Czy AI może pomagać w analizie zdarzeń niepożądanych w szpitalu?

AI może pomagać w zarządzaniu zdarzeniami niepożądanymi na trzech etapach: przy wykrywaniu potencjalnych incydentów ukrytych w dokumentacji klinicznej, przy analizie wzorców w historycznych zgłoszeniach oraz przy przygotowaniu danych do analizy przyczyn źródłowych. Nie przeprowadzi za ciebie RCA ani nie zmieni kultury bezpieczeństwa na oddziale, ale może skrócić czas potrzebny na zebranie i uporządkowanie danych oraz pomóc wychwycić to, co bez AI przeszłoby niezauważone.

Co trafia do rejestru zdarzeń niepożądanych i dlaczego wpisów jest zwykle za mało

Ustawa o działalności leczniczej nakłada na szpitale obowiązek prowadzenia rejestru zdarzeń niepożądanych. W praktyce rejestr obejmuje kilka kategorii zdarzeń:

• zdarzenia sentinel, czyli poważne, niezamierzone szkody pacjenta, takie jak operacja po złej stronie, śmierć spowodowana błędem lekowym lub pomylenie tożsamości pacjenta przy zabiegu
• near-missy, czyli sytuacje, w których błąd nie dotknął pacjenta, bo ktoś go wychwycił w ostatniej chwili przed wykonaniem
• zdarzenia bez trwałych konsekwencji, ale wymagające udokumentowania i oceny

Problem, który słyszymy od menedżerów jakości w szpitalach, brzmi zawsze podobnie: rejestr formalnie istnieje, ale liczba wpisów jest podejrzanie niska. Personel boi się zgłaszać, bo nie ufa, że informacja nie zostanie użyta przeciwko niemu przy ocenie pracowniczej. Near-missy są najrzadziej rejestrowane. A to właśnie one są analitycznie najcenniejsze, bo pokazują, gdzie system jest blisko granicy, zanim coś naprawdę pójdzie nie tak.

To jest problem organizacyjny i kulturowy, nie informatyczny. AI tu nie pomoże, jeśli personel nie ma motywacji do zgłaszania. Ale jeśli chcemy uzupełnić rejestr o zdarzenia, które nie zostały zgłoszone, bo ktoś o tym nie pomyślał albo nie miał czasu, właśnie tu AI zaczyna być przydatny.

Jak AI może wychwytywać incydenty, których nikt nie zgłosił

Model językowy może przeglądać treść elektronicznej dokumentacji medycznej i szukać sygnałów sugerujących możliwy incydent. Chodzi o konkretne frazy i wzorce językowe w wpisach pielęgniarskich, notatkach lekarskich, opisach procedur i zleceniach.

Typowo wygląda to tak, że system przegląda dokumentację z ostatnich dni lub tygodni i oznacza do weryfikacji hospitalizacje, w których pojawiają się zapisy w stylu: "pacjent zgłosił upadek w nocy", "dawkę skorygowano po podaniu", "wezwano anestezjologa pilnie", "zlecenie anulowano i wystawiono nowe". Koordynator jakości lub menedżer ryzyka dostaje listę przypadków do ręcznej weryfikacji. Zamiast czekać, aż ktoś sam coś zgłosi.

To nie jest automatyczne wykrywanie błędów. AI się myli i będzie wskazywał też przypadki, które nie są zdarzeniami niepożądanymi. Ale zmienia proporcje pracy. Zamiast przeglądać setki kart albo czekać biernie na zgłoszenia, menedżer jakości ma aktywny przegląd dokumentacji z automatycznym filtrowaniem.

Warunek jest jeden: dokumentacja musi istnieć w formie elektronicznej, przeszukiwalnego tekstu. Jeśli szpital prowadzi dokumentację papierową albo skanuje ją jako nieindeskowalny PDF, ten sposób użycia AI po prostu nie zadziała.

Analiza wzorców: dlaczego wzrost incydentów na jednym oddziale nie widać w raporcie rocznym

Rejestr zdarzeń niepożądanych prowadzony przez kilka lat to kopalnia danych. Problem w tym, że wpisy są opisywane różnymi słowami przez różnych ludzi, w różnych porach roku, przy różnych obsadach. Ręczna analiza takiego rejestru jest żmudna i łatwo pominąć wzorzec, który nie jest widoczny na poziomie pojedynczego zdarzenia.

AI może analizować historyczne zgłoszenia i grupować je według podobieństwa semantycznego, a nie tylko według pola "kategoria zdarzenia", które bywa wypełniane niekonsekwentnie. Może też szukać korelacji z innymi zmiennymi: godziną zmiany, dniem tygodnia, oddziałem, rodzajem procedury.

U jednego klienta analiza kilkuletniego rejestru pokazała, że zdarzenia związane z podawaniem leków koncentrują się na jednym oddziale i niemal wyłącznie w godzinach rannych, podczas przekazywania zmiany. W rocznym raporcie te zdarzenia były rozproszone w różnych kategoriach i opisane różnymi słowami przez różnych pracowników, więc wzorzec był niewidoczny. Dopiero grupowanie przez AI ujawniło korelację. Działania naprawcze można było skierować precyzyjnie, zamiast wdrażać ogólne szkolenia dla całego personelu.

Jak AI może skrócić przygotowanie do analizy RCA

Analiza przyczyn źródłowych to metoda, która wymaga czasu, danych i doświadczenia. Faza przygotowania, zebranie dokumentacji, ustalenie chronologii zdarzeń, zebranie relacji osób zaangażowanych, zajmuje często tyle samo czasu co sama analiza. AI może tę fazę skrócić.

Co konkretnie AI może przygotować przed spotkaniem RCA:

• zebrać i chronologicznie ułożyć wpisy z dokumentacji dotyczące danej hospitalizacji: zlecenia, podania leków, wyniki badań, notatki lekarskie i pielęgniarskie
• zaproponować wstępną kategoryzację możliwych przyczyn, np. według taksonomii WHO lub metodologii stosowanej przy akredytacji CMJ
• wskazać podobne zdarzenia z historii rejestru i jakie działania naprawcze były wtedy wdrożone
• wygenerować szkielet raportu RCA z polami do uzupełnienia przez zespół

Wnioski, ocena przyczyn i plan naprawczy muszą pozostać po stronie ludzi. AI nie zna kultury organizacyjnej oddziału, nie wie, kto z kim nie rozmawia, jakie są realne presje na personel przy danej obsadzie. Bez tej wiedzy analiza przyczyn będzie płytka i oparta tylko o to, co widać w dokumentacji, a nie to, co naprawdę się wydarzyło.

Czego AI tu nie zrobi i co warto wiedzieć przed zakupem narzędzia

Kultura bezpieczeństwa, to znaczy czy personel w ogóle chce zgłaszać incydenty i near-missy, to problem organizacyjny. Żaden system AI nie sprawi, że pielęgniarka, która boi się konsekwencji, zacznie pisać wpisy do rejestru. To wymaga zmiany procedur, jasnych gwarancji non-punitive reporting i pracy z kierownictwem oddziałów. AI może uzupełniać rejestr przez analizę dokumentacji, ale nie zastąpi zaufania.

AI nie jest też sędzią. Może wskazać, że w dokumentacji jest coś wymagającego przeglądu. Nie może ocenić, czy to błąd, trudny przypadek kliniczny czy wpis napisany niedbale przez zmęczonego lekarza po nocnym dyżurze. Ocena zawsze należy do człowieka.

Każde narzędzie AI przetwarzające dokumentację kliniczną przetwarza dane osobowe pacjentów i pracowników. Przed wdrożeniem trzeba przeprowadzić ocenę skutków dla ochrony danych (DPIA) i podpisać z dostawcą umowę powierzenia przetwarzania danych. Bez tych kroków wdrożenie będzie niezgodne z RODO, niezależnie od jakości samego narzędzia.

Od czego zacząć, zanim zaczniesz rozmawiać z dostawcą

Cztery pytania wystarczą, żeby wiedzieć, gdzie AI faktycznie pomoże:

• Ile zdarzeń rocznie trafia do rejestru? Jak to wygląda na tle liczby hospitalizacji i wielkości szpitala?
• W jakim systemie prowadzony jest rejestr: moduł w HIS, osobna aplikacja, plik Excel?
• Czy dokumentacja medyczna istnieje w formie elektronicznej, przeszukiwalnego tekstu, czy jest skanowana jako PDF?
• Kto jest odpowiedzialny za RCA i jak długo trwa jeden pełny cykl, od zgłoszenia do wdrożenia działań naprawczych?

Odpowiedzi powiedzą ci, gdzie leży największy problem: czy to kwestia niskiej zgłaszalności, braku analizy wzorców, czy zbyt długiego czasu od zdarzenia do działania. AI pomaga inaczej w każdym z tych miejsc. Warto wiedzieć, które jest twoim priorytetem, zanim zaczniesz szukać narzędzia.

Jeśli chcesz sprawdzić, jak to może działać w twojej placówce, zapraszamy na bezpłatny audyt. Przyglądamy się aktualnemu procesowi zgłaszania zdarzeń, dokumentacji i rejestrowi, a potem wskazujemy, gdzie AI realnie przyspieszy pracę, a gdzie problem wymaga innego podejścia. Przykłady tego, jak to wdrażamy u klientów, znajdziesz w realnych wdrożeniach.