Czego dowiesz się z tego artykułu?
- Jak ustawić AI jako pomoc w przygotowaniu zaleceń po wizycie, a nie jako samodzielnego autora instrukcji medycznych.
- Jak zbudować szablon zaleceń: co pacjent ma robić, czego unikać, kiedy wrócić i kiedy kontaktować się pilnie.
- Jak sprawdzać jakość zaleceń przed wysłaniem pacjentowi lub zapisaniem w EDM.
- Jak zacząć pilotaż w jednej poradni bez kopiowania danych pacjenta do przypadkowych narzędzi.
Zalecenia po wizycie są jednym z tych miejsc, gdzie mała różnica w jakości robi dużą różnicę operacyjną. Pacjent wychodzi z gabinetu, rejestracja ma kolejkę, lekarz kończy dokumentację, a po dwóch dniach wraca telefon: „co ja właściwie miałem zrobić?”. W polskiej przychodni to nie jest drobiazg, tylko realny koszt czasu zespołu i ryzyko nieporozumienia.
AI może tu pomóc, ale tylko wtedy, gdy pracuje na zatwierdzonych szablonach placówki, a nie wymyśla medyczne instrukcje od zera. Ja bym traktował model jak asystenta redakcyjnego: porządkuje treść, upraszcza język, sprawdza kompletność i wskazuje braki. Lekarz zatwierdza sens kliniczny, a placówka kontroluje dane, wersje i sposób wysyłki.
Ten playbook jest dla managera medycznego, lekarza prowadzącego placówkę i osoby odpowiedzialnej za jakość obsługi pacjenta. Nie chodzi o to, żeby AI „pisała zalecenia”. Chodzi o proces, w którym pacjent dostaje czytelny plan, a zespół wie, kto odpowiada za każdy fragment.
Najważniejsze
- AI może przygotować szkic zaleceń, ale finalna treść kliniczna powinna być zatwierdzona przez lekarza lub uprawnionego specjalistę.
- Najbezpieczniej zacząć od zatwierdzonych szablonów placówki: przygotowanie do badania, kontrola, rehabilitacja, zachowania po zabiegu, edukacja ogólna.
- Dobre zalecenie powinno odpowiadać na cztery pytania pacjenta: co robić, czego unikać, kiedy wrócić i kiedy pilnie skontaktować się z placówką.
- Dane pacjenta i dokumentacja medyczna nie powinny trafiać do publicznych narzędzi AI; pilotaż zaczyna się od opisów procesów, danych syntetycznych albo środowiska zaakceptowanego przez placówkę.
- Metryką jakości nie jest liczba wygenerowanych akapitów, tylko mniej niejasnych telefonów, mniej korekt lekarza i mniej sytuacji, w których pacjent nie rozumie kolejnego kroku.
Zacznij od czterech pytań pacjenta
Najczęstszy błąd w zaleceniach to tekst, który brzmi profesjonalnie, ale nie prowadzi pacjenta przez kolejny dzień. Pacjent nie potrzebuje eseju. Potrzebuje wiedzieć: co dokładnie mam robić, czego mam nie robić, kiedy mam wrócić i kiedy sprawa jest pilna. AI może pomóc dopilnować tej struktury, ale nie powinna sama decydować, co jest medycznie właściwe.
W praktyce warto stworzyć jeden standard placówki dla zaleceń po wizycie. Każdy szablon powinien mieć stałe pola: cel zalecenia, działania pacjenta, zakazy lub ograniczenia, objawy alarmowe, termin kontroli, kanał kontaktu i informację, kto zatwierdził treść. Taki szablon jest lepszy niż luźny prompt, bo daje zespołowi wspólny język i ślad odpowiedzialności.
AI może wtedy dostać zadanie bezpieczne: uporządkuj szkic według szablonu, uprość język, zaznacz brakujące pola i zaproponuj pytania do lekarza. Jeżeli pojawia się dawkowanie, interpretacja wyniku, decyzja o zmianie leczenia albo objaw alarmowy, wynik wraca do człowieka. To jest human-in-the-loop w praktyce, nie hasło z prezentacji.
Szablony placówki zamiast generycznych instrukcji
Generyczne zalecenie często ma piękny ton i małą wartość. Zawiera zdania typu „proszę obserwować stan zdrowia” albo „w razie pogorszenia skontaktować się z lekarzem”, ale pacjent nadal nie wie, co obserwować i jak szybko reagować. Placówka powinna najpierw zatwierdzić własne wzorce, dopiero potem pozwalać AI je redagować.
Ja bym zaczął od 10-15 najczęstszych scenariuszy w jednej poradni: kontrola po konsultacji, przygotowanie do badania, zalecenia po drobnym zabiegu, rehabilitacja, edukacja przy chorobie przewlekłej, przekazanie wyników do omówienia. Przy każdym scenariuszu lekarz lub kierownik medyczny ustala wersję bazową. AI nie tworzy medycyny od początku, tylko pomaga dopasować język do pacjenta i uzupełnić pola organizacyjne.
Dobrze działają trzy poziomy treści. Poziom pierwszy to tekst stały, zatwierdzony przez placówkę. Poziom drugi to pola uzupełniane przez lekarza, na przykład termin kontroli albo zakres aktywności. Poziom trzeci to komentarz roboczy AI, który wskazuje braki i niejasności. Pacjent powinien zobaczyć dopiero wersję zatwierdzoną, nie szkic modelu.
Jeżeli placówka używa transkrypcji lub podsumowania wizyty, warto połączyć ten proces z zasadami opisanymi w tekście o transkrypcji rozmowy w gabinecie. Szkic zaleceń po wizycie może korzystać z notatki, ale nie może bez kontroli przepisywać niepewnych fragmentów rozmowy.
Tabela kontroli jakości zaleceń
Poniższa tabela jest praktycznym narzędziem dla managera i kierownika medycznego. Nie zastępuje decyzji klinicznej, ale pomaga sprawdzić, czy szkic zaleceń ma strukturę, którą pacjent zrozumie. Najważniejszy jest ostatni krok: kto zatwierdza treść przed pacjentem.
| Element zaleceń | Co może przygotować AI | Co musi zatwierdzić człowiek | Metryka jakości |
|---|---|---|---|
| Co pacjent ma robić | Uporządkować działania w krótkie kroki | Sens kliniczny, kolejność i ograniczenia | Liczba pytań pacjentów o podstawowy plan |
| Czego unikać | Przeredagować zakazy prostym językiem | Zakres zakazów i wyjątki | Liczba korekt lekarza w tej sekcji |
| Kiedy wrócić | Wstawić pole terminu i kanał rejestracji | Termin kontroli i warunki wcześniejszej wizyty | Odsetek kontroli umówionych zgodnie z planem |
| Kiedy kontaktować się pilnie | Zaznaczyć brak listy objawów alarmowych | Lista objawów i ścieżka eskalacji | Liczba błędnych lub niejasnych eskalacji |
| Język pacjenta | Skrócić zdania i usunąć żargon | Czy uproszczenie nie zmieniło znaczenia | Ocena czytelności przez lekarza lub zespół |
| Dane i zapis w EDM | Oznaczyć źródło szablonu i wersję | Co trafia do dokumentacji medycznej | Ślad wersji oraz osoba zatwierdzająca |
Tę tabelę można wykorzystać w cotygodniowym przeglądzie pilotażu. Wybierz 20 zaleceń z jednej poradni, sprawdź liczbę poprawek lekarza, liczbę pytań pacjentów i liczbę sytuacji, w których pacjent nie wiedział, co zrobić dalej. To są lepsze dane niż samo wrażenie, że tekst wygląda czytelnie.
Przykład z przychodni: pacjent po konsultacji specjalistycznej
Przykład modelowy — scenariusz pokazuje sposób myślenia o pilotażu. Liczby są ilustracyjne, nie opisują realnego pacjenta i nie gwarantują wyniku wdrożenia.
Przychodnia specjalistyczna w Polsce ma problem po wizytach kontrolnych. Lekarze przekazują zalecenia ustnie, część trafia do dokumentacji, a część pacjent zapisuje sam. Rejestracja odbiera potem pytania o termin kontroli, przygotowanie do badania i to, czy pacjent może wrócić do zwykłej aktywności. Problemem nie jest brak dobrej woli, tylko brak wspólnego formatu.
Manager wybiera jeden typ wizyty i przygotowuje z lekarzem szablon zaleceń. AI dostaje tylko zatwierdzony wzór i anonimowy opis procesu, a nie pełną historię choroby. Po wizycie lekarz uzupełnia pola kliniczne, AI porządkuje język i oznacza braki: brak terminu kontroli, brak informacji o pilnym kontakcie, zbyt ogólne zdanie o ograniczeniach. Lekarz zatwierdza finalną wersję, a dopiero potem pacjent dostaje ją w ustalonym kanale.
Po miesiącu placówka porównuje 60 wizyt. Sprawdza, ile zaleceń wymagało dużej korekty, ile razy pacjent dzwonił z pytaniem o podstawowy krok, ile kontroli umówiono od razu i ile razy lekarz odrzucił propozycję AI jako zbyt ogólną. Tak wygląda sensowny pilotaż jakości, bo mierzy zrozumienie i bezpieczeństwo, nie tylko szybkość przygotowania tekstu.
Gdzie postawić granice kliniczne i danych
W zaleceniach po wizycie łatwo przesunąć granicę za daleko. AI może brzmieć pewnie, nawet gdy nie ma pełnego kontekstu klinicznego. Dlatego placówka powinna zapisać czerwone linie: model nie zmienia leczenia, nie interpretuje wyników dla pacjenta, nie dopisuje objawów alarmowych bez zatwierdzenia i nie wysyła zaleceń samodzielnie.
Druga granica dotyczy danych. Jeżeli zespół testuje narzędzie publiczne, nie wolno wklejać do niego wyników badań, opisów wizyt, zdjęć dokumentacji, PESEL ani danych kontaktowych pacjentów. Do warsztatu wystarczy opis procesu lub dane syntetyczne. Jeżeli pilotaż ma używać realnych danych, potrzebne są decyzje organizacyjne, prawne i techniczne: dostawca, retencja, logi, uprawnienia, umowa oraz ocena ryzyka.
To ma sens, gdy placówka ma powtarzalne typy zaleceń, lekarz chce skrócić redakcję tekstu, a manager potrafi mierzyć jakość i błędy. To nie ma sensu, gdy oczekiwanie brzmi: „AI sama napisze pacjentowi, co ma robić po wizycie”, bez szablonu, bez akceptacji lekarza i bez zasad danych. W medycynie szybki tekst nie może być ważniejszy od odpowiedzialności.
Pierwszy tydzień pilotażu w jednej poradni
Nie zaczynałbym od całej placówki. Wybierz jedną poradnię, jeden typ wizyty i jednego właściciela procesu. Pierwszy tydzień ma uporządkować format, nie udowodnić, że AI zastąpi pisanie zaleceń. Najpierw zbierz wzory, które lekarze już stosują, usuń sprzeczności i ustal, które fragmenty są stałe, a które zawsze wymagają decyzji klinicznej.
Następnie przygotuj krótką procedurę: kto uruchamia szkic, gdzie powstaje wersja robocza, kto ją zatwierdza, jak pacjent dostaje finalne zalecenia i gdzie zapisujesz wersję w EDM. Każdy szkic powinien mieć status roboczy, a każda wysłana wersja osobę zatwierdzającą. Bez tego po kilku tygodniach nikt nie odróżni pomocy AI od finalnej decyzji lekarza.
W pierwszych 20-30 przypadkach mierz nie tylko czas. Zapisuj: liczbę brakujących pól, liczbę poprawek lekarza, liczbę pytań pacjentów po wizycie, liczbę spraw pilnych przekazanych do człowieka i liczbę zaleceń, których nie wolno było wysłać bez zmian. Jeżeli poprawki są duże, nie skaluj procesu. Popraw szablon, zakres danych i instrukcję dla zespołu.
Jeżeli proces dotyczy teleporad, dobrym sąsiednim tekstem jest AI w teleporadzie, bo pokazuje, jak rozdzielić podsumowanie rozmowy, zadania dla rejestracji i follow-up pacjenta. Przy samych zaleceniach najważniejsze pozostaje jednak jedno: pacjent dostaje jasny plan, a lekarz zachowuje odpowiedzialność kliniczną.
Pytania, które zadałbym przed podpisaniem umowy
Przed wyborem narzędzia zapytałbym dostawcę o rzeczy nudne, ale kluczowe. Czy system może pracować wyłącznie na szablonach placówki? Czy pokazuje źródło każdego fragmentu? Czy pozwala rozdzielić szkic roboczy od wersji zatwierdzonej? Czy loguje osobę zatwierdzającą? Bez takich odpowiedzi łatwo kupić ładny generator tekstu, a nie proces jakości.
Druga grupa pytań dotyczy danych. Gdzie są przetwarzane szkice zaleceń, czy treści służą do trenowania modelu, jak długo są przechowywane, kto ma dostęp administracyjny i czy placówka może usunąć dane po zakończeniu procesu. Dla danych medycznych to nie są szczegóły techniczne, tylko część odpowiedzialności managera i lekarza.
Trzecia grupa to jakość. Poproś o możliwość oznaczania poprawek lekarza, wersjonowania szablonów i raportu błędów. Jeżeli narzędzie nie umie pokazać, gdzie lekarz najczęściej poprawia AI, placówka będzie oceniać pilotaż na wyczucie. Ja bym nie skalował procesu, którego jakości nie da się obejrzeć po miesiącu.
Źródła
- UODO — „Czy AI to zagrożenie dla danych? – Konrad Komornicki podczas AI & MEDTECH CEE 2026”, 10.06.2026. Źródło wybrane jako świeże stanowisko polskiego regulatora o kontroli celu, zakresu i odpowiedzialności przy AI, szczególnie gdy narzędzie dotyka danych medycznych.
- Pacjent.gov.pl — „Nie przekazuj AI swoich danych”, opublikowano i zmodyfikowano 14.05.2026. Materiał rządowy dla pacjentów wzmacnia zasadę, że wyników badań, opisów wizyt i danych wrażliwych nie wolno wkładać do niezatwierdzonych narzędzi AI.
- Centrum e-Zdrowia — „Nowe usługi cyfrowe i projekty AI przyspieszają transformację systemu ochrony zdrowia”, 02.06.2026. Źródło pokazuje aktualny polski kontekst cyfryzacji ochrony zdrowia, EDM, usług dla pacjentów i rosnącej roli AI.
- Pacjent.gov.pl — „Prawo do informacji”, dostęp: 2026-07-02. Oficjalny materiał o tym, że pacjent ma dostać zrozumiałą, wyczerpującą informację; to uzasadnia nacisk na prosty język zaleceń i możliwość zadawania pytań.
- Okładka: Pavel Danilyuk na Pexels, dostęp: 2026-07-02.
