Czego dowiesz się z tego artykułu?
- Jak ułożyć proces przyjmowania dokumentów od pacjenta przed wizytą: upload, klasyfikacja, streszczenie, lista braków, zatwierdzenie i zapis w EDM.
- Gdzie AI może realnie odciążyć lekarza lub rejestrację, a gdzie musi zatrzymać się przed interpretacją kliniczną.
- Jakie metryki, ryzyka i pytania do dostawcy warto wpisać do karty pilotażu w polskiej placówce medycznej.
Pacjent wysyła dzień przed wizytą wypis ze szpitala, dwa wyniki badań, zdjęcie skierowania i skan zaleceń. W wielu polskich przychodniach taki pakiet trafia do skrzynki mailowej, komunikatora albo formularza i dopiero w gabinecie okazuje się, że najważniejszy dokument jest nieczytelny, a lekarz traci pierwsze minuty na porządkowanie materiału.
Ja bym nie zaczynał od pytania, czy AI “zrozumie” pacjenta. Zacząłbym od prostszego pytania: czy może ułożyć dokumenty w kolejności, nazwać typy plików i wskazać braki, zanim lekarz otworzy kartę wizyty. To jest znacznie bezpieczniejszy i bardziej użyteczny start.
W tym tekście mówimy wyłącznie o wsparciu procesu w polskiej placówce medycznej: przychodni, klinice, gabinecie specjalistycznym. AI nie stawia rozpoznania, nie kwalifikuje leczenia i nie decyduje o pilności klinicznej. Może przygotować materiał do decyzji człowieka.
Najważniejsze
- AI może klasyfikować dokumenty pacjenta: wypis, wynik badania, zdjęcie dokumentu, skierowanie, zalecenie, ale nie powinna samodzielnie wyciągać wniosków klinicznych.
- Najbezpieczniejszy proces ma punkt zatrzymania: personel medyczny zatwierdza streszczenie, listę braków i zapis w EDM.
- Pilotaż zacznij od jednej ścieżki, np. konsultacji po hospitalizacji albo pierwszej wizyty specjalistycznej, a nie od całej placówki.
- Narzędzie musi mieć jasne zasady danych: gdzie trafiają pliki, kto ma dostęp, jak długo są przechowywane i czy są używane do trenowania modeli.
- Efekt mierz operacyjnie: czas przygotowania wizyty, liczba brakujących dokumentów wykrytych przed wizytą, liczba korekt lekarza i incydenty danych.
Zacznij od kolejki dokumentów, nie od diagnozy
W praktyce największy zysk nie leży w “inteligentnym lekarzu w komputerze”. Leży w tym, że ktoś lub coś przed wizytą układa bałagan w przewidywalną kolejkę. Pacjent może przesłać pliki przez formularz pacjenta, portal, aplikację lub bezpieczny kanał ustalony przez placówkę. Rejestracja widzi, że pakiet dotarł, a system oznacza typy dokumentów.
Sugeruję opisać proces jednym zdaniem operacyjnym: AI przygotowuje paczkę do przeglądu, człowiek zatwierdza jej znaczenie dla wizyty. To zdanie powinno trafić do procedury, instrukcji dla zespołu i rozmowy z dostawcą. Bez niego łatwo odpłynąć w obietnice, których placówka nie powinna składać pacjentowi.
Dobry pierwszy zakres to dokumenty, które już i tak pojawiają się w procesie: wypis szpitalny, opis badania obrazowego, wynik laboratoryjny, karta informacyjna, zdjęcie skierowania, zalecenia po zabiegu. Nie zaczynaj od samodzielnej interpretacji zdjęć medycznych ani priorytetyzacji pacjentów, jeśli nie masz procedury klinicznej, walidacji i odpowiedzialnego lekarza po stronie procesu.
Podział odpowiedzialności musi być widoczny w procedurze
Najczęstszy błąd, jaki widzę w takich pomysłach, to zbyt ogólne hasło: “AI analizuje dokumenty”. Dla managera brzmi atrakcyjnie, ale dla lekarza, IOD i rejestracji jest za mało konkretne. Analiza administracyjna dokumentu to nie to samo co analiza kliniczna.
W karcie pilotażu rozdziel role bardzo twardo. AI może rozpoznać, że plik wygląda jak wypis szpitalny, wydobyć datę dokumentu, nazwę placówki, listę załączników i wskazać, że brakuje opisu badania. Lekarz lub upoważniony personel sprawdza, czy streszczenie nie zmienia sensu, czy dokument dotyczy tej wizyty i czy można go zapisać w EDM. To jest klasyczny human-in-the-loop, a nie dekoracja do prezentacji sprzedażowej.
| Etap | Co może przygotować AI | Co zatwierdza człowiek | Ryzyko do kontroli |
|---|---|---|---|
| Upload plików | Sprawdzenie formatu, kompletności i czytelności | Czy kanał jest właściwy dla danych medycznych | Przesyłanie danych przez niezatwierdzone narzędzia |
| Klasyfikacja | Typ dokumentu: wypis, wynik, zdjęcie, skierowanie | Czy typ dokumentu ma znaczenie dla danej wizyty | Błędna etykieta dokumentu |
| Streszczenie | Robocze punkty: daty, rozpoznania z dokumentu, zalecenia z dokumentu | Czy streszczenie jest wierne i nie dodaje interpretacji | Halucynacje, pominięcia, skróty zmieniające sens |
| Lista braków | Brak opisu, brak strony, nieczytelny skan, brak daty | Czy prosić pacjenta o uzupełnienie | Nadmiarowe żądanie dokumentów |
| EDM | Propozycja nazwy i miejsca zapisu | Finalny zapis i opis w systemie | Zły pacjent, zły epizod, błędne uprawnienia |
Jak bym uruchomił pilotaż w jednej przychodni
Wybrałbym jedną usługę, w której dokumenty realnie przeszkadzają w płynnym przebiegu wizyty. Dobre przykłady to konsultacja po hospitalizacji, pierwsza wizyta u specjalisty, kwalifikacja do zabiegu albo kontrola po wykonanym badaniu. Nie brałbym na start wszystkich specjalizacji, bo wtedy pilotaż zamienia się w projekt porządkowania całej dokumentacji medycznej.
Pierwszy tydzień to obserwacja: ile dokumentów pacjenci przynoszą, kiedy je dostarczają, w jakim formacie i kto je dziś ogląda. Drugi tydzień to karta procesu i zgody organizacyjne: kanał dostarczenia plików, role, upoważnienia, retencja, lista danych, integracja lub ręczny zapis w EDM. Trzeci tydzień to mały test z personelem, bez automatycznych komunikatów do pacjenta. Dopiero po korektach pokazałbym proces pacjentom.
To ma sens, gdy placówka ma powtarzalny typ wizyty, pacjenci często przynoszą wcześniejsze wyniki, a lekarz traci czas na administracyjne odczytywanie dokumentów zamiast rozmowy klinicznej. To nie ma sensu, gdy placówka nie ma bezpiecznego kanału przekazywania plików, nie wie, kto odpowiada za zapis w EDM, albo chce używać publicznego narzędzia AI do dokumentów z danymi pacjenta.
Rys. 1. Proces porządkowania dokumentów przed wizytą z punktem zatwierdzenia przez człowieka.
Metryki, które pokażą efekt bez obiecywania ROI
Właściciel placówki będzie chciał wiedzieć, czy to się opłaca. Rozumiem to, ale nie zaczynałbym od obietnicy zwrotu z inwestycji. Najpierw mierz jakość przygotowania wizyty, bo tam pojawia się realna korzyść dla lekarza, rejestracji i pacjenta.
W praktyce warto mierzyć cztery rzeczy: średni czas przygotowania dokumentów przed wizytą, procent pakietów z wykrytym brakiem, liczbę korekt w streszczeniu AI oraz liczbę dokumentów zapisanych w złym miejscu i poprawionych przez człowieka. Do tego dodałbym wskaźnik miękki: czy lekarz na początku wizyty ma poczucie, że widzi uporządkowany pakiet. Jeśli lekarze masowo poprawiają streszczenia, proces nie jest gotowy do skalowania.
Dane do raportu powinny być zagregowane. Nie potrzebujesz w prezentacji dla zarządu historii konkretnego pacjenta, rozpoznania ani pełnego wypisu. Wystarczy: liczba pakietów, czas, błędy klasyfikacji, braki, korekty. To chroni pacjentów i uczy zespół rozmawiać o procesie, a nie o przypadkach klinicznych.
Pytania do dostawcy, zanim pokażesz pliki pacjentów
Przed pilotażem poprosiłbym dostawcę o odpowiedzi pisemne, nie tylko demo. Demo często wygląda świetnie na przykładowym PDF-ie, ale placówka potrzebuje wiedzieć, co stanie się z prawdziwym wypisem, zdjęciem skierowania i wynikiem badania. Tu nie ma miejsca na niejasność typu “dane są bezpieczne”.
Zapytaj, gdzie fizycznie i logicznie przetwarzane są dokumenty, czy dane są używane do trenowania modelu, jak wygląda retencja plików, kto ma dostęp administracyjny, czy system prowadzi logi, czy da się usunąć dokument po zakończeniu procesu i jak wygląda eksport do EDM. Warto też zapytać, czy narzędzie oddziela OCR i klasyfikację od generowania streszczenia, bo te elementy mają różne ryzyka.
Karta pilotażu: dokumenty od pacjenta przed wizytą
Zakres: jedna usługa i jeden typ wizyty w polskiej placówce medycznej.
Dane: bez publicznych modeli AI; bez przykładowych pełnych historii choroby w prezentacjach.
Role: rejestracja sprawdza kompletność, personel medyczny zatwierdza streszczenie, lekarz odpowiada za decyzję kliniczną.
Metryki: czas przygotowania, braki wykryte przed wizytą, korekty streszczeń, błędy zapisu w EDM.
Stop: każdy dokument nieczytelny, sprzeczny lub klinicznie istotny trafia do człowieka przed dalszym użyciem.Przykład modelowy: konsultacja po hospitalizacji
Przykład modelowy — scenariusz pokazuje sposób myślenia o pilotażu. Liczby ilustrują metryki, nie gwarantują wyniku wdrożenia.
Przychodnia specjalistyczna w Polsce przyjmuje pacjentów po leczeniu szpitalnym. Przed wizytą pacjent przesyła wypis, wynik badania laboratoryjnego i zdjęcie zaleceń. AI rozpoznaje trzy typy dokumentów, wyciąga daty, nazwy dokumentów i przygotowuje krótką listę: co jest w pakiecie, czego brakuje, które strony są nieczytelne. Nie dopisuje rozpoznania od siebie i nie sugeruje zmiany leczenia.
Rejestracja widzi, że brakuje opisu jednego badania, więc prosi pacjenta o uzupełnienie. Personel medyczny przed wizytą zatwierdza streszczenie i przypina dokumenty do właściwego epizodu w EDM. Lekarz podczas konsultacji widzi uporządkowany materiał, ale nadal sam interpretuje znaczenie dokumentów. Tak ustawiony proces odciąża gabinet, ale nie przenosi odpowiedzialności klinicznej na system.
Po miesiącu manager porównuje 80 pakietów dokumentów: ile było kompletnych, ile wymagało korekty i ile razy lekarz zgłosił, że streszczenie było mylące. Jeżeli korekt jest dużo, poprawia zakres i instrukcję, zamiast skalować wdrożenie na kolejne poradnie. Ja bym właśnie tak podejmował decyzję: najpierw jakość i bezpieczeństwo, potem tempo.
Pierwszy krok dla managera placówki
Zbierz z rejestracji i lekarzy 20 ostatnich sytuacji, w których dokumenty pacjenta spowolniły wizytę. Nie kopiuj ich do narzędzia AI. Wystarczy opisać typ dokumentu, moment dostarczenia, problem i skutek operacyjny. To będzie mapa procesu bez ujawniania danych medycznych.
Następnie wybierz jeden typ wizyty i przygotuj krótką procedurę: kanał przesyłania plików, lista dopuszczalnych dokumentów, punkt zatwierdzenia, zasady zapisu w EDM i sposób zgłaszania błędów. Jeśli temat dotyka dostępu, retencji, logów albo integracji z systemem medycznym, włącz IOD i osobę odpowiedzialną za system gabinetowy przed podpisaniem umowy. Dopiero wtedy rozmawiaj o narzędziu, cenie i automatyzacji.
Dla tematów bliskich pracy lekarza przyda się też szerszy kontekst kategorii AI w pracy lekarza. Jeżeli wąskim gardłem są zgody, logi, retencja i wybór środowiska, naturalnym miejscem dalszej lektury będzie dane i bezpieczeństwo.
Źródła
- Centrum e-Zdrowia — „Nowe usługi cyfrowe i projekty AI przyspieszają transformację systemu ochrony zdrowia”, 02.06.2026. Źródło pokazuje aktualny kierunek polskiego e-zdrowia: porządkowanie danych medycznych, e-Profil Pacjenta, EDM i projekty AI w ochronie zdrowia.
- UODO — „Czy AI to zagrożenie dla danych? – Konrad Komornicki podczas AI & MEDTECH CEE 2026”, 10.06.2026. Wybrane jako świeże stanowisko regulatora o kontroli nad celem, zakresem i odpowiedzialnością za przetwarzanie danych przy AI, w tym danych medycznych.
- Pacjent.gov.pl — „Nie przekazuj AI swoich danych”, opublikowano i zmodyfikowano 14.05.2026. Materiał CeZ dla pacjentów wzmacnia zasadę, że dokumentów z danymi osobowymi nie należy przesyłać do niezatwierdzonych narzędzi AI.
- eZdrowie — „e-dokumentacja medyczna”, dostęp: 2026-07-02. Źródło systemowe o EDM i obowiązkach podmiotów leczniczych, przydatne do osadzenia procesu zapisu dokumentów w polskim kontekście.
- Okładka: MART PRODUCTION na Pexels, dostęp: 2026-07-02.
