Agenci AI zaczynają działać

Chatbot odpowiada na pytanie lekarza, a agent AI sam przeszukuje dokumentację, wyniki badań i systemy szpitalne, układa informacje i wykonuje kolejne zadania. To zmiana nie tylko technologiczna – wraz ze sprawczością algorytmu rośnie też odpowiedzialność za jego działanie.

Medyczne chatboty nauczyły się już, co prawda, mówić klinicznym językiem, ale wciąż same nie potrafią niczego zrobić. Agent AI to inna klasa oprogramowania. To system, który planuje kolejne kroki, sam sięga do EDM-u, systemu laboratoryjnego i archiwum obrazów, a lekarzowi podaje gotowy efekt. Pierwsze testy tego typu systemów pokazują, ile realnie na tym może zyskać lekarz i gdzie kryją się pułapki.

Duży model językowy sam z siebie nie wie o konkretnym pacjencie dosłownie nic. Odpowiedzi generuje na podstawie tylko tego, co znalazło się w zapytaniu. Choć sprawnie streści patofizjologię niewydolności serca, nie wie, jaki był poziom NT-proBNP u konkretnego chorego. Asystent AI to ten sam model sztucznej inteligencji działający w specjalnie zaprojektowanym interfejsie, któremu lekarz podsuwa kontekst – zwykle wklejony ręcznie fragment dokumentacji medycznej. Niemniej wciąż jest to narzędzie reaktywne – lekarz pyta, a program odpowiada.

Agent AI działa inaczej. Otrzymuje sformułowane ogólnie zadanie, rozkłada je na poszczególne kroki, sam decyduje, po które narzędzia sięgnąć, wykonuje zapytania do systemów zewnętrznych, ocenia to, co wróciło, i w razie potrzeby ponawia próbę inną drogą. Pamięta kontekst sprawy, a wynik przedstawia dopiero wtedy, gdy uzna zadanie za zamknięte. Różnica nie leży więc w jakości systemu sztucznej inteligencji, lecz w zdolności do działania.

Medycyna okazała się jednym z najbardziej naturalnych obszarów zastosowania tej technologii, bo informacja o pacjencie nigdy nie leży w jednym miejscu. Rozpoznania i wpisy z wizyt są w EDM, morfologia w systemie laboratoryjnym, opis tomografii w bazie danych RIS, czyli systemie Radiology Information System, zarządzającym danymi pacjentów i obiegiem pracy w pracowni obrazowej, a sam obraz w PACS, przechowującym i udostępniającym zdjęcia z RTG, TK czy rezonansu magnetycznego.

Do tego dochodzi terminarz i moduł rozliczeniowy. Pytania zadawane w gabinecie dotyczą zazwyczaj tego, czy pacjent ma aktualne wyniki, co pokazywało poprzednie badanie i kiedy był na kontroli. Odpowiedź wymaga zajrzenia w cztery lub pięć miejsc, a agent robi to w jednym przebiegu.

Co robi między systemami

W tym miejscu należy podkreślić, że agent AI nie jest kolejnym modułem systemu szpitalnego. Jest warstwą orkiestracji ponad nim i sięga po dane do HIS, EDM, LIS, RIS i PACS, do kalendarza oraz  modułu rozliczeń, ale sam ich nie przechowuje i niczego nie zmienia.

Wiedzę pozakliniczną agent czerpie zwykle z mechanizmu RAG, czyli generowania odpowiedzi wspieranego wyszukiwaniem. Zamiast polegać na treningowej pamięci modelu, przeszukuje kontrolowany zbiór wytycznych i procedur, najczęściej przy użyciu bazy wektorowej, i cytuje konkretny fragment. Ogranicza to konfabulacje i pozwala aktualizować wiedzę bez uczenia modelu od nowa.

Jak bardzo istotna jest konstrukcja agenta, pokazuje MedAgentBench, opracowany w Stanfordzie zestaw 300 zadań klinicznych osadzonych w środowisku zgodnym z FHIR. W pierwotnej publikacji na łamach „NEJM AI” najlepszy z modeli rozwiązał niespełna 70 proc. zadań. W drugiej odsłonie benchmarku po przebudowie narzędzi, wymuszeniu planowania przed pierwszym wywołaniem i dodaniu pamięci wcześniejszych niepowodzeń agent osiągnął 91 proc. skuteczności, a z pamięcią 98 proc. O wartości wdrożenia decyduje więc nie tyle sam model, ile projekt jego narzędzi i zabezpieczeń.

W polskich realiach agent trafia na środowisko mieszane. Trzon EDM-u stanowią dokumenty HL7 CDA Release 2 w polskiej implementacji krajowej, przechowywane u świadczeniodawcy i indeksowane w systemie P1, podczas gdy e-recepta i e-skierowanie przetwarzane są centralnie. Obok tego działa HL7 v2 w laboratoriach i DICOM w diagnostyce obrazowej. To ta wielojęzyczność, a nie moc modelu, bywa najdroższą częścią projektu.

Od rozmowy do wpisu

Obecnie najczęściej wykorzystywanym zastosowaniem agentów AI jest dokumentacja ambientowa (ang. ambient clinical documentation). Mikrofon rejestruje przebieg konsultacji, system rozpoznaje mowę, rozdziela wypowiedzi na role, wydobywa informacje kliniczne i układa je w notatkę o ustalonej strukturze, dzieląc opis na część subiektywną (wywiad), obiektywną (badanie i wyniki), ocenę oraz plan postępowania. Dochodzą do tego propozycje kodów ICD-10, w dalszej perspektywie ICD-11, a także propozycje skierowań, zaleceń i recept. Całość trafia do akceptacji lekarza i dopiero po zatwierdzeniu staje się wpisem w dokumentacji.

Rynek tych narzędzi jest już dojrzały. Microsoft rozwija Dragon Copilot, wyrosły z technologii Nuance DAX, obok działają Nabla, Abridge, Suki AI, Heidi Health i Ambience Healthcare. Kierunek zmian jest podobny – od zapisu rozmowy do asystenta lekarza, który wyszukuje wcześniejszą dokumentację i uruchamia zadania administracyjne. Trzeba jednak zaznaczyć, że systemy te walidowano jednak głównie na materiale anglojęzycznym, więc jakość notatki po polsku wymaga dodatkowego sprawdzenia.

Pierwsze randomizowane badanie asystentów ambientowych opublikowano pod koniec 2025 r. w „NEJM AI”. Objęło ono 238 lekarzy 14 specjalności, przydzielonych do trzech grup badawczych – Dragon Copilot, Nabla albo tradycyjna praktyka lekarska, która stanowiła grupę kontrolną. W grupie korzystającej z Nabli czas poświęcany na pojedynczy wpis skrócił się o 9,5 proc. względem grupy kontrolnej, w grupie korzystającej z narzędzi Microsoftu różnica nie osiągnęła wyników istotnych z punktu widzenia statystycznego. Niemniej w obu grupach poprawiły się wskaźniki dotyczące wypalenia zawodowego, obciążenia poznawczego i wyczerpania pracą.

Drugie duże badanie, opublikowane w „JAMA Network Open”, objęło 263 osoby wykonujące zawody medyczne w sześciu amerykańskich systemach ochrony zdrowia korzystających z platformy Abridge. Po 30 dniach badań odsetek osób spełniających kryteria wypalenia zawodowego spadł z 51,9 do 38,8 proc., a czas dokumentowania skrócił się średnio o niecałą godzinę.

Zachwyt nad agentami ambientowymi studzi jednak analiza jakości. W badaniu opublikowanym w 2026 r. w „JMIR Medical Informatics” 31 lekarzy jednego z amerykańskich ośrodków akademickich wygenerowało 7545 notatek, z których 356 poddano szczegółowej ocenie. Pominięcie istotnych informacji stwierdzono w 18 proc., konfabulacje w 11,5 proc., a treści dodane bez pokrycia w rozmowie w 9,3 proc. dokumentów. Ponad 5 proc. notatek zawierało błędy o znaczeniu klinicznym. W jednym z przykładów system dopisał zalecenie zwiększenia dawki wbrew ustalonemu planowi leczenia. Zatwierdzenie notatki przez lekarza nie jest więc tylko formalnością.

Pod okiem algorytmu

Medyczny agent AI nie stawia jednak diagnozy i nie po to jest budowany. Świetnie natomiast radzi sobie z porządkowaniem informacji. Potrafi zestawić na jednej osi czasu morfologię, biochemię, gazometrię, opis EKG, wynik histopatologiczny, badanie genetyczne i obrazowanie, wskazać odchylenia, porównać je z poprzednimi oznaczeniami, a także pokazać trendy. Może też zwrócić uwagę na badania zlecone, lecz niewykonane, i zaproponować dalsze postępowanie zgodne z zaleceniami towarzystw naukowych.

Jest to w prostej linii kontynuacja systemów wspomagania decyzji klinicznych (CDSS), z jedną różnicą: klasyczny CDSS pracował na regułach i danych ustrukturyzowanych, agent czyta także tekst swobodny i planuje sekwencję zapytań. Dziedziczy jednak dawną bolączkę tamtych systemów, czyli zmęczenie alertami, dlatego każda teza przedstawiona lekarzowi musi mieć wskazane źródło, takie jak wynik z datą albo wytyczną z numerem sekcji. Bez tego weryfikacja zajmuje więcej czasu niż samodzielne wyszukanie danych.

W Polsce obszar ten doczekał się właśnie podstawy ustawowej.  Ustawa z 15 maja 2026 r. o zmianie niektórych ustaw w związku z rozwojem usług e-zdrowia wprowadziła Platformę Usług Inteligentnych – centralną usługę zintegrowaną z Systemem Informacji Medycznej i systemem P1, do której placówka prześle badanie obrazowe i otrzyma interpretację certyfikowanego narzędzia AI. Kontekst jest wymowny. Według Centralnego Rejestru Lekarzy pracuje w Polsce niespełna 4600 radiologów. Ta sama nowelizacja przewiduje też narzędzie analizy zdrowia pacjenta, e-Konsylium i Hurtownię Danych e-Zdrowia.

Wąskie gardło

Sam medyczny agent AI niczego w placówce nie zmieni. O powodzeniu wdrożenia zadecyduje to, czy system szpitalny ma udokumentowane interfejsy, czy repozytorium EDM ma prawidłowo nadane identyfikatory OID, czy zdarzenia medyczne trafiają do P1, czy wyniki laboratoryjne przychodzą jako dane kodowane i… czy znajdzie się integrator IT gotowy wziąć na siebie za to wszystko odpowiedzialność.

Do tego dochodzi jakość danych, o której mówi się najmniej, a która w istotny sposób wpływa na analityczne możliwości systemu. Jeżeli dokumentacją jest skan karty papierowej albo PDF-u bez struktury, agent go co prawda odczyta, lecz nie będzie na nim w stanie wiarygodnie wnioskować.

Kierunek zmian wyznacza europejska przestrzeń danych dotyczących zdrowia (EHDS). Większość przepisów rozporządzenia UE zacznie obowiązywać 26 marca 2027 r., a od 26 marca 2029 r. państwa członkowskie będą zobowiązane do transgranicznej wymiany priorytetowych kategorii danych medycznych, w tym wymiany informacji dotyczących podsumowania zdrowia pacjenta oraz e-recept. Dwa lata później obowiązek ten zostanie rozszerzony o dane z badań obrazowych, wyniki badań diagnostycznych oraz na karty informacyjne z leczenia szpitalnego (wypisy).

Warto też pamiętać, że dane o zdrowiu należą do szczególnych kategorii danych osobowych w rozumieniu art. 9 RODO, a art. 22 wyklucza możliwość podejmowania decyzji opierających się wyłącznie na zautomatyzowanym przetwarzaniu, jeżeli wywołują one skutki prawne lub podobnie istotne. Wdrożenie niemal zawsze wymaga oceny skutków dla ochrony danych, a nagrywanie wizyty to przetwarzanie głosu pacjenta.  Obowiązuje też tajemnica lekarska, a szpitale podlegają dodatkowo reżimowi dyrektywy NIS2.

Istotnym zmianom uległ również harmonogram wdrażania unijnego AI Act. Odroczono stosowanie przepisów dotyczących niektórych systemów AI wysokiego ryzyka do końca 2027 r. Z kolei obowiązki odnoszące się do systemów AI wbudowanych w wyroby objęte odrębnymi regulacjami sektorowymi, w tym wyroby medyczne, będą stosowane od 2 sierpnia 2028 r. Nie zmienił się natomiast termin wejścia w życie obowiązków w zakresie przejrzystości określonych w art. 50 AI Act, które obowiązują od 2 sierpnia 2026 r.

Krajowe ramy wdrażania AI Act tworzy ustawa o systemach sztucznej inteligencji, podpisana przez Prezydenta RP 24 lipca 2026 r. Ustawa powołuje Komisję Rozwoju i Bezpieczeństwa Sztucznej Inteligencji – organ odpowiedzialny za koordynację nadzoru nad stosowaniem przepisów AI Act w Polsce, którego rozpoczęcie działalności planowane jest na drugą połowę 2026 r.

Dla lekarzy najważniejszy pozostaje art. 12 Kodeksu Etyki Lekarskiej. Warunkuje on korzystanie z algorytmów sztucznej inteligencji poinformowaniem pacjenta, uzyskaniem jego świadomej zgody, zastosowaniem rozwiązań dopuszczonych do u żytku medycznego i posiadających certyfikaty oraz pozostawieniem ostatecznej decyzji lekarzowi.

Komentarz Komisji Etyki Lekarskiej NRL rozdziela przy tym dwie sytuacje. Zgoda jest wymagana, gdy algorytm samodzielnie wykonuje zadanie kliniczne i wpływa na decyzje pacjenta bez udziału lekarza lub przy udziale minimalnym. Nie jest wymagana, gdy system jedynie wspomaga czynności lekarza, na przykład poprawia jakość danych obrazowych albo pomaga sporządzić opis, choć poinformowanie pacjenta pozostaje zalecane. Sama zgoda może być wyrażona ustnie lub w sposób dorozumiany i nie musi być odrębna od zgody na świadczenie.

Dr inż. Marcin Bieńkowski

Źródło: „Gazeta Lekarska” nr 9/2026