Sztuczna inteligencja ma przestać być w polskiej ochronie zdrowia narzędziem używanym jedynie w pojedynczych pilotażach i wybranych prywatnych placówkach. Ministerstwo Zdrowia oraz Centrum e-Zdrowia przygotowują Platformę Usług Inteligentnych, która ma umożliwić systemowe udostępnianie certyfikowanych modeli AI szpitalom w całym kraju. W pierwszym etapie algorytmy będą wspierały przede wszystkim diagnostykę obrazową. Mają analizować badania mózgu w poszukiwaniu zmian niedokrwiennych i krwotocznych, mammografię pod kątem zmian nowotworowych, RTG układu kostnego w kierunku urazów, obrazy klatki piersiowej oraz tomografię komputerową płuc. Dostęp do platformy ma otrzymać maksymalnie 400 szpitali finansowanych ze środków publicznych.

Nie oznacza to, że komputer zastąpi radiologa i samodzielnie poinformuje pacjenta o rozpoznaniu raka lub udaru. Założeniem systemu jest stworzenie cyfrowego asystenta, który może w bardzo krótkim czasie przeanalizować obrazy, zaznaczyć podejrzane miejsca i pomóc ustalić, które badania wymagają pilnej uwagi lekarza. Największa potencjalna korzyść może pojawić się właśnie tam, gdzie czas ma szczególne znaczenie. Jeżeli algorytm natychmiast zauważy cechy mogące sugerować udar, krwawienie śródczaszkowe czy inną poważną patologię, badanie może szybciej trafić na początek kolejki do opisu. Dla polskiej radiologii, mierzącej się z rosnącą liczbą badań i ograniczoną liczbą specjalistów, może to być jedna z największych zmian technologicznych ostatnich lat.

Czym jest Platforma Usług Inteligentnych i jak AI trafi do polskich szpitali?

Platforma Usług Inteligentnych, w skrócie PUI, jest centralnym systemem przygotowywanym przez Centrum e-Zdrowia w ramach projektu e-Zdrowie finansowanego z Krajowego Planu Odbudowy. Jej zadaniem nie jest stworzenie jednego państwowego modelu sztucznej inteligencji, który będzie diagnozował wszystkie choroby. Platforma ma pełnić rolę bezpiecznego środowiska pozwalającego szpitalom korzystać z wybranych, sprawdzonych i certyfikowanych algorytmów przeznaczonych do konkretnych zastosowań medycznych. Placówka będzie mogła przekazać badanie obrazowe do analizy, a następnie otrzymać wynik działania odpowiedniego narzędzia AI wspierający pracę personelu medycznego.

To ważne rozróżnienie, ponieważ w medycynie nie wystarczy podłączyć do systemu dowolnego popularnego modelu sztucznej inteligencji. Narzędzia analizujące zdjęcia pacjentów muszą spełniać wymagania właściwe dla wyrobów medycznych, mieć jasno określone zastosowanie oraz być stosowane zgodnie z przeznaczeniem. Centralna platforma ma dodatkowo ograniczyć sytuację, w której każdy szpital musi samodzielnie kupować osobny system, negocjować integrację i tworzyć własne rozwiązania techniczne. Docelowo te same usługi diagnostyczne mają być dostępne w ujednoliconym modelu dla placówek w różnych częściach kraju.

Ile szpitali w Polsce będzie mogło korzystać z diagnostyki wspomaganej przez AI?

Minister Zdrowia określił maksymalną liczbę placówek mogących korzystać z narzędzi Platformy Usług Inteligentnych na 400. Chodzi o podmioty lecznicze wykonujące świadczenia szpitalne i udzielające świadczeń finansowanych ze środków publicznych. Jest to już skala pozwalająca mówić o systemowym wdrożeniu, a nie eksperymencie ograniczonym do kilku największych ośrodków akademickich. Jeśli projekt zostanie wykorzystany zgodnie z założeniami, algorytmy AI mogą zacząć analizować badania pacjentów w wielu województwach i w placówkach o bardzo różnym poziomie referencyjności.

Sam dostęp do platformy nie oznacza jednak, że każdy z 400 szpitali natychmiast zacznie korzystać ze wszystkich pięciu usług. Placówki różnią się zakresem wykonywanych badań, wyposażeniem oraz strukturą oddziałów. Szpital bez mammografii nie potrzebuje algorytmu analizującego badania piersi, a ośrodek wykonujący dużo badań urazowych może być szczególnie zainteresowany analizą RTG kości. Najważniejszą zmianą jest więc stworzenie wspólnej infrastruktury, z której można uruchamiać konkretne usługi tam, gdzie są rzeczywiście potrzebne.

Jak sztuczna inteligencja ma pomagać wykrywać udary w badaniach mózgu?

Jednym z pięciu oficjalnie wskazanych zastosowań PUI jest wykrywanie zmian niedokrwiennych oraz krwotocznych w badaniach obrazowych mózgu. W przypadku podejrzenia udaru czas ma ogromne znaczenie, ponieważ niektóre metody leczenia mogą być stosowane tylko w określonym oknie czasowym, a każda dodatkowa zwłoka może wpływać na rokowanie. Algorytm AI może szybko przeanalizować obraz i wskazać cechy wymagające szczególnej uwagi, na przykład potencjalne krwawienie czy obszar podejrzany o niedokrwienie.

Najważniejszą funkcją może być jednak automatyczna priorytetyzacja badań. Radiolog w czasie dyżuru może mieć do opisania dziesiątki badań wykonanych u pacjentów o różnym stopniu pilności. Jeżeli system wykryje na jednym z nich cechy mogące świadczyć o ostrym stanie neurologicznym, może oznaczyć je jako wymagające natychmiastowej oceny. AI nie podejmuje wtedy decyzji o leczeniu, ale pomaga zmniejszyć ryzyko, że szczególnie ważne badanie będzie zbyt długo czekało w kolejce razem z przypadkami mniej pilnymi.

Czy AI będzie potrafiła odróżnić udar niedokrwienny od krwotocznego?

Jednym z założeń usługi jest wsparcie wykrywania zarówno zmian niedokrwiennych, jak i krwotocznych, a także różnicowania typów zmian krwotocznych. Jest to szczególnie ważne, ponieważ określenie charakteru zmian w mózgu wpływa na dalsze postępowanie. Leczenie udaru niedokrwiennego i krwotocznego wygląda zupełnie inaczej, dlatego szybka i prawidłowa interpretacja obrazu ma fundamentalne znaczenie kliniczne.

Nadal nie można jednak mówić o automatycznej diagnozie zastępującej ocenę specjalisty. Algorytm może wskazać prawdopodobny obszar patologii, zaznaczyć podejrzaną zmianę albo wyliczyć określone parametry. Lekarz zestawia te informacje z obrazem źródłowym, objawami pacjenta, historią choroby i wynikami innych badań. W medycynie obraz nie funkcjonuje w próżni. Ta sama zmiana może mieć różne znaczenie zależnie od sytuacji klinicznej, dlatego odpowiedzialność za ostateczną interpretację pozostaje po stronie personelu medycznego.

W jaki sposób AI będzie wykrywać nowotwory piersi w mammografii?

Mammografia jest kolejnym obszarem, w którym sztuczna inteligencja rozwija się bardzo szybko. Algorytmy potrafią analizować obrazy pod kątem struktur mogących odpowiadać zmianom nowotworowym i zaznaczać obszary wymagające dokładniejszej oceny radiologa. W systemie PUI wykrywanie zmian nowotworowych piersi zostało wskazane jako jedna z pięciu pierwszych usług diagnostycznych. Może to być szczególnie istotne przy ogromnej liczbie badań wykonywanych w ramach profilaktyki raka piersi.

AI może pełnić rolę dodatkowej warstwy kontrolnej, która zwraca uwagę na subtelne nieprawidłowości. Nie oznacza to jednak, że każdy obszar zaznaczony przez algorytm jest nowotworem. W mammografii występują zmiany łagodne, różnice anatomiczne i obrazy trudne do jednoznacznej interpretacji. Dlatego wynik działania modelu powinien być traktowany jako informacja pomocnicza. Ostateczna ocena nadal wymaga wiedzy lekarza oraz w razie potrzeby dalszej diagnostyki, na przykład USG, rezonansu magnetycznego lub biopsji.

Czy sztuczna inteligencja będzie wykrywać również raka płuca?

Platforma ma obejmować analizę tomografii komputerowej klatki piersiowej w kierunku patologii, a Centrum e-Zdrowia wskazuje wśród oczekiwanych możliwości łatwiejsze i szybsze wykrywanie między innymi zmian nowotworowych w płucach. Algorytm może przeszukiwać dużą liczbę przekrojów TK i zwracać uwagę radiologa na niewielkie guzki lub inne struktury, które wymagają dokładniejszej oceny. Przy setkach obrazów składających się na pojedyncze badanie taka funkcja może być bardzo wartościowym wsparciem.

Nie każda zmiana w płucu jest jednak rakiem. Guzki płucne są częstym znaleziskiem i mogą mieć wiele przyczyn. Dlatego wykrycie przez AI podejrzanej struktury nie oznacza automatycznego rozpoznania choroby nowotworowej. Lekarz musi ocenić jej wielkość, wygląd, położenie, historię wcześniejszych badań oraz czynniki ryzyka pacjenta. W części przypadków potrzebna będzie obserwacja, w innych dodatkowe badania. Sztuczna inteligencja może pomóc znaleźć zmianę, ale dalsza ścieżka pozostaje decyzją kliniczną.

Jak AI ma pomagać lekarzom w analizowaniu zwykłych zdjęć RTG klatki piersiowej?

RTG klatki piersiowej należy do najczęściej wykonywanych badań obrazowych. Lekarze wykorzystują je między innymi w diagnostyce infekcji, chorób płuc, zmian opłucnowych oraz wielu innych problemów. W dużych szpitalach każdego dnia powstają setki takich obrazów, dlatego ich opis stanowi znaczącą część pracy radiologów. PUI ma umożliwić automatyczne wyszukiwanie zmian patologicznych i wskazywanie miejsc wymagających dokładniejszego sprawdzenia.

Dużą zaletą może być ponownie triage, czyli wstępne porządkowanie kolejki badań. Algorytm może oznaczyć obrazy zawierające potencjalnie istotne nieprawidłowości, dzięki czemu lekarz może zacząć od przypadków najbardziej pilnych. System może także pomagać w wychwytywaniu subtelnych zmian, które przy dużym obciążeniu pracą są trudniejsze do zauważenia. Nie należy jednak traktować AI jako nieomylnego mechanizmu. Algorytmy mogą zarówno przeoczyć patologię, jak i zgłosić fałszywy alarm, dlatego konieczna pozostaje ocena człowieka.

Czy AI będzie potrafiła wykrywać złamania na zdjęciach RTG?

Takie zastosowanie znalazło się bezpośrednio w oficjalnym katalogu usług. Platforma ma wspierać diagnostykę zmian pourazowych układu kostnego w klasycznej radiografii. Algorytm może analizować obraz kości i wskazywać miejsca, w których widoczna jest linia złamania lub inna cecha wymagająca dokładniejszej oceny. Ma to duże znaczenie szczególnie na szpitalnych oddziałach ratunkowych, gdzie zdjęcia po urazach są wykonywane przez całą dobę, a liczba pacjentów może gwałtownie wzrastać.

Niektóre złamania są oczywiste już na pierwszy rzut oka, ale inne mogą być bardzo subtelne. Dotyczy to szczególnie niewielkich pęknięć, zmian w skomplikowanych strukturach anatomicznych albo przypadków, w których ułożenie kości nie zmieniło się w sposób wyraźny. Dodatkowe wskazanie wygenerowane przez AI może działać jak drugi kontroler obrazu. Jeśli jednak objawy pacjenta sugerują uraz, a algorytm nie wykryje złamania, wynik systemu nie powinien automatycznie kończyć diagnostyki.

Czy AI w polskich szpitalach zastąpi radiologów?

Nie taki jest cel projektu. Centrum e-Zdrowia określa Platformę Usług Inteligentnych jako cyfrowego asystenta radiologa. Algorytm ma analizować obrazy, wskazywać potencjalne zmiany, wspierać priorytetyzację i pomagać przy tworzeniu opisów, natomiast końcowa interpretacja nadal wymaga udziału profesjonalisty medycznego. Sztuczna inteligencja nie zna całego kontekstu pacjenta w taki sposób jak lekarz prowadzący i nie może być traktowana jako samodzielny odpowiednik specjalisty.

W praktyce bardziej prawdopodobne jest przesunięcie części pracy radiologa niż jej zniknięcie. Lekarz może poświęcać mniej czasu na powtarzalne wyszukiwanie typowych zmian i większą część dnia przeznaczać na trudne przypadki, konsultacje oraz decyzje wymagające doświadczenia. Przy rosnącej liczbie badań obrazowych i niedoborze specjalistów takie wsparcie może być szczególnie cenne. Celem jest więc zwiększenie przepustowości istniejącego zespołu, a nie zbudowanie radiologii bez lekarzy.

Czy wynik wygenerowany przez AI będzie diagnozą medyczną?

Nie. Wynik modelu powinien być traktowany jako element wspierający proces diagnostyczny. AI może wskazać na przykład obszar, który według algorytmu przypomina zmianę patologiczną, albo przypisać badaniu wysoki priorytet. Lekarz musi następnie przeanalizować obraz i zdecydować, czy wskazanie rzeczywiście ma znaczenie kliniczne. Różnica jest fundamentalna, ponieważ w medycynie diagnoza powstaje z połączenia wielu informacji, a nie jednego automatycznego wyniku.

Pacjent również nie powinien interpretować informacji o zastosowaniu AI jako gwarancji bezbłędnego rozpoznania. Modele medyczne mają określoną czułość i swoistość, mogą generować wyniki fałszywie dodatnie i fałszywie ujemne. Nawet bardzo skuteczny algorytm nie osiąga automatycznie stuprocentowej trafności. Dlatego odpowiedzialne wdrażanie AI zakłada model współpracy, w którym komputer analizuje duże ilości danych bardzo szybko, a człowiek odpowiada za ocenę wyniku w kontekście konkretnego pacjenta.

Dlaczego największą zaletą AI może być szybsze ustalanie kolejności badań do opisu?

W radiologii często nie chodzi tylko o to, czy badanie zostanie poprawnie opisane, ale również kiedy opis powstanie. Pacjent z przewlekłą zmianą może bezpiecznie poczekać dłużej niż osoba z podejrzeniem świeżego krwawienia do mózgu. Problem polega na tym, że bez wcześniejszej analizy obrazu system nie zawsze wie, który przypadek jest najpilniejszy. AI może wykonać szybki przegląd i wskazać badania zawierające cechy potencjalnego stanu nagłego.

Taki mechanizm nie zwiększa liczby radiologów, ale może lepiej wykorzystywać ich czas. Jeśli z kilkudziesięciu badań trzy zostaną prawidłowo oznaczone jako szczególnie pilne i natychmiast trafią do lekarza, może to skrócić czas potrzebny do podjęcia dalszych działań. Najbardziej oczywistym przykładem jest udar, ale podobna zasada może mieć znaczenie przy poważnych urazach, niektórych zmianach w klatce piersiowej czy innych stanach wymagających szybkiej reakcji.

Czy AI skróci kolejki do badań RTG, TK i rezonansu?

Nie bezpośrednio. Algorytm analizujący wykonane badanie nie tworzy nowych aparatów i nie zwiększa automatycznie liczby dostępnych terminów tomografii czy rezonansu. Może jednak skrócić czas pomiędzy wykonaniem badania a jego opisaniem oraz odciążyć radiologów z części powtarzalnych czynności. W niektórych placówkach właśnie dostępność osoby opisującej badanie jest jednym z elementów ograniczających przepustowość całego procesu.

Długoterminowo wzrost efektywności może pozwalać tej samej liczbie specjalistów obsługiwać większą liczbę badań. Nie należy jednak oczekiwać, że samo uruchomienie platformy natychmiast rozwiąże wszystkie kolejki w diagnostyce obrazowej. Na czas oczekiwania wpływają również liczba aparatów, personel techniczny, harmonogramy pracy, finansowanie świadczeń i dostępność konkretnych specjalistów. AI jest jednym z elementów poprawy systemu, a nie uniwersalnym rozwiązaniem każdego problemu kadrowego.

Dlaczego Polska zdecydowała się na centralną platformę zamiast pozostawić zakup AI poszczególnym szpitalom?

Samodzielne wdrażanie zaawansowanych systemów AI przez każdy szpital oznaczałoby konieczność wielokrotnego prowadzenia podobnych przetargów, integracji i analiz bezpieczeństwa. Bogatsze placówki mogłyby kupić najlepsze narzędzia, podczas gdy mniejsze szpitale przez wiele lat nie miałyby do nich dostępu. Centralny model ma zmniejszyć tę nierówność i umożliwić dostarczanie certyfikowanych usług według wspólnych zasad.

Drugą zaletą jest możliwość ujednolicenia integracji technicznej. W szpitalach funkcjonują systemy PACS służące do przechowywania obrazów, RIS wykorzystywane w radiologii oraz inne systemy kliniczne. Jeżeli PUI zostanie poprawnie połączona z tym środowiskiem, lekarz nie powinien być zmuszony do ręcznego eksportowania każdego zdjęcia i przesyłania go do oddzielnej aplikacji. Największy efekt technologii pojawia się wtedy, gdy staje się ona naturalnym elementem codziennego procesu pracy.

Jak będą chronione dane medyczne pacjentów przekazywane do systemów AI?

Badania RTG, TK czy MR są danymi medycznymi i należą do najbardziej wrażliwych informacji o człowieku. System wykorzystujący AI musi więc spełniać wymagania dotyczące bezpieczeństwa, kontroli dostępu i ochrony danych. Centralna platforma powstaje w ramach krajowej infrastruktury e-zdrowia, a wykorzystywane modele mają być odpowiednio sprawdzone i certyfikowane. Nie jest to model, w którym lekarz wysyła zdjęcie pacjenta do przypadkowego publicznego chatbota.

Bezpieczeństwo pozostanie jednak jednym z najważniejszych wyzwań. Im więcej systemów jest ze sobą połączonych, tym większe znaczenie ma kontrola uprawnień, szyfrowanie, rejestrowanie dostępu i odporność infrastruktury na cyberataki. Szpital musi również wiedzieć, jakie dane opuszczają jego lokalny system i do czego są wykorzystywane. Rozwój AI w medycynie będzie więc wymagał równoległego rozwoju cyberbezpieczeństwa, a nie tylko coraz skuteczniejszych algorytmów diagnostycznych.

Czy dane pacjentów będą wykorzystywane do trenowania sztucznej inteligencji?

Samo przesłanie badania do analizy nie oznacza automatycznie zgody na dowolne późniejsze wykorzystanie danych do trenowania modeli. Przetwarzanie informacji medycznych musi odbywać się zgodnie z określoną podstawą prawną i przeznaczeniem systemu. Platforma ma udostępniać szpitalom modele służące do wspierania diagnostyki, a nie tworzyć niekontrolowany zbiór zdjęć dostępny dla producentów algorytmów.

To rozróżnienie jest bardzo istotne dla zaufania pacjentów. Inna jest sytuacja, gdy certyfikowany model analizuje badanie na potrzeby konkretnego procesu diagnostycznego, a inna, gdy dane zostają wykorzystane później do rozwoju kolejnych produktów. Każdy taki proces musi posiadać odpowiednie zasady. W medycynie przejrzystość dotycząca przepływu danych będzie równie ważna jak sama skuteczność technologii, ponieważ pacjent powinien wiedzieć, kto i w jakim celu przetwarza informacje o jego zdrowiu.

Co się stanie, jeśli sztuczna inteligencja popełni błąd w analizie badania?

Błędy są możliwe i właśnie dlatego AI nie może działać bez nadzoru człowieka. Model może zaznaczyć zmianę, której w rzeczywistości nie ma, albo nie zauważyć patologii obecnej na obrazie. W pierwszej sytuacji pacjent może zostać skierowany na niepotrzebną dalszą diagnostykę, a w drugiej istnieje ryzyko opóźnienia właściwego rozpoznania. Dlatego medyczne systemy AI muszą być walidowane, monitorowane i stosowane w dokładnie określonych zastosowaniach.

Radiolog powinien nadal analizować obraz niezależnie od tego, czy AI zgłosiła alarm. Szczególnie niebezpieczne byłoby zjawisko nadmiernego zaufania do automatyzacji, gdy człowiek zaczyna przyjmować wynik komputera bez własnej krytycznej oceny. Dobrze wdrożony system powinien więc zwiększać bezpieczeństwo poprzez dodatkową kontrolę, a nie zastępować jedną potencjalnie omylną ocenę drugą. Technologia ma być drugim zestawem "oczu", ale odpowiedzialność kliniczna pozostaje po stronie profesjonalisty.

Czy lekarze będą musieli nauczyć się sprawdzać decyzje podejmowane przez AI?

Tak, ponieważ korzystanie z algorytmu wymaga nowych kompetencji. Radiolog powinien rozumieć, do czego dany model został zaprojektowany, czego potrafi szukać i w jakich sytuacjach jego wynik może być mniej wiarygodny. Nie wystarczy informacja, że program posiada wysoką skuteczność w badaniu klinicznym. Znaczenie ma również populacja pacjentów, typ aparatu, jakość obrazu i konkretne zastosowanie.

W praktyce lekarz przyszłości może potrzebować umiejętności podobnej do korzystania z każdego zaawansowanego narzędzia diagnostycznego. Musi wiedzieć, kiedy wynik pomaga, a kiedy powinien wzbudzić wątpliwości. Dlatego wraz z wdrożeniem PUI potrzebne będą szkolenia oraz jasne procedury. Najbardziej wartościowym użytkownikiem AI nie będzie lekarz, który bezgranicznie jej ufa, ani taki, który całkowicie ją ignoruje, lecz specjalista potrafiący połączyć możliwości algorytmu z własnym doświadczeniem.

Czy sztuczna inteligencja może zmniejszyć problem niedoboru radiologów w Polsce?

Może pomóc, ale nie zastąpi polityki kadrowej. Liczba badań obrazowych rośnie wraz ze starzeniem się społeczeństwa, większą dostępnością tomografii i rezonansu oraz coraz szerszym wykorzystywaniem diagnostyki w wielu specjalizacjach. Jeżeli liczba radiologów nie zwiększa się równie szybko, każdy specjalista musi analizować coraz więcej obrazów. AI może przejąć część powtarzalnych zadań i pomagać w pierwszej selekcji.

Dzięki temu radiolog może przeznaczyć więcej czasu na przypadki wymagające szczegółowej interpretacji. Jeżeli algorytm poprawnie oznacza typowe złamania lub wykonuje wstępną analizę setek badań klatki piersiowej, specjalista nadal kontroluje rezultat, ale część pracy może wykonać szybciej. Nie oznacza to jednak, że szpitale przestaną potrzebować nowych lekarzy. Wraz z rosnącą liczbą badań zapotrzebowanie na ekspertów może nadal być wysokie, tylko charakter ich pracy będzie stopniowo się zmieniał.

Czy wszystkie szpitale otrzymają dostęp do dokładnie takich samych modeli AI?

Jednym z celów centralnego rozwiązania jest zapewnienie dostępu do usług na podobnym poziomie niezależnie od wielkości i lokalizacji szpitala. To potencjalnie bardzo ważna zmiana dla placówek poza największymi miastami. Dzisiaj duży szpital kliniczny może mieć środki i specjalistyczny dział IT pozwalający wdrożyć zaawansowane oprogramowanie, podczas gdy mniejsza jednostka ma znacznie bardziej ograniczone możliwości.

PUI może zmniejszyć tę różnicę, ponieważ koszt i skomplikowanie wdrożenia nie muszą w pełni spoczywać na pojedynczej placówce. Nie oznacza to jednak identycznego sposobu korzystania z systemu. Jeden szpital może wykonywać znacznie więcej tomografii, drugi mammografii, a trzeci badań urazowych. Centralna infrastruktura daje wspólną bazę technologiczną, natomiast praktyczne wykorzystanie będzie zależało od profilu konkretnej placówki.

Czy AI w szpitalach może oznaczać krótszy czas oczekiwania pacjenta na wynik?

To jeden z podstawowych oczekiwanych efektów projektu. Jeżeli algorytm automatycznie wykonuje wstępną analizę badania, wskazuje podejrzane obszary i pomaga przy tworzeniu opisu, lekarz może potencjalnie przygotować końcowy wynik szybciej. Szczególnie duże znaczenie może mieć to w placówkach, w których liczba badań jest duża w stosunku do liczby radiologów.

Nie należy jednak obiecywać, że każdy pacjent otrzyma wynik natychmiast. AI skraca tylko część procesu. Badanie nadal trzeba wykonać, poprawnie przesłać, przeanalizować i zatwierdzić, a przy niejasnym wyniku potrzebne mogą być dodatkowe konsultacje. Największe znaczenie może mieć nie tyle skrócenie każdego opisu o tę samą liczbę minut, ile sprawniejsze wykorzystanie czasu lekarzy i szybsze wychwytywanie przypadków, które nie mogą czekać.

Czy 2026 rok może być początkiem powszechnego wykorzystania AI w polskiej medycynie?

Wiele wskazuje na to, że właśnie zaczyna się przejście z fazy lokalnych eksperymentów do budowania infrastruktury ogólnokrajowej. Ustawa dotycząca rozwoju usług e-zdrowia stworzyła podstawy prawne do udostępniania narzędzi sztucznej inteligencji, a Platforma Usług Inteligentnych ma zapewnić techniczne środowisko ich wykorzystania. Ministerstwo Zdrowia określiło już konkretne obszary pierwszego wdrożenia oraz maksymalną liczbę 400 szpitali mogących uzyskać dostęp.

Najważniejszym testem nie będzie jednak to, czy algorytm potrafi znaleźć zmianę na pokazowym obrazie. Prawdziwa wartość technologii ujawni się dopiero w codziennej pracy, gdy tysiące badań będą analizowane w realnych warunkach szpitalnych. Trzeba będzie ocenić, czy AI rzeczywiście skraca czas opisu, poprawia wykrywalność zmian i pomaga szybciej kierować najpilniejszych pacjentów do leczenia. Jeśli te założenia zostaną potwierdzone w praktyce, analiza RTG, TK i mammografii może stać się pierwszym obszarem, w którym sztuczna inteligencja na dużą skalę wejdzie do codziennej polskiej medycyny.