Przejdź do treści

News & analizy

AI w szpitalach: co naprawdę potrafią alerty sepsy w 2026

Zaktualizowano: Autor: Andrzej Niemiec6 min czytania

Alert AI w szpitalu nie jest diagnozą. Co badania mówią o sepsie, fałszywych alarmach, kosztach wdrożeń i polskich szpitalach — stan na październik 2026.

AI w szpitalach: co naprawdę potrafią alerty sepsy w 2026
Spis treści
  1. Czy AI w szpitalach ratuje życie?
  2. W jakich obszarach szpital używa dziś AI?
  3. Czym jest alert AI o sepsie i czym różni się od diagnozy?
  4. Dlaczego systemy wczesnego ostrzegania dają fałszywe alarmy?
  5. Co badania mówią o wpływie alertów na śmiertelność?
  6. Jak wypadają trzy systemy sepsy w porównaniu?
  7. Ile kosztuje wdrożenie AI w szpitalu?
  8. Jak wygląda AI w polskich szpitalach?
  9. Kto odpowiada za błąd systemu AI?
  10. Co dalej z AI w szpitalach?
  11. Najczęstsze pytania
  12. Źródła

Czy AI w szpitalach ratuje życie?

Nie w sposób, który da się uogólnić. Wyniki badań są mieszane: część obserwacji wskazuje na korzyść, randomizowane przeglądy jej nie potwierdzają. Różnica wynika z tego, jak mierzono efekt i w jakim szpitalu działał system.

W badaniu TREWS system monitorował 590 736 pacjentów w pięciu szpitalach. Analiza 6 877 przypadków wykazała, że potwierdzenie alertu przez klinicystę w ciągu trzech godzin wiązało się ze spadkiem śmiertelności o 3,3 pkt proc. bezwzględnie i 18,7 proc. względnie [1]. Autorzy opisali to jako badanie kohortowe, więc wynik pokazuje związek, a nie pewny efekt przyczynowy.

Metaanaliza opublikowana 13 maja 2025 r. objęła siedem badań i 3 409 pacjentów. Nie wykazała istotnych różnic w śmiertelności, czasie do podania antybiotyku ani długości hospitalizacji. Jakość dowodów oceniono jako niską [2].

W jakich obszarach szpital używa dziś AI?

Trzy zastosowania powtarzają się najczęściej: analiza obrazów, automatyzacja dokumentacji i wspomaganie decyzji klinicznych. Opisy wdrożeń wskazują na diagnostykę, zarządzanie zasobami i automatyzację notatek jako główne obszary [3]. Polskie dane pokazują, że najczęściej używanym zastosowaniem pozostaje analiza TK [4].

Według badania Centrum e-Zdrowia opublikowanego 27 marca 2025 r. AI wykorzystywało 13,2 proc. szpitali, rok wcześniej 6,5 proc. Analiza TK odpowiadała za 33,9 proc. zastosowań, chatboty i wirtualni asystenci za 18 proc., a wspomaganie decyzji klinicznych za 16,2 proc. [4]

Czym jest alert AI o sepsie i czym różni się od diagnozy?

Alert to wynik modelu ryzyka. System czyta dane z dokumentacji i wskazuje pacjentów, których warto ocenić. Nie rozpoznaje sepsy i nie zastępuje badania klinicznego.

Przykładem jest Sepsis ImmunoScore firmy Prenosis. Narzędzie wykorzystuje do 22 danych z elektronicznej dokumentacji i przypisuje pacjenta do jednej z czterech kategorii ryzyka. Ma wspierać ocenę ryzyka w ciągu 24 godzin i nie może być jedyną podstawą decyzji klinicznej [5][7]. FDA dopuściła je decyzją z 2 kwietnia 2024 r. [6]

Dlaczego systemy wczesnego ostrzegania dają fałszywe alarmy?

Sygnał jest tani, a jego potwierdzenie kosztuje czas personelu. Model uczony na historii jednego szpitala słabnie w innym. Próg ustawiony wysoko zamienia oddział w strumień powiadomień.

Niezależna walidacja modelu Epic Sepsis Model w Michigan, opublikowana w 2021 r., dała AUC 0,63, czułość 33 proc. i PPV 12 proc. Model nie wykrył 67 proc. przypadków sepsy, a alerty generował u 18 proc. hospitalizowanych pacjentów [8][9]. Wynik dotyczy jednego modelu i jednego systemu opieki, nie wszystkich narzędzi tego typu.

Co badania mówią o wpływie alertów na śmiertelność?

Odpowiedź zależy od rodzaju badania. Kohorty pokazują związek między szybką reakcją a lepszym wynikiem. Randomizowane przeglądy nie potwierdzają różnicy w umieralności.

Przeglądy wskazują też na ryzyko alert fatigue, czyli zobojętnienia personelu na kolejne ostrzeżenia [10]. Oceniać trzeba nie tylko AUC, ale także czułość, PPV, liczbę alertów i obciążenie personelu [11]. Model z dobrym wynikiem laboratoryjnym bywa bezużyteczny, jeśli reaguje po rozpoczęciu leczenia albo generuje zbyt wiele powiadomień.

Jak wypadają trzy systemy sepsy w porównaniu?

Trzy systemy różnią się nie tylko techniką, ale też rodzajem dowodu, jaki za sobą mają. Poniższa tabela zestawia to, co wynika z dostępnych źródeł, i wyraźnie oznacza brak danych.

KryteriumEpic Sepsis ModelTREWSSepsis ImmunoScore
Podstawa ocenyniezależna walidacja zewnętrzna (Michigan, 2021) [8]badanie kohortowe w pięciu szpitalach (2022) [1]decyzja FDA z 2 kwietnia 2024 r. [6]
Skuteczność wykrywaniaczułość 33 proc., AUC 0,63, PPV 12 proc. [8][9]powiązanie z niższą śmiertelnością przy potwierdzeniu alertu do trzech godzin [1]w dostępnych źródłach brak danych o czułości i PPV [5]
Obciążenie personelemalerty u 18 proc. hospitalizowanych [8]alert wymaga potwierdzenia przez klinicystę [1]cztery kategorie ryzyka, ocena w ciągu 24 godzin [5]
Status regulacyjnynie wynika z dostępnych źródełnie wynika z dostępnych źródełdopuszczony przez FDA [6][7]

Ile kosztuje wdrożenie AI w szpitalu?

Koszt zależy od zakresu integracji, nie od samego modelu. Najwięcej pochłania połączenie z dokumentacją i szkolenie personelu. Publiczne dane dotyczą pojedynczych wdrożeń, nie całego rynku.

Według przewodnika branżowego koszty wdrożeń w polskich szpitalach startują od 50 tys. zł (stan na październik 2026; dane deklarowane przez dostawców, nie oficjalny cennik) [12]. Ten sam materiał podaje, że w ramach KPO rozdano 3,1 mld zł na cyfryzację [12].

Analiza opisana przez Portal Technologiczny wskazuje na 942 mln dolarów dodatkowych wydatków w USA w latach 2023–2025 [13].

Ocena ekonomiczna hiszpańskiego systemu BIAlert-Sepsis, opublikowana 31 sierpnia 2026 r., objęła 8 039 pacjentów. Średni koszt przyjęcia spadł z 26 517 do 24 630 euro, a przyjęć na oddział intensywnej terapii było mniej [14][15]. Autorzy zaznaczyli, że to jeden szpital z gotową infrastrukturą sepsową i że na wynik mogły wpłynąć trendy oraz czynniki zakłócające. Nie jest to dowód na oszczędności w każdym szpitalu.

Jak wygląda AI w polskich szpitalach?

Punktowo i nierówno. Większość placówek nie używa AI w procesie klinicznym, a te, które używają, skupiają się na obrazowaniu. Skala wdrożeń rośnie, ale odsetek szpitali z AI w decyzjach klinicznych pozostaje niski.

Odsetek 13,2 proc. oznacza, że AI dotarła do co ósmego szpitala [4]. Największy udział ma analiza TK, czyli zadanie o wąskim zakresie i czytelnym wyniku. Ten sam przewodnik zapowiada, że kolejne wymogi AI Act zaczną obowiązywać w ciągu kilku miesięcy [12]. Warto śledzić też dyskusję o finansowaniu polskich projektów AI, opisaną w tekście Czy Orzeł naprawdę podniesie polską AI z kolan?.

Kto odpowiada za błąd systemu AI?

Odpowiedzialność zostaje po stronie personelu i placówki. Model jest narzędziem wsparcia, a osoba oceniająca alert podejmuje decyzję. Wdrożenie wymaga lokalnej walidacji i monitorowania po starcie [11].

W praktyce to trzy obowiązki: sprawdzenie modelu na własnych danych, wskazanie osoby odpowiedzialnej za ocenę alertu i śledzenie liczby fałszywych alarmów. Brak tych elementów przenosi ryzyko na szpital, niezależnie od tego, kto dostarczył oprogramowanie. Radzimy zaczynać od jednego procesu i mierzyć efekt przed rozszerzeniem na kolejne oddziały.

Co dalej z AI w szpitalach?

Najbardziej prawdopodobny kierunek to podział pracy. AI przejmuje czynności powtarzalne: wstępną analizę obrazów, porządkowanie dokumentacji, wyliczanie ryzyka. Decyzje kliniczne zostają przy personelu.

W dyskusji o organizacji ochrony zdrowia w Polsce pojawia się pomysł refundacji nielekowych technologii cyfrowych wykorzystujących AI [16]. Taki mechanizm zmieniłby ekonomikę wdrożeń bardziej niż kolejne ulepszenia modeli. Sposób przejścia od pilotażu do produkcji opisujemy w tekście Praktyczne zastosowania AI: od pilotażu do produkcji.

Najczęstsze pytania

Czy AI może samodzielnie zdiagnozować sepsę?

Nie. Dopuszczone narzędzia mają wspierać ocenę ryzyka, a nie zastępować diagnozy. Sepsis ImmunoScore przypisuje pacjenta do jednej z czterech kategorii ryzyka i nie może być jedyną podstawą decyzji klinicznej [5][7]. Rozpoznanie stawia personel na podstawie badania i danych klinicznych, a model jedynie wskazuje, kogo ocenić w pierwszej kolejności.

Czy lekarz musi potwierdzić alert?

Tak, w praktyce każdy alert wymaga oceny. W badaniu TREWS potwierdzenie alertu w ciągu trzech godzin wiązało się z niższą śmiertelnością [1]. Alert bez reakcji nie zmienia wyniku leczenia. Dlatego system powinien wskazywać osobę odpowiedzialną za ocenę każdego powiadomienia i zapisywać, co się z nim stało.

Co to jest alert fatigue?

To zobojętnienie personelu na powtarzające się ostrzeżenia. Gdy alertów jest zbyt wiele, część przestaje być czytana, a personel traktuje je jak szum. Przeglądy opisują to zjawisko jako jedno z głównych ryzyk wdrożeń systemów wczesnego ostrzegania [10][11]. Liczba alertów na zmianę jest tak samo ważną miarą jak czułość modelu.

Czy AI w szpitalach obniża koszty?

Nie zawsze. W USA analiza wskazała 942 mln dolarów dodatkowych wydatków w latach 2023–2025 [13]. W jednym hiszpańskim szpitalu średni koszt przyjęcia spadł z 26 517 do 24 630 euro [14]. Oszczędność zależy od infrastruktury, skali i sposobu rozliczania, więc wyniku jednej placówki nie da się przenieść na cały system.

Jak sprawdzić, czy model działa w konkretnym szpitalu?

Trzeba zmierzyć czułość, PPV i liczbę alertów na własnych danych, a nie opierać się na AUC z publikacji. Pomocne jest porównanie z obecnym sposobem wykrywania przypadków oraz dziennik alertów, który pokazuje, ile powiadomień personel faktycznie obsłużył. Walidacja przed wdrożeniem i monitoring po nim to warunek sensownej oceny [11].

Źródła

  1. Prospective, multi-site study of patient outcomes after implementation of the TREWS machine learning-based early warning system for sepsis (Nature Medicine, 2022)
  2. The Effect of Early Warning Systems for Sepsis on Mortality: A Systematic Review and Meta-analysis (Journal of General Internal Medicine, Springer, 2025)
  3. AI w ochronie zdrowia: jak usprawnia pracę szpitali? (Medpress)
  4. Szpitale coraz chętniej korzystają z narzędzi wspieranych przez AI (Centrum e-Zdrowia)
  5. April 2, 2024 Prenosis, Inc. — De Novo request (FDA)
  6. FDA Roundup: April 5, 2024 (FDA)
  7. Device Classification Under Section 513(f)(2)(De Novo) — DEN230036 (FDA)
  8. Widely used sepsis prediction tool is less effective than Michigan doctors thought (NHLBI, 2021)
  9. Epic Sepsis Model Poorly Predictive Due to Low Sensitivity, Inadequate Calibration (Infectious Disease Advisor)
  10. AI Sepsis Alerts at the Bedside: Early Detection, False Positives, and Alert Fatigue (European Open Science)
  11. Artificial Intelligence in Sepsis Management: An Overview for Clinicians (PMC)
  12. Sztuczna inteligencja w polskich szpitalach: praktyczny przewodnik (medalion.tech, 2026)
  13. AI miała usprawnić szpitale. A podniosła rachunki o niemal miliard dolarów (Portal Technologiczny)
  14. Prospective economic evaluation of a predictive artificial intelligence model for sepsis: Effects on hospital costs and return on investment (PMC, 2026)
  15. Prospective economic evaluation of a predictive artificial intelligence model for sepsis (PLOS Global Public Health, 2026)
  16. Jak przy pomocy AI poprawić organizację ochrony zdrowia w Polsce? (ITwiz)
AN
O autorze
Andrzej Niemiec

Fanatyk nowych technologii i specjalista w zakresie sztucznej inteligencji.

Jak powstają teksty: Polityka AI · O redakcji