AI w medycynie: 8 wdrożeń i to, co za nimi stoi

Według VIII edycji badania informatyzacji podmiotów leczniczych, które przeprowadza Centrum e-Zdrowia, pod koniec 2024 roku z AI korzystało 13,2% polskich szpitali, niemal dwa razy więcej niż rok wcześniej. W kolejnej edycji wdrożenie w ciągu roku zapowiedziało już 40,9% szpitali, choć jako główną barierę szpitale najczęściej (59,5%) wskazywały koszt. Pieniądze właśnie się pojawiają: zakup narzędzi AI był jednym z czterech obszarów konkursu KPO na cyfryzację szpitali o alokacji 3,131 mld zł, a Centrum e-Zdrowia uruchamia Platformę Usług Inteligentnych, która ma udostępnić gotowe modele do analizy obrazów nawet 400 placówkom finansowanym ze środków publicznych. AI w medycynie wychodzi więc w Polsce z fazy pojedynczych pilotaży.

Z samej nazwy produktu niewiele jednak wynika. Najlepiej pokazuje to historia z USA, gdzie dwa systemy wykrywające sepsę – model firmy Epic i TREWS z Johns Hopkins – analizowały ten sam rodzaj danych ze szpitalnej dokumentacji, a dały skrajnie różne wyniki. Pierwszy w niezależnej walidacji przeoczył dwie trzecie przypadków, a wdrożenie drugiego wiązało się ze spadkiem względnej śmiertelności o 18,7%. O wyniku decyduje to, jak system zaprojektowano, zwalidowano i wpleciono w pracę personelu, dlatego zestawiamy tu osiem wdrożeń, w większości z polskich i europejskich szpitali, z architekturą, która za nimi stoi. Każde z nich wymagało decyzji, które omawiamy z klientami przy tworzeniu oprogramowania dla branży medycznej – od danych po przepisy.

AI w medycynie – przykłady z polskich i europejskich szpitali

Sztuczna inteligencja w medycynie to oprogramowanie, które uczy się na danych medycznych – obrazach, sygnałach, dokumentacji czy nagraniach rozmów – i na tej podstawie sygnalizuje, przewiduje, przygotowuje szkic albo podejmuje decyzję tam, gdzie inaczej potrzebny byłby czas lekarza. W polskich szpitalach prym wiedzie diagnostyka obrazowa: wśród placówek, które korzystają z AI, 33,9% stosuje ją do analizy tomografii komputerowej, a 15,9% do rezonansu. Opisane niżej przykłady odpowiadają czterem najważniejszym schematom – alertowi z badania obrazowego, drugiemu czytającemu w badaniach przesiewowych, decyzji podejmowanej bez lekarza i wykrywaniu zmian w długim zapisie sygnału – a każdy inaczej rozstrzyga, kto i jak szybko reaguje na wynik.

Triaż udaru w polskich sieciach udarowych

W 2021 roku Polska rozstrzygnęła pierwszy w Europie ogólnokrajowy przetarg na oprogramowanie AI do analizy obrazów udaru. W ramach programu POLKARD Ministerstwa Zdrowia system e-Stroke brytyjskiej firmy Brainomix trafił wtedy do niemal wszystkich największych ośrodków udarowych w kraju. Dziś opiera się na nim na przykład Dolnośląska Sieć Udarowa – dwanaście szpitali koordynowanych przez USK we Wrocławiu, z których trzy wykonują trombektomię. System ma działać we wszystkich oddziałach udarowych sieci, analiza tomografii zajmuje około dziewięciu minut, a obrazy trafiają na bieżąco do radiologów interwencyjnych w ośrodku referencyjnym, którzy wcześniej musieli polegać na konsultacji telefonicznej.

Obok rozwiązań zagranicznych działa polski BrainScan CT. Algorytm ma certyfikat MDR w klasie IIa, zaznacza wykryte zmiany w tomografii głowy i dołącza do serii badania własny plik DICOM, więc radiolog widzi wynik w tym samym systemie PACS, w którym opisuje badanie. Według spółki korzysta z niego ponad 20 ośrodków w Polsce, wśród nich Szpital Kliniczny im. prof. W. Orłowskiego CMKP w Warszawie. Placówki płacą za to z własnych budżetów, bo NFZ nie finansuje narzędzi AI w medycynie, a zarząd BrainScan publicznie apeluje o stworzenie ścieżki refundacji.

Sam model jest tylko częścią systemu. Obrazy muszą automatycznie opuścić tomograf i archiwum PACS w formacie DICOM, trafić do analizy i wrócić jako alert, najlepiej z podglądem na telefonie lekarza, a decyzję o leczeniu nadal podejmuje specjalista, który ogląda pełne badanie na stacji diagnostycznej. Najlepszy dowód na to, co takie systemy dają, pochodzi z randomizowanego badania systemu Viz.ai w czterech ośrodkach w Houston: czas od przyjęcia pacjenta do nakłucia tętnicy udowej skrócił się o 11,2 minuty, ale stan funkcjonalny chorych po 90 dniach nie zmienił się w mierzalny sposób. W udarze każda minuta się liczy, tyle że szybsza logistyka i lepszy wynik leczenia to dwie różne obietnice, które w materiałach producentów często zlewają się w jedną.

Mammografia z AI – od szwedzkiego badania MASAI do Platformy Usług Inteligentnych

W europejskich programach przesiewowych każdą mammografię opisuje dwóch radiologów, przez co ich czas staje się wąskim gardłem – także w Polsce. Najważniejszym dowodem, że jeden z tych odczytów może przejąć AI, jest szwedzkie badanie MASAI. Algorytm Transpara przypisywał w nim każdemu badaniu ocenę ryzyka od 1 do 10, a od oceny zależało, czy mammografię opisze jeden radiolog, czy dwóch. Wyniki dla 105 934 kobiet, opublikowane w 2025 roku w The Lancet Digital Health, pokazały wzrost wykrywalności raka o 29% (z 5,0 do 6,4 na 1000 badanych) bez wzrostu liczby wyników fałszywie dodatnich i spadek liczby opisów o 44%. Pierwszorzędowy punkt końcowy, opublikowany w styczniu 2026 roku w The Lancet, potwierdził, że odsetek raków interwałowych, czyli rozpoznanych między kolejnymi rundami badań, nie był gorszy niż przy standardowym podwójnym odczycie.

W polskim programie przesiewowym AI jeszcze nie pracuje, ale są dwie drogi, którymi może do niego trafić. Pierwsza to projekt AI-MMG o wartości 10,28 mln zł, w większości finansowany przez Agencję Badań Medycznych i prowadzony do września 2031 roku przez poznański Ośrodek Profilaktyki i Epidemiologii Nowotworów z Poznańskim Centrum Superkomputerowo-Sieciowym. Każde badanie oceniają w nim, jak dotąd, dwaj radiolodzy, a dodatkowo algorytm, więc obie ścieżki można porównać na tych samych pacjentkach. Druga to model mammograficzny w Platformie Usług Inteligentnych, który za 10,97 mln zł netto dostarcza konsorcjum Synektik i Carebot. Wyniki wracają z niego do platformy w standardzie DICOM, a Carebot uzyskał na to rozwiązanie certyfikat MDR w sierpniu 2026 roku.

W obu przypadkach o wartości produktu przesądza kalibracja. Jeśli próg, od którego badanie trafia do drugiego radiologa, ustawi się zbyt nisko, oszczędność pracy znika, a przy zbyt wysokim nowotwory trafiają do pojedynczego odczytu, który nie był pomyślany jako jedyne zabezpieczenie.

Badanie dna oka bez okulisty w wielkopolskich przychodniach

IDx-DR, sprzedawany dziś jako LumineticsCore, był pierwszym systemem, który amerykańska Agencja Żywności i Leków (FDA) dopuściła do samodzielnego wydawania wyniku badania przesiewowego, bez lekarza interpretującego obraz. W Polsce trafił do programu wczesnego wykrywania retinopatii cukrzycowej Fundacji OKULISTYKA 21 i Uniwersytetu Medycznego w Poznaniu. W latach 2019–2023 w 30 przychodniach w 19 miastach Wielkopolski przebadano 13 313 osób z cukrzycą i wykryto retinopatię u 3994 z nich, ponad siedem razy więcej, niż zakładał projekt.

Przebieg badania zaprojektowano pod personel bez doświadczenia w okulistyce:

1. Zdjęcia dna oka wykonuje się w poradni diabetologicznej, a obsługi aparatu nauczono w programie 53 osoby.
2. Oprogramowanie od razu ocenia jakość zdjęć i prosi o powtórzenie, jeśli nie nadają się do analizy.
3. Wynik jest gotowy w kilka minut, a pacjent z wynikiem dodatnim trafia do okulisty.

Na autonomię system zapracował tym, że jego zadanie zawężono do jednego pytania. W badaniu, na podstawie którego FDA wydała zgodę, algorytm zamrożono przed startem i używano go z jednym modelem aparatu, a u 900 uczestników w 10 placówkach podstawowej opieki zdrowotnej osiągnął czułość 87,2% i swoistość 90,7%. Najwięcej pracy inżynierskiej pochłonęło przy tym to, co otacza model, czyli kontrola jakości, dzięki której wiarygodne zdjęcie zrobi nawet nowicjusz.

Polski algorytm EKG, który wychwytuje więcej groźnych arytmii niż technicy

DeepRhythmAI firmy Medicalgorithmics analizuje wielodniowe zapisy EKG z monitoringu ambulatoryjnego. W badaniu opublikowanym w lutym 2025 roku w Nature Medicine algorytm i 167 certyfikowanych techników przeanalizowali te same 14 606 zapisów: AI wychwyciła krytyczne arytmie z czułością 98,6%, technicy – 80,3%, a liczba przeoczonych przypadków spadła z 44,3 do 3,2 na 1000 pacjentów. Ta przewaga ma swoją cenę, bo algorytm generował więcej fałszywych alarmów (12 wobec 5 na 1000 pacjento-dni), więc zespół, który go wdraża, musi z góry zaplanować, kto i jak szybko je weryfikuje. DeepRhythmAI ma znak CE od czerwca 2024 roku, a nowa wersja w 2025 roku uzyskała także dopuszczenie FDA.

PZU Zdrowie pilotowało analizę Holtera EKG z krakowskim Cardiomatics, przy czym raport przygotowany przez algorytm weryfikuje kardiolog, a poznański StethoMe ma elektroniczny stetoskop z analizą osłuchu, certyfikowany jako wyrób klasy IIa i przeznaczony m.in. do domowego monitorowania astmy u dzieci.

System	Dane wejściowe	Miejsce integracji	Udział człowieka	Status regulacyjny	Najważniejsze dowody
Brainomix e-Stroke, BrainScan CT (udar)	Tomografia głowy, angio-TK	PACS i telefon lekarza	Radiolog i neurolog oceniają pełne badanie	MDR: klasa IIb (Brainomix), IIa (BrainScan)	Dla tej kategorii: badanie randomizowane Viz.ai, −11,2 min do nakłucia tętnicy
Transpara (MASAI), modele AI-MMG i PUI (mammografia)	Mammografie przesiewowe	Lista badań do opisu, w PUI zwrot wyniku w DICOM	Każde badanie opisuje jeden lub dwóch radiologów	Znak CE (Transpara), MDR (model Carebot w PUI)	MASAI, 105 934 kobiety: +29% wykrywalności, −44% opisów
IDx-DR / LumineticsCore (retinopatia cukrzycowa)	Zdjęcia dna oka	Aparat w poradni diabetologicznej	Brak przy wyniku; skierowanie do okulisty przy wyniku dodatnim	FDA De Novo, 2018 (system autonomiczny)	Wielkopolska: 13 313 osób, 3994 przypadki; walidacja: czułość 87,2%, swoistość 90,7%
DeepRhythmAI (arytmie)	Wielodniowy zapis EKG	Platforma analizy zapisów Holtera	Lekarz dostaje raport bezpośrednio od algorytmu	CE (2024), FDA 510(k) (2025)	Nature Medicine, 14 606 zapisów: czułość 98,6% wobec 80,3%

AI w medycynie poza diagnostyką

Diagnostyka obrazowa przyciąga najwięcej uwagi, ale coraz więcej wdrożeń AI w medycynie dotyczy pracy wokół pacjenta: dokumentacji, rejestracji i wyszukiwania wiedzy. W badaniu Centrum e-Zdrowia czatboty i wirtualni asystenci odpowiadali za 18% zastosowań AI w szpitalach, a w kolejnej edycji 5,9% wszystkich placówek deklarowało AI w zarządzaniu, a 4,7% w obsłudze pacjenta. Takie narzędzia zwykle nie są wyrobami medycznymi, dzięki czemu szybciej trafiają do użytku, ale ciężar sprawdzenia, czy działają, spada na placówkę, która je kupuje.

Asystenci dokumentacji w polskich gabinetach i na SOR-ach

Asystent dokumentacji słucha rozmowy z pacjentem i przygotowuje szkic notatki z wizyty. W polskich gabinetach działa już na przykład Noa Notes od ZnanyLekarz, który od 2024 roku zamienia nagranie na tekst, a model językowy porządkuje go w notatkę gotową w mniej niż 10 sekund. Na SOR-ze Uniwersyteckiego Szpitala Klinicznego w Poznaniu, który przyjmuje około 280 pacjentów dziennie, asystent Heidi Health oszczędza na każdym z nich nieco ponad minutę, co według kierownika oddziału przekłada się na pięć godzin pracy lekarzy dziennie. Własne narzędzia rozwijają też producenci systemów szpitalnych: CompuGroup Medical pilotuje Asystenta Dokumentacji Medycznej, a Sieć Badawcza Łukasiewicz testuje w Centrum Leczenia Oparzeń w Siemianowicach Śląskich PulsNote, który działa bez połączenia z internetem, na lokalnej infrastrukturze szpitala.

Od strony technicznej każdy taki asystent działa w czterech krokach:

• Nagrywanie – aplikacja na telefonie lub komputerze lekarza rejestruje rozmowę, gdy pacjent wyrazi na to zgodę.
• Transkrypcja – model mowy zamienia nagranie na tekst i oznacza, kto co powiedział.
• Szkic notatki – duży model językowy przekształca transkrypcję w uporządkowaną notatkę: wywiad, badanie, rozpoznanie i zalecenia.
• Weryfikacja – lekarz poprawia i zatwierdza tekst, i dopiero wtedy trafia on do dokumentacji.

Pierwszy i ostatni krok mają w Polsce także wymiar etyczny: od 1 stycznia 2025 roku art. 12 Kodeksu Etyki Lekarskiej wymaga, żeby lekarz poinformował pacjenta o użyciu AI, uzyskał jego świadomą zgodę i sam podjął decyzję. Krok weryfikacji to z kolei jedyne zabezpieczenie przed błędem modelu, co dobitnie pokazał przypadek z jednego ze szpitali, w którym w wypisie z SOR pozostał tekst wygenerowany przez ChatGPT – placówka tłumaczyła, że narzędzie posłużyło do korekty językowej kilku zdań wywiadu.

Według tego samego schematu działa asystent konsultacji, którego zakres przygotowujemy dla klientów z branży medycznej, tyle że ma węższy cel: nagrywa rozmowę, analizuje ją i wypełnia konkretne pola w karcie pacjenta – objawy, leki czy termin kolejnej wizyty – do zatwierdzenia przez lekarza.

Rejestracja i obsługa pacjenta z pomocą AI

Najwięcej pacjentów zetknie się z AI w medycynie przez telefon. Centrum e-Zdrowia od 1 października 2026 roku testuje voicebota Centralnej e-Rejestracji, który działa na infrastrukturze po stronie państwa i ma obsługiwać do tysiąca rozmów jednocześnie – po polsku, angielsku i ukraińsku. Skalę problemu, który ma pomóc rozwiązać, dobrze oddaje jedna liczba: w 2024 roku przepadło 1 358 537 niewykorzystanych wizyt, w tym 299 738 u kardiologów. Kontrakt, finansowany z KPO, jest wart 23,6 mln zł.

Prywatne sieci sięgnęły po takie rozwiązania wcześniej – PZU Zdrowie już w 2019 roku pilotowało w swoim call center triaż wrocławskiej Infermediki. Algorytm wypytuje pacjenta o objawy i podpowiada, do kogo i w jakim trybie powinien trafić, a w pilotażu 37% nowych pacjentów skierowano do teleporady. Centrum e-Zdrowia zapowiada podobne funkcje w Internetowym Koncie Pacjenta, które ma dziś ponad 20,7 mln kont – w tym automatyczną interpretację wyników badań i triaż.

Po stronie płatnika AI pracuje dyskretniej: NFZ korzysta z narzędzi uczenia maszynowego przy decyzjach operacyjnych. Kto tworzy narzędzia do dokumentacji albo rozliczeń, powinien więc z góry założyć, że każda podpowiedź potrzebuje śladu w logu – z którego fragmentu dokumentacji wynika i kto ją zaakceptował – bo właśnie o to zapyta kontrola.

Wyszukiwanie wiedzy medycznej po polsku

Wyspecjalizowane amerykańskie wyszukiwarki kliniczne są dla polskich lekarzy w praktyce zamknięte. OpenEvidence zablokował dostęp z UE i Wielkiej Brytanii 28 kwietnia 2026 roku, powołując się na niepewność regulacyjną wokół AI Act, a uruchomiony w tym samym miesiącu ChatGPT for Clinicians jest dostępny tylko dla zweryfikowanych lekarzy z USA. Na polskim rynku działają za to MediChat w serwisie MEDICO od PZWL, który korzysta z ponad 150 tys. zweryfikowanych dokumentów, Noa Evidence od ZnanyLekarz, sięgający do lokalnych wytycznych i czasopism, oraz Eskulap startupu TheLion.AI, oparty na polskim modelu językowym Bielik.

Takie narzędzia działają zwykle według zasady „najpierw wyszukaj, potem generuj”: system przeszukuje licencjonowane źródła – wytyczne, podręczniki, artykuły – a dopiero potem model językowy pisze odpowiedź z przypisami do fragmentów, z których skorzystał. Najtrudniejsze do skopiowania są tu umowy licencyjne z wydawcami. Pracuje się też nad polskim bazowym modelem medycznym: Politechnika Wrocławska i Dolnośląskie Centrum Onkologii, Pulmonologii i Hematologii zapowiedziały w październiku 2026 roku model uczony federacyjnie, czyli bez wynoszenia danych pacjentów poza szpitale, zaczynając od raka płuca.

Przeszukiwanie dokumentacji własnego szpitala przenosi ten sam schemat na dane prywatne – to podejście nazywa się RAG, czyli generowaniem wspomaganym wyszukiwaniem. Wypisy, wyniki badań i skierowania dzieli się na fragmenty i zapisuje jako wektory w bazie wektorowej, a lekarz zadaje pytanie zwykłym językiem, na przykład o wyniki pacjentów z podobnymi objawami, i dostaje odpowiedź opartą wyłącznie na znalezionych fragmentach, z linkiem do każdego dokumentu. Na tej zasadzie działa wyszukiwanie semantyczne w dokumentacji medycznej, które oferujemy placówkom i firmom z sektora ochrony zdrowia. Lokalne modele językowe sprawdzają się też w pracy administracyjnej: w Szpitalu Uniwersyteckim w Bazylei taki model skrócił przygotowanie pisma do ubezpieczyciela z 20 minut do jednej–dwóch.

O tym, czy taki system można bezpiecznie wdrożyć, przesądzają dwa szczegóły. Uprawnienia sprawdza się już na etapie wyszukiwania, więc użytkownik dostaje wyłącznie fragmenty dokumentów, które mógłby otworzyć w systemie szpitalnym – zresztą ustawa o prawach pacjenta wprost wymienia, kto może przetwarzać dane z dokumentacji medycznej. Każda odpowiedź musi też zawierać źródła, bo lekarz powinien móc sprawdzić podsumowanie, zanim zacznie na jego podstawie działać.

Rehabilitacja i telemonitoring z analizą ruchu i sygnałów

Niemiecka Kaia Health obserwuje przez kamerę telefonu, jak pacjent ćwiczy, i na bieżąco koryguje jego technikę. W badaniu opublikowanym w JMIR w 2021 roku korekty aplikacji pokrywały się z uwagami fizjoterapeuty w 82,8% przypadków, przy zgodności 83,3% między dwoma fizjoterapeutami, choć próba liczyła tylko 24 osoby z chorobą zwyrodnieniową kolana lub biodra, a współautorami byli pracownicy firmy. System składa się z trzech warstw:

1. Model rozpoznawania postawy (pose estimation) wyznacza punkty charakterystyczne ciała w każdej klatce nagrania. Otwarty MediaPipe Pose Landmarker Google’a zwraca na przykład 33 takie punkty i działa na Androidzie, iOS i w przeglądarce.
2. Aplikacja przelicza te punkty na kąty w stawach i tory ruchu.
3. Reguły opracowane przez ekspertów klinicznych porównują ruch z docelowymi zakresami i uruchamiają wskazówki dla ćwiczącego.

Sieć neuronowa Kaia działa w całości na telefonie, więc nagranie nigdy nie opuszcza urządzenia – i dzięki tej jednej decyzji architektonicznej najtrudniejsze pytanie o prywatność znika, zanim jeszcze zacznie się analiza zgodności z RODO. Taką funkcję stworzyliśmy w mobilnej aplikacji treningowej dla klienta z branży medycznej: sieci neuronowe i baza wektorowa przeprowadzają w niej 32 kontrole ruchu na punktach charakterystycznych ciała, w czasie rzeczywistym oceniają poprawność ćwiczeń i dopasowują instrukcje do postawy oraz proporcji użytkownika.

W telemonitoringu AI w medycynie wychodzi poza szpital: w programie PulmoRehab szpitala MSWiA w Głuchołazach i firmy Aidmed z domowego monitoringu korzystało około 500 pacjentów z POChP, a algorytm wykrywał zaostrzenia choroby i wysyłał alarmy do zespołu medycznego. Połączenie urządzeń z aplikacją – parowanie i przesyłanie danych w tle – opisujemy szerzej w poradniku o integracji urządzeń medycznych (po angielsku).

Tworzenie AI w medycynie: decyzje, które stoją za każdym przykładem

Kiedy odrzuci się nazwy produktów, każdy z opisanych przykładów AI w medycynie sprowadza się do czterech decyzji: skąd pochodzą dane, który model wykonuje pracę, gdzie trafia wynik i jakie przepisy mają zastosowanie. Wystarczy jeden błąd, żeby pozostałe trzy niczego nie uratowały, a od tych samych wyborów zależy budżet – w poradniku o koszcie oprogramowania medycznego pokazujemy, o ile funkcje AI podnoszą łączną kwotę.

Dane w polskim szpitalu i granice ich użycia

Od jakości danych zależy każdy projekt AI w medycynie, a polskie szpitale mają ich w formie cyfrowej coraz więcej. Według badania Centrum e-Zdrowia za 2025 rok system HIS ma 96% z nich, archiwum obrazów PACS – 74,3%, a 90,6% indeksuje elektroniczną dokumentację medyczną (EDM) w platformie P1. Od 2021 roku zebrano w niej ponad 211 mln indeksów porad, 115 mln wyników badań laboratoryjnych i 37 mln kart wypisowych. Kłopot polega na tym, że model musi się uczyć na danych podobnych do tych, które zobaczy po wdrożeniu. Algorytm wytrenowany na tomografach, nawykach kodowania i populacji jednego szpitala w kolejnym może stracić na trafności – i właśnie dlatego Epic po porażce swojego modelu sepsy zaleca dziś trenowanie go od nowa na danych każdego szpitala.

Równie uważnie trzeba wybrać etykietę, czyli to, czego model ma się nauczyć. Algorytm opisany przez Obermeyera i współpracowników w Science typował chorych do dodatkowej opieki na podstawie przewidywanych kosztów leczenia, a ponieważ na czarnoskórych pacjentów w USA przy tym samym stopniu zaawansowania choroby wydawano mniej, uznawał ich za zdrowszych. Koszt wydawał się rozsądnym zastępczym miernikiem potrzeb. Okazał się niewłaściwy, a ta sama pułapka grozi każdemu, kto uczy model na danych rozliczeniowych.

RODO zalicza dane o zdrowiu do szczególnych kategorii (art. 9) i dane spseudonimizowane nadal traktuje jako osobowe, więc zastąpienie nazwisk kodami nie wyprowadza zbioru spod jego przepisów. Ustawa o prawach pacjenta pozwala udostępnić dokumentację uczelni lub instytutowi badawczemu w celach naukowych tylko bez danych umożliwiających identyfikację (art. 26 ust. 4), a personel IT może przetwarzać dane z dokumentacji wyłącznie na podstawie upoważnienia administratora (art. 24 ust. 2).

Jak pogodzić te zasady z AI, pokazuje Platforma Usług Inteligentnych: dane trafiają do niej spseudonimizowane, obrazy są usuwane najpóźniej po sześciu miesiącach, a dopiero zanonimizowane mogą posłużyć do dalszego doskonalenia modeli. Za dwa i pół roku dojdzie do tego europejska przestrzeń danych dotyczących zdrowia (EHDS), której przepisy o wtórnym wykorzystaniu danych zaczną obowiązywać 26 marca 2029 roku. Zespołom, które tworzą lub dotrenowują własne modele, warto też polecić listę kontrolną UODO z sierpnia 2026 roku, przygotowaną z myślą o wdrożeniach AI.

Wybór modelu: API, model dostosowany albo własny

Prawie każdy projekt aplikacji medycznej z AI mieści się w jednej z trzech ścieżek, a większość produktów łączy co najmniej dwie: asystent dokumentacji zestawia model mowy z ogólnym modelem językowym, a Kaia – wytrenowany model postawy z regułami napisanymi przez ludzi. W polskich realiach dochodzą do tego dwa ograniczenia. Pierwsze to język, bo model musi rozumieć polską terminologię medyczną, skróty z kart i dyktowane opisy, dlatego powstają modele trenowane na polszczyźnie, takie jak Bielik i oparty na nim Eskulap. Drugie to infrastruktura: według Centrum e-Zdrowia 81,4% szpitali trzyma repozytoria dokumentacji na własnych serwerach, a tylko 8,8% korzysta z chmury lub innej formy outsourcingu, więc w wielu placówkach w grę wchodzą raczej modele uruchamiane lokalnie, jak PulsNote. Jeśli projekt korzysta z modelu przez API, podstawą jest umowa powierzenia przetwarzania danych z dostawcą (art. 28 RODO) i przetwarzanie na serwerach w UE.

Ścieżka	Co tworzysz	Jakich danych potrzebujesz	Typowe zastosowania	Główne ryzyko
API modelu z umową powierzenia i przetwarzaniem w UE	Prompty, zabezpieczenia i proces wokół modelu	Przypadki testowe z danej specjalizacji, po polsku	Szkice notatek, podsumowania, wiadomości do pacjentów, wypełnianie formularzy	Wyniki, których nie da się w pełni przewidzieć; warunki przechowywania danych u dostawcy
Model dostosowany (wyszukiwanie lub fine-tuning)	Mechanizm wyszukiwania w dokumentach placówki albo model dostrojony na jej przykładach	Dokumenty placówki albo opisany zbiór jej przykładów	Wyszukiwanie w dokumentacji i wytycznych, formaty notatek dla specjalizacji	Nieaktualne lub źle zabezpieczone źródła; pracochłonne sprawdzanie jakości odpowiedzi
Model wytrenowany lub wyspecjalizowany, także uruchamiany lokalnie	Własny model, zwykle na otwartej architekturze	Duże, opisane zbiory obrazów, sygnałów albo nagrań	Obrazowanie, analiza postawy i ruchu, przewidywanie ryzyka	Zbieranie danych, walidacja i zwykle certyfikacja MDR

Z naszego doświadczenia wynika, że zespoły tworzące AI w medycynie najczęściej mylą się przy wyborze między wyszukiwaniem a dostrajaniem modelu. Wyszukiwanie sprawdza się wtedy, gdy wiedza się zmienia albo trzeba ją cytować, dostrajanie – gdy zmienić ma się format lub styl odpowiedzi; wady i zalety obu podejść omawiamy w porównaniu RAG i fine-tuningu. Jeśli chodzi o koszty, wyszukiwanie semantyczne w dokumentacji leży zwykle na tańszym końcu skali, a analiza ruchu na podstawie wideo na droższym, bo wymaga prawdziwych nagrań, kalibracji i długiego cyklu testów.

Niektóre funkcje w ogóle nie potrzebują uczenia maszynowego. W systemie Diagmatic, który stworzyliśmy do diagnozy psychologiczno-pedagogicznej dzieci, oceny liczą modele matematyczne opracowane przez psychometrów, a my zaimplementowaliśmy je jako algorytmy zwracające poprawne wyniki w czasie rzeczywistym. Kiedy wiedza naukowa jest ugruntowana, deterministyczny kod łatwiej zwalidować niż jakikolwiek model.

Integracja z HIS, PACS i P1 oraz decyzja człowieka

To, gdzie trafia wynik, przesądza o tym, czy ktokolwiek z niego skorzysta. Lekarze pracują w systemie szpitalnym (HIS), radiolodzy na liście badań w PACS, pacjenci w telefonach i w Internetowym Koncie Pacjenta, a funkcja, która wymaga otwarcia osobnego okna, przegrywa w każdym z tych miejsc. W Polsce oznacza to integrację z systemami kilku dostawców – według deklaracji Asseco jego systemy działają w ponad 420 szpitalach – oraz z krajową platformą P1, która ma własne standardy. Usługi e-recepty i e-skierowania działają w starszej technologii usług sieciowych (SOAP), dokumentację medyczną indeksuje się w formacie HL7 CDA według polskiej implementacji krajowej (PIK), a nowocześniejszy standard HL7 FHIR pojawia się na razie tylko w części usług. Obrazowanie wymaga połączenia z PACS i obsługi DICOM – w tym standardzie wracają też wyniki modeli z Platformy Usług Inteligentnych.

Etap, na którym decyduje człowiek, wymaga przy AI w medycynie tak samo starannego zaprojektowania jak model. Biała Księga AI w praktyce klinicznej, przygotowana w 2022 roku przez Polską Federację Szpitali, Koalicję AI w zdrowiu i GRAI, stwierdza, że AI „nie zastępuje profesjonalisty medycznego, nie podejmuje za niego decyzji”, a Kodeks Etyki Lekarskiej zostawia ostatnie słowo lekarzowi. W praktyce przekłada się to na kilka zasad:

• Pokazuj uzasadnienie. Alert powinien wskazywać dane, które go wywołały – tak działa TREWS, którego alert lekarz musi potwierdzić albo odrzucić.
• Potwierdzenie lub odrzucenie – jednym kliknięciem, z opcjonalnym powodem, który trafia do monitoringu modelu.
• Policz alerty na pacjenta na dzień jeszcze przed uruchomieniem. Model Epic alarmował u 18% hospitalizowanych, a od liczby alertów zależy, czy personel przeczyta kolejny.
• Zapisuj w logu każde przyjęcie i każde odrzucenie rekomendacji. Ten sam log posłuży kontroli, jednostce notyfikowanej i przy następnej aktualizacji modelu.

Przepisy – MDR, ustawa o wyrobach medycznych i AI Act

To klasyfikacja regulacyjna rozstrzyga, ile z opisanej wyżej pracy przy AI w medycynie staje się obowiązkiem. Według reguły 11 rozporządzenia MDR oprogramowanie, które dostarcza informacji do decyzji diagnostycznych lub terapeutycznych, należy co najmniej do klasy IIa, więc jego certyfikacja wymaga udziału jednostki notyfikowanej – w Polsce oprogramowanie mogą certyfikować TÜV NORD Polska i PCBC. Organem właściwym jest Prezes Urzędu Rejestracji Produktów Leczniczych, Wyrobów Medycznych i Produktów Biobójczych (URPL), a ustawa o wyrobach medycznych dokłada wymóg językowy: wyrób dla pacjentów musi mieć etykietę, instrukcję i interfejs po polsku, a jeśli jest sterowany głosem – także polskie komendy. W wyrobach dla profesjonalistów dopuszczalny jest angielski, ale informacje dla pacjenta nadal muszą być po polsku.

Od 2 sierpnia 2028 roku na MDR nałożą się wymogi AI Act dla systemów wysokiego ryzyka w wyrobach medycznych – tak przesunął je pakiet Digital Omnibus – a polski nadzór określa ustawa o systemach sztucznej inteligencji z 3 lipca 2026 roku. Organem nadzoru rynku jest w niej Komisja Rozwoju i Bezpieczeństwa Sztucznej Inteligencji (KRiBSI), która współpracuje z Prezesem URPL, a część przepisów, m.in. o opiniach indywidualnych wydawanych w ciągu 30 dni, wchodzi w życie 28 października 2026 roku.

W grudniu 2025 roku Komisja Europejska zaproponowała nowelizację MDR, w której oprogramowanie domyślnie trafiałoby do klasy I, a do wyższych klas tylko przy zastosowaniach w sytuacjach poważnych lub krytycznych. Projekt czeka jednak na decyzję Parlamentu Europejskiego, więc projektować trzeba pod przepisy, które już obowiązują.

Przepis	Czego dotyczy	Organ w Polsce	Od kiedy
MDR (rozporządzenie 2017/745), reguła 11	Oprogramowanie wspierające decyzje kliniczne – co najmniej klasa IIa, certyfikacja z udziałem jednostki notyfikowanej	Prezes URPL; jednostki notyfikowane z uprawnieniami do oprogramowania: TÜV NORD Polska, PCBC	Od 26 maja 2021 roku
Ustawa z 7 kwietnia 2022 roku o wyrobach medycznych	Numer SRN, zgłaszanie incydentów, język polski w etykiecie, instrukcji i interfejsie	Prezes URPL	Od 2022 roku
AI Act (rozporządzenie 2024/1689) po zmianach z Digital Omnibus	Systemy AI wysokiego ryzyka, w tym AI w wyrobach medycznych	KRiBSI we współpracy z Prezesem URPL	Wyroby medyczne: od 2 sierpnia 2028 roku
Ustawa z 3 lipca 2026 roku o systemach sztucznej inteligencji	Polski nadzór nad stosowaniem AI Act, opinie indywidualne	KRiBSI	Od 11 sierpnia 2026 roku, część przepisów od 28 października 2026 roku
RODO, art. 9	Dane o zdrowiu jako szczególna kategoria: podstawa prawna, zwykle ocena skutków dla ochrony danych	Prezes UODO	Od 25 maja 2018 roku
Ustawa o systemie informacji w ochronie zdrowia, art. 31d	Platforma Usług Inteligentnych: pseudonimizacja, usuwanie obrazów po maksymalnie sześciu miesiącach	Minister Zdrowia, Centrum e-Zdrowia	Od 1 lipca 2026 roku
EHDS (rozporządzenie 2025/327)	Wymiana i wtórne wykorzystanie danych o zdrowiu	–	Od 26 marca 2027 roku, wykorzystanie wtórne od 26 marca 2029 roku

Wszystkie te przepisy działają równolegle, więc jeden produkt AI w medycynie może jednocześnie podlegać MDR, AI Act i RODO. Klasyfikację regulacyjną ustal, zanim ruszą prace nad modelem, bo to od niej zależy, jak walidujesz system, co zapisujesz w logach, w jakim języku przygotowujesz interfejs i jak wdrażasz każdą aktualizację po starcie.

FAQ – AI w medycynie

Poniżej odpowiedzi na pytania, które najczęściej padają w rozmowach o AI w medycynie, ze źródłem przy każdej liczbie.

Jak wykorzystuje się AI w polskich szpitalach?

Głównie w szpitalach i głównie w diagnostyce obrazowej. W VIII edycji badania Centrum e-Zdrowia AI stosowało 13,2% szpitali, ale tylko 4,7% wszystkich podmiotów leczniczych, a po analizie tomografii najczęstszymi zastosowaniami były czatboty (18%) i wspomaganie decyzji klinicznych (16,2%). Upowszechnić zastosowania obrazowe ma Platforma Usług Inteligentnych z pięcioma modelami: do tomografii klatki piersiowej, zmian niedokrwiennych i krwotocznych mózgu, urazów kości na zdjęciach RTG, mammografii i RTG klatki piersiowej.

Jakie są najczęstsze zastosowania AI w medycynie?

Najwięcej rzeczywistych wdrożeń mają te zastosowania AI w medycynie:

1. Triaż badań obrazowych przy udarze, zatorowości płucnej i złamaniach
2. Wsparcie badań przesiewowych w mammografii i retinopatii cukrzycowej
3. Analiza długich zapisów EKG i wykrywanie arytmii
4. Wczesne ostrzeganie przed sepsą i pogorszeniem stanu pacjenta
5. Automatyczna dokumentacja wizyt
6. Rejestracja pacjentów i triaż w call center
7. Wyszukiwanie w wytycznych, literaturze i dokumentacji szpitala
8. Telemonitoring chorób przewlekłych
9. Analiza ruchu w rehabilitacji
10. Odkrywanie leków i przewidywanie struktury białek

Pierwsze cztery to zwykle wyroby medyczne certyfikowane zgodnie z MDR, a większość pozostałych to oprogramowanie do dokumentacji lub organizacji pracy.

Czy lekarz musi poinformować pacjenta, że korzysta z AI?

Tak, jeśli AI ma kluczowe znaczenie dla świadczenia. Art. 12 Kodeksu Etyki Lekarskiej, obowiązujący od 1 stycznia 2025 roku, wymaga poinformowania pacjenta o użyciu AI i uzyskania jego świadomej zgody, a według komentarza Naczelnej Izby Lekarskiej zgoda nie musi mieć formy pisemnej. Lekarz powinien przy tym korzystać z certyfikowanych algorytmów, a decyzję diagnostyczną i terapeutyczną podejmuje sam. Producenci asystentów dokumentacji uwzględniają ten wymóg w instrukcjach – w pomocy do Noa Notes pierwszym krokiem jest prośba do pacjenta o zgodę na nagrywanie.

Czy jest medyczny odpowiednik ChatGPT dostępny w Polsce?

Ogólnodostępny ChatGPT to narzędzie konsumenckie, więc nie powinno się do niego wpisywać danych pacjentów: przetwarzanie danych o zdrowiu wymaga podstawy prawnej z art. 9 RODO i umowy powierzenia z dostawcą. Wyspecjalizowane wersje dla lekarzy, ChatGPT for Clinicians i OpenEvidence, są z Polski niedostępne. Po polsku można korzystać m.in. z MediChatu w serwisie MEDICO od PZWL, Noa Evidence od ZnanyLekarz i Eskulapa na modelu Bielik, przy czym żadne z tych narzędzi nie stawia diagnozy, więc odpowiedzialność za decyzję o leczeniu zostaje przy lekarzu.

Czy sztuczna inteligencja zastąpi lekarzy?

Dotychczasowe dane pokazują, że AI w medycynie przejmuje pojedyncze zadania, które dotąd wykonywał lekarz. W końcowych wynikach MASAI czułość badań przesiewowych wspieranych przez AI wyniosła 80,5% wobec 73,8% przy podwójnym odczycie, a każdą mammografię i tak oglądał radiolog; w opisie polskiego projektu AI-MMG pada założenie, że algorytm docelowo może zastąpić jednego z dwóch lekarzy oceniających badanie. Polskie zasady zostawiają jednak decyzję człowiekowi, a najszybciej na AI przechodzą zadania, za którymi mało który lekarz zatęskni: pisanie notatek i dokumentacji.

Jakie zagrożenia niesie AI w medycynie?

Główne zagrożenia związane z AI w medycynie mają charakter praktyczny:

• Płynne, ale błędne odpowiedzi – model językowy pisze przekonująco także wtedy, gdy się myli, dlatego krok weryfikacji przez lekarza jest obowiązkowy.
• Nadmierne zaufanie do automatu – lekarz przyjmuje wynik bez sprawdzenia, zwłaszcza gdy system zwykle ma rację.
• Stronnicze etykiety treningowe – zastępczy miernik, taki jak koszt leczenia, może utrwalać nierówny dostęp do opieki.
• Zmęczenie alarmami – przy zbyt wielu alertach personel przestaje je czytać.
• Dane spoza doświadczenia modelu – algorytm uczony w innym kraju albo na innym sprzęcie może stracić trafność w polskim szpitalu.
• Prywatność – głos i obraz twarzy identyfikują człowieka nawet po usunięciu pozostałych danych, więc nagrania wymagają osobnych zabezpieczeń.

Każde z tych zagrożeń taniej jest uwzględnić w architekturze niż wyjaśniać po incydencie.

Czy oprogramowanie AI w medycynie wymaga certyfikacji?

Tak, jeśli ma cel medyczny. Oprogramowanie, które analizuje obrazy lub sygnały albo dostarcza informacji do decyzji diagnostycznych lub terapeutycznych, jest wyrobem medycznym i według reguły 11 MDR potrzebuje certyfikatu jednostki notyfikowanej oraz oznakowania CE. Widać to po opisanych przykładach: BrainScan CT certyfikowano w klasie IIa, e-Stroke Brainomix w klasie IIb, a model mammograficzny Carebota przeszedł certyfikację MDR przed wejściem do Platformy Usług Inteligentnych. Narzędzia do dokumentacji, rejestracji czy organizacji pracy zwykle wyrobami nie są.

Czy NFZ finansuje narzędzia AI?

Bezpośrednio nie, bo w Polsce nie ma ścieżki refundacji oprogramowania medycznego podobnej do niemieckiej listy DiGA, a producenci, tacy jak BrainScan, apelują o jej stworzenie. Szpitale finansują AI w medycynie z własnych budżetów albo ze środków unijnych: w konkursie KPO na cyfryzację szpitali dofinansowanie sięgało 100% wydatków kwalifikowalnych, a górny limit na jeden szpital wynosił od 6 do 12 mln zł, zależnie od jego poziomu w sieci szpitali. AOTMiT zaproponowała w listopadzie 2025 roku kierunki zmian, które mogą otworzyć drogę do warunkowego finansowania innowacyjnych wyrobów medycznych.