AI w ochronie zdrowia jest dziś jednym z najczęściej omawianych tematów w medycynie i zarządzaniu szpitalami. Między efektowną prezentacją technologii a rozwiązaniem, które rzeczywiście sprawdza się w codziennej pracy placówki, nadal istnieje jednak duża różnica. Jak ją zmniejszyć? Od czego rozpocząć ocenę rozwiązania? Jak zaprojektować wartościowy pilotaż i na jakiej podstawie podjąć odpowiedzialną decyzję o wdrożeniu AI?
O tych zagadnieniach 5 sierpnia 2026 r., podczas kolejnego webinaru z cyklu MCSC x GAIA AI Factory – „AI bez hype’u. Jak tworzyć rozwiązania, które naprawdę działają?”, rozmawiali Nikoletta Buczek (Instytut Matki i Dziecka) i Jakub Chwiećko – lekarz, założyciel Medical Innovation Institute oraz kierownik medyczny Pionu Pomocniczego Szpitala Dziecięcego w Dziekanowie Leśnym. Jakub jest ekspertem z doświadczeniem w obszarze innowacji w ochronie zdrowia, technologii medycznych oraz sztucznej inteligencji.
Rozmowa połączyła perspektywę lekarza, menedżera ochrony zdrowia oraz instytucji wspierającej rozwój innowacji medycznych. Uczestnicy webinaru zostali przeprowadzeni przez całą ścieżkę wdrażania AI w ochronie zdrowia – od zdefiniowania realnego problemu szpitala, przez weryfikację dostawcy i przeprowadzenie pilotażu, aż do decyzji o wdrożeniu i dalszym skalowaniu technologii.
Szpital nie kupuje algorytmu, lecz zmianę procesu
Rozwiązanie AI, które naprawdę działa, nie powinno być oceniane wyłącznie przez pryzmat jakości modelu, liczby funkcji czy atrakcyjności prezentacji. Z perspektywy szpitala najważniejszy jest rezultat, jaki technologia może przynieść pacjentom, personelowi oraz całej organizacji.
Szpital nie kupuje bowiem samego algorytmu. Decyduje się na zmianę konkretnego procesu, która powinna prowadzić do mierzalnej poprawy – na przykład skrócenia czasu pracy, ograniczenia liczby błędów, zwiększenia bezpieczeństwa pacjentów, usprawnienia diagnostyki albo lepszego wykorzystania dostępnych zasobów.
Wartość AI w ochronie zdrowia należy oceniać jednocześnie w kilku wymiarach: skuteczności, bezpieczeństwa, wykonalności organizacyjnej oraz ekonomiki. Kryteria tej oceny powinny być dostosowane do obszaru wykorzystania technologii. Inne ryzyka i mierniki będą dotyczyć algorytmu wspierającego diagnostykę, inne narzędzia wykorzystywanego w izbie przyjęć, rejestracji czy administracji.
Najpierw problem, później technologia
Jednym z najważniejszych wniosków płynących z webinaru było podkreślenie, że prace nad rozwiązaniem AI powinny rozpoczynać się od dobrze opisanego problemu, a nie od gotowej technologii, dla której dopiero poszukuje się zastosowania.
Problem powinien mieć określonego właściciela procesu oraz konkretną grupę użytkowników. Należy również poznać punkt wyjścia, czyli tzw. baseline: czas trwania danego procesu, liczbę błędów, koszty, skalę zjawiska oraz jego konsekwencje dla pacjentów i personelu.
Zanim organizacja zdecyduje się na wdrożenie AI w ochronie zdrowia, powinna sprawdzić, czy oczekiwanego rezultatu nie można osiągnąć za pomocą prostszych działań – na przykład zmiany organizacji pracy, automatyzacji podstawowych czynności lub lepszej integracji już wykorzystywanych systemów.
Kryterium sukcesu powinno być znane jeszcze przed wyborem konkretnego produktu. W przeciwnym razie istnieje ryzyko, że problem zostanie dopasowany do możliwości technologii, zamiast technologii do rzeczywistych potrzeb placówki.
Dobre demo nie gwarantuje dobrego wdrożenia
Rozwiązanie może wyglądać bardzo dobrze podczas prezentacji, a mimo to nie sprawdzić się w codziennej pracy szpitala. Na jego rzeczywistą skuteczność wpływają między innymi jakość lokalnych danych, zgodność populacji pacjentów z grupą, na której model był trenowany i walidowany, oraz możliwość integracji z systemami wykorzystywanymi przez placówkę.
Znaczenie ma nie tylko to, czy algorytm generuje poprawny wynik, ale również to, w jaki sposób wynik ten trafia do użytkownika i wpływa na przebieg jego pracy. Nieprawidłowo zaprojektowane narzędzie może powodować nadmierną liczbę komunikatów, zmęczenie alertami lub przeniesienie dodatkowych obowiązków na inną grupę pracowników.
Przed rozpoczęciem korzystania z systemu trzeba również ustalić, kto odpowiada za ostateczną decyzję, jak należy postępować w przypadku awarii oraz czy możliwy jest szybki powrót do standardowego sposobu pracy. Technologia powinna wspierać personel, a nie wprowadzać kolejne niejasności lub ryzyka.
Co należy sprawdzić przed rozpoczęciem pilotażu?
Zanim rozwiązanie uzyska dostęp do danych lub zostanie włączone do procesu klinicznego, konieczne jest przeprowadzenie odpowiedniego due diligence.
Ocena powinna obejmować między innymi status regulacyjny produktu, dostępne dowody naukowe i kliniczne, zgodność z zasadami ochrony danych, cyberbezpieczeństwo, wykonalność techniczną oraz pełny koszt posiadania technologii, czyli TCO.
W proces oceny powinni zostać zaangażowani przedstawiciele różnych obszarów funkcjonowania szpitala: zespołów klinicznych, IT, ochrony danych, jakości, prawa, finansów, zamówień publicznych oraz przyszłych użytkowników rozwiązania.
Przed pilotażem należy również jednoznacznie ustalić zakres wykorzystywanych danych, role i odpowiedzialności poszczególnych stron, wymagane umowy, potrzebę przeprowadzenia oceny skutków dla ochrony danych oraz sposób zgłaszania i obsługi incydentów.
Pilotaż to badanie wdrożeniowe, a nie darmowy test
Dobry pilotaż nie powinien polegać na kilkumiesięcznym udostępnieniu technologii i sprawdzeniu, czy „personelowi się spodoba”. Powinien być traktowany jak ustrukturyzowane badanie wdrożeniowe, które ma dostarczyć danych potrzebnych do podjęcia dalszej decyzji.
Przed rozpoczęciem pilotażu należy przygotować protokół określający jego cel, metodologię, grupę użytkowników lub pacjentów, punkt odniesienia oraz sposób porównania wyników. Wskaźniki i progi sukcesu powinny zostać ustalone z góry, a nie dopiero po zapoznaniu się z rezultatami.
Jeszcze przed rozpoczęciem testów należy także ustalić zasady wprowadzania korekt, czasowego wstrzymania pilotażu oraz jego wcześniejszego zakończenia. Pozwala to ograniczyć ryzyko kontynuowania działań, które nie przynoszą oczekiwanych rezultatów albo powodują dodatkowe obciążenia dla personelu.
Dlaczego udany pilotaż nie zawsze prowadzi do wdrożenia?
Nawet pozytywnie oceniony pilotaż często kończy się bez zakupu i dalszego skalowania rozwiązania. Przyczyną może być brak właściciela procesu, zabezpieczonego budżetu, możliwości integracji lub zaplanowanej ścieżki zakupowej.
Problem pojawia się również wtedy, gdy kryteria sukcesu zostają dopisane dopiero po zakończeniu testów. W takiej sytuacji łatwo uznać za sukces dowolny pozytywny rezultat, nawet jeśli nie odpowiada on na pierwotny problem placówki.
Częstym błędem jest także nieuwzględnienie pełnego kosztu utrzymania rozwiązania oraz czasu pracy personelu potrzebnego do jego obsługi. Bezpłatne udostępnienie produktu nie oznacza bowiem, że pilotaż jest bezkosztowy dla szpitala.
Pilotaż nie powinien również automatycznie uprzywilejowywać konkretnego dostawcy w przyszłym postępowaniu zakupowym. Dlatego warto opisywać przede wszystkim wymagania funkcjonalne i oczekiwane rezultaty, a nie rozwiązania charakterystyczne wyłącznie dla jednego produktu. Należy też od początku określić zasady zakończenia współpracy oraz sposób zwrotu, usunięcia lub eksportu danych.
Sandboxy jako klucz do rozwoju AI w ochronie zdrowia
Odpowiedzialny rozwój AI w ochronie zdrowia wymaga dostępu do danych, infrastruktury, wiedzy eksperckiej oraz bezpiecznego środowiska testowego. Taką rolę mogą pełnić sandboxy technologiczne, które umożliwiają startupom, naukowcom i zespołom medycznym sprawdzanie jakości danych, działania modeli, bezpieczeństwa technologii oraz jej wymagań integracyjnych przed rozpoczęciem pilotażu w placówce.
Szczególne znaczenie dla rozwoju polskiego ekosystemu AI w medycynie będzie miał sandbox tworzony w ramach GAIA AI Factory. Ma on wspierać bezpieczne przechodzenie od pomysłu i prototypu do wiarygodnej walidacji, pilotażu klinicznego i ewentualnego wdrożenia.
– Chcemy tworzyć warunki, w których rozwiązania AI mogą być rozwijane i oceniane w sposób uporządkowany, zanim trafią do rzeczywistego procesu klinicznego. Sandbox realizowany w ramach GAIA AI Factory ma połączyć dostęp do odpowiednio przygotowanych danych, infrastruktury oraz wsparcia klinicznego i technologicznego. Instytut Matki i Dziecka przeciera w tym zakresie szlaki, budując model, który w przyszłości może wspierać również inne szpitale i zespoły rozwijające technologie medyczne – mówi Nikoletta Buczek.
AI w ochronie zdrowia wymaga odpowiedzialnego wdrażania
Sama technologia nie gwarantuje sukcesu. O skuteczności AI w ochronie zdrowia decydują przede wszystkim dobrze zdefiniowany problem, rzetelna ocena rozwiązania, odpowiednio zaplanowany pilotaż oraz współpraca lekarzy, menedżerów, ekspertów IT i dostawców technologii. To właśnie takie podejście pozwala wdrażać sztuczną inteligencję w sposób bezpieczny, skuteczny i przynoszący realną wartość pacjentom oraz szpitalom.
Webinar był częścią cyklu MCSC x GAIA AI Factory poświęconego odpowiedzialnemu rozwojowi AI w ochronie zdrowia. Informacje o kolejnym webinarze znajdziesz TUTAJ.