Kiedy AI trafia do szpitala: co zmienia się dla lekarzy i pacjentów

W moim poprzednim felietonie przyglądałem się medycznej AI z perspektywy biznesowej, skupiając się na możliwościach, jakie stwarza ona dla firm technologicznych. Jednak poza potencjałem innowacji i otwieraniem nowych rynków pozostaje bardziej fundamentalne pytanie: jak te technologie wpłyną na lekarzy, którzy z nich korzystają, i pacjentów, którzy na nich polegają? W końcu prawdziwa wartość innowacji medycznych polega na tym, że mogą poprawiać jakość i dostępność opieki zdrowotnej. Już teraz obserwuję, jak znacząco zmieniają się sposoby jej świadczenia.

Jak niedobór personelu przyspiesza automatyzację opieki zdrowotnej

Znam przedsiębiorcę, którego firma zapewnia szpitalom personel medyczny na zastępstwo, w tym pielęgniarki zastępujące pracowników, którzy nie mogą przyjść do pracy. Można by się spodziewać, że taka działalność będzie rozkwitać w obliczu utrzymującego się niedoboru personelu. Przedsiębiorca twierdzi jednak, że nawet firmy specjalizujące się w dostarczaniu pracowników ochrony zdrowia mają trudności ze znalezieniem wystarczającej liczby wykwalifikowanych osób.

Szpitale od dziesięcioleci borykają się z niedoborem lekarzy i pielęgniarek. Kształcenie nowych pracowników ochrony zdrowia wymaga znacznych nakładów czasu i środków. Studia medyczne, szczególnie w Stanach Zjednoczonych, mogą być bardzo kosztowne, a lata nauki i szkolenia klinicznego wiążą się z presją finansową i psychiczną. Nawet po ukończeniu szkolenia lekarze zmagają się z wysokim poziomem stresu, ogromną odpowiedzialnością i nieustannym brakiem czasu.

W rezultacie lekarze mają czasem zaledwie kilka minut na każdego pacjenta: muszą przeanalizować objawy, rozważyć możliwe rozpoznania, zlecić badania i sporządzić niezbędną dokumentację. Takie obciążenie zwiększa ryzyko błędów i pozostawia mniej czasu na wartościowy kontakt z pacjentem. Samo zatrudnienie większej liczby pracowników prawdopodobnie nie rozwiąże problemu.

Dlatego uważam, że utrzymujący się niedobór personelu i rosnące obciążenie pracą będą jednymi z głównych czynników przyspieszających wdrażanie AI w szpitalach.

Jakie zadania lekarze mogą powierzyć AI?

Jednym z najbardziej praktycznych zastosowań są systemy oparte na AI, które nagrywają rozmowy lekarzy z pacjentami, podsumowują konsultacje i pomagają przygotowywać dokumentację kliniczną. Zamiast poświęcać czas na ręczne sporządzanie notatek, lekarze otrzymują ich wersję roboczą, którą mogą w razie potrzeby sprawdzić i poprawić.

Korzyści płynące z tych narzędzi są już widoczne w praktyce klinicznej. Badanie opublikowane w JAMA w kwietniu 2026 r. objęło analizę danych od ponad 8500 pracowników ochrony zdrowia z pięciu amerykańskich ośrodków medycznych. Wśród klinicystów, którzy zaczęli korzystać z narzędzi AI do sporządzania dokumentacji, czas poświęcany na notatki kliniczne skrócił się średnio o 10%, czyli o około 16 minut na każde osiem godzin zaplanowanych wizyt pacjentów.

Innym przykładem jest wspomagane przez AI różnicowanie rozpoznań. Wyobraźmy sobie pacjenta, który zgłasza się do lekarza z bólem brzucha i mrowieniem po lewej stronie ciała. System AI może przeanalizować objawy i zasugerować kilka możliwych przyczyn do zbadania. Nie stawia ostatecznego rozpoznania, ale może pomóc lekarzowi sporządzić listę możliwości, wskazać pytania uzupełniające i ustalić, jakie badania mogą być potrzebne. Spotkałem się już z takimi narzędziami w praktyce i spodziewam się, że staną się stałym elementem konsultacji lekarskich. Budzą jednak również uzasadnione obawy: czy poleganie na podpowiedziach generowanych przez AI może stopniowo osłabiać zdolność lekarzy do samodzielnego rozumowania? Gdy system podsuwa gotowe odpowiedzi, łatwo zaufać jego wnioskom, zwłaszcza gdy na każdego pacjenta już teraz jest tak mało czasu.

Jest jednak i druga strona tej kwestii. Niezależnie od doświadczenia lekarza jego wiedzę nieuchronnie kształtują pacjenci, których leczył, otrzymane wykształcenie i badania naukowe, z którymi zdążył się zapoznać. Tymczasem modele AI mogą potencjalnie wykrywać wzorce w znacznie większych zbiorach danych medycznych, obejmujących również przypadki, z którymi dany lekarz nigdy się nie zetknął.

AI jako uczestnik badań medycznych

Warto również przyjrzeć się złożonym przypadkom klinicznym, w których nawet doświadczeni specjaliści mają trudności z osiągnięciem porozumienia. Obecnie takie przypadki często omawia się na konsyliach lekarskich, podczas których lekarze analizują wyniki badań, dyskutują o możliwych rozpoznaniach i uzgadniają dalsze etapy leczenia. Nie sądzę, by AI zastąpiła te dyskusje, ale wyobrażam sobie, że mogłaby stać się ich kolejnym uczestnikiem.

Można to zorganizować na kilka sposobów. Wiele modeli mogłoby niezależnie przeanalizować ten sam przypadek kliniczny, dzięki czemu lekarze mogliby porównać wyniki i wskazać obszary zgodności lub rozbieżności. Można też poprosić jeden model o wielokrotną analizę przypadku z zastosowaniem różnych metod, a następnie zestawić wyniki do wspólnego omówienia.

Oczywiście zgodność między modelami AI nie oznacza, że doszły one do prawidłowego wniosku. Modele mogą mieć podobne ograniczenia, opierać się na zbliżonych danych treningowych i popełniać te same błędy. Mimo to dodatkowe spojrzenia mogą pomóc wykryć niespójności, zwrócić uwagę na rzadkie schorzenia lub podsunąć możliwości, których lekarze początkowo nie brali pod uwagę.

Aby sztuczna inteligencja mogła w istotny sposób uczestniczyć w takich dyskusjach, musi jednak brać pod uwagę coś więcej niż pojedyncze wyniki badań. Znaczenie tego szerszego kontekstu klinicznego dostrzegłem na własne oczy podczas naszej pracy w Keymakr. W jednym z projektów dotyczących obrazowania ultrasonograficznego pracowaliśmy ze skanami tych samych pacjentów wykonanymi w różnych terminach — czasem kilka razy w ciągu jednego dnia, a następnie ponownie po kilku miesiącach. Zespół opisywał struktury anatomiczne i wskazywał potencjalne nieprawidłowości do oceny przez specjalistów, uwzględniając przy tym zmiany widoczne w kolejnych badaniach pacjentów.

Drobne niespójności w poszczególnych dokumentacjach mogły wpływać na interpretację powiązanych danych z całego zbioru. To doświadczenie uświadomiło mi, jak ważne jest całościowe uwzględnianie historii medycznej pacjenta — co byłoby równie istotne w przypadku systemów sztucznej inteligencji wspierających podejmowanie złożonych decyzji klinicznych.

Rezonans magnetyczny bez aparatu do rezonansu magnetycznego

Postawienie diagnozy nie polega jednak wyłącznie na prawidłowej interpretacji danych medycznych. Trzeba je również najpierw pozyskać. Jeden z najciekawszych projektów dotyczących sztucznej inteligencji, z jakimi się zetknąłem podczas wydarzenia poleconego przez Scryon, odpowiada właśnie na to wyzwanie. Zespół programistów opracował metodę, która pozwala wykorzystać obrazy z tomografii komputerowej oraz kilka zdjęć rentgenowskich wykonanych pod różnymi kątami do odtworzenia obrazu przypominającego obraz z rezonansu magnetycznego za pomocą sztucznej inteligencji. Pomysł zrodził się z bardzo praktycznego problemu: aparaty do rezonansu magnetycznego są drogie, a pacjenci czasami muszą czekać na badanie miesiącami, podczas gdy aparaty rentgenowskie i tomografy komputerowe są znacznie szerzej dostępne.

Obecnie technologia koncentruje się na kolanie, choć jej twórcy rozważają rozszerzenie jej zastosowania na inne stawy. Według zespołu odtworzone obrazy mają dostarczać informacji porównywalnych z tymi uzyskiwanymi w badaniu rezonansem magnetycznym, mimo że stosowane techniki obrazowania opierają się na różnych zasadach fizycznych.

Zamiast opracowywać kolejne drogie urządzenie medyczne, zespół wykorzystuje istniejące technologie obrazowania i rozszerza ich możliwości dzięki odtwarzaniu obrazów z użyciem sztucznej inteligencji.

Sala operacyjna bez granic

Spodziewam się, że w ciągu najbliższej dekady sztuczna inteligencja będzie odgrywać jakąś rolę w co najmniej połowie wszystkich procesów medycznych. Mam na myśli szeroki zakres zastosowań — od analizy danych medycznych i wsparcia diagnostyki po wskazówki udzielane przez sztuczną inteligencję w czasie rzeczywistym podczas zabiegów chirurgicznych.

W dłuższej perspektywie technologie te mogłyby również pomóc pokonać finansowe, organizacyjne, a nawet geograficzne bariery w dostępie do opieki zdrowotnej. Wyobraźmy sobie doświadczonego chirurga ze Stanów Zjednoczonych, który pomaga przeprowadzić operację dziecka w Indiach, albo specjalistę w Indiach wspierającego leczenie pacjenta w Kanadzie — bez fizycznej obecności na sali operacyjnej. Postępy w dziedzinie robotyki, systemów zdalnego sterowania i wspomagania zabiegów chirurgicznych przez sztuczną inteligencję mogłyby urzeczywistnić takie scenariusze.

Już teraz obserwujemy pierwsze kroki w tym kierunku. Na przykład platforma Proximie umożliwia chirurgom zdalne łączenie się z salami operacyjnymi, obserwowanie zabiegów w czasie rzeczywistym i współpracę z zespołami medycznymi obecnymi na miejscu. System obsługuje transmisję wideo na żywo, komunikację głosową i adnotacje wizualne, a także wykorzystuje sztuczną inteligencję do analizy danych dotyczących przebiegu zabiegów chirurgicznych. Nie oznacza to, że chirurdzy mogą już przeprowadzać zdalnie dowolne operacje, ale specjaliści mogą dzielić się swoją wiedzą i udzielać wskazówek, nie przebywając w tej samej sali operacyjnej.

Uważam, że poprawa dostępu do opieki zdrowotnej powinna być jednym z głównych celów wykorzystania sztucznej inteligencji w medycynie. Najważniejsze jest to, czy te technologie mogą pomóc skrócić czas oczekiwania na badania diagnostyczne, zmniejszyć obciążenie pracowników ochrony zdrowia i zapewnić lekarzom więcej czasu dla pacjentów. Ostatecznie mierzyłbym skuteczność sztucznej inteligencji w medycynie liczbą osób, które dzięki niej mogą otrzymać wysokiej jakości opiekę medyczną na czas.