Czy lekarz sam może stworzyć model AI?

Lekarze mają najlepszą wiedzę o tym, jakie problemy kliniczne warto rozwiązać za pomocą sztucznej inteligencji. Problem w tym, że dotąd potrzebowali do tego zespołu programistów, analityków danych i miesięcy pracy.

Lekarz jako ekspert domenowy

Wyobraź sobie kardiologa, który od dwudziestu lat analizuje EKG. Widział tysiące zapisów, rozpoznał setki subtelnych wzorców zaburzeń rytmu. Ta wiedza jest bezcenna przy tworzeniu systemu AI do wczesnego wykrywania arytmii.

Problem polega na tym, że tradycyjne podejście do budowy modeli uczenia maszynowego wymaga znajomości języków programowania, bibliotek takich jak TensorFlow czy PyTorch, oraz głębokiego zrozumienia matematyki stojącej za algorytmami. Lekarz musiałby albo sam opanować te umiejętności (co zajęłoby lata), albo współpracować z zespołem data science, który z kolei nie rozumie niuansów klinicznych.

W efekcie powstaje przepaść komunikacyjna. Lekarz wie, co chce osiągnąć, ale nie potrafi tego wyrazić w sposób zrozumiały dla programisty. Programista z kolei tworzy model, który technicznie działa, ale nie odpowiada na realne potrzeby kliniczne.

Co to jest AutoML i dlaczego zmienia zasady gry

AutoML, czyli Automated Machine Learning, to podejście, które automatyzuje najbardziej techniczne etapy budowy modeli sztucznej inteligencji. Zamiast ręcznie pisać kod, dobierać algorytmy i optymalizować parametry, użytkownik dostarcza dane i określa cel. Resztą zajmuje się system.

Mówiąc prościej: AutoML to taki „tłumacz" między wiedzą ekspercką a technologią. Lekarz wskazuje, że chce przewidywać ryzyko cukrzycy u pacjentów na podstawie danych z historii choroby. System automatycznie testuje różne podejścia, porównuje wyniki i wybiera najlepszy model.

Brzmi jak magia? To raczej wynik lat rozwoju technologii. Platformy AutoML wykonują w tle dziesiątki operacji, które wcześniej wymagały specjalistycznej wiedzy: czyszczenie danych, inżynierię cech, wybór algorytmu, strojenie hiperparametrów, walidację krzyżową.

Platformy no-code w medycynie: co jest możliwe

Na rynku pojawia się coraz więcej rozwiązań pozwalających osobom bez doświadczenia programistycznego tworzyć modele AI. Część z nich jest dostosowana specjalnie do sektora medycznego.

Badanie opublikowane w Ophthalmology Times Europe pokazało, że dwóch lekarzy bez doświadczenia programistycznego było w stanie stworzyć systemy głębokiego uczenia z wykorzystaniem Google Cloud AutoML Vision. Osiągnięte wyniki były porównywalne z modelami tworzonymi przez profesjonalnych programistów.

To nie jest odosobniony przypadek. Platformy takie jak Arkangel AI czy FlowForma oferują interfejsy graficzne, które prowadzą użytkownika przez cały proces: od wgrania danych, przez trenowanie modelu, aż po jego wdrożenie.

Co można zbudować bez programowania?

Modele predykcyjne przewidują przyszłe zdarzenia na podstawie danych historycznych. Przykłady z praktyki szpitalnej obejmują prognozowanie ryzyka rehospitalizacji pacjentów z cukrzycą, przewidywanie powikłań pooperacyjnych oraz identyfikację pacjentów zagrożonych sepsą.

Klasyfikatory obrazów rozpoznają wzorce na zdjęciach medycznych. Można je wykorzystać do wstępnej oceny zdjęć RTG pod kątem zapalenia płuc, klasyfikacji zmian skórnych czy analizy obrazów histopatologicznych.

Modele NLP (przetwarzania języka naturalnego) pracują z tekstem. Automatyzują wyciąganie informacji z notatek lekarskich, parametryzację epikryz czy anonimizację dokumentacji medycznej.

Platforma Medalion: AutoML dla polskich szpitali

Platforma Medalion została stworzona z myślą o specyfice polskiego systemu ochrony zdrowia. To lokalna platforma klasy AutoML, która działa w całości w infrastrukturze szpitala, bez wysyłania danych do chmury.

Jak to działa w praktyce?

Cały proces można podzielić na kilka kroków, które nie wymagają pisania kodu.

Import danych. Platforma przyjmuje dane z różnych źródeł: pliki Excel, CSV, bezpośrednie połączenie z bazami danych szpitalnych (HIS, RIS, PACS). Użytkownik nie musi formatować danych ręcznie. System sam rozpoznaje strukturę i proponuje odpowiednie przetworzenie.

Eksploracja i analiza. Medalion automatycznie generuje raporty statystyczne, wizualizuje rozkłady danych, wykrywa korelacje i identyfikuje wartości odstające. To pozwala lekarzowi zrozumieć swoje dane bez konieczności znajomości narzędzi analitycznych.

Trenowanie modelu. Użytkownik określa, co chce przewidywać (np. ryzyko rehospitalizacji), a system automatycznie testuje różne algorytmy i optymalizuje parametry. Na koniec dostarcza najlepszy model wraz z metrykami oceny jego skuteczności.

Wdrożenie. Gotowy model można podłączyć do istniejących systemów szpitalnych przez wbudowane API. Model zaczyna pracować z rzeczywistymi danymi pacjentów.

Bezpieczeństwo danych na pierwszym miejscu

Dane medyczne to informacje szczególnie wrażliwe. Medalion został zaprojektowany tak, aby cały proces, od importu danych po trenowanie i wykorzystanie modeli, odbywał się wyłącznie w ramach lokalnej infrastruktury szpitala.

Żadne dane nie opuszczają placówki. Nie ma transferu do chmury. To gwarantuje zgodność z RODO i europejskim rozporządzeniem AI Act.

Dostępne modele gotowe do użycia

Platforma oferuje również wstępnie wytrenowane modele, które można wykorzystać od razu. Przykłady obejmują Medalioner do automatycznej parametryzacji notatek lekarskich (wyciąganie informacji o chorobie, leku, dawce), LabExtract do OCR wyników badań laboratoryjnych oraz Anoniminer do anonimizacji tekstów medycznych.

Regulacje prawne: o czym trzeba pamiętać

Tworzenie modeli AI w medycynie wiąże się z wymogami prawnymi. Europejskie rozporządzenie o wyrobach medycznych (MDR) oraz AI Act nakładają obowiązki na producentów oprogramowania wykorzystującego sztuczną inteligencję.

Kiedy model AI jest wyrobem medycznym?

Jeśli model ma służyć do diagnostyki, monitorowania lub leczenia, może zostać zakwalifikowany jako wyrób medyczny. To oznacza konieczność certyfikacji CE, dokumentacji technicznej i nadzoru po wprowadzeniu do obrotu.

Modele wykorzystywane wyłącznie do celów badawczych, edukacyjnych lub wspomagania decyzji (gdzie ostateczną decyzję podejmuje lekarz) podlegają mniejszym rygorom. Nie oznacza to jednak, że można ignorować kwestie bezpieczeństwa i walidacji.

Walidacja i wyjaśnialność

Niezależnie od klasyfikacji prawnej, każdy model używany w praktyce klinicznej powinien być zwalidowany na danych reprezentatywnych dla populacji, której ma służyć. Model trenowany na danych z amerykańskich szpitali może działać inaczej w polskich warunkach.

Platforma Medalion umożliwia audytowalność i transparentność podejmowanych decyzji. Użytkownik może sprawdzić, na jakiej podstawie model dokonał predykcji. To kluczowe zarówno z perspektywy regulacyjnej, jak i zaufania klinicystów.

Praktyczne wskazówki: jak zacząć

Jeśli rozważasz wykorzystanie AI w swojej placówce, oto kilka praktycznych kroków.

Zidentyfikuj problem kliniczny. Nie zaczynaj od technologii, tylko od potrzeby. Jaki problem chcesz rozwiązać? Czy masz dane, które mogą pomóc? Czy rozwiązanie przyniesie realną korzyść pacjentom lub personelowi?

Oceń jakość danych. AI uczy się na danych. Jeśli dane są niekompletne, niespójne lub zawierają błędy, model będzie wadliwy. Zanim zaczniesz budować model, uporządkuj dane źródłowe.

Zacznij od pilota. Nie próbuj od razu wdrażać AI w całym szpitalu. Wybierz jeden oddział lub jedno zagadnienie. Przetestuj rozwiązanie w kontrolowanych warunkach.

Angażuj klinicystów. Model AI jest narzędziem dla lekarzy, nie ich zastępcą. Włącz personel medyczny w proces tworzenia i testowania. Ich feedback jest bezcenny.

Planuj długoterminowo. Model wymaga nadzoru po wdrożeniu. Dane zmieniają się w czasie, populacja pacjentów ewoluuje. Model, który działa dobrze dziś, może wymagać dostrojenia za rok.

Finansowanie: możliwości z KPO

Polskie szpitale mogą uzyskać dofinansowanie na wdrożenie AI w ramach Inwestycji D1.1.2 Krajowego Planu Odbudowy. Platforma Medalion kwalifikuje się do zakresu „Wdrożenie rozwiązań AI i podłączenie do centralnego repozytorium danych medycznych".

Medalion Technology oferuje kompletny pakiet wdrożeniowy obejmujący sprzęt, oprogramowanie, dokumentację projektową oraz szkolenia. Firma wspiera placówki również w przygotowaniu wniosku o dofinansowanie.

Podsumowanie

Lekarze są najlepszymi ekspertami domenowymi do tworzenia modeli AI rozwiązujących problemy kliniczne.
Platformy AutoML eliminują barierę techniczną, pozwalając tworzyć modele bez programowania.
Medalion to polska platforma AutoML dla szpitali, działająca lokalnie i zgodna z RODO oraz AI Act.
Regulacje prawne (MDR, AI Act) nakładają wymogi na oprogramowanie medyczne wykorzystujące AI.
Wdrożenie AI wymaga dobrej jakości danych, walidacji i zaangażowania personelu medycznego.
Dostępne jest finansowanie z KPO na wdrożenia AI w polskich szpitalach.

Chcesz dowiedzieć się więcej? Skontaktuj się z nami

Źródła

Faes L. et al., „Automated deep learning design for medical image classification by health-care professionals with no coding experience: a feasibility study", The Lancet Digital Health, 2019 – badanie pokazujące możliwość tworzenia modeli przez lekarzy bez doświadczenia programistycznego
Code-free deep learning: The next phase of AI-enabled healthcare?, Ophthalmology Times Europe, 2025 – przegląd platform CFDL (Code-Free Deep Learning) w medycynie
European Union Medical Device Regulation (MDR) 2017/745/EU – rozporządzenie regulujące wyroby medyczne w UE
EU AI Act – europejskie rozporządzenie o sztucznej inteligencji
Medalion Technology, https://medalion.tech – platforma AutoML dla szpitali
Regulamin Inwestycji D1.1.2 KPO – dokumentacja dotycząca dofinansowania AI w ochronie zdrowia