Głos zastępuje klawiaturę - globalny kierunek w medycynie

Rynek AI voice agents w ochronie zdrowia ma według prognoz osiągnąć około 3,18 miliarda USD do 2030 roku, rosnąc o niemal 38% rocznie.

W medycynie na świecie widać wyraźny wzrost wykorzystania głosu w dokumentacji pacjenta. Klawiatura, przez lata dominująca w gabinetach, coraz częściej ustępuje miejsca głosowi. Taki kierunek nie tylko przyspiesza procesy, ale pozwala lekarzom skupić się na pacjencie, a nie na ekranie. Według analiz Grand View Research globalny rynek AI voice agents w ochronie zdrowia, wyceniany na około 468 milionów USD w 2024 roku, ma w prognozie osiągnąć około 3,18 miliarda USD do 2030 roku, przy rocznym wskaźniku wzrostu (CAGR) na poziomie około 37,8% (raport Grand View Research).

Ten kierunek to nie tylko techniczny trend, ale odpowiedź na realne potrzeby środowiska medycznego. W Stanach Zjednoczonych adopcja tak zwanych „ambient scribe'ów" rośnie szybko. Globalni liderzy oferują rozwiązania bazujące na anglojęzycznych modelach, które analizują naturalną rozmowę lekarza z pacjentem i automatycznie generują dokumentację. Ich celem jest redukcja obciążenia administracyjnego i poprawa komfortu pracy personelu.

Warto jednak jasno rozumieć specyfikę tych zagranicznych rozwiązań. Większość globalnych systemów typu „ambient scribe" nagrywa całą rozmowę kliniczną, a następnie - za pomocą modeli językowych (LLM) - samodzielnie tworzy notatkę medyczną. VoxMedic, rozwijany przez nasz zespół, działa inaczej. To dokładny, lokalny model automatycznego rozpoznawania mowy (ASR), który zamienia dyktowaną mowę medyczną w tekst i stanowi fundamentalną warstwę dla systemów transkrypcji. Nie należy utożsamiać go z systemami typu „ambient scribe" ani oczekiwać, że będzie automatycznie generował diagnozy, farmakoterapię czy inne decyzje kliniczne. Jego zadaniem jest precyzyjna transkrypcja, a lekarz zachowuje pełną kontrolę nad ostatecznym kształtem dokumentacji. To istotna różnica w kontekście bezpieczeństwa pacjenta i odpowiedzialności medycznej.

Dlaczego globalne narzędzia nie rozwiążą problemów polskiej ochrony zdrowia?

Rozwiązania anglojęzyczne nie sprostają wyzwaniom polskiej ochrony zdrowia - ani językowym, ani regulacyjnym.

Pomimo dynamicznego rozwoju globalnych technologii ich bezpośrednie wdrożenie w Polsce napotyka bariery. Pierwszą jest język. Medycyna posługuje się bogatym, specyficznym słownictwem - terminami łacińskimi, greckimi, lokalnymi akronimami i skrótami. Nawet zaawansowane modele ASR, trenowane głównie na danych anglojęzycznych, nie przetwarzają polskiej mowy medycznej z wymaganą precyzją. Próby adaptacji takich systemów często prowadzą do wyników wymagających czasochłonnej korekty, co niweczy potencjalne korzyści czasowe.

Kolejnym aspektem jest otwartość i kontrola nad danymi. Wiele globalnych rozwiązań to zamknięte systemy komercyjne, w których placówki mają ograniczoną kontrolę nad technologią oraz nad przepływem i przechowywaniem wrażliwych danych pacjentów. Wobec rosnących wymagań RODO i zbliżającej się dyrektywy NIS2, która zaostrza wymogi cyberbezpieczeństwa dla sektora zdrowia, poleganie na zewnętrznych, często chmurowych rozwiązaniach bez pełnej transparentności jest ryzykowne. Nowe przepisy oraz zjawisko „Shadow AI" - używania nieautoryzowanych narzędzi przez personel - podkreślają potrzebę rozwiązań działających lokalnie i zapewniających suwerenność danych.

Brak polskojęzycznych, otwartych i lokalnych narzędzi sprawia, że polska medycyna nie wykorzystuje w pełni potencjału globalnego rozwoju rozwiązań głosowych. Zamiast korzystać z usprawnień, polscy lekarze nadal poświęcają cenne godziny na biurokrację. To opóźnienie, w połączeniu z problemami kadrowymi i dostępnością opieki, wymaga reakcji. Potrzebne są rozwiązania stworzone z myślą o polskiej specyfice - uwzględniające język i rygorystyczne standardy bezpieczeństwa danych.

Polska ma już otwarty fundament - ADMEDVOICE

Politechnika Gdańska opublikowała pierwszy otwarty polski zbiór nagrań medycznych ADMEDVOICE - ponad 83 godziny mowy, na licencji CC-BY.

Rozwój systemów rozpoznawania mowy dla tak specyficznej dziedziny jak medycyna zależy od dostępności danych treningowych. Przez długi czas brakowało otwartych, wysokiej jakości zbiorów medycznych w języku polskim, co blokowało innowacje. Taki niedobór danych uniemożliwiał budowę skutecznych modeli ASR, które precyzyjnie przetwarzałyby polską terminologię medyczną.

Sytuacja zmieniła się zasadniczo dzięki pracy zespołu Politechniki Gdańskiej pod kierownictwem Andrzeja Czyżewskiego. W 2025 roku ukazał się zbiór ADMEDVOICE, opublikowany w czasopiśmie „Scientific Data" z portfolio Nature (Nature Scientific Data, 2025). To pierwszy otwarty polski zbiór nagrań medycznych przeznaczony do trenowania systemów ASR. Zawiera ponad 83 godziny mowy w około 53 tysiącach próbek, obejmujących siedem specjalizacji medycznych. Dostępność na licencji CC-BY oznacza, że jest swobodnie dostępny dla badaczy i deweloperów - stanowi otwarty fundament polskojęzycznych technologii głosowych w medycynie.

Stworzenie i udostępnienie ADMEDVOICE to zasługa zespołu Politechniki Gdańskiej i instytucji partnerskich - ważny krok w rozwoju polskiej sztucznej inteligencji medycznej. Dzięki temu otwartemu zasobowi możliwe stało się trenowanie modeli ASR, które rozumieją i precyzyjnie transkrybują polską mowę medyczną. To przykład, jak otwarta nauka napędza postęp w istotnych sektorach.

VoxMedic - otwarty model gotowy do wdrożeń

VoxMedic Turbo (beta) obniżył błąd rozpoznawania dyktowanej mowy medycznej o ponad 55% (WER z 17,07% do 7,64%) na zbiorze testowym.

Na fundamencie zbioru ADMEDVOICE rozwijany jest VoxMedic - otwarty polski model automatycznego rozpoznawania mowy, który łączy precyzję z gotowością do wdrożenia. Zbudowano go w oparciu o architekturę Whisper large-v3-turbo, dostrojono metodą LoRA (Low-Rank Adaptation) i liczy 0,8 miliarda parametrów. Model odpowiada na specyficzne potrzeby polskiego środowiska medycznego: jest jednocześnie otwarty i gotowy do praktycznych wdrożeń.

O jakości decyduje wydajność w przetwarzaniu mowy medycznej. Na wewnętrznym zbiorze testowym dyktowanej mowy medycznej wskaźnik błędów słów (WER - Word Error Rate) spadł z 17,07% do 7,64% (po normalizacji pisowni). Oznacza to ponad dwukrotnie mniej błędów w transkrypcji, a więc mniejszą potrzebę ręcznej korekty - jest to wynik benchmarkowy, nie gwarancja dla każdego środowiska klinicznego. Trening na danych medycznych nie pogorszył istotnie rozumienia ogólnej polszczyzny: na zbiorze „bigos" zmiana była marginalna (z 5,37% do 5,50%).

VoxMedic wyróżnia się połączeniem otwartości i dojrzałości wdrożeniowej. W przeciwieństwie do zamkniętych systemów komercyjnych, które oferują ograniczoną transparentność i możliwości integracji, pozostaje rozwiązaniem otwartym. Jednocześnie, w odróżnieniu od wczesnych, akademickich checkpointów wymagających dalszego dopracowania, jest gotowy do użycia. Parametry modelu są publicznie dostępne na platformie HuggingFace (model na HuggingFace) na licencji Medalion Eskulap-ASR Community License v1.0 - darmowej dla podmiotów o rocznym obrocie do 1 miliona PLN. Dla szpitali Medalion Technology oferuje model komercyjny ze wsparciem.

Działanie lokalne (on-premise) to kolejny istotny atut: dane medyczne nigdy nie opuszczają sieci szpitala, co ma znaczenie wobec RODO, NIS2 oraz ryzyka „Shadow AI". Integracja z istniejącą dokumentacją (EDM, systemy szpitalne) odbywa się przez interfejs programistyczny (API), co ułatwia podłączenie do infrastruktury placówki. Zespół Thelion.ai pod przewodnictwem Aleksandra Obuchowskiego stworzył narzędzie zapewniające wysoki poziom bezpieczeństwa i pełną kontrolę nad przetwarzaniem danych.

Dlaczego teraz - pilne potrzeby polskiej ochrony zdrowia

Według kontroli NIK lekarze potrafią poświęcać nawet około jednej trzeciej dnia pracy na biurokrację (często 2-4 godziny dziennie).

Polska ochrona zdrowia stoi przed pilnymi wyzwaniami, które czynią ten moment dogodnym do wdrażania rozwiązań takich jak VoxMedic. Jednym z najpoważniejszych są niedobory kadrowe i starzejąca się populacja lekarzy. Polska pozostaje poniżej średniej Unii Europejskiej pod względem liczby lekarzy na 1000 mieszkańców (około 4,3 w UE), a jej kadra należy do najstarszych w regionie. Jednocześnie część pacjentów nie uzyskuje potrzebnej opieki - według danych OECD i Eurostatu około 5,2% osób zgłaszało niezaspokojone potrzeby zdrowotne z powodu kolejek, kosztów lub odległości. To pokazuje, jak ważne jest efektywne wykorzystanie ograniczonych zasobów kadrowych.

Obciążenie administracyjne dodatkowo obniża efektywność. Kontrole NIK wskazują, że lekarze potrafią poświęcać nawet około jednej trzeciej dnia pracy - często 2-4 godziny dziennie, zależnie od specjalności i placówki - na dokumentację i biurokrację. Ten czas, zamiast trafiać do pacjenta, pochłaniają powtarzalne zadania administracyjne. System rozpoznawania mowy taki jak VoxMedic może odciążyć lekarzy, pozwalając dyktować opisy zamiast pisać je na klawiaturze.

Dodatkowo zbliżające się regulacje - dyrektywa NIS2 i unijny AI Act - tworzą nowe ramy dla cyberbezpieczeństwa i stosowania sztucznej inteligencji w sektorach krytycznych, w tym w ochronie zdrowia. NIS2 nakłada na podmioty medyczne surowsze wymogi zarządzania ryzykiem i zgłaszania incydentów. AI Act reguluje z kolei ryzyka związane z wykorzystaniem AI, zwłaszcza w systemach wspomagających decyzje kliniczne. Otwarty, działający lokalnie model ASR, który pozwala zachować pełną kontrolę nad danymi i transparentność, dobrze wpisuje się w te wymagania, ograniczając ryzyka prawne i operacyjne.

Sprawdź sam - VoxMedic w praktyce

VoxMedic można przetestować na żywo pod adresem asr.medalion.app.

VoxMedic to nie tylko osiągnięcie badawcze, ale gotowe do użycia narzędzie, które można sprawdzić już dziś. Aby samodzielnie ocenić jego skuteczność w rozpoznawaniu polskiej mowy medycznej, wystarczy skorzystać z testowej aplikacji webowej pod adresem asr.medalion.app. To najprostszy sposób, by sprawdzić, jak dokładna potrafi być transkrypcja dyktowanych opisów medycznych w przeglądarce.

To wciąż wersja beta, którą stale udoskonalamy - dlatego szczególnie zależy nam na testach w realnych warunkach i na uwagach użytkowników, które wprost wpływają na kolejne wydania modelu. Im więcej osób wypróbuje VoxMedic na trudnej, codziennej terminologii, tym szybciej będzie się rozwijał.

Dla deweloperów i badaczy parametry modelu VoxMedic Turbo (beta) są publicznie dostępne na platformie HuggingFace (model na HuggingFace). Taka otwartość umożliwia dalsze badania, rozwój i integrację z istniejącymi systemami informatycznymi w szpitalach. Model można pobrać i uruchomić lokalnie, co daje pełną kontrolę nad danymi i bezpieczeństwem przetwarzania - to istotne dla instytucji stawiających na transparentność i niezależność technologiczną.

Medalion Technology wspiera wdrażanie VoxMedic w polskich placówkach, oferując programy pilotażowe i indywidualne konsultacje. Każda placówka ma inne potrzeby, dlatego rozwiązanie i proces integracji z elektroniczną dokumentacją medyczną (EDM) dostosowujemy do jej realiów, minimalizując zakłócenia w codziennej pracy.

Ważne zastrzeżenie: VoxMedic nie jest certyfikowanym wyrobem medycznym. Nie służy do podejmowania decyzji klinicznych ani nie zastępuje oceny lekarza. Wszystkie transkrypcje wymagają weryfikacji i nadzoru uprawnionego personelu medycznego. Celem jest usprawnienie dokumentacji - w praktyce skrócenie czasu jej sporządzania - tak aby lekarze zyskali więcej czasu na bezpośredni kontakt z pacjentem.