Odpowiedź na zapytanie w 2 dni robocze
Wszystkie realizacje
AI ActDane medyczneModele predykcyjne

Healthcare Analytics: wcześniejsze wykrywanie ryzyka z lekarzem w pętli decyzji

Klient: MediviaBranża: Ochrona zdrowia27 maja 2026
Wyniki
mediana czasu od alertu do pierwszych antybiotyków
-1,7 godz.
AUROC modelu na danych walidacyjnych
0,83
szpitale w sieci Medivia
4

Wyzwanie

Medivia prowadzi cztery szpitale i kilkanaście przychodni. Lekarze dyżurni na oddziałach internistycznych obserwują naraz kilkudziesięciu pacjentów. Oznaki pogorszenia stanu, na przykład początek sepsy, bywają subtelne i rozłożone w czasie: lekko wyższa temperatura, spadek ciśnienia, zmiana wyników laboratoryjnych.

Dyrekcja medyczna chciała wesprzeć lekarzy systemem, który wcześniej zauważa takie wzorce. Warunek był jasny: żadnej automatycznej decyzji, pełna przejrzystość i zgodność z przepisami o danych medycznych oraz z unijnym AI Act, który system tego typu zalicza do wysokiego ryzyka.

Podejście

Zbudowaliśmy model, który co godzinę ocenia ryzyko pogorszenia u każdego hospitalizowanego pacjenta, na podstawie parametrów życiowych, wyników badań i historii leczenia. Wynik nie jest diagnozą, tylko sygnałem: „ten pacjent wymaga uwagi” wraz z czynnikami, które na to wpłynęły.

Od początku projektowaliśmy system pod wymogi AI Act: dokumentacja techniczna, rejestr zdarzeń, nadzór człowieka, monitoring działania po wdrożeniu. Lekarz zawsze widzi uzasadnienie i może alert odrzucić, a każde odrzucenie trafia do analizy jakości modelu.

Wdrożenie

Dane pozostają w infrastrukturze Medivii, w zamkniętej sieci. Dane do uczenia modelu zostały pseudonimizowane, a dostęp do nich mają tylko wskazane osoby. Przed uruchomieniem model przez trzy miesiące działał w trybie cichym: liczył ryzyko, ale lekarze alertów nie widzieli. Pozwoliło to sprawdzić trafność na prawdziwych przypadkach bez wpływu na leczenie.

Potem uruchomiliśmy system na dwóch oddziałach pilotażowych, a po sześciu miesiącach rozszerzyliśmy na wszystkie cztery szpitale. W trakcie szkoleń z personelem omawialiśmy przede wszystkim ograniczenia: kiedy model się myli i dlaczego nie należy mu ufać ślepo.

Wyniki

Model osiągnął AUROC na poziomie 0,83 na danych walidacyjnych, czyli wartość typową dla publikowanych systemów wczesnego ostrzegania. W przypadkach, w których lekarz potwierdził alert w ciągu trzech godzin, mediana czasu do pierwszej dawki antybiotyku skróciła się o 1,7 godziny.

Nie deklarujemy wpływu na śmiertelność: do takiego wniosku potrzeba dłuższej obserwacji i badania prospektywnego, które Medivia prowadzi razem z partnerem akademickim. Zespół medyczny zwraca uwagę, że część alertów jest fałszywa, więc próg czułości jest regularnie przeglądany.

Technologie

  • Python
  • XGBoost
  • PostgreSQL
  • FHIR
  • MLflow
  • Kubernetes
  • SHAP
  • Grafana