Zastosowanie Gen AI w ochronie zdrowia: uniwersalny model transformatorowy dla tokenizowanych danych medycznych

Generatywna sztuczna inteligencja (Gen AI) oraz duże modele językowe (LLM) stanowią obecnie kluczową wartość w optymalizacji procesów w zakresie opieki klinicznej, edukacji medycznej i badań naukowych. Ich ograniczeniem pozostaje jednak wykorzystanie języka jako pośredniej, opisowej reprezentacji rzeczywistości klinicznej.

Odejście od modeli skoncentrowanych na języku na rzecz transformatorów zaprojektowanych bezpośrednio do przetwarzania tokenizowanych danych medycznych, otwiera nowe możliwości dla poprawy jakości i bezpieczeństwa w ochronie zdrowia. Szeroko rozumiane dane medyczne mogą być zatem reprezentowane jako dyskretne tokeny, uporządkowane chronologicznie na osi czasu indywidualnego pacjenta (Patient Health Timelines, PHT). Pozwala to modelom transformatorowym identyfikować schematy zdarzeń klinicznych w przebiegu historii choroby i prognozować przyszłe trajektorie zdrowotne.

Praktycznym przykładem jest model transformatorowy ETHOS (Enhanced Transformer for Health Outcomes Simulation), który udowodnił możliwość precyzyjnego przewidywania przyszłych zdarzeń klinicznych z wykorzystaniem uczenia bez nadzoru i wnioskowania zero-shot.

Docelowo zastosowanie Gen AI w oparciu o tokenizację danych otwiera realną perspektywę integracji multimodalnych danych medycznych, tworząc podstawę dla uniwersalnego i bezpiecznego zastosowania skalowalnych, systemów AI w medycynie.

Jak AI wpływa na diagnostykę i prewencję zdrowotną? Perspektywa dzisiejsza i przewidywania na przyszłość

Prezentacja pokaże, jak sztuczna inteligencja realnie zmienia sposób funkcjonowania systemu ochrony zdrowia: od przeciążonej diagnostyki obrazowej w stronę bardziej zrównoważonego, skalowalnego modelu opieki.

AI nie zastępuje radiologów, lecz przejmuje rutynowe, powtarzalne zadania, umożliwiając im koncentrację na interpretacji klinicznej i podejmowaniu decyzji o najwyższej wartości.

Kluczowym wyzwaniem staje się dziś nie dostęp do algorytmów, lecz efektywny obieg danych, integracja narzędzi z codziennym workflow oraz standaryzacja raportowania.

W dłuższej perspektywie AI otwiera drogę do medycyny predykcyjnej i prewencyjnej, w której dane obrazowe, kliniczne i populacyjne wspierają wcześniejsze wykrywanie chorób i personalizację terapii.

To zmiana nie technologiczna, lecz organizacyjna i kulturowa, redefiniująca rolę diagnostyki w całym systemie opieki zdrowotnej.

Zarządzanie zmianą we wdrożeniach AI. Strategia, błędy  i historie z życia wzięte

Na ile bariery we wdrażaniu sztucznej inteligencji wynikają z rzeczywistych ryzyk, a na ile są przejawem oporu przed zmianą?

Jak odpowiedzialnie i skutecznie rozwijać innowacje?

Czy wdrożenia AI to kwestia zamiany technologii?

Doświadczeniami we wdrażaniu zmian w organizacjach dużych i małych, polskich i globalnych, zatrudniających od kilku do ponad 100 tysięcy pracowników podzieli się Paweł Dudek – Change Mentor i Change Manager.

Nie zabraknie przykładów wziętych z życia i wyników najnowszych badań oraz.

Żadna zmiana nie zrobi się sama i sama się nie utrzyma -

Dowiesz się jakie są:

2 aspekty sukcesu zmian w organizacjach

3 bariery wdrożeń AI

Poznasz:

7 czynników sukcesu każdej zmiany,

8 zachowań oporowych,

10 pytań, na które trzeba się przygotować - na pewno się pojawią.

Jak powstają modele językowe i jak dostosować je do własnych potrzeb?

Podczas wystąpienia przedstawiony zostanie proces, jak w praktyce powstają modele językowe - od danych i treningu po dostrajanie i wdrożenie, na przykładzie polskich modeli językowych PLLuM. Uczestnicy dowiedzą się również, jakich danych, infrastruktury i zasobów potrzeba, aby dostosować model językowy do własnych potrzeb oraz jak ocenić, czy takie rozwiązanie rzeczywiście przynosi wartość.

Pierwsze doświadczenia z wdrażania AI Act – perspektywa prawna

Podczas wystąpienia przedstawione zostaną najważniejsze wnioski z pierwszych miesięcy obowiązywania AI Act. Prowadzący opiszą kluczowe wyzwania spotykane w praktyce, wskażą obszary na które należy zwracać szczególną uwagę oraz podzielą się najlepszymi praktykami. Wśród poruszanych tematów znajdą się m.in. zagadnienia dotyczące prawidłowej kwalifikacji systemów AI, problem identyfikacji ról w łańcuchu dostaw systemów AI, wewnętrzne polityki AI, obowiązki w zakresie transparentności oraz zasady odpowiedzialności za działanie systemów AI.  

Od stetoskopu do algorytmu: Jak inteligentna transkrypcja przywraca lekarzom czas na relację z pacjentem

Współczesna medycyna stoi w obliczu paradoksu: rozwój technologiczny, zamiast odciążać personel medyczny, często potęguje jego obciążenie biurokratyczne. Wypalenie zawodowe lekarzy oraz wydłużające się kolejki pacjentów to m.in. efekt konieczności ręcznego tworzenia obszernej dokumentacji. Odpowiedzią na te wyzwania są nowoczesne rozwiązania typu voice-to-text wspierane przez sztuczną inteligencję.

Podczas 30-minutowej prezentacji przedstawione zostanie, jak inteligentne narzędzia do dyktowania rewolucjonizują codzienną pracę placówek ochrony zdrowia. Pokażemy, w jaki sposób algorytmy przetwarzania języka naturalnego (NLP) potrafią w czasie rzeczywistym przekształcać wypowiedź lekarza w uporządkowane podsumowanie wizyty czy precyzyjny opis diagnostyki obrazowej.

Kluczowe korzyści omawiane w wystąpieniu:

· Odzyskanie czasu dla pacjenta: Automatyzacja wpisów do systemów gabinetowych pozwala medykom skupić się na bezpośrednim kontakcie, badaniu i empatii, odbudowując relację terapeutyczną.

· Większa wydajność i krótsze kolejki: Skrócenie czasu spędzonego na dokumentacji umożliwia zrealizowanie większej liczby badań w ciągu dnia.

· Przyspieszenie diagnostyki: Pacjenci szybciej otrzymują gotowe wyniki i zalecenia, co bezpośrednio podnosi jakość i bezpieczeństwo procesu leczenia.

Prezentacja łączy perspektywę kliniczną z technologiczną, pokazując, że sztuczna inteligencja nie zastępuje lekarza, lecz zdejmuje z niego ciężar biurokracji, pozwalając mu powrócić do prawdziwej istoty zawodu.

Od dowodów naukowych do gotowości operacyjnej: sztuczna inteligencja i dane syntetyczne w zarządzaniu danymi z badań klinicznych

Wdrażanie sztucznej inteligencji w badaniach klinicznych wymaga nie tylko opracowania sprawnego rozwiązania technologicznego, lecz także zgromadzenia wiarygodnych dowodów potwierdzających jego jakość, bezpieczeństwo i rzeczywistą użyteczność. Wysoka trafność techniczna nie przesądza bowiem o wartości operacyjnej narzędzia. Niezbędna jest również ocena jakości danych, poprawności metodologicznej, możliwości uogólniania wyników oraz konsekwencji zastosowania rozwiązania w rzeczywistych procesach.

Wystąpienie połączy dwie komplementarne perspektywy rozwijane w ramach doktoratu wdrożeniowego realizowanego we współpracy Warszawskiego Uniwersytetu Medycznego i AstraZeneca. W części uczelnianej przedstawione zostanie znaczenie dowodów naukowych w procesie opracowywania, walidacji i wdrażania rozwiązań opartych na sztucznej inteligencji. Doktorat wdrożeniowy zostanie zaprezentowany jako model integracji nauki i praktyki, umożliwiający równoczesne zachowanie rygoru metodologicznego oraz ukierunkowanie badań na rozwiązanie konkretnego problemu operacyjnego. Omówione zostaną także różnice między wiarygodnością techniczną, naukową i wdrożeniową oraz znaczenie współpracy badaczy, ekspertów domenowych i przyszłych użytkowników technologii.

Część wdrożeniowa będzie poświęcona rozwiązaniu SYNDATA, czyli modułowemu narzędziu generującemu syntetyczne dane kliniczne zgodne ze strukturą badania oraz formularzami elektronicznej dokumentacji. SYNDATA odwzorowuje scenariusze przebiegu udziału pacjentów i umożliwia kontrolowane wprowadzanie problemów jakościowych. Generowane dane mogą wspierać testowanie baz danych, reguł walidacyjnych, raportów, przepływów danych oraz procesów operacyjnych przed pojawieniem się rzeczywistych danych badania. Narzędzie służy przede wszystkim walidacji, testowaniu i budowaniu gotowości operacyjnej, a nie prowadzeniu wnioskowania klinicznego.

Przedstawione studium przypadku pokaże, jak połączenie rygoru naukowego z wiedzą operacyjną może skrócić czas przygotowania procesów, ułatwić wcześniejsze wykrywanie problemów oraz wspierać odpowiedzialne wdrażanie innowacji w zarządzaniu danymi z badań klinicznych.

Piękne wyniki i słabe modele: o błędach metodycznych

Sztuczna inteligencja i uczenie maszynowe (ML) zdominowały dyskusję o nowoczesnej farmacji. W literaturze pojawiają się liczne publikacje prezentujące modele predykcyjne o bardzo dobrych, a czasami wręcz idealnych metrykach dopasowania. Często jednak w zderzeniu z rzeczywistością laboratoryjną aplikacyjność tych rozwiązań okazuje się ograniczona. Niniejsze wystąpienie koncentruje się na analizie błędów/problemów metodologicznych prowadzących do powstawania „iluzji doskonałości” tworzonych modeli ML ze szczególnym uwzględnieniem domeny technologii postaci leku i biofarmacji. Uwaga zostanie poświęcona problematyce kodowania numerycznego układów polimerowych w problemach przewidywania m.in. czasu rozpadu tabletek ulegających rozpadowi w jamie ustnej (ODT) oraz predykcji dostępności farmaceutycznej stałych form leków.

Na przykładzie własnych prac eksperymentalnych przedstawimy, w jaki sposób klasyczne kodowanie zmiennych kategorialnych (np. one-hot encoding) redukuje materiały do niezależnych kategorii, całkowicie marginalizując rzeczywiste fizyczne zjawiska obserwowane w procesach. Pokażemy również, że stosowanie czysto teoretycznych deskryptorów molekularnych w kodowaniu substancji polimerowych może wręcz pogorszyć zdolności predykcyjne algorytmu. Włączenie eksperymentalnie zmierzonych właściwości fizykochemicznych układu (np. dynamicznego kąta zwilżania) wymusza na modelu uwzględnienie rzeczywistych mechanizmów mających wpływ na przebieg modelowanych procesów. Wyniki prowadzonych badań wskazują, że takie podejście nie tylko zwiększa trafność, ale również stabilizuje model, zmniejszając rozrzut błędów predykcji. Zwrócimy uwagę na fakt, że pojedyncza wartość R² czy RMSE jest niewystarczającą i często zwodniczą miarą jakości i pełne zrozumienie wartości aplikacyjnej modelu wymaga zrozumienia metodyki i jej relacji do analizowanych zjawisk. Wystąpienie ma na celu zaproszenie uczestników do otwartej dyskusji i wymiany doświadczeń na temat wyzwań związanych z praktyczną weryfikacją modeli in silico w domenie nauk farmaceutycznych.

Od dowodów naukowych do gotowości operacyjnej: sztuczna inteligencja i dane syntetyczne w zarządzaniu danymi z badań klinicznych

Wdrażanie sztucznej inteligencji w badaniach klinicznych wymaga nie tylko opracowania sprawnego rozwiązania technologicznego, lecz także zgromadzenia wiarygodnych dowodów potwierdzających jego jakość, bezpieczeństwo i rzeczywistą użyteczność. Wysoka trafność techniczna nie przesądza bowiem o wartości operacyjnej narzędzia. Niezbędna jest również ocena jakości danych, poprawności metodologicznej, możliwości uogólniania wyników oraz konsekwencji zastosowania rozwiązania w rzeczywistych procesach.

Wystąpienie połączy dwie komplementarne perspektywy rozwijane w ramach doktoratu wdrożeniowego realizowanego we współpracy Warszawskiego Uniwersytetu Medycznego i AstraZeneca. W części uczelnianej przedstawione zostanie znaczenie dowodów naukowych w procesie opracowywania, walidacji i wdrażania rozwiązań opartych na sztucznej inteligencji. Doktorat wdrożeniowy zostanie zaprezentowany jako model integracji nauki i praktyki, umożliwiający równoczesne zachowanie rygoru metodologicznego oraz ukierunkowanie badań na rozwiązanie konkretnego problemu operacyjnego. Omówione zostaną także różnice między wiarygodnością techniczną, naukową i wdrożeniową oraz znaczenie współpracy badaczy, ekspertów domenowych i przyszłych użytkowników technologii.

Część wdrożeniowa będzie poświęcona rozwiązaniu SYNDATA, czyli modułowemu narzędziu generującemu syntetyczne dane kliniczne zgodne ze strukturą badania oraz formularzami elektronicznej dokumentacji. SYNDATA odwzorowuje scenariusze przebiegu udziału pacjentów i umożliwia kontrolowane wprowadzanie problemów jakościowych. Generowane dane mogą wspierać testowanie baz danych, reguł walidacyjnych, raportów, przepływów danych oraz procesów operacyjnych przed pojawieniem się rzeczywistych danych badania. Narzędzie służy przede wszystkim walidacji, testowaniu i budowaniu gotowości operacyjnej, a nie prowadzeniu wnioskowania klinicznego.

Przedstawione studium przypadku pokaże, jak połączenie rygoru naukowego z wiedzą operacyjną może skrócić czas przygotowania procesów, ułatwić wcześniejsze wykrywanie problemów oraz wspierać odpowiedzialne wdrażanie innowacji w zarządzaniu danymi z badań klinicznych.

Jak sztuczna inteligencja zmienia badania, innowacje i podejmowanie decyzji

W ramach wystąpienia chciałbym opowiedzieć o roli generatywnej AI i inteligentnych systemów w prowadzeniu badań naukowych, poszukiwaniu nowych przestrzeni badawczych w farmacji, ochronie zdrowia i zarządzaniu, a także o wpływie AI na tworzenie wiedzy, rozwój startupów i medtechów, testowanie rozwiązań, digital twins oraz procesy innowacyjne i decyzyjne na styku biznesu i nauki. Poruszone zostaną również wyzwania związane ze stronniczością algorytmiczną, transparentnością, odpowiedzialnością oraz zmieniającą się rolą człowieka w erze inteligentnych organizacji i badań naukowych wspieranych przez AI.

Rozwój sztucznej inteligencji a bezpieczeństwo przemysłu farmaceutycznego

AI w szybkim tempie obejmuje cały łańcuch wartości przemysłu farmaceutycznego, od odkrywania cząsteczek i projektowania badań klinicznych po nadzór nad bezpieczeństwem farmakoterapii i kontrolę jakości produkcji, skracając procesy liczone dotąd w latach. Wykład stawia tezę, że główne zagrożenia dla bezpieczeństwa tkwią nie tyle w samych algorytmach, ile w sposobie, w jaki ludzie z nimi pracują: w nadmiernym poleganiu na automatyzacji, erozji osądu eksperckiego, rozmyciu odpowiedzialności i nieuzasadnionym zaufaniu do systemów, które brzmią pewnie, choć się mylą. Na podstawie badań nad współpracą człowieka z AI oraz kształtujących się europejskich ram regulacyjnych proponuje praktyczne zasady projektowania procesów, w których AI przyspiesza innowacje, a ludzka ekspertyza pozostaje ostatecznym gwarantem bezpieczeństwa pacjenta.

AI jako narzędzie nowoczesnego lekarza a realne korzyści dla pacjenta

Sztuczna inteligencja weszła do gabinetu lekarskiego szybciej, niż powstały wytyczne opisujące, jak z niej korzystać. W wystąpieniu pokazuję obraz od strony praktyki: trzy lata pracy z narzędziami AI w poradni chorób zakaźnych, hepatologii i medycyny podróży.

Punktem wyjścia jest pytanie o korzyść pacjenta, mierzoną w kategoriach możliwych do sprawdzenia: czas do rozpoznania, kompletność wywiadu, jakość dokumentacji, zrozumienie zaleceń po wyjściu z gabinetu. Omówię obszary, w których zysk widać już dziś. Wsparcie diagnostyki różnicowej w przypadkach rzadkich i zawleczonych, gdzie liczy się szybkie zawężenie listy możliwości. Automatyzacja dokumentacji, która oddaje lekarzowi cenne minuty kontaktu wzrokowego z pacjentem. Przygotowanie materiałów edukacyjnych w języku zrozumiałym dla pacjenta, także obcojęzycznego. Kwalifikacja do szczepień i planowanie immunoprofilaktyki w grupach ryzyka oraz przygotowanie spersonalizowanej apteczki. Ocena sytuacji epidemiologicznej przed wyjazdem do regionów tropikalnych.

Drugą część poświęcam granicom wykorzystania AI w gabinecie. Model generuje odpowiedź zawsze, również wtedy, gdy dane są fragmentaryczne albo pytanie zostało źle postawione. Odpowiedzialność za decyzję pozostaje po stronie lekarza, co wymaga znajomości ograniczeń narzędzia i ostrożności wobec danych osobowych.

Na koniec perspektywa systemowa: czego lekarze oczekują od twórców narzędzi AI w codziennej pracy klinicznej. Integracja z dokumentacją medyczną i systemem P1 oraz walidacja w realiach polskiej praktyki ambulatoryjnej, gdzie o wszystkim decyduje czas wizyty.

Wykorzystanie AI do personalizacji niefarmakologicznych zaleceń lekarskich

Standardowy wywiad lekarski koncentruje się na objawach i historii choroby, pomijając profilowanie psychologiczne. W efekcie pacjenci otrzymują zunifikowane zalecenia niefarmakologiczne, które nie uwzględniają różnic w ich stylach aktywności (sposobie przetwarzania informacji i organizacji działania). Moje wieloletnie badania (Wieczorkowska, 1992, 1998, 2025) nad różnicami indywidualnymi w zakresie przedziałowości wskazują, że punktowi vs przedziałowi pacjenci potrzebują zupełnie innej formy komunikacji ze strony lekarza.

Pacjent „przedziałowy” realizuje zalecenia w trybie „mniej więcej” pod względem pory przyjmowania leków, czy, co gorsza, odmierzając dawki „na oko”, ponieważ nie przywiązuje wagi do szczegółów. Przedziałowcy ze względu na predylekcję zarówno do równoczesności (słuchanie audiobooków podczas ćwiczeń), jak i przeplatania aktywności (zrobię parę przysiadów, potem podciągnięć, potem znów przysiady...) mają problemy w estymacji czasu potrzebnego do wykonania danego zadania. Dlatego bardzo pomocne są wszelkiego rodzaju sensory mierzące parametry snu, aktywności fizycznej etc.... Rozmawiając z przedziałowym pacjentem, lekarz powinien przedstawić sens zaleceń: DO czego dążymy, np. do poprawy wydolności, i uprzedzić, w jakich obszarach modyfikacja zaleceń stwarza zagrożenie. „Punktowcy” są najczęściej wzorcowymi pacjentami, którzy otrzymane instrukcje traktują rygorystycznie. Ryzyko w przypadku tych pacjentów polega na bezradności mogącej zaowocować porzuceniem leczenia, gdy pojawią się przeszkody w realizacji instrukcji. Rozmawiając z punktowym pacjentem, lekarz powinien też formułować precyzyjne, mierzalne cele. Zamiast proszę: „dbać o kondycję” à „wykonać 10 przysiadów przed śniadaniem”.

Opracowywana w moim zespole aplikacja internetowa SAPA-P (System Analizy Profilu Aktywności – wersja dla pacjentów) pozwala na szybkie zmapowanie cech pacjenta przed wizytą, w poczekalni lub w jej trakcie. Lekarz otrzymuje natychmiastowy raport obejmujący kluczowe parametry psychologiczne i zwięzłe podsumowanie (np. „profil zbliżony do zmotywowanego przedziałowca – podwyższone ryzyko samowolnego modyfikowania instrukcji, przybliżonego odmierzania i nieregularności”). Profil może zostać zatwierdzony lub zmodyfikowany na podstawie nowych informacji. Zastosowanie AI pozwala na wykrywanie niespójności w odpowiedziach i zadawanie pytań doprecyzowujących na bieżąco. Dzięki personalizacji zaleceń aplikacja może pomóc zwiększyć odsetek zdyscyplinowanych w realizacji zaleceń pacjentów. Obecnie trwają testy prototypowej wersji aplikacji.

Pierwsze doświadczenia z wdrażania AI Act – perspektywa prawna

Podczas wystąpienia przedstawione zostaną najważniejsze wnioski z pierwszych miesięcy obowiązywania AI Act. Prowadzący opiszą kluczowe wyzwania spotykane w praktyce, wskażą obszary na które należy zwracać szczególną uwagę oraz podzielą się najlepszymi praktykami. Wśród poruszanych tematów znajdą się m.in. zagadnienia dotyczące prawidłowej kwalifikacji systemów AI, problem identyfikacji ról w łańcuchu dostaw systemów AI, wewnętrzne polityki AI, obowiązki w zakresie transparentności oraz zasady odpowiedzialności za działanie systemów AI.  

Panel dyskusyjny z prof. dr hab. Aleksandra Przegalińska (Akademia Leona Koźmimńskiego), dr Michał Boni (Fundacja Digital Poland), Karolina Tądel (Ministerstwo Zdrowia), dr Agnieszka Siennicka (Wrocławski Uniwersytet Medyczny)