Czego dowiesz się z tego odcinka?
- Czym karmisz model na wejściu, to dostajesz na wyjściu. A po wdrożeniu AI praca się nie kończy. Wytyczne medyczne się zmieniają i bez monitoringu model zaczyna się mylić tam, gdzie wcześniej był trafny.
- AI w weterynarii mierzy się z tym samym problemem danych, ale w trudniejszych warunkach. Model musi obsłużyć wiele gatunków o różnych zakresach referencyjnych, a danych jest mniej i są gorzej ustrukturyzowane niż w medycynie człowieka.
- AI może przejąć dokumentację wizyty i zwrócić lekarzowi czas na wywiad z pacjentem. To samo dotyczy planowania sali operacyjnej. Systemy oparte o sieci neuronowe potrafią prognozować czas zabiegów i ograniczać liczbę tych, które wypadają z harmonogramu.
- Większość opóźnień w badaniach klinicznych da się przewidzieć. AI może oznaczać ryzyka w trakcie trwania badania, zanim zdążą się przerodzić w problem.
- Ślepa wiara w AI i kategoryczne odrzucenie są tak samo niebezpieczne. Organizacja medyczna musi kalibrować zaufanie personelu, nie tylko szkolić z obsługi systemu.
- Barierą dla wdrożeń AI w medycynie jest często zmiana kulturowa i organizacyjna. Potrzeba budowania AI literacy wśród personelu, otwartości na testowanie i zaufania do procesu sukcesywnego wdrożenia.
Słuchaj także na:
Spotify
Apple Podcast
Jak AI przyspiesza badania kliniczne?
Badanie kliniczne przechodzi przez kilka faz — od zaprojektowania protokołu, przez rekrutację pacjentów, po monitoring w trakcie trwania badania. Na każdym z tych etapów coś może się opóźnić lub pójść nie tak. Tradycyjne metody wykrywały problemy z reguły po fakcie. AI pozwala je wyłapywać wcześniej.
Według badania TUF-C ponad 80% niepowodzeń w badaniach klinicznych wynika z opóźnień rekrutacji. Każdy protokół jest poprawiany średnio ponad trzy razy, a jedna runda poprawek potrafi opóźnić realizację badania o 260 dni. AI może skrócić tę ścieżkę na każdym etapie: przygotować ramy protokołu na bazie literatury, wyselekcjonować pacjentów spełniających kryteria włączenia z dużej puli danych, i flagować wzorce ryzyka w trakcie prowadzenia badania — zanim przekształcą się w kryzys. Jak mówi Weronika Dardzińska: “Sztuczna inteligencja zmienia badania kliniczne z takich procesów manualnych i reaktywnych do tego, żeby szybciej wychwytywać pewne ryzyka.”
Podobnie w farmakowigilancji — metody takie jak gradient boosting i random forest okazały się skuteczniejsze w wykrywaniu anomalii bezpieczeństwa terapii niż tradycyjne metody statystyczne. Szukanie niepożądanych sygnałów w globalnych danych obejmujących miliony pacjentów staje się wykonalne tam, gdzie manualne przeszukiwanie nie nadąża.
Czym AI w weterynarii różni się od AI w medycynie ludzkiej?
Weronika przez 8 lat pracowała jako lekarz weterynarii i widzi w niej te same wyzwania co w medycynie ludzkiej: rozproszone dane, obciążenie dokumentacją, potrzeba wsparcia diagnostycznego. Ale weterynaria jest pod jednym względem trudniejsza. Lekarz pracuje nie z jednym gatunkiem, a z wieloma. Psy, koty, zwierzęta egzotyczne, zwierzęta gospodarskie. Każdy gatunek ma inne normy, inne ścieżki diagnostyczne, inne zakresy referencyjne. Krwinki czerwone u niektórych ras psów wyglądają inaczej i to nie jest patologia.
Weterynaria nie ma też jeszcze kultury zbierania danych porównywalnej z medycyną człowieka. AI może tu pełnić rolę bazy wiedzy dla lekarzy pracujących z gatunkami, w których nie są ekspertami — np. podpowiedź dotycząca wyników badania krwi jaszczurki. Drugi wymiar to monitoring stad: wykrywanie anomalii temperatury w hodowli i prognozowanie zakażeń, zanim rozprzestrzenią się na stado i zagrożą zdrowiu ludzi.
Dlaczego jakość danych decyduje o wdrożeniu AI?
Jakość danych to warunek wstępny. Organizacja, która wdraża AI na danych niskiej jakości, nie poprawia procesów, lecz amplifikuje istniejący chaos.
W medycynie dane są strukturalnie rozproszone: notatki ręczne, Excele z różnymi nazwami tych samych zmiennych, brak jednolitego kodowania, dane zduplikowane i nieaktualne. Jak ujęła to Weronika Dardzińska: “Czym się nakarmisz, tak będziesz funkcjonować.” Jeśli model jest trenowany na danych niepełnych lub niereprezentatywnych, wyniki będą systematycznie obciążone — i to w obszarze, gdzie błąd kosztuje zdrowie pacjenta.
Dodatkowy wymiar, pomijany przy wdrożeniach, to data drift: wytyczne medyczne się aktualizują, zakresy norm się przesuwają. Model bez monitoringu post-deployment zaczyna z czasem dawać złe odpowiedzi na dobre pytania. Dlatego wdrożenie AI to nie projekt z datą zakończenia, lecz proces ciągłego monitorowania i aktualizacji. Przygotowanie danych przed wdrożeniem i monitorowanie po wdrożeniu to dwie strony tego samego wymogu.
Co zrobić, gdy personel medyczny nie ufa AI, albo ufa mu za bardzo?
Środowisko medyczne stoi przed dwoma równoważnymi ryzykami. Automation bias to brak krytycyzmu wobec wyników modelu — lekarz przyjmuje sugestię AI bez konfrontacji z własną wiedzą. Undertrust to odwrotność: personel ignoruje sygnały diagnostyczne, bo nie ufa systemowi. Oba podejścia mogą okazać się kosztowne.
Weronika Dardzińska nazywa to problemem kalibracji: “Albo nic nie działa, albo wszystko działa. A ja mam wrażenie, że te nasze wyobrażenia i to nasze zaufanie powinno być w pewien sposób skalibrowane.”
Jej operacyjna zasada brzmi: dyskutuj z danymi i wynikami. Oceniaj krytycznie, nie bierz za pewnik, ale też nie ignoruj. Organizacja medyczna wdrażająca AI musi zainwestować nie tylko w szkolenie z obsługi systemu, ale w budowanie AI literacy. W rozumienie, kiedy ufać, kiedy weryfikować i kto za co odpowiada. Dardzińska porównuje AI do lekarza-rezydenta, który jest szybki, otwarty i bardzo pomocny, ale wymagający nadzoru doświadczonego specjalisty.
Jak AI odciąża lekarzy i optymalizuje zasoby kliniczne?
Dokumentacja medyczna pochłania dużą część wizyty lekarskiej. AI może przejąć strukturyzację notatek, generowanie zaleceń i wypełnianie formularzy, oddając lekarzowi czas na kontakt z pacjentem.
Według badań American Medical Association z 2024 roku ponad 60% lekarzy deklarowało wspomaganie swojej codziennej pracy przy użyciu AI. Automatyzacja dokumentacji przebiegu wizyty, generowanie zaleceń i strukturyzacja zapisu to obszary, gdzie narzędzia AI działają już dziś. Pacjenci akceptują obecność AI w gabinecie pod warunkiem, że lekarz jest fizycznie obecny — relacja i poczucie bycia wysłuchanym pozostają niezastępowalne.
Na World Health Expo w Dubaju (luty 2026) zaprezentowano system oparty o sieci neuronowe, który prognozuje czas trwania operacji na podstawie wieku pacjenta, rodzaju schorzenia, stopnia skomplikowania zabiegu i liczby personelu. Dzięki temu sala operacyjna jest planowana dokładniej, a mniej zabiegów wypada z harmonogramu.
Dlaczego wdrożenia AI w szpitalach się przeciągają?
Technologicznie i regulacyjnie sektor medyczny jest całkiem dobrze przygotowany. WHO, FDA i AI Act wyznaczają ramy odpowiedzialności między producentem, placówką i użytkownikiem. Weronika Dardzińska wskazuje jednak na inną warstwę: “Problem nigdy nie leży w technologii.”
Prawdziwa bariera jest systemowa — dane rozproszone w silosach, procesy nieprzystosowane do pracy z modelem, brak integracji między narzędziami i niewystarczające zaufanie do rozwiązania na poziomie organizacji. To nie kwestia kompetencji pojedynczych ludzi, lecz gotowości całego systemu.
Stąd rekomendacja Weroniki, by wdrażać sztuczną inteligencję sukcesywnie, nie wszystko naraz, i monitorować po uruchomieniu — nie tylko przed nim.
O gościu
Weronika Dardzińska jest lekarką weterynarii z ponad ośmioletnim doświadczeniem klinicznym oraz ekspertką w obszarze analizy dużych zbiorów danych, badań klinicznych i farmakowigilancji. Pracuje jako dydaktyk na uczelni wyższej, gdzie prowadzi przedmiot z cyklu życia technologii na kierunku sztuczna inteligencja w biznesie. Jej doświadczenie łączy perspektywę klinicysty, analityka danych i doradcy przy projektach z obszaru AI w medycynie i weterynarii.
