Sztuczna inteligencja (AI) coraz wyraźniej zmienia codzienną praktykę medyczną – od diagnostyki obrazowej po analizę danych klinicznych. Nowoczesne algorytmy pozwalają skrócić wybrane sekwencje rezonansu magnetycznego o ponad 70%, a przygotowanie dokumentacji medycznej nawet kilkukrotnie. Podczas AI in Pharma Innovation Summit 2026, zorganizowanego 15 października przez AstraZeneca w Warszawie, eksperci wskazali jednak, że rozwój technologii musi iść w parze z bezpieczeństwem pacjentów, odpowiedzialnością lekarzy i odpowiednią jakością danych.
Z tego artykułu dowiesz się…
- Jak sztuczna inteligencja przyspiesza diagnostykę obrazową i przygotowywanie dokumentacji medycznej.
- W jaki sposób AI wspiera badania kliniczne, analizę danych medycznych i rozwój nowych technologii farmaceutycznych.
- Jakie możliwości oferują rozwiązania Deep Resolve, DocuMinds, SYNDATA oraz modele ETHOS i PLLuM.
- Jakie wyzwania związane z bezpieczeństwem pacjentów, odpowiedzialnością lekarzy i ochroną danych utrudniają wdrażanie AI w medycynie.
Sztuczna inteligencja w medycynie – możliwości i wyzwania
Druga edycja AI in Pharma Innovation Summit odbyła się w warszawskim Forum.MedTech. Wydarzenie zgromadziło przedstawicieli środowiska medycznego, naukowego, administracji publicznej i sektora farmaceutycznego. Patronat nad konferencją objęły Ministerstwo Cyfryzacji, Uniwersytet Medyczny we Wrocławiu oraz Medonet.
Jednym z najważniejszych tematów była odpowiedzialność za decyzje podejmowane przy wsparciu algorytmów. Eksperci zastanawiali się, czy formalne zatwierdzenie rekomendacji AI przez lekarza rzeczywiście oznacza zachowanie kontroli nad procesem diagnostycznym i terapeutycznym. Podczas panelu „Sztuczna inteligencja w ochronie zdrowia i farmacji: Wnioski na dziś” prof. Aleksandra Przegalińska z Akademii Leona Koźmińskiego zwróciła uwagę na ryzyko stopniowego ograniczania udziału człowieka w procesach wykorzystujących AI.
Human in the loop, o które prosimy, coraz bardziej się odsuwa. Żeby proces był szybszy, wyprowadzamy z niego człowieka, a jego akceptacja na końcu staje się w pewnym sensie fabrykacją fikcji.
Ekspertka podkreśliła potrzebę niezależnych, zewnętrznych testów bezpieczeństwa modeli przed ich wprowadzeniem na rynek. Z kolei Robert Dewor, dyrektor medyczny AstraZeneca Polska, wskazał na zagrożenia wynikające z wykorzystywania danych historycznych do trenowania algorytmów.
Modele uczące się na danych historycznych mogą powielać istniejące błędy i uprzedzenia, dlatego tak ważne są weryfikacja rezultatów oraz odpowiedzialność za decyzje podejmowane z wykorzystaniem nowych technologii.
AI skraca czas rezonansu magnetycznego o ponad 70%
Jednym z najbardziej konkretnych przykładów zastosowania sztucznej inteligencji przedstawionych podczas konferencji była technologia Deep Resolve firmy Siemens Healthineers. Marcin Dębiński z Siemens Healthineers Polska zaprezentował możliwości wykorzystania AI w diagnostyce obrazowej. W przypadku wybranej sekwencji rezonansu magnetycznego głowy czas akwizycji obrazu skrócono z 2 minut i 46 sekund do zaledwie 46 sekund.
Oznacza to redukcję czasu o około 72%, przy jednoczesnej poprawie rozdzielczości obrazu. Takie rozwiązania mogą zwiększać wydajność pracowni diagnostycznych, ograniczać dyskomfort pacjentów i usprawniać organizację badań. Należy jednak zaznaczyć, że przedstawione wyniki dotyczą konkretnej sekwencji obrazowania, a nie całego badania rezonansu magnetycznego.
Dokumentacja medyczna z AI – opis USG w 75 sekund
Sztuczna inteligencja może również ograniczać czas poświęcany przez personel medyczny na obowiązki administracyjne. Monika Łukaszek z Newton Technologies zaprezentowała narzędzie rozpoznawania mowy, które wspiera przygotowywanie dokumentacji medycznej. W przedstawionym przykładzie sporządzenie opisu badania USG zajęło:
- 1 minutę i 15 sekund – przy wykorzystaniu rozpoznawania mowy.
- 7 minut – podczas tradycyjnego wpisywania tekstu na klawiaturze.
Co istotne, dyktowany opis nie zawierał błędów literowych, natomiast w tekście wpisanym ręcznie pojawiły się trzy literówki. Demonstracja pokazuje potencjał automatyzacji dokumentacji, choć nie stanowi jeszcze dowodu na podobną skuteczność rozwiązania we wszystkich warunkach klinicznych.
Sztuczna inteligencja w badaniach klinicznych i rozwoju leków
Zastosowanie AI w sektorze farmaceutycznym wykracza poza diagnostykę. Algorytmy mogą wspierać analizę dokumentacji, przygotowanie badań klinicznych oraz weryfikację systemów informatycznych. Podczas konferencji przedstawiono dwa projekty rozwijane z udziałem ekspertów AstraZeneca.
DocuMinds – analiza tysięcy stron dokumentacji
Projekt DocuMinds, opracowany przez Natalię Jermakow, Jakuba Fodera i Cypriana Winogradowa, zwyciężył w hackathonie zorganizowanym przez AstraZeneca Warsaw AI Center of Excellence. Narzędzie wykorzystuje różne metody wyszukiwania i przetwarzania tekstu, aby usprawniać analizę obszernych dokumentów związanych z badaniami klinicznymi.
Autorzy zwrócili jednak uwagę, że błędy powstające na kolejnych etapach pracy systemu mogą się kumulować. Dlatego model językowy powinien wspierać specjalistów, a nie zastępować ich ocenę ekspercką.
SYNDATA – dane syntetyczne w badaniach klinicznych
Prof. Mariusz Pańczyk z Warszawskiego Uniwersytetu Medycznego i Szymon Musik z AstraZeneca zaprezentowali projekt SYNDATA. Rozwiązanie wykorzystuje dane syntetyczne do testowania systemów informatycznych obsługujących badania kliniczne jeszcze przed rozpoczęciem gromadzenia rzeczywistych danych pacjentów. Pozwala to wcześniej identyfikować potencjalne nieprawidłowości, sprawdzać działanie systemów i usprawniać przygotowanie procesów badawczych.
Modele ETHOS i PLLuM – nowe kierunki rozwoju AI
Ważnym zagadnieniem była również możliwość wykorzystania zaawansowanych modeli językowych do analizowania historii chorób i przewidywania zdarzeń klinicznych. Dr Szymon Biegański z Harvard Medical School omówił potencjał modeli takich jak ETHOS, które mogą wspierać prognozowanie ryzyka zdrowotnego na podstawie danych medycznych.
W przyszłości tego rodzaju narzędzia mogą pomagać w identyfikowaniu pacjentów wymagających szczególnej obserwacji oraz planowaniu bardziej spersonalizowanej opieki. Ich zastosowanie wymaga jednak odpowiedniej walidacji klinicznej. Z kolei Dominika Grajewska z NASK przedstawiła polski model językowy PLLuM, rozwijany z uwzględnieniem specyfiki języka polskiego. Projekt wskazuje na znaczenie krajowych kompetencji technologicznych i rozwiązań dostosowanych do potrzeb polskich instytucji.
Najważniejsze bariery wdrażania AI w polskiej ochronie zdrowia
Eksperci AI in Pharma Innovation Summit 2026 podkreślili, że skuteczne wykorzystanie sztucznej inteligencji zależy nie tylko od jakości algorytmów, lecz także od przygotowania całego systemu ochrony zdrowia. Do najważniejszych wyzwań należą:
- Interoperacyjność systemów medycznych – umożliwienie bezpiecznej wymiany danych pomiędzy placówkami i systemami informatycznymi.
- Ochrona danych pacjentów – stworzenie przejrzystych zasad dostępu do informacji medycznych i ich wykorzystania w badaniach.
- Kompetencje cyfrowe personelu – rozwijanie umiejętności krytycznej oceny wyników generowanych przez AI.
- Odpowiedzialność i nadzór – określenie zasad kontroli algorytmów oraz odpowiedzialności za decyzje podejmowane z ich wykorzystaniem.
Dr Michał Boni z Fundacji Digital Poland zwrócił uwagę na ograniczoną interoperacyjność polskich systemów medycznych. Jako przykład dobrego rozwiązania wskazał estoński Data Tracker, umożliwiający pacjentom sprawdzanie, kto i kiedy korzystał z ich danych. Dr Kamila Ludwikowska z Uniwersytetu Medycznego we Wrocławiu podkreśliła natomiast znaczenie bezpiecznego udostępniania zanonimizowanych danych do celów naukowych.
AI Act i odpowiedzialność za systemy sztucznej inteligencji
Wdrażanie sztucznej inteligencji w ochronie zdrowia wiąże się również z nowymi wymaganiami prawnymi. Eksperci kancelarii Wardyński i Wspólnicy omówili znaczenie unijnego rozporządzenia AI Act oraz nowej dyrektywy dotyczącej odpowiedzialności za produkty wadliwe, obejmującej także oprogramowanie. W przypadku medycznych systemów AI szczególnie istotne są ocena ryzyka, bezpieczeństwo działania, odpowiednia dokumentacja i skuteczny nadzór człowieka.
Regulacje mają sprzyjać odpowiedzialnemu wdrażaniu innowacji, a jednocześnie ograniczać ryzyko związane z wykorzystaniem technologii w procesach wpływających na zdrowie i życie pacjentów.
O Forum.MedTech
Forum.MedTech to bezpłatna przestrzeń dialogu i współpracy łącząca środowiska naukowe, medyczne, technologiczne i biznesowe. Inicjatywa powstała z inspiracji AstraZeneca w ramach działań wspierających rozwój innowacji w ochronie zdrowia. Forum integruje ekspertów, naukowców, studentów, przedsiębiorców oraz przedstawicieli organizacji pacjenckich, umożliwiając wymianę wiedzy, prowadzenie debat i realizację wspólnych projektów. Jego celem jest wspieranie rozwiązań odpowiadających na współczesne wyzwania medycyny, w tym rozwój i odpowiedzialne wykorzystanie nowych technologii.
Główne wnioski
- Sztuczna inteligencja znacząco przyspiesza diagnostykę obrazową. Technologia Deep Resolve firmy Siemens Healthineers skróciła czas wybranej sekwencji rezonansu magnetycznego głowy z 2 minut i 46 sekund do 46 sekund, czyli o około 72%, przy jednoczesnej poprawie rozdzielczości obrazu.
- AI usprawnia przygotowywanie dokumentacji medycznej. Narzędzie Newton Technologies umożliwiło sporządzenie opisu USG w 1 minutę i 15 sekund, podczas gdy ręczne wpisanie tego samego tekstu zajęło 7 minut.
- Sztuczna inteligencja wspiera badania kliniczne i analizę danych. Projekty AstraZeneca, takie jak DocuMinds i SYNDATA, pomagają analizować dokumentację oraz testować systemy badawcze. Z kolei modele ETHOS mogą wspierać prognozowanie zdarzeń klinicznych.
- Bezpieczeństwo pacjentów i odpowiedzialność za decyzje pozostają kluczowymi wyzwaniami. Eksperci AI in Pharma Innovation Summit 2026 podkreślili znaczenie niezależnej walidacji algorytmów, interoperacyjności danych, kompetencji cyfrowych personelu oraz regulacji AI Act.
Źródło:
- Informacja prasowa
