhají? Skutečná hodnota inovací v medicíně totiž spočívá v jejich schopnosti zlepšovat kvalitu a dostupnost péče. Už nyní navíc pozoruji pozoruhodné změny v tom, jak lze péči poskytovat.

Jak nedostatek personálu urychluje automatizaci zdravotnictví

Znám podnikatele, jehož společnost zajišťuje nemocnicím dočasný zdravotnický personál, včetně zdravotních sester, které zastupují stálé zaměstnance, když nejsou k dispozici. Člověk by čekal, že se podobnému podnikání bude v době přetrvávajícího nedostatku personálu dařit. Podle něj však mají problém najít dostatek kvalifikovaných lidí dokonce i společnosti specializující se na zajišťování zdravotnických pracovníků.

Nemocnice se potýkají s nedostatkem lékařů a zdravotních sester už desítky let. Vzdělávání nových zdravotnických pracovníků vyžaduje značný čas i prostředky. Lékařské vzdělání, zejména ve Spojených státech, může být příliš nákladné a roky studia a klinické praxe s sebou přinášejí finanční i psychickou zátěž. Lékaři čelí vysoké míře stresu, obrovské odpovědnosti a neustálému nedostatku času i po dokončení vzdělání.

Lékaři tak někdy mají na každého pacienta jen několik minut, během nichž musí zhodnotit příznaky, zvážit možné diagnózy, nařídit vyšetření a vyplnit potřebnou dokumentaci. Tato pracovní zátěž zvyšuje riziko chyb a ponechává méně času na smysluplný kontakt s pacientem. Samotné přijetí dalších zaměstnanců problém pravděpodobně nevyřeší.

Proto se domnívám, že přetrvávající nedostatek personálu a rostoucí pracovní zátěž budou patřit k hlavním faktorům, které urychlí zavádění AI v nemocnicích.

Co mohou lékaři svěřit AI?

Jedním z nejpraktičtějších využití jsou systémy poháněné AI, které zaznamenávají rozhovory mezi lékaři a pacienty, shrnují konzultace a pomáhají připravovat klinickou dokumentaci. Lékaři místo ručního psaní poznámek dostanou návrh, který mohou podle potřeby zkontrolovat a upravit.

Přínosy těchto nástrojů se již začínají projevovat v klinické praxi. Studie publikovaná v JAMA v dubnu 2026 analyzovala údaje od více než 8 500 zdravotnických pracovníků z pěti zdravotnických center v USA. U klinických pracovníků, kteří začali používat nástroje AI pro dokumentaci, se čas věnovaný klinickým poznámkám zkrátil v průměru o 10 %, což odpovídá přibližně 16 minutám za každé osmihodinové období plánovaných návštěv pacientů.

Dalším příkladem je diferenciální diagnostika s podporou AI. Představme si pacienta, který přijde k lékaři s bolestí břicha a brněním na levé straně těla. Systém AI může analyzovat příznaky a navrhnout několik možných příčin, které je třeba prověřit. Konečnou diagnózu nestanoví, může však lékaři pomoci sestavit seznam možností, určit doplňující otázky a rozhodnout, která vyšetření by mohla být nutná. S podobnými nástroji jsem se již v praxi setkal a očekávám, že se stanou běžnou součástí lékařských konzultací. Zároveň ale vyvolávají oprávněnou obavu: mohlo by spoléhání na návrhy vytvořené AI postupně oslabit schopnost lékařů samostatně uvažovat? Když systém nabídne hotové odpovědi, je lákavé důvěřovat jeho závěrům, zvlášť když už tak mají lékaři na každého pacienta tak málo času.

Tato otázka má však i druhou stránku. Bez ohledu na to, jak zkušený lékař je, jeho znalosti nevyhnutelně ovlivňují pacienti, které léčil, vzdělání, kterým prošel, a odborné studie, na jejichž čtení měl čas. Modely AI naproti tomu mohou rozpoznávat vzorce v mnohem rozsáhlejších souborech zdravotnických dat, včetně případů, s nimiž se konkrétní lékař možná nikdy nesetkal.

AI jako účastník lékařského výzkumu

Další oblastí, kterou stojí za to prozkoumat, jsou složité klinické případy, u nichž se ani zkušení specialisté obtížně shodují. Dnes se takové případy často probírají na klinických poradách nad kazuistikami, kde lékaři hodnotí výsledky vyšetření, diskutují o možných diagnózách a dohodnou se na dalších krocích léčby. Nemyslím si, že AI tyto diskuse nahradí, dokážu si však představit, že se stane jejich dalším účastníkem.

Mohlo by to fungovat několika způsoby. Více modelů by mohlo nezávisle analyzovat tentýž klinický případ, což by lékařům umožnilo porovnat jejich zjištění a určit, v čem se shodují a v čem rozcházejí. Jinou možností je, že jeden model případ několikrát posoudí pomocí různých analytických přístupů a výsledky se pak spojí ke společnému posouzení.

Shoda mezi modely AI samozřejmě ještě neznamená, že dospěly ke správnému závěru. Mohou mít společné nedostatky, vycházet z podobných trénovacích dat a dopouštět se stejných chyb. Tyto další pohledy by přesto mohly pomoci odhalit nesrovnalosti, upozornit na vzácná onemocnění nebo navrhnout možnosti, které lékaře zpočátku nenapadly.

Aby se AI mohla do podobných diskusí smysluplně zapojit, musí zohledňovat víc než jen jednotlivé výsledky testů. Význam širšího klinického kontextu jsem si na vlastní kůži ověřil při naší práci ve společnosti Keymakr. V jednom projektu zaměřeném na ultrazvukové zobrazování jsme pracovali se snímky stejných pacientů pořízenými v různých časech, někdy několikrát denně a znovu pak o několik měsíců později. Tým označoval anatomické struktury a upozorňoval na možné abnormality, které měli posoudit specialisté, a přitom zohledňoval změny v průběhu pacientovy historie vyšetření.

Drobné nesrovnalosti v jednotlivých záznamech mohly ovlivnit interpretaci souvisejících údajů v celém souboru dat. Tato zkušenost mi připomněla, jak důležité je posuzovat pacientovu zdravotní historii jako celek – což by bylo stejně zásadní i u systémů AI podporujících složitá klinická rozhodnutí.

Magnetická rezonance bez přístroje MRI

Stanovení diagnózy však nespočívá jen ve správné interpretaci zdravotních údajů. Záleží také na tom, zda je vůbec možné tyto údaje získat. Jeden z nejzajímavějších projektů v oblasti AI, se kterými jsem se setkal na akci doporučené společností Scryon, řeší právě tuto výzvu. Tým vývojářů přišel na způsob, jak pomocí umělé inteligence z CT snímků a několika rentgenových snímků pořízených z určitých úhlů vytvořit obraz podobný snímku z MRI. Nápad vzešel z velmi praktického problému: přístroje MRI jsou drahé a pacienti někdy musí na vyšetření čekat celé měsíce, zatímco rentgenové a CT přístroje jsou mnohem dostupnější.

Technologie se zatím zaměřuje na koleno, vývojáři však zvažují její rozšíření i na další klouby. Podle týmu mají rekonstruované snímky poskytovat informace srovnatelné se snímky z MRI, přestože tyto zobrazovací metody vycházejí z odlišných fyzikálních principů.

Tým místo vývoje dalšího nákladného zdravotnického přístroje využívá stávající zobrazovací technologie a rozšiřuje jejich možnosti pomocí rekonstrukce obrazu podporované AI.

Operační sál bez hranic

Očekávám, že AI bude v příštím desetiletí hrát nějakou roli nejméně v polovině všech zdravotnických procesů. Mám na mysli širokou škálu využití, od analýzy zdravotních údajů a podpory diagnostiky až po navádění pomocí AI v reálném čase během chirurgických zákroků.

Z dlouhodobého hlediska by tyto technologie mohly pomoci překonat také finanční, organizační, a dokonce i geografické překážky v přístupu ke zdravotní péči. Představte si zkušeného chirurga ve Spojených státech, který pomáhá při operaci dítěte v Indii, nebo specialistu v Indii, který pomáhá léčit pacienta v Kanadě, aniž by byl fyzicky přítomen na operačním sále. Pokrok v robotice, systémech dálkového ovládání a chirurgické asistenci podporované AI by mohl podobné situace umožnit.

První kroky tímto směrem už vidíme. Platforma Proximie například umožňuje chirurgům vzdáleně se připojit k operačním sálům, sledovat zákroky v reálném čase a spolupracovat se zdravotnickými týmy na místě. Systém podporuje živý přenos videa, hlasovou komunikaci a vizuální anotace a pomocí AI analyzuje údaje o pracovních postupech při operacích. To neznamená, že chirurgové už mohou na dálku provádět jakékoli operace, specialistům to však umožňuje sdílet své znalosti a poskytovat rady, aniž by museli být ve stejném operačním sále.

Domnívám se, že zlepšení přístupu ke zdravotní péči by mělo patřit k hlavním cílům lékařské AI. Rozhodující je, zda tyto technologie mohou zkrátit čekací dobu na diagnostická vyšetření, snížit pracovní zátěž zdravotnických pracovníků a dopřát lékařům více času na pacienty. Úspěšnost lékařské AI bych nakonec měřil podle toho, o kolik více lidí díky ní může dostat kvalitní zdravotní péči včas.