Podcast stanowi podsumowanie doświadczeń i wniosków z Poland Healthcare Datathon 2025 – inicjatywy zorganizowanej we współpracy środowisk medycznych, naukowych i technologicznych, której inicjatorem był Roche. Podczas Datathonu interdyscyplinarne zespoły pracowały na rzeczywistych danych klinicznych z Uniwersyteckiego Centrum Klinicznego w Gdańsku i testowały możliwości dużych modeli językowych w polskojęzycznych scenariuszach medycznych.
Wnioski będące pokłosiem wydarzenia stały się punktem wyjścia do kolejnej dyskusji – o tym, jak odpowiedzialnie wdrażać sztuczną inteligencję do systemu ochrony zdrowia.
Globalny algorytm musi zdać „egzamin z polskiego”
Choć wiele rozwiązań AI powstaje z myślą o globalnym zastosowaniu, ich skuteczność w ochronie zdrowia zależy od lokalnego kontekstu. Znaczenie mają język dokumentacji medycznej, organizacja pracy placówek, ścieżki pacjenta oraz charakterystyka danych odzwierciedlających specyfikę konkretnego systemu ochrony zdrowia.
Adam Krenke, dyrektor do spraw strategii w Roche Polska mówi:
Chcieliśmy, aby Healthcare Datathon składał się z wzajemnie uzupełniających się elementów pełnych zarówno merytorycznej dyskusji, jak i praktyki. Pierwszego dnia uczestnicy spotkali się podczas części wykładowej poświęconej zastosowaniom AI w ochronie zdrowia, gdzie swoją wiedzą dzielili się lekarze i eksperci z uczelni technicznych. Z kolei fundamentem drugiego dnia były ćwiczenia praktyczne, w tym m.in. LLMathon.
Poland Healthcare Datathon 2025 zgromadził ponad 200 uczestników reprezentujących 14 uczelni i ośrodków badawczych z pięciu krajów. W 13 interdyscyplinarnych zespołach współpracowali lekarze, badacze, projektanci doświadczeń użytkownika, specjaliści danych, programiści oraz studenci.
Sztuczna inteligencja zweryfikowana na rzeczywistych danych
Jednym z najważniejszych elementów wydarzenia była możliwość pracy na autentycznych, zabezpieczonych danych klinicznych przekazanych przez Uniwersyteckie Centrum Kliniczne w Gdańsku. Adam Kenke wyjaśnia:
W ramach Datathonu uczestnicy analizowali setki tysięcy rekordów hospitalizacji, poszukując czynników pozwalających przewidywać ryzyko ponownego przyjęcia pacjenta do szpitala. W ten sposób sprawdzaliśmy, czy algorytmy AI mogą pomóc identyfikować wzorce, które wspierałyby personel medyczny w podejmowaniu decyzji i skutecznym planowaniu opieki nad pacjentami.
Kolejnym filarem projektu był LLMathon, podczas którego uczestnicy oceniali, jak duże modele językowe radzą sobie z pytaniami najczęściej zadawanymi przez pacjentów i lekarzy. Ekspert podkreśla:
Dziś zarówno pacjenci, jak i lekarze coraz częściej korzystają z narzędzi opartych na AI. Problem polega na tym, że niewiele wiemy o ich rzeczywistej precyzji, jakości odpowiedzi czy ograniczeniach. Chcieliśmy zweryfikować to w praktyce, wykorzystując pytania opracowane wspólnie z lekarzami i organizacjami pacjenckimi.
Dane są paliwem dla AI, ale muszą być reprezentatywne
Eksperci zwracają uwagę, że skuteczność modeli sztucznej inteligencji zależy bezpośrednio od jakości i reprezentatywności danych, na których zostały wytrenowane. O istocie znaczenia danych wspomina także Anna Romaniuk-Iwaszko, Marketing Network Lead for Digital Solutions w Roche:
Roche od lat rozwija innowacyjne terapie i rozwiązania diagnostyczne. Coraz większą rolę odgrywają także algorytmy kliniczne wspierające decyzje medyczne. Ogromna ilość danych generowanych każdego dnia w systemie ochrony zdrowia nadal pozostaje niewykorzystana. Naszym celem jest przekształcanie tych informacji w praktyczne wsparcie dla lekarzy, tak aby mogli efektywniej wykorzystywać swój czas, a pacjenci szybciej otrzymywali właściwą diagnozę.
AI zastąpi relację lekarz-pacjent?
Eksperci zgodnie wskazują, że sztuczna inteligencja może wspierać wiele procesów administracyjnych, analitycznych i organizacyjnych, jednak nie powinna być postrzegana jako alternatywa dla pomocy drugiego człowieka. Katarzyna Kaliszewska-Czeremska, Customer Experience Lead and Strategist w Roche mówi:
Najważniejsze jest to, aby nie stracić z oczu pacjenta. Sztuczna inteligencja pozostaje narzędziem w rękach człowieka. To od sposobu jej wykorzystania zależy, czy będzie realnym wsparciem dla ochrony zdrowia. Medycyna to nie tylko diagnoza i leczenie, ale również troska o jakość życia pacjenta, relacje, empatia i odpowiedzialność.
Podobnego zdania jest Sławomir Molenda, User Experience Expert w Roche Digital Technology:
Obecne modele językowe mogą rozpoznawać emocje i odpowiednio reagować na komunikaty pacjentów, ale nie są zdolne do rzeczywistego współodczuwania czy rozumienia doświadczenia choroby tak jak drugi człowiek. Możemy mówić jedynie o pewnym rodzaju empatii kognitywnej, skupionej na perspektywie intelektualnej i rozumieniu schematów myślowych. AI może wspierać komunikację, jednak nie zastąpi relacji terapeutycznej budowanej między pacjentem a lekarzem. Choć niektóre badania sugerują, że ludzie wolą interakcje medyczne z AI, ponieważ modele te są wolne od osądów czy stygmatyzacji. LLM-y mogą obiektywnie zmniejszać wstyd i w ten sposób pomagać pacjentom.
Interdyscyplinarność warunkiem sukcesu
Jednym z najczęściej powracających tematów podczas wydarzenia była konieczność łączenia kompetencji z różnych dziedzin. Adam Krenke podkreśla:
Interdyscyplinarność jest kluczowa. W projektach wykorzystujących AI w ochronie zdrowia nie istnieją jednoosobowe rozwiązania. Potrzebna jest wiedza kliniczna, technologiczna, projektowa i komunikacyjna. Dopiero połączenie tych kompetencji pozwala tworzyć rozwiązania niosące rzeczywistą opiekę i pomoc pacjentom.
Interdyscyplinarności nie brakowało również w trakcie Datathonu – taką formę współpracy szczególnie docenili uczestnicy wydarzenia. Zuzanna Warchoł, studentka Politechniki Gdańskiej zauważa:
Największym zaskoczeniem była dla mnie otwartość i brak podziałów między studentami, naukowcami oraz lekarzami. Często w świecie akademickim można wyczuć pewien dystans. Tutaj każdy głos był równie ważny, a wszystkich łączyła wspólna misja i chęć wymiany doświadczeń.
Z kolei Kacper Dobek, doktorant Politechniki Poznańskiej, zwraca uwagę na długofalowe korzyści płynące z projektu:
To doświadczenie pokazało, jak wiele dobrego może wydarzyć się, gdy spotykają się ludzie z różnych środowisk. Efekty Datathonu wykraczają poza Polskę – podobne inicjatywy zaczęły powstawać również w innych krajach Europy, inspirując kolejne zespoły do poszukiwania praktycznych zastosowań AI w medycynie. Namacalnym przykładem może być chociażby grudniowy Datathon we Francji, który, dzięki zdobytej w Gdańsku wiedzy, miałem okazję wesprzeć organizacyjnie.
Więcej o wnioskach z wydarzenia można usłyszeć w podcaście „LLMathon: How AI Can Serve Healthcare”, dostępnym na kanale YouTube Roche.
