Uđete kod ljekara. Sjednete. Počnete objašnjavati šta vas muči.
Nakon desetak sekundi shvatite da vas skoro i ne gleda. Gleda monitor. Kuca u svojoj aplikaciji na računaru. Otvara nove prozore, klikne još nekoliko puta. Vi pričate, on i dalje kuca.
Ako ste posljednjih godina bili u domu zdravlja u Banjaluci, hitnoj pomoći ili nekoj od klinika UKC-a, ova scena vam vjerovatno nije nepoznata.
Problem nije što ljekar nema vremena za vas. Problem je što ga administracija primorava da to vrijeme troši na računar umjesto na vas.
Kada je ljekar postao administrator
Digitalizacija je trebala pomoći ljekarima. Paradoksalno, u mnogim ordinacijama dogodilo se upravo suprotno - ljekar je postao administrator umjesto kliničara.
Ako uzmemo prosječan pregled od 20 minuta, raspored vremena često izgleda ovako:
- ~15 minuta – unos podataka u softver za evidenciju (anamneza, dijagnoza, terapija, administrativna polja)
- ~5 minuta – stvarna posvećenost pacijentu
Ovo je lično zapažanje sa jednog pregleda, ne zvanična statistika za naš sistem, ali ono što potvrđuje i strana literatura jeste da je problem globalan i mjerljiv. Analize američkog tržišta govore o sličnom nesrazmjeru između vremena provedenog u dokumentaciji i vremena provedenog sa pacijentom, što je i jedan od glavnih pokretača razvoja čitave industrije "AI pisara" o kojoj će biti riječi kasnije u tekstu.
Zamislimo, samo radi ilustracije, jedan prosječan radni dan. Ljekar koji pregleda tridesetak pacijenata i na svakom izgubi desetak minuta na kucanje umjesto na razgovor, to je, grubo računato, nekoliko sati dnevno koji odu na administraciju umjesto na medicinu. Ovo nije izmjeren podatak, nego ilustracija razmjera problema, ali razmjera koji se svakom ljekaru čini poznatim.
Šta se gubi kada je fokus na ekranu
- Manje pažnje pacijentu: utisak da razgovarate sa nekim ko je usmjeren na monitor, ne na vas, narušava povjerenje.
- Rizik od propuštenih detalja: podijeljena pažnja znači veći rizik da neki simptom ostane nedovoljno istražen.
- Iscrpljenost ljekara: administrativni pritisak pojačava profesionalno sagorijevanje, naročito u hitnoj pomoći i UKC-u gdje je tempo i onako intenzivan.
- Duže čekanje: svaki minut na unosu podataka umjesto na pregledu produžava red čekanja. (Problem sa redovima čekanja je dobro poznat kod nas...)
Šta kada bi računar slušao umjesto ljekara?
Zamislite da tokom pregleda postoji još jedan, tihi učesnik razgovora.
Ne medicinska sestra. Ne pripravnik. Nego digitalni zapisničar.
On ne postavlja pitanja. Ne donosi dijagnozu. Ne odlučuje. Samo sluša razgovor i piše umjesto ljekara.
To je suština ideje, ljekar nastavlja da radi ono što najbolje zna, razgovara sa pacijentom, pregleda ga, izgovara dijagnozu i terapiju naglas, kao i inače. U pozadini, AI sluša taj isti razgovor i strukturirano unosi ključne podatke u postojeći sistem (dijagnozu, terapiju, simptome, alergije, preporuke). Na kraju pregleda, ljekaru se prikazuje predloženi unos. On ga pregleda, po potrebi ispravi, i jednim klikom potvrdi.
Ljekar ne kuca. Ljekar razgovara.
Ono što pacijent inače čuje usmeno od ljekara, istovremeno postaje i uredna evidencija u kartonu. Pažnja ostaje tamo gdje i treba biti, a to je pacijent.
Da li se ovakav sistem može implementirati kod nas?
Malo sam istraživao ovu temu i mogu reći da ovo nije naučna fantastika. Takozvani "ambientni AI pisari" već su aktivan segment zdravstvene tehnologije u svijetu. Nuance DAX, koji je danas dio Microsofta, koristi ambijentalno slušanje da bi u pozadini pratio cijeli pregled i generisao strukturiranu bilješku, duboko integrisan sa velikim EHR sistemima poput Epica. Abridge je izrastao u jednog od vodećih igrača u velikim zdravstvenim sistemima, sa dubokom integracijom i podrškom za više jezika. Nabla nudi sličan pristup uz izričitu politiku da se audio zapis po defaultu ne čuva, što je posebno bitno za privatnost pacijenata.
Ovi primjeri ne dokazuju da bi rješenje kod nas radilo isto tako lako jer zdravstveni sistemi, softveri i propisi se razlikuju od zemlje do zemlje. Ali dokazuju da tehnologija nije eksperiment, nego zreo, već primijenjen koncept. Pitanje nije da li tako nešto može da radi, nego da li naš postojeći softver za evidenciju to dozvoljava.
Šta treba provjeriti prije nego što se bilo šta gradi
Prije razvoja, potrebno je provjeriti nekoliko preduslova: da li postojeći softver za evidenciju ima otvoren API za integraciju, da li je zatvorenog ili otvorenog koda, ko je vlasnik podataka i ko odlučuje o izmjenama (ministarstvo, dom zdravlja/UKC ili privatna firma koja je razvila softver), i koliko je sistem uopšte fleksibilan za dodatne module.
Ako API postoji i dozvoljava upis podataka onda je rješenje izvodljivo. Ako ne postoji ili je ograničen, put zavisi isključivo od volje vlasnika softvera da otvori taj pristup.
Zaključak
Umjetna inteligencija neće izliječiti pacijenta. Neće postaviti dijagnozu. Neće preuzeti odgovornost.
Ali može vratiti ono što je medicina polako počela gubiti: vrijeme.
Vrijeme da ljekar sluša. Vrijeme da gleda pacijenta. Vrijeme da bude ljekar.
Kako bi se ovo moglo realizovati...
Za čitaoce koje zanima tehnička strana problema.
Šta bi vlasnik softvera trebalo da obezbijedi
- Otvoren API koji dozvoljava automatski upis dijagnoze, terapije i drugih podataka.
- Jasnu, standardizovanu strukturu podataka (dijagnoza kao šifra ili tekst, terapija, lijekovi sa dozama).
- Sigurnu komunikaciju između AI modula i sistema (autentifikaciju, enkripciju, kontrolisan pristup).
- Jednostavan interfejs za ljekara. Start/stop snimanja i pregled unosa prije potvrde.
- Validaciju podataka na serverskoj strani, da se ne upišu pogrešni ili nepotpuni podaci.
- Podršku za latinicu i ćirilicu, jer se u praksi koriste oba pisma.
- Istoriju izmjena i ograničena prava AI modula. Isključivo dodavanje, nikako brisanje ili izmjena bez ljekarske potvrde.
Koji AI model za prepoznavanje govora
Za prepoznavanje govora na srpskom jeziku, jedna realna opcija je Whisper, open-source model koji je razvio OpenAI. Zahvaljujući tome što je open-source, može se pokretati on-premise (lokalno, na serverima ustanove), što je bolje rješenje i sa stanovišta troška i sa stanovišta zaštite osjetljivih zdravstvenih podataka, jer oni ne napuštaju infrastrukturu ustanove. Nakon prepoznavanja govora, potreban je dodatni sloj, prilagođen medicinskoj terminologiji, koji iz transkripta izdvaja strukturirane podatke i mapira ih na polja koja API očekuje.
Osnovni koraci realizacije
- Razvoj AI modula koji sluša razgovor i izdvaja relevantne podatke iz transkripta.
- Integracija sa postojećim API-jem softvera za evidenciju pacijenata.
- Pilot testiranje sa manjim brojem ljekara, u kontrolisanom okruženju, prije šireg uvođenja.
Tehnologija za ovo postoji i dostupna je. Ono što nedostaje nije tehnički kapacitet, nego institucionalna odluka da se administrativni teret skine sa ljekara i vrati fokus tamo gdje i pripada. Na pacijenta.
