Sztuczna inteligencja w analizie incydentów i systemie nauki w celu zwiększenia bezpieczeństwa pacjentów i poprawy jakości leczenia

Dlaczego mądrzejsze przeglądy incydentów mają znaczenie dla pacjentów

Za każdym bezpiecznym leczeniem onkologicznym stoi niewidoczna warstwa kontroli, ponownych kontroli i nauki na podstawie zdarzeń bliskich pomyłce. Radioterapia jest bardzo precyzyjna, ale jej złożone, zespołowe procesy pracy pozostawiają miejsce na drobne błędy, które mogą rozlać się na poważniejsze problemy. Szpitale już gromadzą tysiące raportów o bliskich zdarzeniach i drobnych usterkach, jednak ręczne przeglądanie tych relacji jest wolne i niespójne. Ten artykuł opisuje nowy system oparty na sztucznej inteligencji, który pomaga ekspertom szybko analizować raporty o incydentach, odkrywać ukryte wzorce w przyczynach awarii i przekształcać tę wiedzę w bezpieczniejszą opiekę.

Od ludzkich opowieści do systemowego uczenia się

Kiedy podczas leczenia radioterapeutycznego zdarzy się coś nietypowego — na przykład niejasne polecenie, opóźnienie lub zdarzenie bliskie błędowi — klinicyści wpisują narracyjny raport własnymi słowami. Tradycyjnie zespoły ds. jakości i bezpieczeństwa czytają każdą relację, ustalają, co poszło nie tak, i mapują to na ramy czynników ludzkich zwane HFACS, które rozkładają przyczyniające się czynniki od frontowych potknięć po głębsze problemy organizacyjne. To podejście jest skuteczne, ale czasochłonne, zwłaszcza w obciążonych ośrodkach onkologicznych, gdzie rejestrowane są tysiące incydentów — większość nie szkodzi pacjentom, ale zawiera cenne lekcje. Nowy system Artificial Intelligence–based Incident Analysis and Learning System (AI‑ILS) ma wesprzeć te zespoły, automatyzując dużą część pracy klasyfikacyjnej przy zachowaniu nadzoru ekspertów.

Oczyszczanie i wyjaśnianie języka incydentów

Zanim algorytm będzie mógł zrozumieć narrację o incydencie, tekst musi być jednocześnie bezpieczny do udostępnienia i jasny w znaczeniu. AI‑ILS najpierw usuwa dane osobowe — takie jak imiona, daty i numery dokumentów — używając wyspecjalizowanych modeli językowych szkolonych do rozpoznawania informacji wrażliwych w tekście medycznym. Następnie rozszerza medyczne skróty i lokalny żargon do bardziej przejrzystych sformułowań, dzięki czemu akronimy typu „DIBH” czy skróty związane z konkretnymi stanowiskami są poprawnie interpretowane. Ten dwuetapowy proces przygotowawczy czyni raporty anonimowymi i łatwiejszymi do zrozumienia dla modelu głównego, przy jednoczesnym zachowaniu pierwotnej struktury i intencji narracji, co jest kluczowe dla trafnej oceny, co poszło nie tak.

Nauczanie SI rozpoznawania głębszych przyczyn

W centrum systemu znajduje się duży model językowy dopracowany na 1 548 starannie przygotowanych przykładowych raportów o incydentach. Zespół wielodyscyplinarny — w tym fizycy, pielęgniarki, terapeuci, dosymiści i lekarze — opracował te przykłady, aby obejmowały szerokie spektrum problemów w czterech warstwach HFACS: niebezpieczne działania, przesłanki (takie jak obsada czy środowisko), nadzór oraz szersze wpływy organizacyjne. Model trenowano w czterech równoległych gałęziach, po jednej dla każdej warstwy, z dodatkową opcją „żadne z powyższych”, aby nie zmuszać każdej relacji do nienależytej kategorii. Po dopracowaniu wydajność modelu poprawiła się dramatycznie: jego zdolność do rozróżniania poprawnych i niepoprawnych etykiet (mierzoną standardowymi miarami dokładności i korelacji) wzrosła z poziomu zbliżonego do losowego do silnej zgodności z oceną ekspertów.

Testy systemu w rzeczywistych klinikach

Naukowcy następnie zastosowali AI‑ILS do 350 rzeczywistych raportów o incydentach z wewnętrznej bazy bezpieczeństwa dużego ośrodka onkologicznego. Porównując klasyfikacje systemu z ocenami doświadczonych fizyków medycznych, stwierdzili około 79% ścisłej zgodności i prawie 88% zgodności, gdy przypadki graniczne uznano za „możliwie akceptowalne”. System działał znacznie szybciej niż ludzie: potrafił w pełni przetworzyć i skategoryzować incydent w około pięć sekund, podczas gdy recenzenci potrzebowali około dwóch i pół minuty na przypadek. Prosty interfejs w formie czatu pozwala klinicystom zobaczyć, jak SI zinterpretowała raport, zadawać pytania uzupełniające i lepiej rozumieć, dlaczego zaproponowano konkretną przyczynę, co czyni narzędzie partnerem, a nie czarną skrzynką.

Co to oznacza dla bezpieczniejszej opieki

Badanie sugeruje, że starannie dopasowany system SI może wiarygodnie wspierać ekspertów w rozumieniu dużych ilości raportów bezpieczeństwa, uwalniając czas na głębsze dochodzenia i działania. Zamiast zastępować ludzkie osądy, AI‑ILS porządkuje i standaryzuje wzorce incydentów w zakresie błędów frontowych, warunków pracy, nadzoru i praktyk organizacyjnych. Przy szerszym wdrożeniu i większych, wieloośrodkowych zbiorach danych podobne narzędzia mogłyby pomóc szpitalom przejść od reaktywnych napraw po zdarzeniu do proaktywnych, opartych na danych usprawnień w sposobie świadczenia opieki — cicho zmniejszając liczbę możliwych do uniknięcia szkód i czyniąc złożone terapie, takie jak radioterapia, bezpieczniejszymi dla pacjentów na całym świecie.

Cytowanie: Jinia, A.J., Chapman, K., Liu, S. et al. Artificial intelligence-based incident analysis and learning system to enhance patient safety and improve treatment quality. npj Digit. Med. 9, 254 (2026). https://doi.org/10.1038/s41746-026-02390-2

Słowa kluczowe: bezpieczeństwo pacjenta, radioterapia, zgłaszanie incydentów, sztuczna inteligencja, czynniki ludzkie