Gdy żaden gotowy model nie pasuje. Co własne AI zmienia w polskiej placówce medycznej

Przez ostatnie dwa lata rynek wyglądał tak: firma wypuszcza duży model ogólnego przeznaczenia, a instytucje dobierają, który pasuje najbliżej. Teraz coś się przesuwa. Narzędzia do fine-tuningu i trenowania małych modeli od podstaw stały się wystarczająco dostępne, żeby organizacja z umiarkowanymi zasobami technicznymi mogła powiedzieć: "tego modelu nie ma, więc zrobimy go sami." Nie chodzi o budowanie konkurenta dla GPT-4. Chodzi o małe, wyspecjalizowane modele, które robią jedną rzecz lepiej niż jakikolwiek model komercyjny, właśnie dlatego, że były trenowane wyłącznie na tym jednym zadaniu z danych własnej organizacji.

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

Żaden ogólny model językowy nie zna kodu oddziału neurologicznego w waszym szpitalu, skrótów stosowanych przez konkretnych lekarzy, ani tego, że "wywiad negatywny" w dokumentacji waszej poradni oznacza coś nieco innego niż w szablonie z innej placówki. Duży komercyjny model radzi sobie "wystarczająco dobrze" z polską medycyną, ale w zadaniach, gdzie liczy się precyzja, "wystarczająco dobrze" to za mało.

Fine-tuning pozwala wziąć otwarty model bazowy i nakarmić go tysiącami przykładów z własnej dokumentacji. Po takim treningu mały model wyspecjalizowany potrafi klasyfikować skierowania dokładniej niż duży ogólny, bo widział setki skierowań właśnie z tego systemu. Rozumie lokalną terminologię, skróty i wzorce. I działa szybciej, bo jest mniejszy, a więc tańszy w eksploatacji.

Kilka praktycznych kierunków, gdzie to ma sens:

• Triage i priorytetyzacja - model uczony na historycznych przypadkach danego SOR-u szybciej przypisuje właściwy poziom pilności niż model, który "czytał o medycynie w internecie".
• Kodowanie ICD i JGP - specyfika polskiego systemu rozliczeń jest na tyle osobna, że model trenowany na lokalnych danych koduje trafniej i zmniejsza liczbę odrzuconych wniosków refundacyjnych.
• Odpowiedzi na zapytania pacjentów - model uczony na FAQ konkretnej placówki brzmi jak ta placówka, nie jak generyczny chatbot.
• Ekstrakcja danych z dokumentacji - wyciąganie wartości ze starych skanów epikryz, tam gdzie OCR daje surowy tekst pełen błędów i skrótów.

Jest też realna bariera. Potrzeba danych do trenowania, a te dane muszą być oczyszczone, zanonimizowane i opisane. To praca, której nie zastąpi żaden model. Placówki, które od lat zbierają dokumentację w ustrukturyzowanej formie, mają tu poważną przewagę nad tymi, gdzie wszystko siedzi w PDF-ach i notatkach odręcznych.

Ważne jest też to, żeby nie trenować modelu tam, gdzie wystarczy dobry prompt i gotowy duży model. Fine-tuning ma sens przy powtarzalnych, masowych zadaniach. Dla incydentalnych pytań klinicznych lepiej zostać przy sprawdzonym modelu ogólnym. To dwie różne strategie i błędem jest mieszanie ich bez planu.

Jeśli zastanawiacie się, czy wasza placówka ma dane i przypadek użycia, który uzasadnia własny model, warto to sprawdzić zanim zainwestuje się czas. Możemy to ocenić razem podczas bezpłatnego audytu.