AI nie naprawi bałaganu w danych szpitalnych. Zrób to przed wdrożeniem RAG

W branży technologicznej utrwalił się schemat, który widzimy regularnie. Organizacja inwestuje w pilota AI, uruchamia system oparty na architekturze RAG, a po kilku miesiącach projekt staje w miejscu. Wtedy pada pytanie: model za słaby? Okno kontekstowe za małe? Tymczasem inżynierowie budujący rurociąg danych widzą co innego. Model dostał niespójne, fragmentaryczne dane i odpowiedział niespójnie. To nie jego wina.

RAG, czyli Retrieval-Augmented Generation, to podejście, w którym system najpierw wyszukuje fragmenty dokumentów albo rekordów, a potem przekazuje je modelowi językowemu jako kontekst. Brzmi rozsądnie. Pułapka pojawia się wtedy, gdy ktoś zakłada, że warstwa wyszukiwania "jakoś to posprząta". Nie posprząta. Jeśli dane źródłowe są sprzeczne, model dostanie sprzeczne sygnały i albo odpowie błędnie, albo bardzo ogólnie. W obu przypadkach traci zaufanie. I projekt ląduje na półce.

Co to oznacza dla polskich placówek medycznych (szpitale, przychodnie, apteki, gabinety)

Ochrona zdrowia to branża, gdzie dane bywają wyjątkowo porozrzucane. Szpital średniej wielkości może mieć kilka niezintegrowanych systemów jednocześnie: HIS do obsługi hospitalizacji, LIS dla laboratorium, RIS dla radiologii, osobny moduł apteki. Do tego wyniki z zewnętrznych laboratoriów w PDF, dokumentacja zeskanowana w różnej jakości, kody ICD w kilku wersjach, a gdzieś na końcu arkusz Excel prowadzony od lat przez jeden z oddziałów. To nie jest wyjątek. To norma.

Gdy do takiego środowiska wpina się asystenta AI, na przykład do przeszukiwania dokumentacji klinicznej albo wspierania decyzji farmaceutycznych, pułapka się domyka. Jedna klinika opisuje cukrzycę jako "DM2", inna pisze "cukrzyca typu 2", jeszcze inna wpisuje wyłącznie kod E11. System RAG wyciąga trzy różne fragmenty, model dostaje trzy różne sygnały i produkuje odpowiedź, której nikt nie chce użyć klinicznie. A zarząd stwierdza, że AI nie działa.

Działa. Tylko nie na tym, na czym powinno. Dlatego zanim zacznie się wybierać model albo architekturę, warto zadać sobie kilka niezbyt seksownych pytań:

• Gdzie faktycznie mieszkają dane kliniczne i administracyjne, w jakim formacie i jak często są aktualizowane.
• Czy te same pojęcia medyczne są zapisywane jednakowo w różnych systemach i działach.
• Które dane są zduplikowane, niekompletne albo historycznie pomieszane, zanim trafią do systemu.
• Co musi zrobić warstwa normalizacji, żeby dane stały się spójne jeszcze przed przetworzeniem przez model.

Bez odpowiedzi na te pytania projekt AI będzie walczył z bałaganem zamiast rozwiązywać problemy kliniczne. Pieniądze pójdą na model. A model utonie w danych.

Jeśli planujecie wdrożenie AI w Waszej placówce i nie jesteście pewni, w jakim stanie są Wasze dane, zacznijcie od rozmowy z nami. Oferujemy bezpłatny audyt, podczas którego oceniamy gotowość danych do wdrożenia systemu AI i wskazujemy, od czego zacząć bez marnowania budżetu.