AI z roztroušené dokumentace připraví podklady pro onkologický tým: ke každému údaji ověřenou citaci, rozpory a chybějící údaje.
Co MedAI for MDT dělá. Přečte celou dokumentaci pacienta (OCR skeny PDF i exporty z NIS) a připraví:
- fakta (diagnóza, staging, histologie, léčba, zobrazení, laboratoř, aktuální stav) – každý s doslovnou citací, kterou kód ověří v textu dokumentu; bez ověřené citace se fakt nezobrazí,
- stručné shrnutí a vyplněný formulář „Konzultace pacienta“ (FNO),
- upozornění: rozpory mezi dokumenty (fulvestrant i.v. × i.m., tři různé zápisy dávky everolimu), změny v čase (růst meningeomu 10×6 → 12×9 mm), chybějící údaje podle kontrolního seznamu komise (histologie, datované MR, ECOG); chybí-li otázka na MDT, označí to a navrhne nejpravděpodobnější otázku jako zřetelně označený návrh AI,
- schéma pacienta na jedné obrazovce: diagnóza → operace → linie léčby → odpověď na časové ose,
- PDF report z polí vybraných v aplikaci, návrh žádosti o další vyšetření či léčbu a export HL7 FHIR R4 (Bundle pro InterSystems IRIS for Health). Jak to funguje. Dávkové zpracování předem: extrakce LLM → ověření citací → sloučení stejných faktů z více dokumentů → pravidla a kontrola rozporů → JSON. Aplikace (ASP.NET Blazor) pak případ zobrazí okamžitě, LLM je potřeba jen pro dotazy během MDT a návrh žádosti. Typy komisí jsou konfigurovatelné profily (neuroonkologie NOCO, obecná onkologie KOC) – nová komise = nový JSON, nový zdroj dat = nový načítací modul. Výsledky na datech hackathonu (20 pacientů). 972 faktů, 99,6 % s ověřenou citací; všech 10 známých problémů v datech nalezeno; ruční anotace 2 pacientů: 57/57 faktů správně, chyby jen v datech (96,5 % dat správně). Náklady cca 0,12 USD na pacienta. Co dál. Napojení na NIS/LIS/PACS přes FHIR, lokální model přímo v nemocnici (architektura je připravená), ověření s lékaři FNO na reálných případech.
- Měli už předtím
- K této úloze žádný hotový kód – pipeline (Python), aplikace (ASP.NET Blazor), profily komisí i hodnocení kvality vznikly během hackathonu. Přinesli jsme zkušenosti z vlastního projektu s lokálními LLM (LM Studio, směrování mezi dvěma modely, statický prefix promptu). Použili jsme open-source knihovny (FastAPI, pdfplumber, pandas, rapidfuzz, Pydantic, QuestPDF, fhir.resources) a modely Claude přes OpenRouter. Data: fiktivní dokumentace poskytnutá FN Ostrava a syntetické záznamy z organizátorských podkladů.
- Využití AI
- Claude Sonnet 5.5 (OpenRouter, teplota 0) čte každý dokument a vrací fakta ve strukturovaném JSON s doslovnou citací; další volání sestaví shrnutí a formulář MDT jen z ověřených faktů a hledá rozpory a změny v čase. Claude Haiku 5.5 odpovídá na dotazy k případu během MDT, vždy s odkazy na fakta. Proti halucinacím: každou citaci kód vyhledá v textu dokumentu (přesně, pak tolerantně) a neověřený fakt se nezobrazí; upozornění na rozpor bez odkazu na ověřené fakty se zahodí; staging, laboratoř a kontrolní seznam počítají deterministická pravidla; AI nedoporučuje léčbu a fakta jsou označena jako předběžná. Kvalitu měříme: 99,6 % ověřených citací, regresní sada známých problémů 10/10, ruční anotace 57/57. Lokální běh ověřen: Qwen2.5-7B na GTX 1080 zpracuje pacienta offline za 1,5 min, ale úplnost jen 14 % – pro nasazení větší model na serveru nemocnice, vybraný stejným zlatým standardem.
- Dopad
- Příprava případu na MDT dnes znamená ruční dohledávání v několika systémech. Odhad: místo 15–30 minut na pacienta stačí několik minut na kontrolu připravených podkladů; při desítkách pacientů týdně jde o hodiny lékařské práce. Asistent upozorní na rozpory a chybějící údaje, které se při ručním čtení snadno přehlédnou (dávka a cesta podání, chronologie, chybějící otázka na MDT, histologie nebo datované MR), takže ubude odložených rozhodnutí a dotazů navíc. Jednotná struktura pro všechny pacienty zrychlí samotné jednání, PDF report a návrh žádosti zkrátí administrativu. Export FHIR R4 umožní napojení na nemocniční systémy a každý údaj je dohledatelný ke zdroji, což usnadní nasazení v regulovaném prostředí.
- Komu pomůže
- Lékaři a sestry
- Technologie InterSystems
- Ne
- Tým
- zombie_apocalypse — Kyrylo Shylov, Myroslav Kalabiha
- Výzva
- AI asistent multidisciplinárního týmu · Ostrava