Rakathon 2026 · projekty
Všechny projekty
Vítěz výzvy

Nessio

FIT/S · Cesta pacienta bez ztráty informací · Praha

Nessio pomocí AI propojuje lékařské zprávy, odhaluje chybějící údaje a hlídá další kroky onkologické péče.

Problém

Při předávání pacienta do komplexního onkologického centra přichází dokumentace z různých pracovišť, v různých podobách a často neúplná. Koordinátor musí dohledávat výsledky, zajistit potřebná vyšetření a připravit podklady pro multidisciplinární tým (MDT). Odesílající lékař přitom potřebuje vědět, jak péče pokračuje a co tým rozhodl.

Řešení

Nessio tento postup propojuje v jedné aplikaci. Lékař vybere KOC a nahraje existující zprávy. AI z nich připraví strukturovanou předávku, označí chybějící nebo rozporné údaje a k vytěženým hodnotám připojí citace z původních dokumentů. Lékař návrh zkontroluje a odešle. Koordinátor následně doplňuje podklady a řídí další postup péče: u každého kroku vidí, kdo jej zajišťuje, kde a kdy má proběhnout a na co se čeká. Pro jednání MDT aplikace sestaví přehlednou zprávu pouze z informací dostupných k jeho datu. Později doplněné výsledky už tento podklad nezmění. Po jednání koordinátor zapíše nebo nahraje závěr a odešle jej praktickému lékaři, který potvrdí převzetí. AI připravuje podklady; klinické rozhodnutí a potvrzení zůstává na člověku.

Testování

Vedle dat ze zadání jsme vytvořili druhý syntetický případ pacienta s karcinomem rekta, abychom ověřili fungování aplikace na jiné diagnóze a jiných problémech v dokumentaci. Záměrně jsme do něj zahrnuli rozporné informace o alergii, chybný rok narození, histologickou zprávu datovanou před odběrem vzorku a chybějící vyšetření důležité pro MDT. Ověřujeme také, že aplikace nevytváří falešná upozornění a nedoplňuje údaje odhadem, například nepočítá neuvedenou výšku z hmotnosti a BMI. Oba případy používáme pro porovnávání modelů a kontrolu kvality extrakce.

Stav implementace

Stihli jsme implementovat hlavní průchod od žádosti přes AI předávku a koordinaci až po potvrzené předání závěru. Přidali jsme vyhledávání v dokumentaci s citacemi, návrhy kódů MKN-10, audit změn a rozhraní pro AI agenty. Data ukládáme do InterSystems IRIS for Health a využíváme jeho vektorové vyhledávání i FHIR server. Základní provoz stojí na tom, že lékař dokumentaci odešle a koordinátor s ní dále pracuje. FHIR s evropskými a českými profily umožňuje případné propojení s dalšími systémy.

Další kroky

Dalším krokem je přímé vyžádání a doplnění informací od praktických lékařů i externích partnerů, například specialistů, laboratoří nebo jiných nemocnic. Příjemce by požadavek obdržel v aplikaci a přiložil odpověď či chybějící zprávu. Rozšířit chceme také opravy a správu dokumentace: úpravy laboratorních výsledků a vyšetření, odstranění chybně nahraných dokumentů nebo návrat k původní hodnotě po ruční změně. Další rozvoj může zahrnout opakovaná jednání MDT, zpracování skenovaných zpráv, AI návrhy dalších úkolů, skutečné e-mailové a SMS notifikace a předávání informací reviznímu lékaři. Pro běžný provoz zbývá doplnit skutečné přihlašování a oprávnění a ověřit aplikaci s koordinátory a lékaři v praxi.

Měli už předtím
Nic
Využití AI
V Nessio používáme GPT‑6.1 Sol v evropském nasazení Azure k vytěžení lékařských zpráv do strukturované předávky, hledání chybějících a rozporných údajů a návrhům shrnutí či otázek pro MDT. Multijazyčný model paraphrase-multilingual-mpnet-base-v2 běží lokálně a spolu s InterSystems IRIS Vector Search umožňuje vyhledávání v dokumentaci s citacemi a návrhy kódů MKN‑10.

Pracujeme s daty ze zadání a vlastním syntetickým případem jiné diagnózy se záměrnými rozpory a chybami. Na obou případech porovnáváme modely a kontrolujeme extrakci, citace i nalezené problémy.

U vytěžených hodnot ověřujeme citaci v původním dokumentu. Běžný kód navíc kontroluje například datum výsledku vůči datu odběru nebo soulad rodného čísla s datem narození a převádí hodnoty na sjednocené jednotky. Nedoložené hodnoty odmítáme nebo označujeme, chybějící údaje nedoplňujeme odhadem. AI návrhy uživatel zkontroluje přímo proti zdroji; ruční opravy se zachovají i při opakované extrakci.
Dopad
Největší dopad očekáváme v menší administrativě a rychlejší přípravě pacienta na MDT.
Pro pilot odhadujeme:
- Úsporu 15–30 minut na případ při přepisování údajů, procházení zpráv a sestavování podkladů. Při 100 pacientech měsíčně jde o 25–50 hodin práce lékařů a koordinátorů, po započtení kontroly AI výstupu.
- Zkrácení zbytečných prodlev o jednotky dnů u případů, které dnes čekají kvůli přehlédnutému výsledku, nejasné odpovědnosti nebo nevyřízenému požadavku.
- Méně přehlédnutých nesrovnalostí a ztracených kroků díky citacím, kontrolám rozporů, přehledu úkolů a potvrzení převzetí závěru.
Komu pomůže
Pacienti a jejich blízcí, Lékaři a sestry, Nemocnice a poskytovatelé péče
Technologie InterSystems
Ano — FHIR R4 v InterSystems IRIS for Health používáme pro standardizované sdílení klinických dat s evropskými a českými profily. Předávku, výsledky, úkoly a původ údajů promítáme do FHIR zdrojů. Závěr MDT publikujeme jako dokumentový Bundle s odkazem na PDF. Celý případ lze exportovat přes Patient/$everything. Přijímáme také žádanky ve FHIR Bundlu; přiložené zprávy procházejí AI extrakcí.
Tým
FIT/S — David Bambásek, Jan Beringer, Jan Černý, Martin Štrobl
Výzva
Cesta pacienta bez ztráty informací · Praha