Czego dowiesz się z tego artykułu?
- Jak odróżnić AI do analizy obrazu od AI, która tylko porządkuje workflow radiologii.
- O co zapytać dostawcę przed zakupem narzędzia do RTG, TK, MR lub mammografii.
- Jak ustawić odpowiedzialność radiologa, integrację PACS/RIS i monitoring błędów.
- Od czego zacząć w prywatnej pracowni albo sieci przychodni w Polsce.
W prywatnej radiologii największy błąd zakupowy zaczyna się od jednego zdania: „potrzebujemy AI do obrazów”. To brzmi konkretnie, ale w praktyce może znaczyć dwie zupełnie różne rzeczy: system medyczny wspierający analizę badania albo narzędzie organizacyjne, które układa kolejkę, opis i komunikację.
Ja bym zaczął od mapy procesu, nie od demo. W polskiej placówce radiologicznej trzeba najpierw zobaczyć, gdzie naprawdę boli: czy radiolog ma za dużo badań do opisu, czy recepcja gubi statusy, czy opis wraca za późno do lekarza kierującego, czy PACS i RIS nie rozmawiają ze sobą tak, jak powinny. Dopiero wtedy wybór AI ma sens operacyjny.
Ten temat jest bliski tekstowi o tym, kiedy AI może być wyrobem medycznym, ale tutaj schodzimy niżej: do prywatnej pracowni, kolejki badań, opisu radiologicznego, integracji PACS/RIS i codziennego monitorowania błędów. Szersze pytania zakupowe warto potem spiąć z kategorią narzędzia i wdrożenia. Radiolog zatwierdza wynik, a manager układa proces tak, żeby system pomagał, a nie rozmywał odpowiedzialność.
Najważniejsze
- AI analizująca obraz może wejść w obszar wyrobu medycznego, jeśli jej wynik wspiera rozpoznanie, priorytetyzację lub decyzję kliniczną.
- AI wspierająca workflow może porządkować kolejkę, status opisu, kompletność danych i komunikację, ale nie powinna udawać interpretacji badania.
- PACS/RIS to nie detal techniczny: bez integracji łatwo dostaniesz drugi panel, ręczne przepisywanie i brak śladu decyzyjnego.
- Lekarz radiolog musi mieć ostatnie słowo przy interpretacji obrazu, zmianie priorytetu klinicznego i finalnym opisie badania.
- Po pilotażu mierz błędy, korekty i eskalacje, a nie tylko liczbę opisów na godzinę.
Dwie półki, których nie warto mieszać
W rozmowie z dostawcą rozdzieliłbym dwie półki. Pierwsza to AI, która patrzy na obraz: RTG, TK, MR, mammografia, czasem konkretna patologia lub obszar anatomiczny. Druga to AI, która nie rozpoznaje obrazu, tylko wspiera pracę pracowni: sprawdza kompletność danych, podpowiada status, wykrywa braki formalne, porządkuje kolejkę i przygotowuje komunikaty.
To rozróżnienie zmienia wszystko: pytania prawne, dokumentację, testy akceptacyjne, szkolenie zespołu i sposób rozmowy z IOD. Narzędzie do kolejki badań nie powinno być oceniane tak samo jak model wykrywający zmianę w obrazie, ale narzędzie obrazowe nie może być kupowane jak zwykły moduł administracyjny.
| Obszar | Główne pytanie managera | Co zatwierdza człowiek | Ryzyko do pilnowania |
|---|---|---|---|
| Analiza obrazu | Czy produkt ma właściwy status medyczny, zakres i dokumentację? | Radiolog zatwierdza interpretację i finalny opis | Fałszywy spokój, nadmierne zaufanie, brak walidacji na lokalnym procesie |
| Priorytetyzacja badań | Czy wynik wpływa na kolejność pilnych przypadków? | Lekarz lub wyznaczony personel medyczny zatwierdza eskalację | Automatyczne przesunięcie pacjenta bez procedury klinicznej |
| Opis badania | Czy AI tylko szkicuje strukturę, czy sugeruje wniosek kliniczny? | Radiolog sprawdza treść, skróty i wnioski | Halucynacje, pominięcia, niejednoznaczne sformułowania |
| Workflow PACS/RIS | Czy system porządkuje statusy i dane bez interpretacji klinicznej? | Manager procesu i personel potwierdzają reguły pracy | Drugi panel, ręczne obejścia, brak logu zmian |
| Komunikacja z pacjentem | Czy komunikat jest neutralny i zatwierdzony? | Placówka zatwierdza treść i moment wysyłki | Zbyt kliniczny język, obietnica diagnozy, ujawnienie danych |
PACS/RIS: tam wychodzi, czy pilotaż jest dojrzały
W radiologii prywatnej integracja bywa ważniejsza niż sama obietnica modelu. Jeśli AI działa w osobnym oknie, pracownik pobiera badanie, wysyła plik, czeka na wynik, a potem ręcznie przepisuje wnioski do opisu, to placówka kupuje dodatkową czynność, nie usprawnienie. Widziałem projekty, które przegrywały właśnie na tym poziomie: medycznie ciekawe, operacyjnie męczące.
PACS odpowiada za obraz, RIS za zlecenie, status i obieg badania. Dostawca powinien pokazać, gdzie w tym przepływie pojawia się wynik AI, kto go widzi, czy trafia do roboczego opisu, jak oznaczany jest status „do weryfikacji” i co zostaje w logu. Bez śladu decyzyjnego trudno potem ustalić, kto zmienił priorytet, kto zatwierdził opis i dlaczego.
Sugeruję poprosić o demonstrację na procesie, nie na slajdzie. Przykład: zlecenie TK trafia do RIS, badanie pojawia się w PACS, AI oznacza potencjalny obszar uwagi, radiolog widzi wynik jako warstwę pomocniczą, zatwierdza lub odrzuca sugestię, a finalny opis wraca do systemu. Jeżeli dostawca pokazuje tylko piękny ekran z detekcją, to jeszcze nie jest wdrożenie w placówce.
Co zostaje po stronie radiologa
Najbezpieczniejsza zasada jest nudna, ale działa: AI może przygotować, oznaczyć, uporządkować albo zasugerować, a radiolog interpretuje i odpowiada za finalny opis. Model nie zna całego kontekstu pacjenta, nie rozmawia z lekarzem kierującym i nie bierze odpowiedzialności zawodowej za wniosek kliniczny.
W praktyce warto spisać trzy granice. Po pierwsze, AI nie może samodzielnie zamknąć opisu badania. Po drugie, AI nie może bez procedury klinicznej przesuwać pacjenta w kolejce jako pilnego. Po trzecie, AI nie może wysłać pacjentowi komunikatu, który brzmi jak diagnoza albo zalecenie medyczne. To są punkty, przy których człowiek musi zatrzymać proces.
Warto zacząć, gdy placówka ma radiologa odpowiedzialnego za pilotaż, opisany przepływ PACS/RIS, zatwierdzone reguły eskalacji i gotowość do mierzenia korekt. Lepiej odpuścić, gdy zespół chce „sprawdzić na kilku prawdziwych badaniach”, ale nie ma umowy, logów, decyzji IOD ani jasnej odpowiedzi, czy produkt jest wyrobem medycznym.
Monitoring błędów po miesiącu, nie tylko zachwyt po demo
Demo AI w radiologii zwykle pokazuje najlepsze przypadki. Pilotaż powinien pokazać przypadki zwykłe, graniczne i niewygodne. Manager nie potrzebuje tylko informacji, że system coś wykrył. Potrzebuje wiedzieć, kiedy się myli, kiedy przeszkadza, kiedy daje fałszywy spokój i ile czasu radiolog traci na poprawki.
Pierwszy raport po 30 dniach powinien mieć prostą strukturę: liczba badań objętych pilotażem, liczba sugestii AI, liczba sugestii zaakceptowanych przez radiologa, liczba odrzuceń, liczba korekt opisu, czas do finalnego opisu i liczba przypadków eskalowanych do człowieka. Nie używałbym na starcie realnych historii pacjentów w prezentacji zarządczej. Wystarczą dane zagregowane i przykłady opisane bez identyfikacji.
Warto też mierzyć „puste kliknięcia”: ile razy personel otworzył panel AI tylko po to, żeby sprawdzić status, którego nie było w RIS. Jeżeli takich sytuacji jest dużo, problemem nie jest skuteczność modelu, tylko proces. Dobre wdrożenie radiologiczne poprawia przepływ pracy, a nie tylko dokłada kolejne miejsce, które ktoś musi kontrolować.
Przykład modelowy: prywatna pracownia TK
Przykład modelowy — scenariusz pokazuje sposób myślenia o pilotażu. Liczby ilustrują metryki organizacyjne, nie gwarantują wyniku wdrożenia.
Prywatna pracownia TK w Polsce wykonuje badania dla kilku poradni specjalistycznych. Manager widzi, że opisy badań klatki piersiowej wracają nierówno: część tego samego dnia, część po dwóch dniach, a pilne przypadki wymagają telefonów między rejestracją, technikiem i radiologiem. Zespół rozważa AI, ale nie zaczyna od pytania „czy model wykryje zmianę”. Zaczyna od pytania: gdzie dokładnie tracimy kontrolę nad statusem badania.
Pierwszy wariant pilotażu obejmuje workflow: kompletność zlecenia, status badania, oznaczenie braków, kolejkę do opisu i komunikat do rejestracji. Drugi wariant, bardziej kliniczny, dotyczy narzędzia do analizy obrazu. Ten drugi wymaga osobnej rozmowy o statusie wyrobu medycznego, dokumentacji, certyfikacji, walidacji i roli radiologa. Nie mieszałbym tych dwóch wariantów w jednej decyzji zakupowej.
Po miesiącu manager porównuje dwie rzeczy: czy opisy wracają przewidywalniej i czy radiolodzy akceptują sposób prezentacji sugestii AI. Jeśli workflow poprawił terminowość, ale narzędzie obrazowe generuje dużo odrzuceń, decyzje mogą być różne: skalować porządkowanie statusów, a model obrazowy zostawić w dodatkowej walidacji. To jest dojrzała decyzja, nie porażka pilotażu.
Pierwszy krok dla właściciela placówki
Zanim poprosisz o ofertę, zbierz z radiologiem, technikiem, rejestracją i osobą od systemu medycznego jedną kartę procesu. Wpisz: typ badania, skąd przychodzi zlecenie, gdzie zapisuje się obraz, kto nadaje status, kto widzi braki, kiedy radiolog dostaje badanie, co trafia do opisu i jak pacjent lub lekarz kierujący dostaje informację. Ta karta pokaże, czy potrzebujesz modelu obrazowego, czy najpierw porządku w workflow.
Następnie zadaj dostawcy pięć pytań: czy produkt ma cel medyczny, jaki ma status regulacyjny, jak integruje się z PACS/RIS, jak loguje sugestie i decyzje radiologa, oraz jak placówka zgłasza błędy lub niezgodności. Jeśli temat dotyczy danych pacjenta, włącz IOD przed testem na produkcyjnych badaniach. Publiczne narzędzie AI nie jest miejscem na obrazy diagnostyczne ani opisy badań.
Na koniec ustal regułę stopu. Jeżeli wynik AI wpływa na priorytet, interpretację lub komunikat kliniczny, proces zatrzymuje się u człowieka. Jeżeli AI tylko porządkuje statusy i przypomnienia, nadal wymaga kontroli danych, ale nie udaje radiologa. Właśnie tak patrzyłbym na radiologię prywatną: najpierw półka ryzyka, potem zakup, integracja i metryki.
Źródła
- UODO — „Czy AI to zagrożenie dla danych? – Konrad Komornicki podczas AI & MEDTECH CEE 2026”, wytworzono: 10.06.2026. Polskie źródło regulatora danych; wnosi aktualny kontekst kontroli celu, zakresu i odpowiedzialności za przetwarzanie danych przy AI w ochronie zdrowia.
- Centrum e-Zdrowia — „Nowe usługi cyfrowe i projekty AI przyspieszają transformację systemu ochrony zdrowia”, 02.06.2026. Pokazuje świeży polski kontekst e-zdrowia, PUI, EDM, e-rejestracji i rosnącej roli AI oraz cyberbezpieczeństwa.
- Centrum e-Zdrowia — „Platforma Usług Inteligentnych – realne wsparcie w diagnostyce obrazowej”, 18.07.2025. Źródło branżowe dla radiologii: opisuje zastosowania PUI w RTG, TK, MR, mammografii i potrzebę wsparcia lekarzy w diagnostyce obrazowej.
- Komisja Europejska — MDCG 2025-6, FAQ on Interplay between MDR/IVDR and AI Act, publikacja: 19.06.2025, dostęp: 2026-07-05. Oficjalne źródło do relacji między regulacjami wyrobów medycznych i AI Act przy medycznych systemach AI.
- Komisja Europejska — aktualizacja MDCG 2019-11 rev.1 dotycząca kwalifikacji i klasyfikacji oprogramowania, publikacja: 17.06.2025, dostęp: 2026-07-05. Pomaga odróżnić oprogramowanie medyczne od narzędzi wspierających organizację pracy.
- Pexels — zdjęcie Tima Miroshnichenko — lokalna okładka artykułu, spokojna scena analizy obrazu diagnostycznego; dostęp: 2026-07-05.
