Zespół badaczy z Akademii Leona Koźmińskiego (ALK), ośrodka badawczego WarsawIQ i Uniwersytetu Marii Curie-Skłodowskiej w Lublinie opracował metodę, która analizuje za pomocą sztucznej inteligencji sposób mówienia pacjentów. Rozwiązanie może w przyszłości wspierać lekarzy w przesiewowej, bezinwazyjnej ocenie pogorszenia funkcji poznawczych.

Wczesne wykrywanie demencji jest jednym z największych wyzwań wobec starzenia się społeczeństw. Liczba osób z demencją na świecie może wzrosnąć z 57,4 mln w 2019 r. do 152,8 mln w 2050 r. W Polsce, podobnie jak w wielu krajach europejskich, skala problemu będzie rosła wraz ze starzeniem się populacji. Liczba osób z otępieniem w Polsce może wzrosnąć z ok. 525 tys. w 2018 r. do ponad miliona w 2050 r. – podano w publikacji, która ukazała się w czasopiśmie „Frontiers in Neuroinformatics”.

Naukowcy ocenili, że jednym z największych problemów w walce z demencją jest jej późne rozpoznanie. Kiedy pacjent lub jego bliscy zauważają pierwsze wyraźne objawy otępienia – problemy z pamięcią, trudności w codziennym funkcjonowaniu albo zmiany osobowości – proces chorobowy bywa już zaawansowany. Okazuje się, że najwcześniej może zmieniać się mowa chorych: pojawiają się dłuższe pauzy, mniejsza płynność wypowiedzi, powtórzenia, błędy, uproszczenia składniowe i trudności w doborze słów.

Badacze sprawdzili, jak nagrania mowy analizują różne typy sztucznej inteligencji. System łączy m.in. model HuBERT, który bierze pod lupę akustyczne właściwości głosu, zestaw parametrów eGeMAPS wyodrębnianych za pomocą openSMILE oraz modele Whisper i GPT-4o, które pozwalają przekształcać mowę w tekst i analizować cechy językowe wypowiedzi.

Algorytm nie analizuje więc tylko tego, co mówi pacjent, lecz także to, jak mówi: tempo artykulacji, pauzy, stabilność głosu, płynność, składnię, powtórzenia i spójność wypowiedzi. To szczególnie ważne, ponieważ subtelne zmiany w mowie mogą być trudne do wychwycenia w codziennym kontakcie, ale możliwe do opisania ilościowo przez systemy uczenia maszynowego.

„Nie chodzi o to, aby komputer zastąpił lekarza. Chodzi o to, aby lekarz otrzymał dodatkowy, obiektywny sygnał – oparty na danych, możliwy do zebrania podczas zwykłej rozmowy. Mowa jest niezwykle bogatym źródłem informacji o funkcjonowaniu poznawczym człowieka. Sztuczna inteligencja pozwala dostrzec w niej wzorce, które dla nas pozostają zbyt subtelne” – powiedział współautor badania, dr Karol Chlasta z Katedry Zarządzania w Społeczeństwie Sieciowym ALK, cytowany w komunikacie ALK przesłanym PAP.

Badacze podkreślili, że analiza mowy może być wykonywana zdalnie, często i stosunkowo niskim kosztem. Może więc być wykorzystywana w telemedycynie, opiece nad seniorami, przez lekarzy pierwszego kontaktu i terapeutów mowy. Została jednak zaprojektowana jako rozwiązanie przesiewowe wspierające wczesne wykrywanie pogorszenia funkcji poznawczych, a nie narzędzie formalnej diagnozy klinicznej.

„Wystarczy nagranie audio – wykonane smartfonem, tabletem albo w ramach teleporady. To otwiera drogę do częstszego, bardziej dostępnego monitorowania zmian poznawczych, zwłaszcza tam, gdzie dostęp do specjalistycznej diagnostyki jest ograniczony” – wyjaśnił dr Chlasta.

Badanie zostało przeprowadzone w ramach konkursu organizowanego podczas międzynarodowej konferencji poświęconej akustyce, mowie i przetwarzaniu sygnałów (International Conference on Acoustics, Speech, and Signal Processing, ICASSP) w 2025 r. w Indiach. Zespoły rywalizowały tam w analizie nagrań mowy pod kątem przewidywania poziomu funkcji poznawczych i wsparcia rozpoznawania demencji. Polacy zajęli 10. miejsce na 80 grup badawczych z całego świata. (PAP)

Jak wskazuje Business Research Insights, wartość rynku bioinformatyki w 2034 r. przekroczy 35 mld USD, przy średniorocznej stopie zwrotu wzrostu na poziomie 13,27% (CAGR 2025–2034). Wzrost ten napędzają przede wszystkim: ekspansja genomiki, wykorzystanie big data w biologii, rosnące znaczenie analityki predykcyjnej oraz szeroka adopcja narzędzi opartych na sztucznej inteligencji. Aż 72% instytucji badawczych wdraża obecnie zaawansowane narzędzia bioinformatyczne, a 64% z nich otrzymuje dedykowane finansowanie na rozwój infrastruktury danych. Rynek rozwija się nie tylko w obszarze medycyny i farmacji: coraz więcej podmiotów wykorzystuje potencjał nauki XXI w. także w rolnictwie, ochronie środowiska i biotechnologii przemysłowej.

— Dynamiczny rozwój bioinformatyki diametralnie zmienia sposób prowadzenia badań biologicznych, a w szczególności medycznych. Dobrze zaprojektowane, stabilne i skalowalne oprogramowanie przekłada się na trafniejszą diagnostykę i możliwość tworzenia modeli predykcyjnych dotyczących odpowiedzi pacjenta na leczenie — komentuje dr hab. Adam Kuzdraliński, prof. Polsko-Japońskiej Akademii Technik Komputerowych (PJATK) – W przypadku biologii molekularnej kamieniem milowym okazała się integracja analizy danych ze sztuczną inteligencją, dzięki czemu możliwe jest między innymi projektowanie nowych leków czy identyfikowanie mechanizmów molekularnych stojących za chorobami. Przełomem był system AlphaFold, który zredukował proces określania struktury białek z lat do nawet kilkudziesięciu sekund – dodaje.

Implementacja software`u opartego na sztucznej inteligencji przyspiesza czas analiz genomowych i interpretacji danych klinicznych. Tworzy także zupełnie nowe możliwości w zakresie medycyny prewencyjnej i personalizowanej. Z tego powodu coraz więcej firm biotechnologicznych, uczelni i laboratoriów wdraża rozwiązania, które przenoszą analizy na moc obliczeniową chmury.

Bioinformatyka fundamentem medycyny spersonalizowanej

Złożony ekosystem algorytmów, baz danych, narzędzi predykcyjnych i integracji z AI pozwala nie tylko coraz sprawniej analizować dane, ale również automatyzować interpretację wyników badań. Chmurowe narzędzia umożliwiają udostępnianie danych w czasie rzeczywistym, co zwiększa efektywność współpracy naukowców. Według analiz rynkowych największy udział w rynku mają obecnie narzędzia zarządzania wiedzą, a także te stosowane w badaniach klinicznych i działalności R&D w farmacji.

— Dzięki rozwiązaniom bazującym na sztucznej inteligencji możemy prognozować, które związki chemiczne najskuteczniej zadziałają na konkretny mechanizm powiązany z chorobą. Umożliwia to szybsze i dokładniejsze projektowanie terapii. Rosnące możliwości tworzenia indywidualnie dobranych ścieżek leczenia są kluczowe w leczeniu chorób rzadkich, w onkologii, terapiach genowych i diagnostyce molekularnej — mówi ekspert PJATK – Rozwój bioinformatyki i AI usprawnia analizę efektów działania leków, personalizację diety, monitorowanie procesów starzenia czy tworzenie rekomendacji prozdrowotnych w oparciu o dane. To niezwykle istotne w kontekście rosnącej średniej długości życia oraz wzrastającego znaczenia medycyny prewencyjnej i interwencji ukierunkowanych na spowolnienie procesów starzenia organizmu.— dodaje.  

Rosnąca dostępność danych genomowych, taniejące sekwencjonowanie i rozwój AI, w tym tzw. dużych modeli językowych (LLM) powodują, że praca bioinformatyka staje się dziś nieco inna. Wchodzimy coraz głębiej w zaawansowane terapie chorób rzadkich i cywilizacyjnych, a nawet myślimy o rozpracowaniu modeli adaptacji człowieka do ekstremalnych środowisk, takich jak przestrzeń kosmiczna. Ekspert PJATK zwraca jednak uwagę, że bioinformatyka to dziedzina interdyscyplinarna, która wymaga mocnych podstaw w obszarze biologii molekularnej, chemii i programowania. Narzędzia AI stają się tutaj solidnym wsparciem, ale to człowiek jeszcze długo będzie łączył wyniki obliczeń z kontekstem biologicznym.

Regulacje i etyka: nowa era odpowiedzialnego rozwoju

Mimo ogromnego potencjału bioinformatyki coraz większym wyzwaniem staje się bezpieczeństwo danych oraz dostosowanie się do rygorystycznych przepisów regulujących m.in. zasady ich przechowywania i udostępniania. Zaawansowane praktyki regulacyjne w UE mają za zadanie zabezpieczyć tę kwestię, ale są też ukierunkowane na konsekwentny wzrost zaufania do rozwiązań bioinformatycznych i ich adopcji w wielu dziedzinach.

— Na styku bioinformatyki i sztucznej inteligencji pojawia się sporo wyzwań. Oprócz kwestii związanych z bezpieczeństwem danych, niewłaściwie użyte modele AI mogą być bowiem niewłaściwie wykorzystywane, np. do projektowania patogenów. Z tego też powodu konieczne są restrykcyjne regulacje, wbudowane zabezpieczenia i systematyczny wzrost świadomości w zakresie etycznej odpowiedzialności. Bioinformatyk, który bezsprzecznie jest reprezentantem jednego
z zawodów przyszłości, musi wiedzieć, że jego narzędzia mogą zostać użyte niezgodnie z intencją — komentuje Adam Kuzdraliński z PJATK.

Bioinformatyka staje się jednym z filarów współczesnej medycyny i biotechnologii, a jej znaczenie będzie rosło wraz z postępem sekwencjonowania, rozwojem modeli AI i gromadzeniem kolejnych warstw danych o człowieku i innych organizmach żywych. Od sposobu, w jaki dziś projektujemy systemy analizy danych, szkolimy specjalistów i definiujemy standardy etyczne, zależy m.in. jakość leczenia pacjentów w nadchodzących dekadach. Nauka XXI wieku to już nie tylko „od genomów do algorytmów”, ale przede wszystkim umiejętne połączenie wiedzy biologicznej, mocy obliczeniowej i odpowiedzialności za efekty ich zastosowania.

Więcej informacji na temat Polsko-Japońskiej Akademii Technik Komputerowych można znaleźć na stronie internetowej: https://pja.edu.pl/

Źródło: Komunikat Prasowy

W debacie wezmą udział: Weronika Dejneka – Członek Zarządu PZU Zdrowie SA, Dariusz Dziełak – Dyrektor Departamentu Analiz i Innowacji w Centrali Narodowego Funduszu Zdrowia, Ewa Beata Wierzbowska – Head of Growth HigoSense oraz dr inż. Grzegorz Wróblewski – Dyrektor ds. Technologii, Medinice S.A.; Adiunkt na Politechnice Warszawskiej. Dyskusję poprowadzi Diana Żochowska – Head of Medonet.

Drugim, ważnym punktem programu będzie specjalny panel we współpracy z NIL IN – Siecią Lekarzy Innowatorów. Panel NIL IN to rozmowa z twórcami najbardziej obiecujących innowacji medycznych w Polsce – laureatami konkursu „Wdrożenie innowacji w opiece zdrowotnej”. W sesji udział wezmą zespoły stojące za rozwiązaniami nagrodzonymi w kluczowych obszarach: szpitalnictwie, opiece ambulatoryjnej, samoopiece oraz zastosowaniach AI w diagnostyce. Do dyskusji dołączą również liderzy kategorii: ⁠lek. Małgorzata Kiljańska – Opieka ambulatoryjna, dr n. med. Tomasz Maciejewski – Szpitalnictwo, Artur Białoszewski – Samoopieka / Self-care, dr hab. n. ekon. Katarzyna Kolasa, prof. ALK – specjalne wyróżnienie w kategorii AI w opiece nad pacjentem, a także Łukasz Sosnowski – NIL IN oraz Małgorzata Wywrot, Project Manager NIL IN. Panel pokaże, jak praktyczne wdrożenia – tworzone przez lekarzy, dla lekarzy i pacjentów – realnie wpływają na jakość opieki oraz przyszłość polskiej ochrony zdrowia.

 

Wydarzenie odbędzie się na 26 piętrze PZU Park w Warszawie – siedzibie partnera merytorycznego wydarzenia PZU Zdrowie. Pozostałymi partnerami merytorycznymi konferencji zostali także Medonet oraz NIL IN – Sieć Lekarzy Innowatorów. Partnerami specjalnymi konferencji zostali AMM Medical Devices, Hemolens Diagnostics, Pentacomp oraz Sano.

 

Dla wszystkich uczestników najbliższej, jubileuszowej #20 edycji konferencji organizator przewidział upominki w postaci plannerów na 2026 roku. Czeka na Was ponad 200 stron w formacie B5, w twardej oprawie. Dla osób, które cenią sobie klasyczny kalendarz i papierowe zapiski, będzie to z pewnością wartościowy prezent.

 

Rejestracja na wydarzenie stacjonarne obowiązuje tylko do 30 listopada. Szczegółowy program konferencji, dostępny jest na stronie internetowej wydarzenia.

źródło: MedMeetsTech

Z VIII edycji „Badania stopnia informatyzacji podmiotów leczniczych” przeprowadzonego przez Centrum e-Zdrowia we współpracy z Ministerstwem Zdrowia wynika, że jedna czwarta respondentów twierdzi, iż postępująca cyfryzacja wpłynie pozytywnie na relację lekarz–pacjent, a co trzeci (36,4 proc.) przewiduje jej pozytywny wpływ na efektywność systemu ochrony zdrowia.

– System opieki zdrowotnej na całym świecie bardzo się zmienia w kierunku mocno scyfryzowanego, ale też takiego, w którym dużo elementów jest związanych z AI – mówi agencji Newseria Anna Rulkiewicz, prezeska Grupy LUX MED. – Opieka nad pacjentem będzie zupełnie inna niż teraz. Pacjent będzie miał dużo więcej możliwości bycia w centrum i będzie bardzo dobrze połączony z całym systemem, dlatego że wiele elementów zdalnych pozwoli mu, nieważne gdzie się znajduje, mieć kontakt czy z lekarzem, czy z osobą prowadzącą, czy dowiedzieć się o leki, poprosić o zdanie, receptę.

Badanie Centrum e-Zdrowia wskazuje, że w ubiegłym roku 4,7 proc. polskich placówek medycznych wykorzystywało sztuczną inteligencję. Oparte na niej rozwiązania najczęściej stosowane były w szpitalach

– 13,2 proc., co stanowi ponad dwukrotny wzrost w porównaniu do 2023 roku. Placówki najczęściej stosują te narzędzia w diagnostyce obrazowej typu CT – tomografii komputerowej (33,9 proc.). 18 proc. podmiotów wykorzystuje je do obsługi pacjentów w postaci np. wirtualnego asystenta na infolinii bądź też chatbota na stronie www. To zastosowanie było najczęściej wskazywane przez połowę placówek (52,6 proc.), które planują w przyszłości wdrożenie AI.

– Wiele nowych możliwości pojawi się w scyfryzowanym systemie. Pacjent będzie dużo lepiej przez niego wspierany, a dzisiaj tak to nie wygląda. Obecnie pacjent idzie na zwykłe konsultacje, czeka w kolejkach. Myślę, że nowa medycyna oraz nowe technologie i AI z jednej strony będą odbarczały w jakiś sposób personel medyczny, a z drugiej pozwolą pacjentom być dużo bliżej tego systemu – uważa Anna Rulkiewicz.

– Komunikacja z pacjentem w naszej organizacji jest bardzo ważna. My się komunikujemy z pacjentami na wiele sposobów, a bardzo ważny jest czas, kiedy my dostarczamy im komunikat – mówi Iwona Radko-Jarosińska, dyrektorka Pionu Doświadczeń Pacjenta w Grupie LUX MED. – Do tej pory komunikujemy się z pacjentami głównie drogą SMS-ową, bardzo tradycyjną i ona jest przez nich niezwykle lubiana. Ale już wiemy, że wszystkie zmiany technologiczne bardzo zmieniają oczekiwania naszych pacjentów, szczególnie tych młodszych grup, które bardzo by chciały, żeby coraz bardziej ich informować właśnie drogą przez portal pacjenta, pushami, a nie SMS-ami czy telefonami. Nasi pacjenci chcą mieć tę komunikację bardzo spersonalizowaną, więc musimy bardzo precyzyjnie tę informację wysyłać i komunikować.

Dane z badania wskazują również na to, że 16,2 proc. placówek medycznych w Polsce stosuje sztuczną inteligencję w zakresie wspomagania decyzji klinicznych.

– Technologie będą wspierać zawody medyczne, ale to nie znaczy, że one je zastąpią. Najważniejsze i najtrudniejsze elementy będzie wykonywał lekarz, a jednak AI będzie go wspierało, podpowiadało przy tworzeniu dokumentacji medycznej. Myślę, że będzie takim asystentem w pracy lekarza – wyjaśnia Anna Rulkiewicz.

Według analizy Komisji Europejskiej w diagnostyce AI zwiększa dokładność i umożliwia wcześniejsze wykrywanie chorób, dzięki czemu można wdrożyć mniej inwazyjne i skuteczniejsze warianty leczenia. W praktyce klinicznej sztuczna inteligencja jest już wykorzystywania np. do wczesnego wykrywania sepsy: systemy zastosowane na oddziałach intensywnej terapii mogą przewidywać jej wystąpienie na wiele godzin przed pojawieniem się objawów klinicznych, co umożliwia szybką interwencję. Drugi przykład to wykrywanie raka piersi: systemy AI stosowane w badaniach mammograficznych mogą identyfikować wczesne objawy nowotworu z niezwykłą dokładnością, często przekraczającą możliwości radiologów. W leczeniu z kolei spersonalizowane plany leczenia oparte na AI mogą uzupełniać tradycyjne podejście.

– AI będzie wsparciem także w innych zawodach medycznych, np. w pielęgniarstwie czy fizjoterapii. Dzisiaj jest ona tak naprawdę fizyczna, a nowe technologie pozwolą również wykonywać ćwiczenia w domu, np. korzystając z różnego rodzaju aplikacji – uważa Anna Rulkiewicz. – Technologie medyczne będą wsparciem dla personelu medycznego i będą pozwalały mu się skupiać na najistotniejszych rzeczach dla pacjenta, a myślę, że te najprostsze czynności, które są powtarzalne, będą przejmowały już technologie.

Sztuczna inteligencja może obniżyć koszty i usprawnić wykonywanie zadań administracyjnych, takich jak umawianie pacjentów, rachunkowość i zarządzanie elektroniczną dokumentacją medyczną, a także pomoże efektywnie gospodarować zasobami – przewidywać przyjęcia pacjentów, optymalizować wykorzystanie łóżek szpitalnych, sprzętu i personelu.

O zastosowaniu AI i innych cyfrowych technologii w medycynie, korzyściach dla systemu i pacjenta przedstawiciele branży rozmawiali podczas kongresu Future Health, który odbył się 1 października w Warszawie z inicjatywy Grupy LUX MED.

– Future Health jest kongresem dotyczącym przyszłości medycyny. Zachodzi w niej tak dużo zmian, że chcemy być na bieżąco, przekazywać tę wiedzę, inspirować się nawzajem, budować platformy do wymiany myśli, ale też do powstawania nowych rozwiązań – podkreśla prezeska Grupy LUX MED. – Future Health bardzo pasuje do inauguracji naszej uczelni – Wyższej Szkoły Nauk Medycznych. 1 października rozpoczęliśmy rok akademicki i on jest o tyle ważny, że nasza uczelnia będzie skoncentrowana nie tylko na teraźniejszości, ale również na przyszłości medycyny. Chcemy, żeby nasi medycy byli wyjątkowo dobrze wykwalifikowani, przygotowani na zmiany, mieli nowoczesne narzędzia, korzystali z nowoczesnej infrastruktury.

Źródło: Newseria

„Sztuczna inteligencja już w praktyce jest stosowana w systemie ochrony zdrowia. Myślę, że jeszcze parę lat zabierze nam, zanim będzie ona wykorzystywana w codziennej praktyce we wszystkich szpitalach, natomiast już dziś widzimy wiele zastosowań, które pomagają zarówno pacjentom, jak i lekarzom, np. na etapie diagnostyki” – mówi Adam Krenke, dyrektor ds. strategii w Roche Polska.

AI skraca czas potrzebny na postawienie diagnozy, a tym samym zwiększa szanse na szybsze wdrożenie terapii. W sektorze medycznym rozwiązania oparte na sztucznej inteligencji wdraża dziś około 4,7 procent podmiotów leczniczych. Choć liczba ta może wydawać się niewielka, dynamika wzrostu sugeruje, że wkrótce technologia ta stanie się nieodłącznym elementem nowoczesnego leczenia.

Eksperci zgodnie podkreślają, że sztuczna inteligencja nie zastąpi lekarza. Może jednak znacząco odciążyć personel medyczny, przewidywać pogorszenie stanu pacjenta, analizować interakcje lekowe i wspierać komunikację z chorymi. Aby jednak była skuteczna, musi rozwijać się w oparciu o dane i doświadczenia kliniczne. Roche realizuje koncepcję „Lab in the Loop”, w której dane z badań laboratoryjnych i klinicznych służą do trenowania modeli wspierających tworzenie nowych leków.

„Proces tworzenia nowego leku zajmuje ponad 10 lat i pochłania kilka miliardów dolarów. Ludzki organizm składa się z 37 bln komórek, mamy 10 tys. różnych rodzajów komórek w ciele, 20 tys. genów, które tworzą nasze ciało, i komórki, czytając odpowiedni fragment tego genomu, odpowiadają na niego, więc liczba kombinacji, które mogą pójść nie tak w tym procesie, jest niewiarygodnie duża. Jeżeli już mamy zidentyfikowaną chorobę, to samych małych cząsteczek, które mogą być potencjalnie kandydatami na lek, jest 10⁶⁰” – tłumaczy Adam Krenke.

Algorytmy mogą w tym kontekście okazać się bezcennym wsparciem. Umożliwiają szybsze typowanie najbardziej obiecujących cząsteczek i trafniejsze przewidywanie reakcji pacjentów na leczenie. To szczególnie ważne w onkologii, neurologii czy chorobach autoimmunologicznych. „Stworzyliśmy algorytm wytrenowany na bazie wszystkich eksperymentów, które dotychczas w firmie Roche były przeprowadzone na przestrzeni lat. Mierząc się z nowym problemem, pytamy algorytm: wygeneruj nam wszystkie możliwe cząsteczki, które potencjalnie są w stanie adresować nam dany cel terapeutyczny. Później zawężamy te wyniki i kilkaset tych najbardziej obiecujących syntetyzujemy, wprowadzamy do laboratorium i badamy. Na bazie tych wyników możemy zasilić nimi algorytm, stworzyć kolejne zapytanie i cały czas ulepszać te propozycje” – dodaje Krenke.

Kluczem do sukcesu jest jednak jakość danych. „Niezwykle ważne jest to, żeby dane polskich pacjentów były udostępniane, oczywiście w bezpieczny, zanonimizowany sposób, aby te algorytmy, które są trenowane z wykorzystaniem tych danych, mogły odzwierciedlać specyfikę naszej populacji” – podkreśla przedstawiciel Roche.

W Polsce coraz częściej podejmowane są działania, które mają zapewnić, że krajowe dane staną się realnym zasobem rozwoju AI. Uniwersyteckie Centrum Kliniczne w Gdańsku i Gdański Uniwersytet Medyczny prowadzą projekty łączące badania kliniczne, IoT i analitykę danych. „Mamy bardzo dużą grupę pacjentów, to są dziesiątki czy nawet setki tysięcy hospitalizacji, setki tysięcy wizyt poradnianych, miliony badań laboratoryjnych, setki tysięcy badań obrazowych, dzięki temu mamy w skali roku ogromną bazę pacjentów. Staramy się te dane porządkować, dzięki temu mamy możliwość pracy z danymi i rozwijania narzędzi AI” – mówi Dariusz Szplit z UCK w Gdańsku.

Inicjatywy takie jak Poland Healthcare Datathon 2025 pokazują, że współpraca nauki, medycyny i technologii może przekładać się na konkretne efekty. Wydarzenie stało się przestrzenią dla inżynierów, klinicystów i naukowców, którzy w formule hackathonu pracowali nad analizą rzeczywistych, zanonimizowanych danych klinicznych. W ramach projektu przeprowadzono także pierwszą w Polsce ocenę dużych modeli językowych w języku polskim i na lokalnych danych medycznych dotyczących chorób neurologicznych.

„Szukaliśmy odpowiedzi na pytanie, na ile precyzyjnie modele sztucznej inteligencji, dostępne dziś dla pacjentów, są w stanie odpowiedzieć na pytania, z którymi mierzą się pacjenci ze stwardnieniem rozsianym. Choć stosowanie modeli językowych na własną rękę jest niewskazane, to taka ewaluacja służy edukacji oraz podnoszeniu świadomości społeczeństwa na ten temat” – wyjaśnia Adam Krenke.

Na podobnych zasadach rozwijane są rozwiązania, które mogą odmienić codzienną pracę lekarzy. W Gdańsku testowany jest system AdmedVoice – asystent głosowy zapisujący i katalogujący to, co mówi lekarz w trakcie wizyty lub operacji. Dzięki temu medyk nie musi samodzielnie wypełniać dokumentacji, co pozwala mu skupić się na pacjencie.

„Teraz pracujemy nad rozwiązaniem IoT, które monitoruje zarówno parametry pacjenta, jak i jego położenie w oddziale ratunkowym. Przykładowo pozwala to na uniknięcie sytuacji, w której pacjent opuści w sposób nieoczekiwany oddział ratunkowy, szczególnie dotyczy to osób starszych, które mogą się nie orientować w przestrzeni” – mówi Dariusz Szplit. Jak dodaje, system AI pomaga także w analizie polipragmazji – sytuacji, w której pacjent przyjmuje jednocześnie wiele leków. Uporządkowanie tych informacji i połączenie z bazami danych o lekach pozwala szybciej wychwycić potencjalne interakcje i zwiększyć bezpieczeństwo terapii.

Coraz więcej wskazuje na to, że sztuczna inteligencja w ochronie zdrowia nie jest już eksperymentem, lecz początkiem nowej ery medycyny. Ery, w której lekarz nie zostaje zastąpiony przez maszynę, lecz zyskuje sojusznika – niezmordowanego analityka danych, który pomaga ratować życie.

Źródło: Newseria
Foto: Newseria

– Dostęp do wysokiej jakości danych ma kluczowe znaczenie dla rozwoju nauki w dzisiejszym świecie. Jednak zbiory danych są użyteczne tylko wtedy, gdy można je właściwie analizować, interpretować i stosować w praktyce. Bez odpowiednich narzędzi istnieje ryzyko utraty potencjalnie kluczowych informacji w szumie, z którym każdego dnia mierzą się nasi naukowcy. Dzięki narzędziom sztucznej inteligencji ułatwiamy dostęp do zsyntezowanych, gotowych do analizy danych, co podnosi szanse na dokonywanie nowych, trafnych spostrzeżeń, a to z kolei przekłada się na proces odkrywania, opracowywania i dostarczania pacjentom nowych leków – powiedział Piotr Maślak, Head of Emerging Technologies w AstraZeneca​.

Nowe narzędzia oparte na AI przyspieszają rozwój firmy i przybliżają ją do osiągnięcia celów strategicznych do 2030 roku¹– są to: zwiększenie rocznych globalnych przychodów firmy do 80 mld dolarów, wprowadzenie na rynek 20 nowych leków, a także osiągnięcie ujemnego bilansu emisji dwutlenku węgla.

Narzędzia oparte na sztucznej inteligencji są wykorzystywane przede wszystkim w obszarze badań i rozwoju firmy i służą optymalizacji procesów opracowania i dostarczania pacjentom nowych możliwości terapeutycznych. Ich główne zalety to:

• lepsze zrozumienie chorób, na które firma szuka terapii,
• skrócenie czasu podejmowania decyzji badawczych,
• poprawa trafności w identyfikowaniu cząsteczek o potencjale terapeutycznym,
• poprawa skuteczności klinicznej (ograniczenie wycofywania się pacjentów z trwających badań klinicznych).

1. Platforma Databricks jako silnik wiedzy i AI dla R&D ⁶

Wyzwanie:
Tradycyjny proces odkrywania i komercjalizacji nowych leków trwa zwykle 10 –15 lat i może kosztować ponad 5 miliardów dolarów⁹. Jednocześnie mniej niż 5% projektów jest ostatecznie komercjalizowana (lek trafia na rynek). W ostatnim czasie – wobec ogromnego przeciążenia, spowodowanego przyrastającymi lawinowo danymi z setek rozproszonych źródeł – pojawiło się realne zagrożenie, że procesy decyzyjne naukowców AstraZeneca będą zakłócone i opóźnione, a same badania jeszcze bardziej się wydłużą.

Cel:
Stworzenie przejrzystej i uniwersalnej infrastruktury danych, która umożliwiłaby budowę silnika z rekomendacjami dla naukowców – wspierającego identyfikację nowych celów terapeutycznych i podejmowanie decyzji szybciej, taniej i skuteczniej. W skrócie: opracowanie elastycznej, wydajnej i łatwej w zarządzaniu platformy, która pozwoli na przekształcenie danych w realne decyzje badawcze.

Rozwiązanie:
AstraZeneca wdrożyła Databricks Data Intelligence Platform jako centralną platformę do przetwarzania, analizy i modelowania danych w całym dziale R&D. Kluczowym jej elementem jest stworzenie grafu wiedzy biologicznej (knowledge graph), który łączy fakty
i zależności z milionów źródeł danych (m.in. artykułów naukowych, baz danych, wyników eksperymentów). Na bazie grafu działa system rekomendacji AI – umożliwiający każdemu naukowcowi generowanie nowych hipotez terapeutycznych dla dowolnej choroby.

• Skrócenie czasu uzyskiwania nowych spostrzeżeń badawczych (insightów) – naukowcy mogą szybciej tworzyć trafne hipotezy i podejmować decyzje, co skraca czas opracowania nowego leku
• Zwiększona efektywność operacyjna – automatyczne zarządzanie klastrami, skalowalność, uproszczona obsługa zasobów analitycznych
• Większa produktywność zespołów data science – wspólne środowisko pracy dla analityków czy bioinformatyków
• Lepsze wykorzystanie danych – przełamanie barier skalowania umożliwiło przetwarzanie i analizę milionów danych z tysięcy źródeł
• Lepsza trafność predykcji – silnik rekomendacji wykorzystujący uczenie maszynowe (machine learning, ML) umożliwia rankingowanie celów terapeutycznych i podejmowanie decyzji z większym prawdopodobieństwem sukcesu klinicznego

2. Radiomika do wykrywania lokalizacji 3D na skanach tomografii komputerowej ¹

Wyzwanie:
Tradycyjna analiza skanów tomografii komputerowej (CT) wymaga ręcznego oznaczania obszarów zainteresowania przez radiologów, co jest czasochłonne, kosztowne i narażone na subiektywność. Przy dużej liczbie badań i rosnącej skali danych obrazowych brakuje wydajnego sposobu na szybkie i spójne przetwarzanie tych danych.

Cel:
Automatyzacja oznaczania zmian na obrazach CT w celu przyspieszenia analiz i odciążenia ekspertów w ich pracy.

Rozwiązanie:
AstraZeneca wdrożyła platformę radiomiki zasilaną przez AI, która automatycznie analizuje trójwymiarowe obrazy CT i rozpoznaje struktury anatomiczne oraz zmiany patologiczne. System oparty na uczeniu maszynowym został przeszkolony na dużej liczbie uprzednio oznaczonych obrazów, co pozwala mu dokładnie odwzorowywać pracę radiologów.

Efekty:
Zmniejszono potrzebę ręcznego oznaczania obrazów, co przełożyło się na oszczędność czasu ekspertów i skrócenie cyklu analizy danych obrazowych. Dzięki temu zespoły badawcze mogą szybciej podejmować decyzje i przesuwać kandydatów na leki do kolejnych faz rozwoju.

3. Wsparcie AI w tworzeniu protokołów badań klinicznych ⁷

Wyzwanie:
Protokół badania klinicznego to dokument określający cele, zasady i przebieg każdego badania, które muszą być ściśle przestrzegane przez wszystkich uczestników procesu. Jego główne cele to zapewnienie bezpieczeństwa pacjentów, spójności zbierania danych oraz wiarygodności uzyskanych wyników. Dlatego poprawność protokołu i jego zrozumiałość dla pacjentów są kluczowe – tylko wtedy możliwe jest świadome wyrażenie zgody i rzetelna realizacja badania klinicznego. Z punktu widzenia firmy farmaceutycznej tworzenie protokołów to złożony i czasochłonny proces. Wymaga przeszukiwania wcześniejszych dokumentów, dostosowania treści do obowiązujących regulacji i zapewnienia logicznej spójności i przejrzystości. Autorzy protokołów często muszą pisać je „od zera”, co powoduje powtarzalność pracy i ryzyko błędów.

Cel:
Wsparcie autorów w szybkim tworzeniu roboczych wersji protokołów badań klinicznych.

Rozwiązanie:
Narzędzie AI, oparte na dużym modelu językowym, umożliwia tworzenie szkiców protokołów na podstawie firmowego repozytorium dokumentów (formularze świadomej zgody, wcześniejsze protokoły, standardowe zapisy). AI rozumie strukturę protokołu i może uzupełniać poszczególne sekcje tekstem dopasowanym do kontekstu danego badania.

Efekty:
Narzędzie znacznie przyspieszyło proces pisania, odciążając autorów od powtarzalnych czynności i umożliwiając skupienie się na treści merytorycznej. W testach czterech z pięciu autorów uznało narzędzie za przydatne przy tworzeniu streszczenia. Trwa jego rozbudowa na kolejne sekcje i inne obszary terapeutyczne. Ostatecznie narzędzie skraca czas wejścia badania do fazy realizacji.

4. Asystent rozwoju zasilany AI (Development Assistant) ⁸

• Wyzwanie:
  Zespoły pracujące nad rozwojem leków korzystają jednocześnie z wielu różnych systemów danych, które nie zawsze są kompatybilne. Dostęp do informacji klinicznych i jakościowych bywa czasochłonny i skomplikowany, co utrudnia szybkie reagowanie i efektywną współpracę między działami.
• Cel:
  Ułatwienie analizy danych oraz dostępu do informacji w czasie rzeczywistym dla zespołów projektowych i klinicznych.
• Rozwiązanie:
  AstraZeneca zbudowała wewnętrzne narzędzie AI, które działa jak wirtualny asystent
  – umożliwia zadawanie pytań językiem naturalnym i generuje odpowiedzi na podstawie danych wewnętrznych. Narzędzie osadzono na produktach danych z różnych systemów,
  z warstwą modeli językowych dużej skali (large learning models, LLM) umożliwiającą kontekstowe rozumienie zapytań i automatyzację analiz. Jego funkcje to między innymi: porównywanie danych klinicznych i jakościowych, generowanie wykresów i analiz a także wyszukiwanie i ekstrakcja danych z różnych źródeł.
• Efekty:
  Asystent zwiększył szybkość i wygodę analiz, eliminując potrzebę ręcznego przeszukiwania dużych ilości danych. Dzięki niemu zespoły R&D mogą sprawniej identyfikować problemy, porównywać wyniki badań i podejmować decyzje oparte na danych. Narzędzie wspiera też lepszą współpracę między działami, przełamując wcześniejsze silosy informacyjne.

5. Bayesian Neural Network do predykcji toksyczności wątrobowej (DILI)⁵

Wyzwanie:
Przewidywanie toksyczności leków na etapie przedklinicznym polega na ocenie, czy nowa substancja, zanim zostanie podana ludziom, może wywoływać działania szkodliwe dla organizmu. Poza testami laboratoryjnymi (in vitro) coraz częściej wykorzystuje się do tego celu modele komputerowe (in silico), które analizują strukturę chemiczną leku i jego możliwy wpływ na różne układy biologiczne (często – wątrobę). Celem jest identyfikacja potencjalnych zagrożeń i odrzucenie związków o nieakceptowalnym profilu bezpieczeństwa jeszcze przed rozpoczęciem badań klinicznych. Jednak przewidywanie toksyczności leków (np. uszkodzeń wątroby) na etapie przedklinicznym jest często nieprecyzyjne – dane są ograniczone, a tradycyjne modele (np. regresja logistyczna) często nie są wystarczające do predykcji oraz nie uwzględniają niepewności. Z kolei klasyczne sieci neuronowe (Deep Neural Network, DNN), będące popularnym narzędziem predykcyjnym, ze względu na tendencję do nadmiernego dopasowania do danych treningowych, nie są zalecane przy małych zbiorach danych. Ponadto nie dostarczają informacji o niepewności prognoz.

Cel:
opracowanie modelu umożliwiającego przewidywanie stopnia toksyczności wątrobowej (DILI – drug-induced liver injury) na podstawie danych biologicznych i chemicznych. Kluczowym elementem rozwiązania jest nie tylko generowanie samego wyniku predykcji, lecz także dostarczanie informacji o poziomie pewności prognozy, co pozwala ocenić,
na ile dany wynik jest wiarygodny. Dzięki temu narzędzie może wspierać podejmowanie decyzji w procesie odkrywania i wstępnej oceny bezpieczeństwa nowych cząsteczek terapeutycznych.

Rozwiązanie:
Model oparty na Bayesian Neural Network (BNN) – specjalnym typie sieci neuronowej, gdzie każda waga sieci (parametr) ma wartość rozłożoną probabilistycznie, a nie jedno ustalone „najlepsze” ustawienie. Pozwala to modelowi „uczyć się” rozkładów możliwych parametrów i przekazywać nie tylko prognozę, ale też poziom niepewności.

Dzięki opracowaniu modelu opartego na bayesowskiej sieci neuronowej, naukowcy zyskali narzędzie umożliwiające trafniejsze prognozowanie toksyczności wątrobowej (DILI) nowych związków chemicznych na etapie przedklinicznym. Model nie tylko przewiduje poziom ryzyka, ale także wskazuje, z jaką pewnością można ufać danemu wynikowi. To znacząco zwiększa wiarygodność ocen bezpieczeństwa i pozwala lepiej odróżnić związki o podobnej strukturze chemicznej, ale różnej toksyczności. Rozwiązanie może wspierać specjalistów ds. bezpieczeństwa leków w podejmowaniu decyzji o kontynuacji lub odrzuceniu projektów na wczesnym etapie rozwoju.

 

1. BORFITZ, Deborah. AstraZeneca scaling up use of generative AI to help reach 2030 ambitions. Clinical Research News Online [online]. 4 marca 2025 [dostęp: lipiec 2025]. Dostępny w Internecie: https://www.clinicalresearchnewsonline.com/news/2025/03/04/astrazeneca-scaling-up-use-of-generative-ai-to-help-reach-2030-ambitions
2. Artificial Intelligence at AstraZeneca. Emerj [online]. [dostęp: lipiec 2025]. Dostępny w Internecie: https://emerj.com/artificial-intelligence-at-astrazeneca
3. Investing in the future through clinical trials. AstraZeneca [online]. [dostęp: lipiec 2025]. Dostępny w Internecie: https://www.astrazeneca.com/what-science-can-do/topics/clinical-innovation/investing-in-clinical-trials.html
4. Data Science & Artificial Intelligence: Unlocking new science insights. AstraZeneca [online]. [dostęp: lipiec 2025]. Dostępny w Internecie: https://www.astrazeneca.com/r-d/data-science-and-ai.html
5. AstraZeneca Case Study. JuliaHub [online]. [dostęp: lipiec 2025]. Dostępny w Internecie: https://juliahub.com/industries/case-studies/astra-zeneca
6. How AI is changing drug discovery – AstraZeneca. Databricks [online]. [dostęp: lipiec 2025]. Dostępny w Internecie: https://www.databricks.com/customers/astrazeneca
7. How AstraZeneca is leveraging AI. Clinical Edge Magazine, issue 4 [online]. [dostęp: lipiec 2025]. Dostępny w Internecie: https://clinicaledge.xtalks.com/magazine/issue4/how-astrazeneca-is-leveraging-ai
8. Highlights from the 2025 AWS Life Sciences Symposium’s clinical trials track. AWS Industries Blog [online]. 2025 [dostęp: lipiec 2025]. Dostępny w Internecie: https://aws.amazon.com/blogs/industries/highlights-from-the-2025-aws-life-sciences-symposiums-clinical-trials-track/
9. Drug development. Wikipedia, The Free Encyclopedia [online]. [dostęp: lipiec 2025]. Dostępny w Internecie: https://en.wikipedia.org/wiki/Drug_development

 

Pierwszy z nich poświęcony będzie jednemu z najbardziej wymagających obszarów współczesnej medycyny – chorobom rzadkim w kardiologii. Spotkanie poprowadzą specjaliści: prof. Marcin Fijałkowski oraz dr Piotr Przygodzki, uznani eksperci w zakresie nowoczesnych metod diagnostyki i leczenia pacjentów z ciężkimi schorzeniami serca oraz rozwoju tych specjalistycznych technologii.

Wykład skoncentruje się na roli nowoczesnych technologii w poprawie wykrywalności i leczenia tych schorzeń. Omówione zostaną innowacyjne metody obrazowania serca, takie jak echokardiografia, angio-TK oraz rezonans magnetyczny serca (MRI), które rewolucjonizują wczesną diagnostykę i monitorowanie postępów terapii w oparciu o algorytmy AI czy hybrid heart. Prelegenci, przedstawią również najnowsze osiągnięcia w zakresie terapii – od zaawansowanej farmakoterapii po zastosowanie urządzeń wszczepialnych, takich jak LVAD (mechaniczne wspomaganie lewej komory serca) oraz nowoczesne, małoinwazyjne zastawki serca, które znacząco poprawiają jakość i długość życia tych ciężko chorych pacjentów.

„Choroby rzadkie w kardiologii, choć dotyczą stosunkowo niewielkiego odsetka populacji, stanowią ogromne wyzwanie diagnostyczne i terapeutyczne. Szacuje się, że w Europie choroby rzadkie dotykają około 6–8% społeczeństwa, a wiele z nich ma podłoże kardiologiczne, często o charakterze genetycznym i wrodzonym.” – podkreśla dr Piotr Przygodzki

 

W trakcie drugiego wystąpienia w sesji specjalnej KEYNOTE, dr n. med. Mariusz Borkowski – lekarz medycyny estetycznej wspólnie z dr n. med. Michałem Nedoszytko, kardiologiem interwencyjnym, przedstawi praktyczne aspekty wykorzystania sztucznej inteligencji w pracy lekarza. Omówione zostaną przykłady zastosowań AI w diagnostyce, terapii i monitorowaniu pacjentów – od obszaru kardiologii interwencyjnej po medycynę prewencyjną, estetyczną i regeneracyjną. Prelegenci postarają się zwrócić uwagę na możliwości, jakie daje lekarzowi wsparcie cyfrowe w podejmowaniu decyzji klinicznych oraz komunikacji z pacjentem. Wspólnym celem będzie pokazanie, że sztuczna inteligencja nie zastępuje lekarza, lecz staje się integralnym elementem nowoczesnej praktyki medycznej.

 

Konferencję otworzy sesja dot. komunikacji, w której przedstawiony zostanie jej szeroki aspekt i znaczenie dla pacjenta, lekarza, innowacji oraz biznesu. W najbardziej oczekiwanej tego dnia sesji keynote: trendy – zaprezentowane zostaną przez wybitnych ekspertów – gorące zagadnienia z branży medtech. Ponadto zaplanowano 3 sesje tematyczne: komunikacja, rynkowy know-how oraz wyroby medyczne. W programie konferencji znalazła się także debata przy współudziale Medonet, pt.: „Jak zwiększyć udział nowych technologii w medycynie w koszyku świadczeń?” – z udziałem przedstawicieli Narodowego Funduszu Zdrowia oraz panel dyskusyjny we współpracy z NIL IN pt.: „Wdrożenia z misją: NIL IN na rzecz nowoczesnej ochrony zdrowia”.

 

Wydarzenie skierowane jest do lekarzy, naukowców, studentów medycyny, biotechnologów, przedsiębiorców specjalizujących się w branży medtech oraz wszystkich zainteresowanych przyszłością medycyny. Wydarzenie odbędzie się na 26 piętrze PZU Park w Warszawie – siedzibie partnera merytorycznego wydarzenia PZU Zdrowie. Pozostałymi partnerami merytorycznymi konferencji zostali także Medonet oraz NIL IN – Sieć Lekarzy Innowatorów.

 

Dla wszystkich uczestników najbliższej, jubileuszowej #20 edycji konferencji organizator przewidział upominki w postaci plannerów na 2026 roku. Czeka na Was ponad 200 stron w formacie B5, w twardej oprawie. Dla osób, które cenią sobie klasyczny kalendarz i papierowe zapiski, będzie to z pewnością wartościowy prezent.

 

Rejestracja oraz szczegółowy program konferencji, dostępna jest na stronie internetowej wydarzenia. Organizator przyjmuje także zgłoszenia projektów w sesji startup do dnia 31 października.

źródło: MedMeetsTech

Rozmowy o etyce, regulacjach i bezpieczeństwie AI w medycynie były ważną, ale nie jedyną składową wydarzenia. Istotna była też praktyka – w ramach datathonu uczestnicy analizowali lokalne dane kliniczne, a w równoległej ścieżce, nazwanej LLM-a-thon, sprawdzali, jak globalne modele językowe, takie jak Claude Opus, DeepSeek R1, czy PZWL Medico, radzą sobie w języku polskim i w realnych przypadkach neurologicznych. Dzięki temu uczestnicy weryfikowali, jak globalne technologie radzą sobie w lokalnym kontekście i jak szybko idee z sali konferencyjnej mogą zamieniać się w konkretne rozwiązania wspierające diagnostykę.

Datathon pokazał, że konferencja i hackathon mogą się uzupełniać. Dyskusje o etyce i regulacjach od razu znalazły swoje odzwierciedlenie w praktyce – w analizach danych i testach modeli. To wyjątkowa okazja, aby teoria spotkała się z realnymi wyzwaniami klinicznymi. Na wypracowanych wnioskach zyskuje środowisko lekarskie, ale przede wszystkim zyskuje pacjent – zaznacza dr hab. Jakub Mieczkowski z Gdańskiego Uniwersytetu Medycznego.

Wielką wartością wydarzenia było udostępnienie do analiz realnych, polskich danych klinicznych. Praca na takich zbiorach umożliwia odkrycie wzorców diagnostycznych specyficznych dla polskich pacjentów, co zwiększa skuteczność narzędzi AI i ich przydatność w podejmowaniu decyzji terapeutycznych.

Równie ważna była ewaluacja modeli językowych w języku polskim. To właśnie testy w lokalnym kontekście pozwalają ocenić, na ile technologie rozwijane globalnie są użyteczne w naszym systemie ochrony zdrowia, a także, gdzie ujawniają swoje ograniczenia – od halucynacji po wzmacnianie istniejących uprzedzeń w danych.

Udostępnienie rzeczywistych, zanonimizowanych danych klinicznych do analiz to krok milowy dla polskiej medycyny. Do tej pory prace badawcze często opierały się na danych zagranicznych, które nie zawsze odzwierciedlają specyfikę naszych pacjentów. Dzięki Datathonowi mogliśmy pokazać, że lokalne dane mają ogromną wartość w rozwijaniu narzędzi diagnostycznych i terapeutycznych. To właśnie one pozwalają budować algorytmy bliższe codziennej praktyce klinicznej, bardziej wiarygodne i – co najważniejsze – realnie wspierające lekarzy w podejmowaniu decyzji, a pacjentom gwarantujące trafniejsze i szybsze diagnozy. – dr n. med. Maciej Bobowicz specjalista chirurgii onkologicznej GUMed/UCK.

 

Tak rozumiana cyfryzacja diagnostyki i leczenia przyspiesza rozpoznania, porządkuje ścieżki pacjentów i podnosi jakość opieki, a jednocześnie pozostaje zgodna z zasadami etyki i transparentności. – zaznacza dr inż. Michał Maciejewski, główny koordynator projektu z ramienia Roche.

Rezultaty prac zespołów pokazały, że analiza historycznych danych klinicznych pozwala odkryć powtarzające się wzorce, które dostarczają wartościowych informacji dla klinicystów. Analiza lokalnych danych gwarantuje, iż uzyskane wyniki są lepiej dopasowane do polskich pacjentów, co zmniejsza ryzyko błędów. Odpowiedzialna ewaluacja LLM w języku polskim pomaga natomiast ustalić obszary i dobre praktyki ich użycia w praktyce klinicznej – wspierając lekarza, ale go nie zastępując. Zarówno lekarze jak i specjaliści AI podkreślili, że obecnie stosowanie modeli językowych do diagnozy czy planowania terapii jest niewskazane. 

 

Datathon to także szkoła praktycznych umiejętności. Uczestnicy – studenci, młodzi badacze i specjaliści danych – przez 7 godzin pracy warsztatowej rozwijali kompetencje w obszarze analityki klinicznej, projektowania metryk dla LLM i integracji narzędzi AI z procesami szpitalnymi. Wymiana doświadczeń między środowiskiem klinicznym a technologicznym buduje bazę kadr zdolnych do wdrażania cyfrowych innowacji w ochronie zdrowia i prowadzenia badań na najwyższym poziomie.

 

Poland Healthcare Datathon był również przestrzenią współpracy. Wydarzenie współorganizowały Roche Polska, Uniwersyteckie Centrum Kliniczne w Gdańsku, Gdański Uniwersytet Medyczny oraz MIT Critical Data, przy wsparciu licznych partnerów i patronów, w tym Ministerstwa Nauki i Szkolnictwa Wyższego oraz AmCham. Taki model – łączący szpital, uczelnię, partnera technologicznego i środowisko naukowe – tworzy ekosystem sprzyjający szybkiemu testowaniu i wdrażaniu innowacji w ochronie zdrowia.

Jako szpital uniwersytecki codziennie stajemy wobec złożonych wyzwań diagnostycznych i terapeutycznych. Partnerstwo w ramach Datathonu pozwoliło nam sprawdzić, jak rozwiązania cyfrowe mogą realnie wspierać lekarzy w tej pracy – od usprawnienia dokumentacji po analizę danych klinicznych. Dzięki takiej współpracy innowacje nie pozostają teorią, ale trafiają do miejsca, w którym mogą najwięcej zmienić – do pacjenta. – zaznacza przedstawiciel UCK.

Wnioski płynące z Datathonu potwierdziły, że cyfryzacja diagnostyki i leczenia jest nie tylko możliwa, ale wręcz konieczna. W dobie AI kluczowe jest, aby w powstawaniu tych rozwiązań uczestniczyły interdyscyplinarne zespoły. Analiza lokalnych danych klinicznych pozwala budować algorytmy lepiej dopasowane do polskiej populacji pacjentów. Ewaluacja modeli językowych w języku polskim otwiera drogę do wypracowania zastosowań i standardów ich bezpiecznego użycia w praktyce klinicznej. Eksperci zgodnie podkreślali, że przyszłość medycyny należy do rozwiązań digitalowych – jednak tylko wtedy, gdy będą rozwijane w sposób odpowiedzialny, przejrzysty i ściśle związany z potrzebami pacjentów i lekarzy.

Międzynarodowe inicjatywy, takie jak Datathon w Gdańsku, pokazują, jak ważna jest globalna, interdyscyplinarna współpraca przy jednoczesnym wykorzystaniu lokalnych danych. Tylko dzięki temu możemy tworzyć rozwiązania, które są zarówno innowacyjne, jak i zakorzenione w realiach systemu ochrony zdrowia danego kraju. Polska dołączyła w ten sposób do grona państw, które odważnie inwestują w cyfrową medycynę opartą na danych. – podkreśla Adam Krenke, Commercialisation Strategy Chapter Leader w Roche Polska.

 

W wydarzeniu wzięło udział ponad 200 osób, w tym 13 interdyscyplinarnych zespołów z 14 uczelni i ośrodków badawczych reprezentujących 5 krajów. Uczestnicy spędzili łącznie 8 godzin na pracy warsztatowej, analizach i prezentacjach. Program obejmował 8 wystąpień eksperckich i 2 panele dyskusyjne, a do ewaluacji wykorzystano 3 modele językowe.

 

Projekt edukacyjny Poland Healthcare Datathon powstał we współpracy MIT Critical Data, Uniwersyteckiego Centrum Klinicznego w Gdańsku, Gdańskiego Uniwersytetu Medycznego i Roche Polska. Partnerami i patronami wydarzenia są: Politechnika Poznańska, Uniwersytet Medyczny im. Karola Marcinkowskiego w Poznaniu, Emory University, Platforma Medyczna Medico PZWL, Google Research i Politechnika Gdańska.

Konferencję otworzy sesja dot. komunikacji, w której przedstawiony zostanie jej szeroki aspekt i znaczenie dla pacjenta, lekarza, innowacji oraz biznesu.  Wystąpią w niej Małgorzata Wywrot z CMKP/NIL IN, Urszula Łaskawiec – redaktor naczelna Patient Experience, Diana Żochowska – Head of Medonet oraz Iwona Kania z NIL IN.

W najbardziej oczekiwanej tego dnia sesji keynote: trendy – zaprezentowane zostaną przez wybitnych ekspertów – gorące zagadnienia z branży medtech: wykorzystanie w medycynie LLM czyli Large Language Models, sztucznej inteligencji oraz danych medycznych. Przedstawione zostają także technologie medyczne przyszłości, które wesprą well-being oraz workflow. W tej sesji udział już potwierdzili: dr n. med. Dominik Stosik, Karolina Tądel – Kierownik Działu Zarządzania Danymi w Instytucie Matki i Dziecka oraz Artur Olesch – dziennikarz i korespondent specjalizujący się w transformacji cyfrowej ochrony zdrowia. Organizator planuje jeszcze zaproszenie kilku znamienitych prelegentów – szczegóły przedstawione zostaną na jesieni.

W programie konferencji znalazła się także sesja rynkowy know-how, prezentacje zakwalifikowanych projektów startup, debata z udziałem przedstawicieli instytucji publicznych oraz panel dyskusyjny we współpracy z NIL IN pt.: „Wdrożenia z misją: NIL IN na rzecz nowoczesnej ochrony zdrowia”. 60-minutowy panel dyskusyjny poświęcony będzie laureatom konkursu NIL IN „Wdrożenie innowacji w opiece zdrowotnej”. Konkurs to inicjatywa skierowana do szerokiego grona odbiorców – od personelu medycznego, przez ekspertów ds. technologii, aż po przedstawicieli organów założycielskich placówek ochrony zdrowia. W panelu wezmą udział m.in.: prof. Katarzyna Kolasa, dr n. med. Tomasz Maciejewski, lek. Małgorzata Kiljańska oraz Artur Białoszewski.

Rejestracja Early Birds dostępna jest tylko do 31 sierpnia na stronie internetowej wydarzenia.

Organizator przyjmuje także zgłoszenia projektów w sesji startup do dnia 31 października.

źródło: MedMeetsTech

Sztuczna inteligencja ma potencjał, by zrewolucjonizować opiekę zdrowotną. Luka w zaufaniu do tej technologii – wśród pacjentów, jak i części personelu medycznego – może jednak spowolnić jej wdrażanie i ograniczyć skuteczność. Takie wnioski płyną z najnowszego raportu Future Health Index 2025 (FHI 2025) powstałego na zlecenie Philips.

AI a globalne wyzwania systemów ochrony zdrowia

Systemy opieki zdrowotnej na całym świecie – w tym w Polsce – zmagają się z podobnymi wyzwaniami: niedoborem personelu, przeciążeniem placówek i długimi kolejkami do specjalistów. Personel medyczny coraz częściej doświadcza wypalenia zawodowego, a pacjenci opóźnień w leczeniu. W tym kontekście AI przestaje być technologiczną ciekawostką, a staje się realnym wsparciem dla lekarzy i pacjentów.

Ponad 76% pracowników ochrony zdrowia uważa, że sztuczna inteligencja może znacząco skrócić czas oczekiwania na leczenie i zwiększyć dostępność usług. AI umożliwia automatyzację powtarzalnych zadań, przyspiesza analizę danych klinicznych, wyszukiwanie informacji medycznych i wspiera lekarzy w podejmowaniu trafnych decyzji diagnostycznych. Dzięki temu specjaliści odzyskują cenny czas i mogą skupić się na tym, co najważniejsze – bezpośrednim kontakcie z pacjentem.

– AI nie zastąpi człowieka, ale odciąży go w obszarach, które można zautomatyzować. Staje się sojusznikiem, który wspiera w rozwiązaniu najtrudniejszych problemów i daje możliwość dostarczenia lepszej opieki większej liczbie pacjentów – mówi Michał Szczechula, dyrektor generalny Health Systems Philips Polska i dodaje: – Odpowiedzialnie wdrożona AI ma również potencjał transformacyjny: wspiera w przejściu z reaktywnego na proaktywny model opieki zdrowotnej, w której przewidujemy pewne zdarzenia medyczne i staramy się im zapobiec.

Luka zaufania może spowolnić rozwój AI w ochronie zdrowia

Future Health Index 2025 zwraca jednak uwagę na istotną barierę we wdrażaniu AI – lukę zaufania. Podczas gdy 79% lekarzy wierzy, że sztuczna inteligencja poprawi wyniki leczenia, tylko 59% pacjentów podziela ten optymizm. Różnica ta jest jeszcze większa wśród osób powyżej 45. roku życia – zaledwie 25% z nich pozytywnie ocenia wpływ AI na opiekę zdrowotną.

Skąd bierze się ta różnica? Przede wszystkim z braku wiedzy i doświadczenia. Dla wielu pacjentów AI to wciąż abstrakcyjna technologia, która kojarzy im się z ograniczeniem lub utratą bezpośredniego kontaktu z personelem medycznym w trakcie leczenia. 

– Nasze badania pokazują, że pacjenci, są bardziej otwarci na wykorzystanie AI, kiedy wyjaśniono im, jak technologia wspiera proces ich leczenia oraz wiedzą, że mogą uzyskać pomoc szybciej, jednocześnie nie tracą kontaktu z lekarzem – mówi Michał Szczechula.

Lekarze, chociaż optymistycznie nastawieni do AI – 69% z nich aktywnie uczestniczy w rozwoju technologii cyfrowych – również zgłaszają pewne obawy, które wymagają zagospodarowania. Aż 76% nie ma jasności, kto ponosi odpowiedzialność, jeżeli system AI popełni błąd. Innym podejmowanym tematem jest kwestia stronniczości danych.

Jak skutecznie wdrażać AI i budować do niego zaufanie?

– Kluczem jest projektowanie technologii zorientowanej na człowieka. Rozwiązania muszą powstawać we współpracy z klinicystami, upraszczać przepływy pracy, integrować się z dostępną infrastrukturą i poprawiać jakość opieki – mówi z dyrektor z Philips. Jednocześnie, aby w pełni wykorzystać potencjał AI, istotna jest również: edukacja pacjentów, zapewnienie jasnych standardów prawnych i etycznych, bezpieczeństwo i silna walidacja modeli AI. Raport Future Health Index 2025 jasno pokazuje, że sztuczna inteligencja może przynieść realne korzyści lekarzom i pacjentom. Warunkiem sukcesu jest jednak zaufanie i współpraca wszystkich uczestników systemu ochrony zdrowia. Bez tego postęp we wdrażaniu nowych technologii może zostać zahamowany i to w momencie, kiedy innowacje są najbardziej potrzebne.

 

Pełna treść raportu dostępna pod linkiem: FutureHealthIndex2025_global

Future Health Index 2025

10 edycja globalnego raportu Future Health Index 2025 przedstawia, w jaki sposób innowacyjne technologie, w szczególności sztuczna inteligencja (AI), wspierają pracowników ochrony zdrowia w zapewnieniu lepszej opieki większej liczbie pacjentów. Przeprowadzono dwa ilościowe badania ankietowe wśród ponad 1900 pracowników opieki zdrowotnej i ponad 16 000 pacjentów w 16 krajach (Australia, Brazylia, Kanada, Chiny, Francja, Niemcy, Indie, Indonezja, Japonia, Holandia, Arabia Saudyjska, Hiszpania, RPA, Korea Południowa, Wielka Brytania i Stany Zjednoczone). Badania ankietowe przeprowadzono od grudnia 2024 r. do kwietnia 2025 r.

Źródło: Komunikat Prasowy

W Uniwersyteckim Szpitalu Klinicznym im. Fryderyka Szopena w Rzeszowie (USK w Rzeszowie), we współpracy z Politechniką Rzeszowską im. Ignacego Łukasiewicza, przeprowadzono pierwsze w Polsce dwie operacje częściowej nefrektomii z użyciem robota chirurgicznego i śródoperacyjnej wizualizacji 3D wspomaganej sztuczną inteligencją (AI). Nowatorska technologia oparta na rozszerzonej rzeczywistości (AR) pozwala odwzorować trójwymiarową mapę naczyń, guzów i innych struktur pacjenta bezpośrednio na obraz endoskopowy. Dzięki temu chirurg zyskuje „rentgenowski” wgląd w to, co znajduje się pod powierzchnią tkanek.

– To przełom, szczególnie w onkologii – w operacjach takich jak częściowa nefrektomia technologia ta pozwala na bardziej precyzyjne wyznaczenie granic resekcji, skrócenie czasu niedokrwienia oraz lepsze zachowanie zdrowej tkanki – tłumaczy lek. Jakub Kempisty, pełnomocnik dyrektora ds. Podkarpackiego Centrum Chirurgii Robotycznej w USK w Rzeszowie. – Podczas operacji, którą miałem przyjemność przeprowadzić z wykorzystaniem systemu wizualizacji trójwymiarowej opartej na algorytmach sztucznej inteligencji, rozszerzona rzeczywistość pozwoliła mi lepiej ocenić głębokość guza i przebieg naczyń krwionośnych – bez zasłaniania kluczowych narzędzi operacyjnych.

Zabiegi zrealizowano w ramach międzynarodowej współpracy z Uniwersytetem w Leuven, ORSI Academy oraz zespołami inżynierskimi z Politechniki Rzeszowskiej i Uniwersytetu Rzeszowskiego. Podczas dwóch częściowych nefrektomii wykorzystano zaawansowaną platformę AR i system robotyczny-

– Dotychczas kliniczne zastosowanie tej technologii było ograniczone przez trudność w synchronizacji modeli 3D z ruchomą tkanką i ryzyko zasłaniania narzędzi chirurgicznych przez wizualizację. Przeprowadzone w Rzeszowie operacje skutecznie rozwiązały oba te problemy – mówi Marco Mezzina, inżynier z ORSI Academy i doktorant Katholieke Universiteit Leuven w Belgii. – Wierzę, że to doświadczenie zaowocuje dalszą współpracą przy kolejnych projektach klinicznych i badawczych.

Zrealizowane operacje potwierdzają, że zaawansowane narzędzia AI i AR mogą znaleźć praktyczne i bezpieczne zastosowanie w salach operacyjnych.

– Udział pracowników Katedry Fizyki i Inżynierii Medycznej Politechniki Rzeszowskiej w tym projekcie to doskonała okazja do podzielenia się naszym doświadczeniem inżynierskim na rzecz rozwoju nowoczesnych zastosowań technologii w medycynie – twierdzi dr hab. Czesław Jasiukiewicz, prof. PRz, Dziekan Wydziału Matematyki i Fizyki Stosowanej Politechniki Rzeszowskiej. – To także szansa na współpracę w międzynarodowym zespole badawczym i na wspólne działania nad rozwojem najnowszych technologii związanych z rozszerzoną rzeczywistością, które mogą realnie wpłynąć na poprawę jakości opieki zdrowotnej.

USK w Rzeszowie stawia na rozwój nowoczesnych technologii w medycynie. Placówka aktywnie uczestniczy w międzynarodowych projektach badawczo-klinicznych i wprowadza rozwiązania, które wyznaczają przyszłość chirurgii robotycznej.

– Te operacje to nie tylko duży krok technologiczny, ale także praktyczny dowód na to, że nasz ośrodek może być miejscem testowania i wdrażania rozwiązań, które zmieniają standardy leczenia. To także ogromna zasługa zespołu – zarówno klinicznego, jak i inżynierskiego – uważa Marcin Rusiniak, dyrektor USK w Rzeszowie.

Operacje w rzeszowskim USK to przede wszystkim dowód, że robotyka i sztuczna inteligencja mogą już dziś bezpiecznie wspierać skomplikowane zabiegi onkologiczne w Polsce. System obrazowania 3D zapewnił chirurgom „rentgenowski” wgląd w to, co niewidoczne gołym okiem, co przekłada się na większą precyzję, zachowanie zdrowych tkanek i skrócony czas niedokrwienia.

To wydarzenie to jednak dopiero początek. Współpraca z inżynierami i rozwój dodatkowych modułów sterowania głosowego, planowane operacje z wykorzystaniem AI i AR oraz ciągłe testy kliniczne zapowiadają dalsze zmiany. Rzeszów znajdzie się w czołówce centrów rozwijających nowoczesną chirurgię robotyczną.

Źródło: www.szpital.rzeszów.pl
Foto: www.szpital.rzeszów.pl

Jak podkreślają autorzy, największą zaletą ich metody jest szybkość działania – cały proces, który standardowo zajmuje lekarzowi nawet kilka godzin, może zostać skrócony do kilku minut. Co więcej, dokładność algorytmu jest porównywalna z pracą eksperta.

Dlaczego to takie ważne?

Współczesna radioterapia wymaga dużej precyzji – nie tylko w zakresie dawki promieniowania, ale przede wszystkim w planowaniu jego rozmieszczenia. Kluczowe jest zidentyfikowanie obszarów, które należy zniszczyć (guzy) i tych, które należy chronić (zdrowe tkanki). Obecnie proces ten często wymaga ręcznej pracy lekarzy i fizyków medycznych.

Opracowane rozwiązanie może nie tylko odciążyć specjalistów, ale także zwiększyć dostępność do szybszego leczenia, szczególnie w regionach, gdzie liczba specjalistów jest ograniczona.

Co dalej z projektem?

Metoda jest obecnie testowana i rozwijana we współpracy z Narodowym Instytutem Onkologii w Warszawie. Kolejnym etapem będzie wdrożenie w praktyce klinicznej – po uzyskaniu odpowiednich certyfikacji i dopracowaniu integracji z istniejącymi systemami planowania radioterapii.

Naukowcy deklarują, że ich celem nie jest zastąpienie lekarzy, lecz dostarczenie im narzędzia, które przyspieszy i usprawni ich pracę. Algorytmy AI mają wspierać, nie decydować – i to jest kierunek, w którym zmierza nowoczesna onkologia.

W ramach współpracy, Koalicja AI i Innowacji w Zdrowiu przygotowała bezpłatne, ogólnodostępne szkolenia dla personelu ochrony zdrowia, które kładą nacisk na modułowe podejście oraz praktyczne zastosowania w opiece nad pacjentem. Jednym z celów jest przygotowanie społeczeństwa na wyzwania związane z transformacją cyfrową.

Szkolenia oferują krótkie, angażujące treści, które nie tylko wyjaśniają obecne trendy AI w sektorze medycznym, ale również prezentują narzędzia i możliwości wdrożenia. Każdy moduł odpowiada na kluczowe pytania dotyczące zastosowania AI, w tym możliwości autonomicznej diagnozy, etycznych aspektów używania AI oraz praktycznych umiejętności w implementacji technologii AI w praktyce medycznej.

Szkolenia kierujemy do profesjonalistów sektora ochrony zdrowia – lekarzy, pielęgniarek, farmaceutów, kadry zarządzającej, a także studentów i specjalistów IT – którzy chcą zrozumieć i praktycznie wykorzystywać AI w diagnostyce, terapii i organizacji opieki nad pacjentem. Program jest dostosowany zarówno dla osób bez wiedzy technicznej, jak i tych z doświadczeniem w obszarze nowych technologii.

Pierwszy odcinek szkolenia skupia się na kilku kluczowych elementach – rozpoczynamy od głębszego zrozumienia historii sztucznej inteligencji oraz jej kluczowych postaci, takich jak Ada Lovelace i Alan Turing. Omawiamy także definicję AI Act oraz jej implikacje dla sektora zdrowia. Zwracamy uwagę na rolę sztucznej inteligencji w czwartej rewolucji przemysłowej, szczególnie w kontekście sektora medycznego, oraz na rygory certyfikacji, jakie muszą spełniać algorytmy AI stosowane w diagnostyce i leczeniu. Ponadto analizujemy rozwój rynku AI oraz istotną rolę startupów medycznych w Polsce.

W drugim odcinku przyglądamy się bliżej pytaniu, które budzi wiele emocji: czy sztuczna inteligencja może diagnozować i leczyć samodzielnie? Tłumaczymy, czym tak naprawdę jest AI w ochronie zdrowia i dlaczego „każda AI jest inna” – różne algorytmy mają odmienne zastosowania, ograniczenia i wymagania regulacyjne. Przedstawiamy również podstawy prawne, które określają ramy odpowiedzialnego stosowania sztucznej inteligencji w medycynie, akcentując konieczność nadzoru i zaangażowania personelu medycznego.

Trzeci odcinek eksploruje kontrowersyjny temat AI Blackbox w medycynie. Odpowiadamy na pytanie, czy możemy zaufać sztucznej inteligencji, która nie jest „wyjaśnialna”? Przyglądamy się także koncepcji Evidence-Based Medicine (EBM), odkrywając jej historię i rolę we współczesnej praktyce medycznej. Omawiamy również wyzwania związane z EBM, takie jak ludzkie uprzedzenia, które mogą wpływać na decyzje sztucznej inteligencji.

– Sztuczna inteligencja to już nie przyszłość – to teraźniejszość, która coraz silniej wpływa na sposób, w jaki diagnozujemy, leczymy i zarządzamy opieką zdrowotną. Dlatego tak ważne jest, aby osoby pracujące w ochronie zdrowia rozumiały, jak bezpiecznie i skutecznie wykorzystywać nowe technologie w codziennej praktyce. Nasze szkolenia to pierwszy krok w tę stronę. Krótkie, konkretne odcinki pomagają oswoić się z AI i dostrzec jej realną wartość dla pacjentów i systemu – wskazuje Karolina Kornowska, Dyrektor Operacyjna wZdrowiu.

– Cieszymy się na współpracę z wZdrowiu. Dostęp do wiedzy eksperckiej w zakresie sztucznej inteligencji, który jest dostępny dla każdej osoby, w dowolnym miejscu i czasie, to kluczowy element naszej misji budowania umiejętności AI. Microsoft postrzega sztuczną inteligencję jako rewolucyjne narzędzie w sektorze zdrowia – technologię, która ma potencjał, by poprawić diagnostykę, terapię i zarządzanie opieką nad pacjentem. Dlatego tak istotne jest, aby specjaliści w tej branży rozumieli i sprawnie wykorzystywali AI w swojej codziennej pracy – Łukasz Foks, Dyrektor ds. inicjatywy AI National Skills w Microsoft.