Od pojedinačnih algoritama do kliničkih asistenata
Prvi val primjene umjetne inteligencije u zdravstvu obilježili su usko specijalizirani alati. Radilo se o algoritmima za očitavanje rendgenskih i CT snimki, sustavima za detekciju aritmija na EKG-u ili jednostavnim chatbotovima za trijažu pacijenata. Svaki je alat rješavao jednu, jasno definiranu zadaću.
Nova generacija sustava donosi drukčiji pristup. Umjesto izoliranih modela, u fokus dolaze multimodalni klinički asistenti. Oni istovremeno analiziraju tekstualnu dokumentaciju, medicinske slike, laboratorijske nalaze i vitalne parametre pacijenata. Liječniku se više ne nudi samo „drugo mišljenje” na temelju jedne slike, nego konzistentan pregled cijele kliničke slike, prilagođen konkretnom pacijentu i kontekstu liječenja.
Što su multimodalni klinički asistenti?
Multimodalni klinički asistenti temelje se na velikim jezičnim modelima (LLM-ovima) i generativnim modelima prilagođenima medicinskoj domeni. Za razliku od klasičnih LLM-ova, oni su trenirani na kombinaciji medicinskih tekstova, strukturiranih podataka i slika. Usto se povezuju s bolničkim informacijskim sustavima i uređajima na odjelima.
Tipičan sustav uključuje:
- povezivanje s bolničkim informacijskim sustavom (HIS) i laboratorijskim sustavom (LIS),
- integraciju sa sustavom za pohranu i prikaz slika (PACS) i radiološkim informacijskim sustavom (RIS),
- pristup podacima s monitora u intenzivnoj njezi i drugih medicinskih uređaja,
- sučelje za prirodni jezik kojim liječnici i sestre postavljaju upite.
U praksi to znači da liječnik može upitati: „Prikaži sve relevantne nalaze za ovo pogoršanje disanja u zadnjih 48 sati” ili „Sažmi tijek hospitalizacije i trenutne terapije za ovog pacijenta”. AI tada spaja laboratorijske rezultate, radiološke nalaze, bilješke u otpusnim pismima i vitalne parametre te vraća strukturiran sažetak, uz potencijalne diferencijalne dijagnoze ili prijedloge daljnjih pretraga.
Ključna razlika u odnosu na prvi val AI-ja
Glavna razlika u odnosu na ranije generacije medicinskih AI rješenja je sposobnost povezivanja više izvora podataka. Dok je raniji sustav za analizu snimki pluća davao odgovor samo na temelju jedne slike, multimodalni asistent u istu procjenu uključuje:
- ranije snimke i nalaze radiologa,
- razine upalnih parametara i plinova u krvi,
- podatke o kroničnim bolestima i lijekovima,
- bilješke s vizita i promjene u vitalnim parametrima.
Rezultat nije automatizirana dijagnoza, nego informiraniji kontekst za kliničku odluku. Model predlaže, ali konačnu odluku i dalje donosi liječnik.
Primjene u svakodnevnom radu bolnica
Prve pilot-implementacije u Europi pokazuju nekoliko tipičnih scenarija uporabe.
Brže pretraživanje i sažimanje dokumentacije
Bolnički informacijski sustavi često sadrže godine podataka, ali su teško pretraživi. Multimodalni asistent može u nekoliko sekundi izvući ključne informacije iz stotina stranica dokumentacije. Primjerice, za pacijenta s kroničnim zatajenjem srca sustav može pripremiti kronološki prikaz hospitalizacija, promjena terapije i odgovora na liječenje, uz grafički pregled laboratorijskih parametara.
Podrška u hitnoj službi i intenzivnoj njezi
U hitnoj službi odluke se donose pod pritiskom vremena i nepotpunih informacija. Asistent može, na temelju dostupnih podataka, generirati popis najvjerojatnijih dijagnoza, upozoriti na moguće interakcije lijekova ili predložiti dodatne pretrage. U jedinicama intenzivnog liječenja može prepoznati rane znakove pogoršanja na temelju uzoraka u vitalnim parametrima i laboratorijskim nalazima.
Personalizirani terapijski planovi
Na temelju smjernica, povijesti bolesti i podataka o sličnim pacijentima, modeli mogu predložiti personalizirane terapijske planove ili podsjetiti na alternativne opcije kada standardni protokoli ne daju očekivani rezultat. Uloga AI-ja ovdje je savjetodavna, uz jasnu dokumentaciju na temelju kojih je podataka generiran prijedlog.
Europski okvir: financiranje i regulativa
Europska unija istodobno potiče razvoj naprednih medicinskih AI sustava i postavlja stroge regulatorne okvire. Dvije politike posebno su važne za multimodalne kliničke asistente.
Obzor Europa i Digitalna Europa
Program Obzor Europa financira istraživačke projekte koji razvijaju nove multimodalne i generativne modele za biomedicinu. Fokus je na:
- razvoju modela koji kombiniraju genomiku, medicinske slike i kliničke podatke,
- prediktivnim modelima za ranu detekciju bolesti i procjenu rizika,
- alatima za personaliziranu medicinu i prilagodbu terapije pojedinom pacijentu.
Program Digitalna Europa usmjeren je na izgradnju digitalne infrastrukture i testnih okolina. To uključuje podatkovne prostore za zdravstvo, superračunala za treniranje modela i europske centre za testiranje i eksperimentiranje (TEF-ove) gdje se AI rješenja mogu sigurno isprobavati prije šire primjene.
EU AI Act: pravila za visokorizične medicinske sustave
EU AI Act definira medicinske AI sustave kao visokorizične. Za bolnice i dobavljače to znači niz obveza:
- procjena rizika i dokumentiranje scenarija uporabe,
- praćenje performansi modela tijekom cijelog životnog ciklusa,
- transparentnost prema korisnicima o mogućnostima i ograničenjima sustava,
- detaljna dokumentacija o treniranju modela, datasetovima i validaciji,
- jasna podjela odgovornosti između proizvođača rješenja i zdravstvene ustanove.
U praksi to znači da će bolnice morati moći pokazati kako se prate pogreške modela, kako se reagira na incidente i na koji se način osigurava da odluka ostaje na liječniku. Sustavi moraju sadržavati zaštitne mehanizme, poput jasnog označavanja AI-generiranih preporuka i mogućnosti jednostavnog isključivanja algoritma.
Izazovi za hrvatske i europske bolnice
Za zdravstvene ustanove u Hrvatskoj i ostatku Europe sljedećih nekoliko godina bit će ključno razdoblje. Potencijal je velik, ali prepreke su značajne.
Nedostatak stručnjaka i fragmentirani IT sustavi
U mnogim bolnicama nedostaju stručnjaci za podatkovnu znanost, biomedicinsku informatiku i kibernetičku sigurnost. IT odjeli često su fokusirani na održavanje postojećih sustava, a ne na razvoj i integraciju novih AI rješenja.
Dodatni problem je fragmentiranost sustava: odvojeni moduli za laboratorij, radiologiju, farmaciju i administraciju, često temeljeni na različitim standardima i protokolima. Integracija multimodalnog asistenta zahtijeva interoperabilnost, standardizaciju kodova dijagnoza i procedura te usklađivanje formata podataka.
Privatnost podataka i povjerenje pacijenata
Zaštita osobnih podataka i usklađenost s GDPR-om ostaju temeljna briga. Multimodalni asistenti, po definiciji, objedinjavanju osjetljive podatke iz više izvora. Bolnice moraju jasno definirati:
- tko ima pristup AI sustavu i pod kojim ovlastima,
- kako se podaci pseudonimiziraju ili anonimiziraju za potrebe treniranja i evaluacije,
- kako se bilježi i nadzire svaki pristup podacima.
Povjerenje pacijenata bit će presudno. Potrebno je transparentno komunicirati na koji se način njihovi podaci koriste, koje su koristi i koji su rizici, te omogućiti razumne opcije prigovora ili ograničenja obrade.
Potencijalne koristi za pacijente i zdravstveni sustav
Unatoč izazovima, potencijalne koristi za pacijente i zdravstveni sustav značajne su.
- Brža i točnija dijagnostika – ranije prepoznavanje komplikacija i rizičnih pacijenata, manje propuštenih nalaza.
- Manje dupliciranja pretraga – bolji pregled povijesti pretraga smanjuje nepotrebna snimanja i laboratorije.
- Personalizirano liječenje – terapije prilagođene dobi, komorbiditetima, prethodnim odgovorima na lijekove.
- Bolja koordinacija među specijalistima – zajednički sažeci i automatsko usklađivanje informacija između odjela.
- Rasterećenje administracije – automatizirano pisanje nacrta otpusnih pisama, izvješća i obrazaca.
AI kao dio šire transformacije rada u bolnicama
Da bi se taj potencijal ostvario, bolnice ne mogu promatrati AI kao još jedan softverski modul. Riječ je o dijelu šire transformacije načina rada, organizacije procesa i odnosa prema podacima.
Edukacija i promjena uloga
Liječnici, medicinske sestre i drugo osoblje moraju razumjeti kako modeli funkcioniraju, koje su im granice i kako prepoznati pogreške. To uključuje osnovnu podatkovnu pismenost, razumijevanje pojmova kao što su treniranje, validacija, bias i inference, ali i praktične vještine rada s novim sučeljima.
Uvođenje AI-ja mijenja i uloge: dio rutinskih zadataka može se automatizirati, dok raste važnost nadzora, interpretacije i komunikacije s pacijentima. Uspješne bolnice bit će one koje na vrijeme planiraju ove promjene i uključuju osoblje u dizajn novih procesa.
Suradnja s regulatorima i industrijom
Za zdravstvene ustanove u Hrvatskoj važno je rano uspostaviti suradnju s regulatorima, akademskim institucijama i dobavljačima tehnologije. Pilot-projekti u kontroliranim uvjetima, s jasnim protokolima i metrikama uspjeha, mogu pomoći da se identificiraju rizici i prilagode modeli lokalnim specifičnostima.
Europski programi financiranja pružaju priliku da se takvi projekti realiziraju bez prevelikog financijskog opterećenja za same bolnice. Ključno je, međutim, da se ne radi samo o tehnološkim demonstracijama, nego o rješenjima koja su održiva, skalabilna i usklađena s europskim pravilima.
Što slijedi u sljedećem desetljeću
Multimodalni klinički asistenti vjerojatno će postati standardni dio bolničke infrastrukture, slično kao što su danas elektronički kartoni. U sljedećem desetljeću može se očekivati:
- dublja integracija s nacionalnim sustavima e-zdravstva,
- razvoj specijaliziranih modela za pojedine grane medicine,
- veća uporaba generativnih modela za simulaciju ishoda liječenja,
- stroži zahtjevi za dokazivanje sigurnosti i učinkovitosti, usporedivi s kliničkim ispitivanjima lijekova.
Uspjeh neće ovisiti samo o algoritmima, već o tome kako će zdravstveni sustavi organizirati podatke, procese i odgovornosti. Ako se taj dio odradi promišljeno, multimodalni klinički asistenti mogli bi postati jedan od ključnih alata za održiviji i pravedniji zdravstveni sustav u Europi.
