Sztuczna inteligencja coraz śmielej wkracza do ochrony zdrowia, jednak skuteczny model językowy to dopiero pierwszy etap budowania wartościowych rozwiązań dla medycyny. O tym, jakie warunki muszą zostać spełnione, aby AI rzeczywiście wspierała lekarzy i pacjentów, dyskutowali eksperci podczas podcastu „LLMathon: How AI Can Serve Healthcare”, podsumowującego doświadczenia z Poland Healthcare Datathon 2025. W centrum rozmów znalazły się kwestie jakości danych, bezpieczeństwa, lokalnego dostosowania modeli oraz interdyscyplinarnej współpracy.
Z tego artykułu dowiesz się…
- Dlaczego skuteczny model językowy to dopiero pierwszy etap wdrażania AI w ochronie zdrowia i jakie warunki muszą zostać spełnione, aby technologia była bezpieczna dla pacjentów,
- Jaką rolę odgrywają jakość danych, lokalny kontekst oraz polskojęzyczne scenariusze medyczne w tworzeniu skutecznych rozwiązań opartych na sztucznej inteligencji,
- Jakie wnioski przyniósł Poland Healthcare Datathon 2025 oraz dlaczego eksperci testowali modele AI na rzeczywistych, zanonimizowanych danych klinicznych,
- Dlaczego sztuczna inteligencja ma wspierać lekarzy, a nie zastępować relację lekarz–pacjent, oraz jakie znaczenie ma interdyscyplinarna współpraca przy wdrażaniu AI.
Rozwój AI w medycynie wymaga czegoś więcej niż dobrego modelu językowego
Dynamiczny rozwój dużych modeli językowych (LLM) sprawił, że coraz częściej wykorzystywane są one również w medycynie. Potrafią odpowiadać na pytania, analizować dokumentację czy wspierać komunikację z pacjentami. Eksperci podkreślają jednak, że poprawnie sformułowana odpowiedź nie jest równoznaczna z gotowością do wykorzystania technologii w praktyce klinicznej.
W ochronie zdrowia liczy się nie tylko skuteczność samego modelu, ale również bezpieczeństwo pacjentów, zgodność z aktualną wiedzą medyczną, jakość danych oraz sposób wdrożenia rozwiązania do codziennej pracy personelu medycznego. Dlatego coraz większe znaczenie ma pytanie nie o to, czy sztuczna inteligencja działa, lecz gdzie rzeczywiście może przynieść największe korzyści.
Poland Healthcare Datathon 2025 jako praktyczny test możliwości AI
Punktem wyjścia do dyskusji był Poland Healthcare Datathon 2025 – inicjatywa zorganizowana przez Roche we współpracy ze środowiskami medycznymi, naukowymi i technologicznymi. Wydarzenie zgromadziło ponad 200 uczestników reprezentujących 14 uczelni i ośrodków badawczych z pięciu krajów. W 13 interdyscyplinarnych zespołach współpracowali lekarze, naukowcy, specjaliści danych, programiści, projektanci doświadczeń użytkownika oraz studenci. Jak podkreśla Adam Krenke, dyrektor do spraw strategii w Roche Polska:
Chcieliśmy, aby Healthcare Datathon składał się z wzajemnie uzupełniających się elementów pełnych zarówno merytorycznej dyskusji, jak i praktyki. Pierwszego dnia uczestnicy spotkali się podczas części wykładowej poświęconej zastosowaniom AI w ochronie zdrowia, gdzie swoją wiedzą dzielili się lekarze i eksperci z uczelni technicznych. Z kolei fundamentem drugiego dnia były ćwiczenia praktyczne, w tym m.in. LLMathon.
Globalne modele AI muszą zostać dostosowane do polskiego systemu ochrony zdrowia
Jednym z najważniejszych wniosków płynących z wydarzenia jest konieczność lokalnego dostosowania modeli sztucznej inteligencji. Choć wiele narzędzi AI projektowanych jest z myślą o globalnym zastosowaniu, ich skuteczność zależy od specyfiki konkretnego kraju. Znaczenie mają między innymi:
- język dokumentacji medycznej,
- organizacja systemu ochrony zdrowia,
- sposób prowadzenia dokumentacji,
- ścieżki diagnostyczne i terapeutyczne,
- charakterystyka populacji pacjentów.
Modele wytrenowane na danych pochodzących z innych systemów ochrony zdrowia mogą nie odzwierciedlać realiów polskiej praktyki klinicznej. Właśnie dlatego podczas Datathonu testowano ich działanie w polskojęzycznych scenariuszach medycznych.
Rzeczywiste dane kliniczne pozwalają zweryfikować wartość AI
Jednym z najcenniejszych elementów projektu była możliwość pracy na rzeczywistych, zanonimizowanych danych klinicznych udostępnionych przez Uniwersyteckie Centrum Kliniczne w Gdańsku. Jak wyjaśnia Adam Krenke:
W ramach Datathonu uczestnicy analizowali setki tysięcy rekordów hospitalizacji, poszukując czynników pozwalających przewidywać ryzyko ponownego przyjęcia pacjenta do szpitala. W ten sposób sprawdzaliśmy, czy algorytmy AI mogą pomóc identyfikować wzorce, które wspierałyby personel medyczny w podejmowaniu decyzji i skutecznym planowaniu opieki nad pacjentami.
Drugim ważnym elementem był LLMathon, podczas którego oceniano skuteczność dużych modeli językowych w odpowiadaniu na pytania przygotowane wspólnie przez lekarzy oraz organizacje pacjenckie. Jak podkreśla ekspert:
Dziś zarówno pacjenci, jak i lekarze coraz częściej korzystają z narzędzi opartych na AI. Problem polega na tym, że niewiele wiemy o ich rzeczywistej precyzji, jakości odpowiedzi czy ograniczeniach. Chcieliśmy zweryfikować to w praktyce, wykorzystując pytania opracowane wspólnie z lekarzami i organizacjami pacjenckimi.
Dane są fundamentem skutecznej sztucznej inteligencji
Eksperci zwracają uwagę, że jakość modeli AI jest bezpośrednio uzależniona od jakości danych, na których zostały wytrenowane. Nie chodzi wyłącznie o ilość informacji, lecz przede wszystkim o ich reprezentatywność. Adam Krenke zwraca uwagę:
AI może odegrać ogromną rolę w rozwoju ochrony zdrowia, jednak większość dostępnych danych pochodzi z krajów wysoko rozwiniętych. Istnieje ryzyko, że modele będą dobrze odpowiadać na potrzeby określonych populacji, a gorzej radzić sobie w innych grupach. Dlatego projektując algorytmy, należy równie starannie jak w badaniach klinicznych dobierać populacje, na których opierane są dane treningowe.
O znaczeniu danych mówi również Anna Romaniuk-Iwaszko, Marketing Network Lead for Digital Solutions w Roche:
Roche od lat rozwija innowacyjne terapie i rozwiązania diagnostyczne. Coraz większą rolę odgrywają także algorytmy kliniczne wspierające decyzje medyczne. Ogromna ilość danych generowanych każdego dnia w systemie ochrony zdrowia nadal pozostaje niewykorzystana. Naszym celem jest przekształcanie tych informacji w praktyczne wsparcie dla lekarzy, tak aby mogli efektywniej wykorzystywać swój czas, a pacjenci szybciej otrzymywali właściwą diagnozę.
Czy AI zastąpi lekarzy? Eksperci nie mają wątpliwości
Jednym z najczęściej pojawiających się pytań dotyczących rozwoju sztucznej inteligencji jest możliwość zastąpienia lekarzy przez algorytmy. Zdaniem ekspertów taki scenariusz nie jest ani możliwy, ani pożądany. Katarzyna Kaliszewska-Czeremska, Customer Experience Lead and Strategist w Roche, podkreśla:
Najważniejsze jest to, aby nie stracić z oczu pacjenta. Sztuczna inteligencja pozostaje narzędziem w rękach człowieka. To od sposobu jej wykorzystania zależy, czy będzie realnym wsparciem dla ochrony zdrowia. Medycyna to nie tylko diagnoza i leczenie, ale również troska o jakość życia pacjenta, relacje, empatia i odpowiedzialność.
Podobnego zdania jest Sławomir Molenda, User Experience Expert w Roche Digital Technology:
Obecne modele językowe mogą rozpoznawać emocje i odpowiednio reagować na komunikaty pacjentów, ale nie są zdolne do rzeczywistego współodczuwania czy rozumienia doświadczenia choroby tak jak drugi człowiek. Możemy mówić jedynie o pewnym rodzaju empatii kognitywnej, skupionej na perspektywie intelektualnej i rozumieniu schematów myślowych. AI może wspierać komunikację, jednak nie zastąpi relacji terapeutycznej budowanej między pacjentem a lekarzem.
Jednocześnie ekspert zauważa, że istnieją obszary, w których AI może ułatwiać pacjentom kontakt z systemem ochrony zdrowia.
Niektóre badania sugerują, że ludzie wolą interakcje medyczne z AI, ponieważ modele te są wolne od osądów czy stygmatyzacji. LLM-y mogą obiektywnie zmniejszać wstyd i w ten sposób pomagać pacjentom.
Interdyscyplinarność jako fundament wdrażania AI w medycynie
Wdrażanie sztucznej inteligencji do ochrony zdrowia wymaga współpracy specjalistów reprezentujących wiele dziedzin. Lekarze rozumieją potrzeby kliniczne, naukowcy odpowiadają za wiarygodność metod badawczych, specjaliści danych rozwijają modele, projektanci dbają o użyteczność narzędzi, a eksperci komunikacji pomagają tworzyć rozwiązania przyjazne użytkownikom. Jak podkreśla Adam Krenke:
Interdyscyplinarność jest kluczowa. W projektach wykorzystujących AI w ochronie zdrowia nie istnieją jednoosobowe rozwiązania. Potrzebna jest wiedza kliniczna, technologiczna, projektowa i komunikacyjna. Dopiero połączenie tych kompetencji pozwala tworzyć rozwiązania niosące rzeczywistą opiekę i pomoc pacjentom.
Podejście takie docenili również uczestnicy wydarzenia. Zuzanna Warchoł, studentka Politechniki Gdańskiej, zwraca uwagę:
Największym zaskoczeniem była dla mnie otwartość i brak podziałów między studentami, naukowcami oraz lekarzami. Często w świecie akademickim można wyczuć pewien dystans. Tutaj każdy głos był równie ważny, a wszystkich łączyła wspólna misja i chęć wymiany doświadczeń.
Z kolei Kacper Dobek, doktorant Politechniki Poznańskiej, podkreśla międzynarodowy wymiar projektu:
To doświadczenie pokazało, jak wiele dobrego może wydarzyć się, gdy spotykają się ludzie z różnych środowisk. Efekty Datathonu wykraczają poza Polskę – podobne inicjatywy zaczęły powstawać również w innych krajach Europy, inspirując kolejne zespoły do poszukiwania praktycznych zastosowań AI w medycynie. Namacalnym przykładem może być chociażby grudniowy Datathon we Francji, który, dzięki zdobytej w Gdańsku wiedzy, miałem okazję wesprzeć organizacyjnie – podsumowuje.
AI w ochronie zdrowia będzie skuteczna tylko przy odpowiedzialnym wdrażaniu
Doświadczenia z Poland Healthcare Datathon 2025 pokazują, że przyszłość sztucznej inteligencji w medycynie nie zależy wyłącznie od coraz bardziej zaawansowanych modeli językowych. Równie istotne są jakość danych, lokalne dostosowanie rozwiązań, bezpieczeństwo, transparentność oraz współpraca ekspertów z różnych dziedzin.
Eksperci są zgodni, że sztuczna inteligencja może znacząco usprawnić analizę danych, wspierać decyzje kliniczne i odciążać personel medyczny w wielu zadaniach administracyjnych. Jednocześnie podkreślają, że technologia powinna wzmacniać kompetencje lekarzy, a nie zastępować relację terapeutyczną z pacjentem. To właśnie odpowiedzialne projektowanie i wdrażanie AI będzie decydować o tym, czy rozwiązania te przełożą się na realną poprawę jakości opieki zdrowotnej w Polsce.
Główne wnioski
- Poland Healthcare Datathon 2025 zgromadził ponad 200 uczestników z 14 uczelni i ośrodków badawczych z pięciu krajów, którzy w 13 interdyscyplinarnych zespołach testowali praktyczne zastosowania AI w medycynie.
- Podczas wydarzenia uczestnicy pracowali na rzeczywistych, zanonimizowanych danych klinicznych Uniwersyteckiego Centrum Klinicznego w Gdańsku, analizując setki tysięcy rekordów hospitalizacji i oceniając możliwości dużych modeli językowych.
- Eksperci podkreślają, że skuteczność AI zależy od reprezentatywnych danych, lokalnego dostosowania modeli oraz zgodności z praktyką kliniczną, a nie wyłącznie od możliwości samych algorytmów.
- Sztuczna inteligencja ma wspierać proces diagnostyczny, organizację pracy i komunikację, jednak nie zastąpi empatii, odpowiedzialności ani relacji terapeutycznej budowanej między lekarzem a pacjentem.
Źródło:
- Materiał prasowy
