Po co nam lekarze, skoro mamy AI. „Widzę jeden scenariusz - gdy sztuczna inteligencja nie dopuści do tego, byśmy w ogóle się rozchorowali"

Cezary Szczepański, XYZ: Kiedy przestaniemy potrzebować lekarzy, przynajmniej w podstawowej opiece zdrowotnej?

Ligia Kornowska, DataLake: Z pewnością to się wydarzy, ale raczej w bardzo odległej przyszłości. Stanie się tak wtedy, gdy będziemy dysponować algorytmami sztucznej inteligencji, które będą potrafiły przewidzieć, na co zachorujemy, i pozwolą wdrażać odpowiednie działania diagnostyczne i lecznicze, zanim w ogóle pojawi się choroba. To właściwie jedyny scenariusz, w którym widzę możliwość zastąpienia lekarzy przez AI – gdy sztuczna inteligencja będzie na tyle rozwinięta, że nie dopuści do tego, byśmy w ogóle się rozchorowali.

Dziś jednak AI jest wykorzystywane w medycynie.

Tak, istnieją algorytmy np. do oceny zdjęć RTG klatki piersiowej czy analizy tomografii komputerowej. Tyle, że one obejmują wąski wycinek zagadnienia, szukają ściśle określonych problemów. Trudno więc mówić o tym, że algorytmy AI mogą zastąpić lekarza, skoro obejmują jedynie bardzo wąskie fragmenty procesu diagnostyczno-leczniczego. W najbliższej przyszłości lekarz będzie więc, niestety lub stety, nadal niezbędny.

Czy AI jest już lepsze od lekarza

Jednak pojawiło się wiele raportów, zgodnie z którymi już dziś narzędzia LLM są lepsze od lekarzy zarówno pod względem diagnostyki, jak i empatii wobec pacjentów.

Rozmawiałam z prezeską jednej z organizacji pacjenckich, która opowiadała o swoich doświadczeniach z czatem. Mówiła, że zadawała mu różne pytania, aż w końcu napisała: „Przepraszam, że ci tyle pytań zadaję”. Czat odpowiedział: „Nic nie szkodzi, po to tu jestem”. I to ją kompletnie zaskoczyło, bo zdała sobie sprawę, że nigdy nie usłyszała podobnych słów od żadnego lekarza. Faktycznie jest w tym coś – czat ma więcej czasu, by rozwiać wszystkie wątpliwości pacjenta.

Co nas powstrzymuje, żeby z nich korzystać?

Algorytm AI może być stosowany w praktyce już teraz, ale musi uzyskać certyfikację wyrobu medycznego. Żeby ją otrzymać, przechodzi on szczegółowe badania, które potwierdzają jego skuteczność, czyli określają czułość i swoistość – innymi słowy, na ile trafnie potrafi rozpoznawać określone choroby. Pozostałe algorytmy AI, które nie mają certyfikacji wyrobu medycznego, nie powinny być traktowane jako miarodajne w procesie diagnostycznym ani terapeutycznym. Przykładowo, duże modele językowe – takie jak ChatGPT, Gemini i inne – nie są certyfikowanymi wyrobami medycznymi. Można ich używać do poszerzania wiedzy, ale każdą ich odpowiedź należy weryfikować, bo mogą się mylić. Nie mogą natomiast być wykorzystywane w szpitalach czy przychodniach jako narzędzia wspierające diagnozę pacjenta.

Dlaczego?

Nie mamy potwierdzonej i stabilnej skuteczności takich modeli. Może się zdarzyć, że w przypadku jednej choroby działają dobrze, a w innej – już nie. Co więcej, ich wyniki mogą się zmieniać w czasie, jeśli modyfikowane są wewnętrzne wagi modelu.

Lekarze i strach przed AI

Rozumiem, że boimy się sytuacji, w której raz na dziesięć przypadków model popełni błąd. Ale lekarze też popełniają błędy.

W diagnostyce zawsze istnieje margines błędu. Jeżeli więc skuteczność algorytmu jest wyższa niż skuteczność lekarza lub grupy lekarzy, to takie rozwiązanie powinno być wdrażane i stanowić standard w medycynie. Problem w tym, że w przypadku algorytmów nieposiadających certyfikacji nie mamy pewności, czy dane o ich skuteczności są w ogóle wiarygodne i dla jakich konkretnie chorób zostały potwierdzone.

Czyli potrzebujemy zweryfikować te modele w procedurze podobnej do wprowadzenia leków?

Nie mamy pełnych, szeroko zakrojonych badań naukowych opublikowanych w uznanych czasopismach medycznych, które by potwierdzały ich skuteczność. Istnieją jedynie pojedyncze prace oceniające konkretne aspekty działania dużych modeli językowych w kontekście zdrowia. Ale jeśli mówimy o całym systemie opieki zdrowotnej, to zakres jest tak szeroki, że na obecnym etapie rozwoju technologii trudno byłoby w ogóle certyfikować model językowy, który byłby w stanie odpowiadać wiarygodnie na pytania dotyczące każdej choroby. Część schorzeń to choroby rzadkie, a niektórych nadal nie potrafimy w pełni zrozumieć – trudno więc byłoby ocenić skuteczność takiego algorytmu w każdym możliwym przypadku.

Przeczytaj więcej: Startup Wonderful działa niecały rok i zebrał właśnie 100 mln dolarów na rozwój AI. „Nasz cel to Polska"

Porady medyczne kluczowe dla twórców GenAI

OpenAI, twórca ChataGPT, przyznało, że porady medyczne to jedno z trzech podstawowych sposobów na korzystanie z ich modelu przez użytkowników. Dlatego chcą rozwijać funkcjonalność, stworzyli także własne benchmarki, czyli narzędzia do oceny skuteczności. Czy środowisko medyczne w ogóle chce pomagać w rozwoju takiej technologii?

Tak, takie działania już się dzieją. Istnieją specjalne projekty, w których duże modele językowe są wykorzystywane jako baza do tworzenia wyspecjalizowanych czatów medycznych. Te systemy są trenowane na zweryfikowanej literaturze medycznej, co znacząco zmniejsza ryzyko tzw. halucynacji, czyli błędnych odpowiedzi. Takie czaty pojawiają się już na niektórych portalach medycznych, ale należy pamiętać, że ich rola jest edukacyjna – służą do poszerzania wiedzy personelu medycznego lub pacjentów, a nie do diagnozowania. Jeśli pacjent z nich korzysta, to raczej w celach informacyjnych czy lifestylowych, a nie po to, by ustalić chorobę. Każdą odpowiedź czata i tak trzeba zweryfikować w źródłach.

No dobrze, a co z wykorzystaniem czatów jako wsparcia do komunikacji z pacjentem?

To już się dzieje. Absolwent pielęgniarstwa, Adrian Nowakowski, na jednej z polskich uczelni stworzył czat połączony z interaktywną lalką. Studenci mogli rozmawiać z tą „pacjentką”, a czat symulował zachowanie osoby z demencją. Po zakończonej rozmowie algorytm analizował komunikację i wskazywał, co student zrobił dobrze, a co należałoby poprawić, by pacjent czuł się bardziej rozumiany i bezpieczny. Ten projekt zdobył nawet szwedzką nagrodę za innowacyjność. Takie zastosowania – edukacyjne, nastawione na poprawę jakości komunikacji – już się pojawiają i przynoszą realne efekty.

Empatia, czyli mocna strona AI

A na linii lekarz-pacjent?

Wydaje mi się, że głównym problemem w kontaktach lekarzy z pacjentami nie jest brak empatii, tylko ograniczony czas na kontakt. Znam jednak lekarzy, którzy korzystają z czata, by lepiej wyjaśniać skomplikowane kwestie. Na przykład proszą go: „Wyjaśnij to w prosty sposób, żebym mógł powiedzieć to pacjentowi bez użycia języka medycznego”. Takie zastosowania stają się coraz popularniejsze – i rzeczywiście mogą być cennym wsparciem w codziennej pracy lekarzy.

Zostaje jeszcze kwestia pacjentów. Nie każdy zaakceptuje fakt, że lekarz w czasie wizyty poprosi AI o pomoc. Wyobrażam sobie, że pacjent uzna, że „nie wie, co robi”.

W ochronie zdrowia wciąż funkcjonuje myślenie: „tak się u nas leczy od 30 lat”. A medycyna zmienia się błyskawicznie – z roku na rok, a czasem z miesiąca na miesiąc. Standardy leczenia są aktualizowane na bieżąco i nie ma fizycznej możliwości, żeby lekarz wszystko pamiętał.

Dlatego lekarz musi sprawdzać. Nawet standardowe dawkowanie leków warto zweryfikować, bo jesteśmy tylko ludźmi, a błędy się zdarzają. A leczenie według schematów sprzed 10 czy 30 lat to poważny błąd, który może zaszkodzić pacjentowi zamiast mu pomóc.

Zobacz także: Wielkie pieniądze dla polskiego funduszu. Balnord poszuka startupów z technologiami podwójnego zastosowania

Cyfryzacja branży medycznej

Jak w ogóle ocenia pani proces cyfryzacji sektora medycznego w Polsce?

Dobrze. Mamy jeszcze dużo do zrobienia, ale warto podkreślić, że polska ochrona zdrowia radzi sobie całkiem nieźle w zakresie cyfryzacji. Podam kilka liczb. Po pierwsze, mamy Internetowe Konto Pacjenta, z którego korzysta około 20 mln Polaków. Bardzo wielu obywateli ma dostęp do podstawowych informacji zdrowotnych o sobie przez aplikację mobilną w telefonie. Kolejna sprawa to centralny system e-recept. Działa już piąty rok i obecnie ponad 97 proc. recept wystawianych jest w formie elektronicznej. Podobnie mamy e-skierowania czy e-zwolnienia. 90 proc. szpitali prowadzi elektroniczną dokumentację medyczną w zakresie podstawowych elementów. Połowa z tych placówek jest połączona z systemem P1. Indeksuje on, w jakich miejscach znajdują się dokumenty medyczne pacjenta. Około 30 proc. z tych szpitali już aktywnie wymienia się dokumentacją medyczną o pacjencie.

30 proc. to raczej mało, jak na możliwości technologii?

Tak, ale ta liczba systematycznie rośnie i podejmowane są działania, by ten proces przyspieszyć. A jeśli chodzi o AI, to jeszcze w 2024 roku ponad 13 proc. szpitali deklarowało, że już stosuje narzędzia oparte na sztucznej inteligencji. To ponad dwukrotnie więcej niż rok wcześniej, gdy było to około 6 proc. Jeszcze ciekawsza jest liczba placówek, które planują wdrożenie narzędzi AI w ciągu kolejnych 12 miesięcy – to około 38 proc. respondentów.

Oczywiście można się zastanawiać, czy to dużo, czy mało. W Stanach Zjednoczonych takich placówek jest więcej, ale jeśli spojrzymy na różne statystyki unijne dotyczące cyfryzacji ochrony zdrowia i wdrażania innowacji, to Polska wypada naprawdę dobrze. W niektórych kategoriach zajmujemy miejsca na podium.

Czyli niepotrzebnie narzekamy?

Myślę, że jest lepiej, niż większość Polaków sądzi, ale oczywiście wciąż jest sporo do zrobienia i wiele się w tym obszarze dzieje.

Dane w polskiej medycynie, czyli klucz dla AI

Mimo to słyszę z wielu miejsc, że dostęp do danych medycznych, oczywiście zanonimizowanych, jest ogromnym problemem. A to mogłoby napędzić np. rozwój polskiej technologii.

Polska ma całkiem sporo rejestrów danych medycznych. Mamy bardzo dużo danych w Narodowym Funduszu Zdrowia, w Centrum e-Zdrowia, a także kilkanaście rejestrów pacjentów z określonymi schorzeniami prowadzonych na zlecenie Ministerstwa Zdrowia. Wyzwania są jednak dwa. Po pierwsze, dostęp do tych danych jest bardzo ograniczony. Dla firm komercyjnych w zasadzie nie istnieje, a dla organizacji niekomercyjnych jest bardzo trudny.

Dlaczego?

Istnieje obawa, że zbyt szerokie i niekontrolowane otwarcie dostępu do danych mogłoby mieć negatywne skutki. Wyobraźmy sobie, że o dostęp do danych ubiega się firma tytoniowa, która chce opracować „badania” dowodzące, że palenie tytoniu ma rzekomo pozytywny wpływ na zdrowie. To pokazuje, że otwieranie dostępu do danych musi być odpowiedzialne – ale jednocześnie transparentne i oparte na jasnych zasadach.

Drugi problem dotyczy jakości samych danych. Często tworzenie rejestrów wygląda tak, że lekarz musi ręcznie wpisywać te same informacje do kilku różnych systemów. A wiadomo, że jeśli coś jest „przeklikiwane” ręcznie, to jakość danych spada. Problem polega też na tym, że dane te są przechowywane w różnych formatach, według różnych standardów. Nie da się ich potem w prosty sposób połączyć.

Na koniec zostają przepisy, które w zasadzie uniemożliwiają szpitalom dzielenie się nimi ze stronami trzecimi. A jeśli dane są osobowe, potrzebna jest zgoda pacjenta.

Jak zmienić sytuację

Czy jest w ogóle perspektywa, że to się zmieni w najbliższych latach?

Tak, zdecydowanie. Jest dużo większa świadomość wartości danych medycznych. Wraz z rozwojem sztucznej inteligencji coraz częściej podkreśla się, że dane są absolutnie niezbędne do rozwoju nowych technologii i  rozwoju samej medycyny. Żeby wdrożyć jakikolwiek proces diagnostyczny czy terapeutyczny, trzeba mieć dane potwierdzające, że jest on bezpieczny i skuteczny. To podstawa współczesnej medycyny opartej na dowodach, czyli evidence-based medicine.

Na poziomie europejskim też dużo się dzieje. Powstają regulacje takie jak European Health Data Space, który ma ułatwić dostęp do danych i ich wykorzystanie w celach badawczo-rozwojowych, czy Data Governance Act, który już obowiązuje i w dużym uproszczeniu daje obywatelom prawo do wyrażenia zgody na udostępnienie swoich danych.

W Polsce również coraz częściej mówi się o potrzebie udrożnienia dostępu do danych medycznych, ale to proces złożony i wymagający zmian na wielu poziomach. Tu naprawdę nie ma prostych rozwiązań dla tak skomplikowanego problemu.

Data Lake i dane, czyli sektor prywatny chce w AI

Rozwija pani startup, Data Lake. Też pracujecie z danymi.

Część naszej działalności faktycznie opierała się na zbieraniu danych, ale robiliśmy to poprzez uzyskiwanie zgody pacjentów na udostępnienie ich danych. Na przykład jednym z naszych projektów jest rejestr pacjentów z chorobą ultrarzadką. Mamy tam kilkudziesięciu pacjentów, którzy wyrazili zgodę i współpracują w zakresie przekazywania danych medycznych. Dzięki temu możemy zebrać dane w jednym formacie i spróbować wyciągnąć wnioski, które pomogą szybciej diagnozować takich pacjentów.

Czy taka działalność podmiotów takich jak wasz nie jest właśnie szansą dla służby zdrowia jako całości?

Tak, istnieje wiele startupów, które mają odpowiednie możliwości i kompetencje, by się tym zająć. Pytanie tylko, czy proces budowania zaufania do podmiotów zewnętrznych w Polsce rzeczywiście postępuje. Trzeba pamiętać, że Narodowy Fundusz Zdrowia już teraz przetwarza ogromne ilości danych medycznych. Każdy, kto korzysta z ochrony zdrowia, godzi na ich przetwarzanie, ponieważ np. NFZ musi rozliczać się ze szpitalami, weryfikować liczbę i rodzaj wykonanych procedur itd. Oni więc mają już dostęp do tych danych.

Natomiast jeśli mówimy o przetwarzaniu bardzo dużych zbiorów danych – na przykład dotyczących kilku milionów pacjentów – rozumiem obawy związane z tym, by jeden prywatny podmiot miał dostęp do tak ogromnego i wrażliwego zasobu. Takie dane mogą wręcz wpływać na politykę zdrowotną kraju. Wydaje się zasadne, aby było to zaadresowane przez podmiot publiczny.

Polska medycyna i wyzwania cyfryzacji

Jakie rozwiązania z zakresu cyfryzacji polskiej medycyny są w miarę proste do wdrożenia i mogłyby realnie pomóc systemowi i pacjentom, a mimo to wciąż nie są realizowane?

Jest kilka takich rzeczy, które można by wdrożyć stosunkowo szybko i niewielkim kosztem, bo infrastruktura już istnieje. Jednym z przykładów jest wykorzystanie danych z systemu e-recept do sprawdzenia, czy pacjent jest leczony optymalnie. System mógłby wyświetlać lekarzowi komunikat, że – na podstawie wcześniejszych recept – dany pacjent być może wymaga intensyfikacji leczenia, czyli zastosowania silniejszego leku. Takie rozwiązanie można wdrożyć bez dużych nakładów, bo baza danych o e-receptach jest już scentralizowana.

Kolejny przykład to wdrożenie narzędzi opartych na analityce predykcyjnej. Pomysł ten zresztą znalazł się już w dokumentach dotyczących polityki cyfryzacji kraju. Chodzi o analizowanie danych medycznych pacjentów i informowanie ich o potencjalnym ryzyku wystąpienia choroby, bazując na danych historycznych.

Korzyści byłyby ogromne…

Tak, wdrożenie takich rozwiązań mogłoby całkowicie odmienić jakość w ochronie zdrowia – z reaktywnej, reagującej dopiero po wystąpieniu choroby, na proaktywną, czyli działającą zanim pacjent zachoruje, wtedy gdy wiemy, że istnieje duże prawdopodobieństwo zachorowania.

Analityka predykcyjna to też następny poziom tzw. medycyny długowieczności, longevity. Temat jest na tyle rozwojowy, że poświęciliśmy mu osobny projekt, który teraz ja i mój zespół rozwijamy - cel22.pl. Zakłada on, że za naszego życia będzie możliwe drastyczne wydłużenie życia pozwalające nam dożyć 22 wieku.

Jeden cel: analiza danych

A gdyby mogła pani wdrożyć jeden projekt w skali całego kraju – taki, który realnie pomógłby systemowi w sferze cyfryzacji medycyny – co by to było?

Myślę, że najlepiej byłoby oprzeć się na danych związanych ze zdrowiem publicznym. Najprostszy przykład to wykorzystanie historii recept pacjentów z astmą. Na tej podstawie można by ocenić, czy pacjent jest leczony prawidłowo, czy może należy zintensyfikować terapię. W przypadku astmy mamy bardzo konkretne wytyczne dotyczące stosowania leków, więc wystarczyłaby analiza samych recept – nawet bez sięgania do pełnej historii leczenia – by system mógł zasugerować lekarzowi przyjrzenie się terapii i ewentualne jej dostosowanie. To bardzo prosty przykład, a mógłby realnie poprawić opiekę nad pacjentami.

Dlaczego więc takie rozwiązania nie są wdrażane, skoro wydają się stosunkowo proste i oczywiste?

Oj, w medycynie nic nie jest proste, szybkie i przyjemne. Przyjemne może być pomaganie ludziom, ale cała reszta – już niekoniecznie. Nawet pozornie prosta innowacja, jak komunikat dla lekarza, wymaga współpracy bardzo szerokiego grona osób. Trzeba zaangażować konsultantów krajowych, ustalić, jakie parametry decydują o wysyłaniu komunikatu, określić, czy w ogóle można kontaktować się proaktywnie z pacjentem, czy pacjent musi wyrazić na to zgodę, a może trzeba zmienić ustawę, która to umożliwi. Do tego dochodzą kwestie techniczne – jak wdrożyć takie rozwiązanie w systemie e-recept, by nie tworzyło zagrożeń dla cyberbezpieczeństwa.

Każda, nawet niewielka innowacja, wymaga więc współpracy wielu interesariuszy, woli politycznej, czasu i determinacji. A przede wszystkim – zarządzania zmianą. Trzeba tłumaczyć, dlaczego coś wprowadzamy i dlaczego to nowe rozwiązanie jest lepsze niż dotychczasowe.

Co można zrobić, by technologia pomogła pacjentom

To trochę przygnębiające – szczególnie z perspektywy pacjentów, którzy mogliby korzystać z prostszej, lepiej zintegrowanej opieki.

Brakuje obiegu dokumentów, wzmocnionej profilaktyki, prostych powiadomień. Nawet coś tak prostego, jak komunikat “push” w aplikacji mObywatel: „Przysługują ci darmowe badania, zapisz się tutaj” – byłoby ogromnym ułatwieniem. A takie rozwiązania wciąż są ograniczone. 

Na szczęście niedawno dwa miesiące temu powstała wspólna grupa robocza Ministerstwa Zdrowia i Ministerstwa Cyfryzacji. Kierują nią wiceminister cyfryzacji Dariusz Standerski i wiceminister zdrowia Tomasz Maciejewski. Profesor Maciejewski był wcześniej dyrektorem Instytutu Matki i Dziecka, który jako pierwszy w Polsce stworzył Departament Sztucznej Inteligencji w szpitalu. To daje nadzieję. Potrzebna jest po prostu wola polityczna, by pójść w tym kierunku. Bo często przeszkodą nie są przepisy, tylko brak decyzji i odwagi, żeby coś zmienić.

Optymizm i pesymizm, czyli gdzie zmierza AI

Jak pani jako lekarz reaguje emocjonalnie na rozwój AI w medycynie? Widzimy, że algorytmy potrafią już analizować zdjęcia diagnostyczne, a duże modele językowe zyskują coraz większe możliwości.

Ja jestem dużą optymistką. AI to po prostu kolejna, bardzo zaawansowana technologia wspierająca lekarzy. Tak jak kiedyś nikt poważnie nie rozważał, czy tomograf komputerowy zastąpi lekarza, albo czy USG zastąpi stetoskop. To  lekarz musi przysłowiowo „opukać” pacjenta. Nie wiem, czy pan wie, ale istnieje takie badanie jak opukiwanie serca czy płuc, którego dziś prawie się już nie wykonuje, bo mamy lepsze narzędzia diagnostyczne.

Tak samo jest z AI. To technologia, która może skokowo poprawić jakość opieki nad pacjentem. Powinniśmy patrzeć na nią jak na kolejne narzędzie w rękach lekarza. Nawet jeśli sztuczna inteligencja przejmie niektóre czynności – skróci czas analizy badań obrazowych czy pomoże w triażu pacjentów na SOR-ze – to nie zastąpi całkowicie lekarza czy pielęgniarki.

Zwłaszcza, że lekarzy i pielęgniarek brakuje.

Sektor ochrony zdrowia jest wyjątkowy – im lepsza opieka, tym dłużej żyjemy, a im dłużej żyjemy, tym więcej mamy chorób przewlekłych. W efekcie zapotrzebowanie na usługi medyczne rośnie. Dlatego wdrażanie narzędzi, które pomogą wypełnić lukę kadrową, jest po prostu niezbędne. I o tym powinniśmy dyskutować – zamiast straszyć, że AI „odbierze pracę lekarzom”, bo to się jeszcze długo nie wydarzy.

Główne wnioski

1. Sztuczna inteligencja w medycynie ma ogromny potencjał. Jej wykorzystanie w Polsce wciąż napotyka liczne ograniczenia systemowe, technologiczne i prawne. Mimo że niektóre algorytmy już dziś przewyższają lekarzy w konkretnych zadaniach, jak analiza zdjęć RTG, ich zastosowanie w diagnostyce i leczeniu wymaga certyfikacji, której obecnie większość narzędzi – zwłaszcza duże modele językowe – nie posiada. Kluczowym problemem pozostaje brak stabilnej, potwierdzonej skuteczności modeli AI w szerokim zakresie chorób. A także brak wystarczających danych naukowych, które mogłyby stanowić podstawę ich pełnego wdrożenia w systemie ochrony zdrowia.
2. Polska medycyna poczyniła znaczne postępy w cyfryzacji, lecz rozwój AI hamowany jest przez utrudniony dostęp do danych oraz brak spójnych standardów ich przetwarzania. Systemy takie jak e-recepty, e-skierowania czy Internetowe Konto Pacjenta są szeroko wykorzystywane. Coraz więcej szpitali wprowadza także dokumentację elektroniczną. Mimo to, dostęp do danych medycznych – kluczowych dla trenowania modeli AI – jest nadal mocno ograniczony. Zwłaszcza dla podmiotów prywatnych. Problemem jest także niska jakość danych wynikająca z ich ręcznego wprowadzania i rozproszenia w różnych systemach.
3. AI nie zastąpi lekarzy, lecz może stać się ich istotnym wsparciem w codziennej pracy oraz narzędziem do poprawy jakości opieki zdrowotnej. Obecne zastosowania AI obejmują edukację, symulacje medyczne i wspieranie komunikacji z pacjentem. W dłuższej perspektywie technologia ta może przyczynić się do przekształcenia systemu opieki zdrowotnej z reaktywnego na proaktywny. Dzięki chociażby predykcyjnej analizie danych. Kluczowym warunkiem takiego rozwoju jest jednak budowa zaufania, zarówno wśród pacjentów, jak i kadry medycznej. A także stworzenie jasnych ram regulacyjnych i technicznych dla bezpiecznego wykorzystania AI.