Jak połączyć sztuczną inteligencję z systemem szpitalnym

Przeciętny lekarz w Polsce spędza nawet 40% swojego czasu pracy na dokumentacji zamiast z pacjentem. Sztuczna inteligencja może to zmienić, ale tylko wtedy, gdy zostanie prawidłowo zintegrowana z istniejącymi systemami szpitalnymi

Problem: Systemy, które nie rozmawiają ze sobą

Polski szpital to często zbiór kilkunastu różnych systemów informatycznych. HIS (Hospital Information System) od jednego dostawcy, LIS (Laboratory Information System) od drugiego, RIS (Radiology Information System) od trzeciego. Do tego dokumentacja papierowa, arkusze Excel prowadzone przez poszczególne oddziały i skrzynki mailowe pełne wyników badań.

Każdy z tych systemów przechowuje cenne dane. Problem polega na tym, że te dane są od siebie odizolowane.

Lekarz przyjmujący pacjenta na SOR musi często ręcznie przeszukiwać kilka systemów, żeby zebrać pełen obraz sytuacji. Historia hospitalizacji w HIS, wyniki badań laboratoryjnych w LIS, opisy obrazowe w RIS. Przy nagłym przypadku to stracone minuty, które mogą mieć znaczenie.

Skąd się bierze ten chaos?

Systemy szpitalne powstawały przez lata, często jako odpowiedź na doraźne potrzeby. Laboratorium potrzebowało systemu do zarządzania próbkami, więc kupiono LIS. Radiologia potrzebowała archiwum obrazów, więc wdrożono PACS. Każdy zakup był uzasadniony, ale nikt nie myślał o całości.

Efekt jest taki, że dane pacjenta są rozproszone po kilku lub kilkunastu bazach danych, które nie komunikują się ze sobą automatycznie. Integracja między systemami, jeśli istnieje, często ogranicza się do prostego eksportu i importu plików CSV raz dziennie.

To nie jest środowisko, w którym można po prostu "włączyć AI" i liczyć na magiczne efekty.

Rozwiązanie: Warstwa integracyjna jako fundament

Żeby sztuczna inteligencja mogła działać skutecznie w szpitalu, potrzebuje dostępu do danych. Ale nie chodzi o to, żeby dać jej dostęp do wszystkiego naraz. Chodzi o mądrą architekturę, która pozwala AI pobierać konkretne informacje wtedy, gdy są potrzebne.

Podejście 1: Bezpośrednia integracja z każdym systemem

Teoretycznie można połączyć rozwiązanie AI osobno z każdym systemem szpitalnym. W praktyce to droga do katastrofy. Każdy system ma inny format danych, inne API (sposób komunikacji programów ze sobą), inne wymagania bezpieczeństwa.

Przy dziesięciu systemach masz dziesięć różnych integracji do utrzymania. Przy aktualizacji jednego systemu musisz sprawdzać, czy integracja nadal działa. To kosztowne i podatne na błędy.

Podejście 2: Warstwa pośrednicząca (middleware)

Lepszym rozwiązaniem jest stworzenie warstwy pośredniczącej, która zbiera dane z różnych źródeł i udostępnia je w ujednoliconej formie. AI komunikuje się tylko z tą warstwą, nie wiedząc nawet, skąd pochodzą poszczególne informacje.

To podejście ma kilka zalet:

• Zmiana jednego systemu źródłowego wymaga modyfikacji tylko jednego połączenia
• Dane są normalizowane do wspólnego formatu przed przekazaniem do AI
• Łatwiej zarządzać uprawnieniami i logować dostęp do danych
• Nowe systemy można dodawać bez modyfikacji modułu AI

Podejście 3: Platforma integracyjna z wbudowanym AI

Najbardziej dojrzałe rozwiązanie to platforma, która łączy funkcje warstwy integracyjnej z gotowymi modułami AI dostosowanymi do specyfiki służby zdrowia. Takie podejście stosujemy w Medalion Technology, gdzie platforma Medalion pełni rolę pomostu między istniejącą infrastrukturą szpitalną a specjalizowanymi modelami AI.

Platforma tego typu nie wymusza wymiany istniejących systemów. Działa obok nich, pobierając dane przez standardowe interfejsy i zwracając wyniki w formie, którą obecne systemy potrafią przetworzyć.

Standardy komunikacji: HL7 i FHIR

Żeby systemy medyczne mogły się ze sobą komunikować, potrzebują wspólnego języka. W branży medycznej takim językiem są standardy HL7 i FHIR.

HL7 v2 — weteran branży

HL7 w wersji 2 to standard używany od lat 80. Większość polskich systemów HIS potrafi wysyłać i odbierać komunikaty w tym formacie. Problem w tym, że HL7 v2 daje dużą swobodę interpretacji. Dwa szpitale mogą używać tego samego standardu, a ich komunikaty będą niekompatybilne, bo każdy inaczej zinterpretował specyfikację.

FHIR — nowoczesne podejście

FHIR (Fast Healthcare Interoperability Resources) to nowszy standard, oparty na współczesnych technologiach webowych. Dane są reprezentowane jako zasoby (resources) w formacie JSON lub XML, dostępne przez standardowe interfejsy REST API.

FHIR jest bardziej precyzyjny niż HL7 v2, co zmniejsza pole do interpretacji. Coraz więcej polskich dostawców systemów medycznych deklaruje wsparcie dla FHIR, choć pełna implementacja wciąż jest rzadkością.

Co to oznacza dla integracji AI?

Praktyka pokazuje, że większość wdrożeń AI w polskich szpitalach wymaga obsługi obu standardów. Starsze systemy komunikują się przez HL7 v2, nowsze przechodzą na FHIR. Dobra platforma integracyjna musi radzić sobie z oboma.

Praktyczne aspekty wdrożenia

Załóżmy, że szpital decyduje się na wdrożenie AI do automatyzacji dokumentacji medycznej. Jak wygląda proces integracji krok po kroku?

Krok 1: Inwentaryzacja systemów i danych

Zanim cokolwiek podłączysz, musisz wiedzieć, co masz. To brzmi banalnie, ale w praktyce okazuje się, że dokumentacja systemów IT w szpitalach często jest niekompletna lub nieaktualna.

Inwentaryzacja powinna obejmować:

• Listę wszystkich systemów przechowujących dane pacjentów
• Sposób komunikacji każdego systemu (API, pliki, baza danych)
• Format danych w każdym systemie
• Uprawnienia i ograniczenia dostępu
• Osoby odpowiedzialne za każdy system

Krok 2: Określenie przepływów danych

AI nie potrzebuje dostępu do wszystkich danych naraz. Potrzebuje konkretnych informacji w konkretnych momentach. Najlepiej pokazać to na przykładzie generowania epikryzy przez agenta LLM.

Kiedy lekarz inicjuje tworzenie epikryzy, agent musi pobrać dane z kilku źródeł:

Agent LLM nie pobiera tych danych sam. Warstwa integracyjna przygotowuje dla niego ustrukturyzowany pakiet informacji w momencie, gdy użytkownik zleca wygenerowanie dokumentu.

Przepływ wygląda następująco:

1. Lekarz w systemie HIS klika "Generuj epikryzę" przy konkretnym pacjencie
2. HIS wysyła żądanie do platformy Medalion z identyfikatorem hospitalizacji
3. Platforma odpytuje systemy źródłowe i zbiera potrzebne dane
4. Dane są normalizowane i przekazywane do agenta LLM
5. Agent generuje treść epikryzy zgodną z wymaganiami NFZ
6. Propozycja wraca do HIS, gdzie lekarz może ją edytować i zatwierdzić

Definiowanie takich przepływów z góry ma dwie zalety. Po pierwsze, ogranicza zakres danych udostępnianych AI do niezbędnego minimum. Po drugie, pozwala zoptymalizować zapytania do systemów źródłowych, żeby generowanie dokumentu nie trwało minutami.

Krok 3: Zabezpieczenie kanałów komunikacji

Dane medyczne to dane wrażliwe. Każde połączenie między systemami musi być szyfrowane. Każdy dostęp musi być logowany. Każde uprawnienie musi być uzasadnione.

W praktyce oznacza to:

• Szyfrowanie TLS dla wszystkich połączeń sieciowych
• Uwierzytelnianie dwustronne (mutual TLS) dla krytycznych integracji
• Tokeny dostępowe z ograniczonym czasem ważności
• Logi audytowe zapisywane w niemodyfikowalnej formie

Krok 4: Budowa warstwy integracyjnej

Tutaj zaczyna się właściwa praca techniczna. Warstwa integracyjna musi:

• Pobierać dane z systemów źródłowych
• Transformować je do wspólnego formatu
• Walidować kompletność i poprawność
• Udostępniać je modułom AI
• Odbierać wyniki przetwarzania
• Przekazywać je z powrotem do systemów docelowych

Platforma Medalion realizuje te funkcje przez system adapterów, gdzie każdy adapter obsługuje komunikację z jednym typem systemu źródłowego. Dodanie nowego systemu wymaga napisania nowego adaptera, ale nie zmienia reszty architektury.

Krok 5: Testowanie w środowisku izolowanym

Nigdy nie testuj integracji na danych produkcyjnych bez wcześniejszych prób na danych testowych. To podstawowa zasada, która niestety bywa łamana pod presją czasu.

Środowisko testowe powinno zawierać:

• Kopie struktury danych z systemów produkcyjnych
• Dane syntetyczne lub zanonimizowane dane rzeczywiste
• Możliwość symulowania różnych scenariuszy (błędy sieci, niedostępność systemów)
• Narzędzia do porównywania wyników z oczekiwaniami

Model Anoniminer, który rozwijamy w Medalion, służy między innymi do przygotowywania takich zbiorów testowych. Automatycznie wykrywa i maskuje dane osobowe w dokumentacji medycznej, zachowując strukturę kliniczną przydatną do testów.

Krok 6: Wdrożenie pilotażowe

Przed pełnym wdrożeniem warto przeprowadzić pilotaż na ograniczonej skali. Może to być jeden oddział, jedna kategoria dokumentów lub jedna grupa użytkowników.

Pilotaż pozwala:

• Wykryć problemy integracyjne w kontrolowanych warunkach
• Zebrać informacje zwrotne od użytkowników końcowych
• Zmierzyć rzeczywisty wpływ na procesy (oszczędność czasu, redukcja błędów)
• Dostosować konfigurację przed skalowaniem

Na co uważać: typowe pułapki

Pułapka 1: Niedocenianie jakości danych źródłowych

AI jest tak dobra, jak dane, na których pracuje. Jeśli dokumentacja w systemie źródłowym jest niekompletna, niespójna lub zawiera błędy, AI nie naprawi tego magicznie. Co gorsza, może te błędy powielić lub wzmocnić.

Przed wdrożeniem AI warto przeprowadzić audyt jakości danych. Jakie pola są wypełniane regularnie? Jakie są pomijane? Czy format dat jest spójny? Czy kody diagnoz są aktualne?

Pułapka 2: Ignorowanie aspektów prawnych

Przetwarzanie danych medycznych przez AI podlega regulacjom RODO, ustawie o prawach pacjenta i wielu innym przepisom. Kluczowe pytania, na które trzeba odpowiedzieć:

• Kto jest administratorem danych przetwarzanych przez AI?
• Gdzie fizycznie znajdują się serwery przetwarzające dane?
• Jak długo dane są przechowywane w systemie AI?
• Czy pacjenci są informowani o przetwarzaniu ich danych przez AI?

Platforma Medalion działa w modelu on-premise, co oznacza, że dane nie opuszczają infrastruktury szpitala. To upraszcza kwestie prawne, ale nie zwalnia z obowiązku przeprowadzenia oceny skutków dla ochrony danych (DPIA).

Pułapka 3: Brak planu na awarię

Co się stanie, gdy system AI przestanie działać? Czy lekarze będą mogli kontynuować pracę? Czy dokumentacja zostanie uzupełniona później?

Każde wdrożenie AI powinno zawierać procedury awaryjne. System musi być zaprojektowany tak, żeby jego niedostępność nie paraliżowała pracy szpitala. AI ma wspomagać, nie zastępować.

Pułapka 4: Szkolenie tylko zespołu IT

Integracja techniczna to połowa sukcesu. Druga połowa to adopcja przez użytkowników końcowych. Lekarze, pielęgniarki i personel administracyjny muszą rozumieć:

• Co robi AI i czego nie robi
• Jak interpretować wyniki działania AI
• Kiedy i jak zgłaszać problemy
• Dlaczego warto korzystać z nowego narzędzia

Szkolenia powinny być praktyczne, krótkie i dostosowane do poziomu technicznego odbiorców. Lekarz nie musi wiedzieć, jak działa transformer w modelu językowym. Musi wiedzieć, że AI pomoże mu szybciej przygotować wypis i że powinien zweryfikować wygenerowany tekst przed podpisaniem.

Przykład z praktyki: automatyzacja epikryz

Jeden z najczęstszych przypadków użycia AI w szpitalach to wspomaganie tworzenia epikryz (kart informacyjnych z leczenia szpitalnego). Lekarz spędza średnio 20-30 minut na napisanie jednej epikryzy. Przy kilkudziesięciu wypisach miesięcznie to dziesiątki godzin pracy.

Jak wygląda integracja w tym scenariuszu?

System HIS przesyła do platformy Medalion informacje o pacjencie przeznaczonym do wypisu. Platforma pobiera z różnych źródeł:

• Rozpoznania i procedury z bieżącej hospitalizacji (HIS)
• Wyniki badań laboratoryjnych (LIS)
• Opisy badań obrazowych (RIS)
• Notatki z konsultacji (różne źródła)
• Historię poprzednich hospitalizacji (HIS, repozytorium EDM)

Te dane trafiają do modelu Medalioner, który generuje propozycję epikryzy zgodną z wymaganiami formalnymi. Propozycja wraca do systemu HIS, gdzie lekarz może ją przejrzeć, zmodyfikować i zatwierdzić.

Czas przygotowania epikryzy spada do 5-10 minut, głównie na weryfikację i drobne korekty. Jakość dokumentacji rośnie, bo AI nie zapomina o wymaganych elementach i zachowuje spójną strukturę.

Podsumowanie: kluczowe wnioski

• Integracja jest fundamentem — AI bez dostępu do danych jest bezużyteczna, ale dostęp musi być przemyślany i bezpieczny
• Warstwa pośrednicząca oszczędza czas — zamiast integrować AI osobno z każdym systemem, warto zbudować wspólną platformę
• Standardy pomagają, ale nie rozwiązują wszystkiego — HL7 i FHIR ułatwiają komunikację, ale wymagają świadomej implementacji
• Jakość danych źródłowych ma znaczenie — śmieci na wejściu oznaczają śmieci na wyjściu, nawet z najlepszym AI
• Ludzie są częścią równania — sukces wdrożenia zależy od adopcji przez użytkowników końcowych
• Plan awaryjny jest obowiązkowy — AI ma wspomagać pracę, nie być jej jedynym możliwym trybem

Chcesz dowiedzieć się więcej?

Integracja AI z systemami szpitalnymi to proces, który wymaga wiedzy technicznej, znajomości specyfiki służby zdrowia i doświadczenia w zarządzaniu projektami IT. W Medalion Technology łączymy te kompetencje, oferując rozwiązania dopasowane do polskich realiów.

Skontaktuj się z nami, żeby omówić możliwości integracji platformy Medalion z infrastrukturą Twojego szpitala. Przeanalizujemy Twoje systemy, zaproponujemy architekturę i przeprowadzimy wdrożenie pilotażowe.