Czego dowiesz się z tego artykułu?
- Jak ustawić AI jako wsparcie kontroli interakcji lekowych, a nie jako automat do decyzji klinicznych.
- Jakie źródła i role powinny być obowiązkowe w workflow lekarz - farmaceuta - placówka.
- Gdzie w procesie trzeba zatrzymać AI i przekazać sprawę człowiekowi.
- Jaką tabelę ryzyk warto pokazać zespołowi przed pilotażem.
Interakcje lekowe to jeden z tych tematów, w których AI potrafi wyglądać bardzo przekonująco. Model może szybko zebrać listę substancji, opisać możliwe punkty kontroli i przygotować pytania dla lekarza. Ale w polskiej placówce medycznej ładna odpowiedź nie jest dowodem klinicznym, a pewny ton modelu nie zastępuje aktualnej Charakterystyki Produktu Leczniczego ani wiedzy farmaceutycznej.
Dlatego ja bym nie zaczynał od pytania, który chatbot najlepiej zna leki. Zacząłbym od procesu: skąd bierzemy listę leków, kto sprawdza źródło, kto zatwierdza decyzję i co robimy, gdy dane pacjenta są niepełne. Dopiero wtedy AI może być pomocnikiem, a nie niebezpiecznym skrótem.
Dla właściciela przychodni albo kierownika medycznego to jest bardzo praktyczna decyzja organizacyjna. Jeśli lekarz ma dostać od AI roboczą listę potencjalnych interakcji, system musi jasno mówić, czego nie wie. Człowiek zatwierdza farmakoterapię, a AI co najwyżej porządkuje materiał do sprawdzenia.
Najważniejsze
- AI może przygotować listę leków, substancji czynnych, potencjalnych par do weryfikacji i pytań do pacjenta, ale nie powinna sama rozstrzygać bezpieczeństwa terapii.
- Autorytatywne źródła w Polsce to m.in. Rejestr Produktów Leczniczych, aktualne ChPL, dokumentacja placówki, wywiad lekowy i konsultacja farmaceutyczna.
- To ma sens, gdy placówka ma aktualną listę leków, opisany punkt weryfikacji przez lekarza lub farmaceutę, log decyzji i zakaz wpisywania pełnych danych pacjenta do publicznych narzędzi.
- To nie ma sensu, gdy zespół chce, żeby model automatycznie oceniał ryzyko, zmieniał dawkowanie, sugerował odstawienie leku albo wysyłał pacjentowi zalecenia bez człowieka.
- Największym ryzykiem nie jest brak AI, tylko pozorna pewność: system wskazuje coś sensownie brzmiącego, a nikt nie sprawdza źródła i daty aktualizacji.
Zacznij od listy leków, nie od modelu
W kontroli interakcji lekowych jakość wejścia jest połową bezpieczeństwa. Jeżeli lekarz widzi tylko fragment dokumentacji, a pacjent przyjmuje dodatkowo suplementy, leki OTC albo preparaty przepisane przez innego specjalistę, model może zbudować eleganckie podsumowanie na niepełnej liście. To nie jest błąd kosmetyczny, tylko ryzyko kliniczne.
Dlatego pierwszym krokiem powinien być prosty standard zbierania informacji: nazwa handlowa, substancja czynna, dawka, droga podania, częstotliwość, data rozpoczęcia, leki stosowane doraźnie, OTC, suplementy, alkohol oraz istotne informacje z wywiadu. AI może pomóc uporządkować te pola, ale nie powinna dopowiadać brakujących elementów ani zakładać, że brak wpisu oznacza brak leku.
W małej lub średniej placówce dobrze działa zasada: jeśli lista leków jest niepełna, system nie generuje wniosku, tylko oznacza brak. To mniej efektowne niż automatyczna rekomendacja, ale znacznie bezpieczniejsze. Taki komunikat może trafić do lekarza albo farmaceuty: brak informacji o dawce, brak daty, brak leków OTC, brak źródła ostatniej aktualizacji.
Tabela ryzyk i decyzji
Poniższa tabela nie jest poradą medyczną. To narzędzie dla managera placówki, które pomaga ustawić granice procesu przed pilotażem. Warto przejść ją z lekarzem, farmaceutą i IOD, bo przy interakcjach lekowych spotykają się trzy wątki: bezpieczeństwo pacjenta, dane dotyczące zdrowia i odpowiedzialność zawodowa.
| Sytuacja w gabinecie | Co może przygotować AI | Co musi sprawdzić człowiek | Decyzja w placówce |
|---|---|---|---|
| Pacjent ma długą listę leków przewlekłych | Uporządkować nazwy, substancje czynne i brakujące pola | Lekarz lub farmaceuta potwierdza listę z pacjentem i dokumentacją | AI nie tworzy wniosku, dopóki lista nie jest kompletna dla celu wizyty |
| Pojawia się para potencjalnie ryzykownych substancji | Wskazać parę do weryfikacji i źródło, które trzeba sprawdzić | Lekarz lub farmaceuta ocenia ChPL, dawki, wskazania i stan pacjenta | Decyzja kliniczna zostaje po stronie człowieka, nie modelu |
| Pacjent stosuje OTC, suplementy lub alkohol | Zadać pytania kontrolne do wywiadu lekowego | Personel medyczny ocenia znaczenie informacji dla terapii | Braki w wywiadzie są stoperem, nie polem do zgadywania |
| Dokumentacja z EDM jest nieaktualna | Oznaczyć datę ostatniej aktualizacji i rozbieżności | Lekarz potwierdza, które leki są aktualne | Placówka nie używa starej listy jako podstawy automatycznego wniosku |
| Model wskazuje wysokie ryzyko | Przygotować alert roboczy i link do źródła | Lekarz lub farmaceuta weryfikuje, czy alert ma znaczenie w tej sytuacji | Alert nie zmienia terapii bez zatwierdzenia klinicznego |
| Pacjent prosi o poradę po wizycie | Przygotować neutralny komunikat o kontakcie z placówką | Lekarz zatwierdza treść, jeśli dotyczy leczenia | AI nie wysyła porad o dawkowaniu ani odstawieniu leku |
Najważniejsze jest to, żeby tabela nie została w prezentacji wdrożeniowej. Powinna trafić do procedury pracy, do briefu dostawcy i do testów akceptacyjnych. Jeżeli dostawca nie potrafi pokazać, gdzie system się zatrzymuje, placówka nie ma jeszcze gotowego workflow.
Workflow kontroli w gabinecie
Bezpieczny workflow nie musi być skomplikowany. Najpierw rejestracja albo asystent medyczny kompletuje listę leków według uzgodnionych pól. Następnie AI porządkuje listę i zaznacza braki. Potem lekarz albo farmaceuta sprawdza wskazane pary w aktualnych źródłach, a dopiero na końcu lekarz podejmuje decyzję terapeutyczną. Model jest między wejściem a weryfikacją, nie na końcu procesu.
W praktyce rozdzieliłbym trzy komunikaty systemu. Pierwszy: dane kompletne na potrzeby roboczej kontroli. Drugi: dane niekompletne, wymagana rozmowa z pacjentem. Trzeci: potencjalny alert do sprawdzenia w ChPL lub innym źródle wskazanym przez placówkę. Żaden z tych komunikatów nie powinien brzmieć jak zalecenie terapeutyczne dla pacjenta.
Warto tu połączyć temat z szerszymi granicami pracy lekarza z AI. Jeśli placówka dopiero układa reguły, pomocny będzie też tekst o tym, kiedy AI może wejść w obszar wyrobu medycznego oraz kategoria AI w pracy lekarza. Mechanizm jest podobny: AI może wspierać przygotowanie, ale decyzję kliniczną trzeba zostawić człowiekowi.
Czego AI nie może rozstrzygać samodzielnie
Przy interakcjach lekowych bardzo łatwo przekroczyć granicę między wsparciem a poradą. Jeśli system pisze: zmniejsz dawkę, odstaw lek, zamień preparat albo lek jest bezpieczny w tej kombinacji, to placówka powinna potraktować to jako czerwony alarm procesu. Takie zdania wymagają decyzji lekarza, a często także konsultacji farmaceutycznej lub sprawdzenia dokumentacji źródłowej.
AI nie zna całego kontekstu pacjenta, jeżeli placówka mu go nie podała. Nie widzi pełnej historii leczenia, badań, wskazań, przeciwwskazań, tolerancji leczenia, decyzji innych specjalistów ani tego, czy pacjent faktycznie przyjmuje lek. Model może pomóc znaleźć pytania, ale nie może zastąpić wywiadu i odpowiedzialności klinicznej.
Trzeba też uważać na dane. Publiczne narzędzia AI nie powinny dostawać pełnych list leków powiązanych z identyfikowalnym pacjentem, opisem choroby, numerem telefonu czy dokumentacją wizyty. UODO w aktualnych materiałach o AI w ochronie zdrowia podkreśla ryzyko utraty kontroli nad celem, zakresem i odpowiedzialnością za dane. Dla managera to oznacza: żadnych testów na prawdziwych danych bez podstawy, umowy i decyzji IOD.
Przykład z poradni chorób przewlekłych
Przykład modelowy - scenariusz pokazuje sposób myślenia o pilotażu. Liczby ilustrują metryki, nie gwarantują wyniku wdrożenia.
Poradnia chorób przewlekłych chce skrócić przygotowanie lekarza do wizyty kontrolnej. Pacjenci często przynoszą listy leków od kilku specjalistów, część leków kupują bez recepty, a suplementy wpisują dopiero przy rozmowie. Manager chce użyć AI, żeby przed wizytą przygotować roboczą listę punktów do sprawdzenia. To rozsądny zakres, jeśli nie zamienia się w automatyczną poradę lekową.
W pilotażu personel zbiera listę leków bez danych identyfikujących w narzędziu testowym albo pracuje w systemie, który ma umowę powierzenia i opis przetwarzania. AI oznacza braki, grupuje substancje czynne i pokazuje pary do weryfikacji. Farmaceuta konsultujący albo lekarz sprawdza źródło, dawki i sytuację pacjenta. Wynik AI nie trafia do pacjenta, dopóki lekarz nie zatwierdzi dalszych zaleceń.
Po miesiącu placówka mierzy nie liczbę wygenerowanych alertów, tylko jakość procesu: ile list leków było niekompletnych, ile alertów człowiek odrzucił jako nieistotne, ile razy AI pomogła znaleźć brakujący lek OTC, ile razy lekarz musiał poprawić źle rozpoznaną nazwę. Jeżeli zespół zaczyna akceptować alerty bez sprawdzania, pilotaż trzeba ograniczyć.
Co manager powinien ustawić przed pilotażem
Najpierw wybierz jeden proces, nie całą farmakoterapię w placówce. Może to być kontrola listy leków przed wizytą u internisty, w poradni diabetologicznej albo w opiece nad pacjentem przewlekłym. Jeden lekarz, jedna ścieżka, jedna karta kontroli wystarczą, żeby zobaczyć, czy AI realnie pomaga, czy tylko produkuje dodatkowe ostrzeżenia.
Karta pilotażu powinna zawierać: zakres danych wejściowych, źródła obowiązkowe, role lekarza i farmaceuty, reguły stopu, sposób logowania decyzji, zakaz automatycznych zaleceń dla pacjenta i sposób zgłaszania błędów modelu. Bez tego placówka nie wie, co testuje: narzędzie, proces, jakość dokumentacji czy uważność zespołu.
Do dostawcy zapytałbym wprost: czy system pokazuje źródło alertu, datę aktualizacji bazy, wersję reguł, ograniczenia modelu i możliwość wyłączenia automatycznych komunikatów. Do IOD zapytałbym: czy zakres danych jest minimalny, gdzie dane są przetwarzane i jak długo żyją robocze wyniki AI. Do lekarza zapytałbym: które decyzje zawsze wymagają Twojego zatwierdzenia i kiedy alert jest bardziej szumem niż pomocą.
Na koniec decyzja jest prosta. AI w kontroli interakcji lekowych ma sens jako asystent przygotowujący checklistę do weryfikacji. Nie ma sensu jako automatyczny arbiter terapii. W medycynie ostrożny system, który mówi: sprawdź źródło i zapytaj człowieka, bywa lepszy niż błyskotliwy system, który odpowiada za szybko.
Źródła
- URPL - Rejestr Produktów Leczniczych - oficjalne źródło o rejestrze produktów dopuszczonych do obrotu w Polsce i punkcie wyjścia do ChPL; wybrane zamiast prywatnych baz SEO, bo pokazuje podstawę urzędową i link do rejestru, dostęp: 2026-07-02.
- Pacjent.gov.pl - Farmaceuta - rządowe wyjaśnienie roli farmaceuty, w tym wskazywania możliwych niekorzystnych interakcji między lekami; dostęp: 2026-07-02.
- UODO - Czy AI to zagrożenie dla danych? - aktualny materiał z konferencji AI & MEDTECH CEE 2026 o ryzyku utraty kontroli nad celem, zakresem i odpowiedzialnością za dane; publikacja: 10.06.2026, dostęp: 2026-07-02.
- UODO - Sztuczna inteligencja a ochrona danych osobowych - źródło z ostatnich 90 dni o praktyce administratorów danych przy AI; pomaga osadzić pilotaż w obowiązkach placówki, publikacja: 09.04.2026, dostęp: 2026-07-02.
- NIL - AI. Komentarz do znowelizowanego KEL: art. 12 - zawodowe źródło o warunkach korzystania z AI przez lekarza i o tym, że ostateczną decyzję diagnostyczną oraz terapeutyczną podejmuje lekarz; dodane: 27.11.2024, dostęp: 2026-07-02.
- Zdjęcie okładkowe: www.kaboompics.com na Pexels - spokojna scena medyczna z receptą i lekami, bez sensacyjności; dostęp: 2026-07-02.
