U njemačkim bolnicama, gotovo svaki drugi slučaj teške akutne ozljede bubrega (AKI) ostaje potpuno nedijagnosticiran. Sličan obrazac vrijedi i za druge ozbiljne komorbiditete – SIRS, delirij i pothranjenost – što dovodi do lošijih ishoda za pacijente, duljih boravaka u bolnici i većih troškova zdravstvenog sustava.
Na webinaru “The Diagnostic Gap in Serious Comorbidities in German Hospitals”, održanom 26. ožujka 2025. u sklopu EU projekta AI2MED, njemački stručnjak Roland Trefftz (iz Klinikon GmbH) predstavio je kako umjetna inteligencija već danas pomaže smanjiti te dijagnostičke razlike. U nastavku donosimo glavne uvide s ovog informativnog događanja.
1. Ozbiljne bolesti često ostaju neprepoznate – jer nisu ni kodirane
Glavna tema Trefftzova predavanja bio je dijagnostički raskorak – konkretno, razlika između stvarnih laboratorijskih nalaza i onoga što je zabilježeno (kodirano) u bolničkim sustavima. Prema studiji iz bolnice Charité (2019.), čak 49% slučajeva akutne ozljede bubrega (AKI) stadija II i III ostaje nekodirano. U nekim bolničkim specijalizacijama ta brojka ide i do 60%.
A bez koda – nema ni terapije, ni praćenja, ni povijesti bolesti.
„If there is no coding, then no therapy or diagnosis can be derived from the records“, naglasio je Trefftz.
„Ako ne postoji kodiranje, tada iz evidencije nije moguće izvesti ni terapiju ni dijagnozu“, naglasio je Trefftz.
2. AI sustav može predvidjeti napredak bolesti i do tri dana unaprijed
Kao odgovor na ovaj problem, Klinikon je razvio sustav ranog upozoravanja temeljen na AI-u, koji se već više od godinu dana koristi u njemačkim bolnicama. Sustav kontinuirano prati laboratotorijske podatke, poput promjena u serumu kreatinina, i koristi strojno učenje da bi izračunao vjerojatnost razvoja AKI-ja – i do 72 sata unaprijed.
U grafičkom prikazu sustava jasno je vidljivo kako rizik raste, uz točne postotke za svaki stadij:
„Za akutnu ozljedu bubrega stadija III, sustav je predvidio vjerojatnost od 65,9% unutar sljedeća 72 sata.“
3. Liječnici nemaju vremena za ručne izračune – AI donosi automatizaciju
Trefftz je vrlo konkretno opisao zašto do dijagnostičkih propusta dolazi: liječnici su preopterećeni i nemaju kapacitet pratiti stotine parametara ručno.
„Nisam mogao vjerovati da liječnici još uvijek računaju s kalkulatorima.“
Zato je i AI sustav zamišljen da djeluje kao „graf koji vam kaže da ponesete kišobran“ – ako postoji 80% šanse za kišu, ne čekate da pokisnete.
4. Nezarazni SIRS, hipoaktivni delirij i pothranjenost – „nevidljive“ prijetnje
Uz akutnu ozljedu bubrega, sustav ranog upozoravanja prati još tri dijagnoze koje su česte, ali sustavno nedovoljno zastupljene u kliničkoj praksi:
- Neinfektivni SIRS (Systemic Inflammatory Response Syndrome) često ostaje nedetektiran, unatoč tome što se, prema kliničkoj slici, očekuje slična učestalost kao kod infektivnog oblika. Razlog leži u tome što simptomi – poput promjene tjelesne temperature, frekvencije disanja ili broja leukocita – nisu specifični, a njihovo prepoznavanje zahtijeva stalno praćenje više parametara.
- Hipoaktivni delirij, za razliku od hiperaktivnog, rijetko se prepoznaje jer ne uključuje uznemirenost. Pacijenti djeluju smireno, povučeno, često pospano – ali se iza toga može kriti ozbiljan poremećaj svijesti s mogućim posljedicama po ishod liječenja.
- Pothranjenost je prisutna kod više od 20% hospitaliziranih bolesnika, no prema stvarnim podacima iz bolnica, dijagnostički je kodirana u samo 1% slučajeva. Riječ je o stanju koje značajno utječe na imunološki odgovor, oporavak i dužinu hospitalizacije, ali i dalje je rijetko predmet redovitog praćenja.
Sve su to stanja gdje automatizirana detekcija može imati utjecaj između života i smrti.
5. Tehnološki okvir: AI sustav je jednostavan, jasan i poštuje EU regulativu
S tehničke strane, sustav koristi random forest modele, a ne „black box“ (modeli čije je odluke teško interpretirati) neuralne mreže – jer je važno da liječnici mogu razumjeti zašto je sustav donio određenu procjenu. Podaci se skaliraju, biraju se značajke koje su relevantne, a sustav lokalno radi na bolničkim serverima.
Za analizu su dovoljni anonimizirani podaci – bez imena pacijenata, samo ICD-10 kodovi i podaci iz laboratorija. Data sharing se odvija prema strogo definiranim EU pravilima.
Tema je pobudila interes sudionika
Sudionici iz Hrvatske pokazali su snažan interes, posebno za tehničke detalje. Neka od pitanja uključivala su:
- Može li se ova analiza provoditi i u primarnoj zdravstvenoj zaštiti?
- Kako se biraju značajke (features) koje ulaze u model?
- Kako se rješava korelacija među podacima?
- Kako se podaci skaliraju da bi model mogao predvidjeti ishode?
Ova pitanja pokazala su da publika već razmišlja o implementaciji u vlastitim institucijama.
Poziv na suradnju: “Ovu analizu možemo napraviti s vama za tjedan dana”
U završnici, Trefftz je uputio otvoreni poziv bolnicama iz Hrvatske:
„Ovu analizu možemo napraviti s vama u roku od tjedan dana.“
Sve što je potrebno su anonimni bolnički podaci, a rezultat je jasan uvid u dijagnostičke nepodudarnosti – i mogućnost da se one smanje.
Za liječnike i menadžere bolnica koji žele unaprijediti kvalitetu skrbi i optimizirati procese, ovo je konkretna prilika da naprave prvi korak – i to brzo, bez tehničkih prepreka.
Vrijeme je za djelovanje
Dijagnostički raskorak nije samo administrativni problem – to je pitanje sigurnosti pacijenata i učinkovitosti zdravstvenog sustava. Sustavi ranog upozoravanja temeljeni na AI-u nisu daleka budućnost – oni su već ovdje i dostupni.
Ako imate pristup bolničkim podacima, nemojte čekati kišu – ponesite kišobran na vrijeme.
O projektu AI2MED
Webinar je organizirao Smion u sklopu projekta AI2MED, koji okuplja 11 partnera s ciljem modernizacije edukacije i integracije umjetne inteligencije u medicinu. Projekt kombinira inovacije, praksu i obrazovanje kako bi pomogao transformirati zdravstvenu industriju – čineći ju preciznijom, učinkovitijom i dostupnijom svima.
Ako Vas interesiraju slična događanja, pretplatite se na naš Newsletter gdje ćemo Vas redovito obavještavati o prilikama koje organiziramo.
