Pacienti s rakovinou každý den hlásí příznaky; systém třídění případů založený na umělé inteligenci, který dokáže tyto příznaky vyhodnotit, upozorňuje kliniku na závažné vedlejší účinky, nikoli na každý drobný.
Mezi dvěma onkologickými návštěvami se nežádoucí účinky často dostanou na kliniku příliš pozdě. Aplikace Digitální hlídač tuto mezeru vyplňuje: pacienti jsou mezi návštěvami vyslechnuti a klinický tým se okamžitě dozví o závažných nežádoucích účincích – nikoli o každé maličkosti, přesně tak, jak si to přála FN Motol.
Pro pacienta (česky/anglicky, po telefonu): krátký dotazník přizpůsobený aktuální léčbě, jedna otázka na kartu, v oficiálním znění PRO-CTCAE (čeká se na registraci u NCI). Dotazník se ukončí, jakmile se výsledek již nemůže změnit: asi 5–6 otázek namísto 14–17. Poté pacient obdrží praktické, na pravidlech založené rady pro každý příznak. V akutních situacích mají přednost pokyny kliniky: kontaktujte ambulanci nebo volejte 155.
Pro lékaře: příprava před každou návštěvou, včetně pracovního seznamu seřazeného podle naléhavosti a přehledu o pacientovi zobrazujícího historii od poslední návštěvy a souhrnu vygenerovaného umělou inteligencí, v němž každá věta odkazuje na svůj zdroj. Málo, ale smysluplných upozornění: okamžitě upozorňují pouze červené výstrahy, „brzda hluku“ potlačuje opakování, zatímco jakékoli zhoršení se stále dostane k lékaři, a bezpečnostní prahy, jako je „horečka znamená červenou“, jsou uzamčeny. Každá výstraha se vysvětlí jedním kliknutím: pravidlo, prahová hodnota, hodnoty, důkazy a co by změnilo úroveň. Potvrzení a klasifikace podle CTCAE v6 zůstávají v kompetenci lékaře. Lékaři mohou také vyhledávat léky podle názvu, kódu SÚKL nebo ATC a importovat klinické dokumenty pomocí umělé inteligence (proof of concept): fakta jsou extrahována spolu s citací a stávají se návrhy ve formátu HL7 FHIR R4, které lékař potvrzuje.
Jádrem je ověřený rozhodovací strom. Klinici píší pravidla; my je sestavujeme do rozhodovacího stromu pro každou terapii a porovnáváme jej se všemi kombinacemi odpovědí – až dva miliony na jeden profil – s nulovým podtriáží i nadtriáží, a to i v 20 000 simulovaných přijetí napříč 8 terapeutickými profily. Tím se ověřuje věrná implementace; klinické prahové hodnoty jsou prozatímní, dokud je společnost FN Motol neprověří.
Integrace: každý pacient se exportuje jako balíček HL7 FHIR R4 bez chyb validátoru HAPI, a také jako transakční balíček ve formátu InterSystems kit, připravený pro IRIS for Health.
Navrženo s ohledem na budoucí růst: nové léky a diagnózy se připojují jako ověřené moduly. Následuje náš vlastní model trénovaný na anonymizovaných výsledcích, který podléhá stejným kontrolám – nikdy není méně bezpečný než pravidla klinických lékařů. Prototyp běží výhradně na syntetických datech.
- Měli už předtím
- Before the Rakathon we set up our own team of AI agents and wrote the rules they work by. A0 is the lead: it plans the architecture, hands out the work and is the only one allowed to merge into main. A1 takes care of evidence and clinical safety, A2 writes the code (two of them in parallel), A3 checks everything independently, including security, and A4 does the pitch and the demo.
- Využití AI
- AI does the heavy lifting, under control. It extracts the relevant facts from clinical documents and drug labels and turns them into HL7 FHIR R4. It drafts a short patient summary for the physician. The compiled decision tree adapts the questionnaire so patients answer only what matters.
Why not just an LLM? A plain chatbot can hallucinate, give different answers to the same data and may store or train on what it sees. Ours runs in the EU data zone with storage off, sees only the facts it needs, and must back every sentence with a source – a deterministic checker removes anything unproven, and a template takes over if the model is unavailable. Alert levels come only from verified, explainable rules, and the physician always decides. The design follows the EU AI Act principles for high-risk systems: human oversight, transparency, logging and data minimisation. - Dopad
- Patients are heard every day instead of every two to three weeks, and they answer only a handful of questions. Clinicians start the day knowing who needs them and why, with documentation already in HL7 FHIR for the hospital system.
The approach is backed by evidence: in a randomized trial of 766 patients (Basch et al., JCO 2016 / JAMA 2017), regular electronic symptom reporting went with fewer emergency visits (34 % vs 41 %) and longer median survival (31.2 vs 26.0 months).
The system is built to grow with the clinic. The decision tree takes new drugs and diagnoses without rewriting code, and every new version is verified before use. Next steps: clinical review of thresholds and tips with FN Motol, a live link to InterSystems IRIS for Health, drug-class modules and a pilot. In the long term, anonymised outcomes will let the tree learn patterns that experts have not yet described – without ever becoming less safe than the clinicians' rules. - Komu pomůže
- Pacienti a jejich blízcí, Lékaři a sestry, Výzkum
- Technologie InterSystems
- Ano — Every patient record is exported as a validated HL7 FHIR R4 bundle (patient, ICD-10 diagnosis, therapy, check-ins, alerts, CTCAE grades, AI summary with provenance) with zero HAPI validator errors. A transaction bundle in the InterSystems kit format can be pushed to IRIS for Health. AI-assisted import turns facts from clinical documents and drug labels into source-linked FHIR resources, approved by the physician.
Strojový překlad z angličtiny
- Tým
- Junior Scholars — Hlieb Marchenko, Lenny Kranjec
- Výzva
- Digitální hlídač nežádoucích účinků · Praha