Jak AI może pomagać farmaceucie klinicznemu w szpitalu?
AI może przejąć screening setek zleceń dziennie, pilnować dawkowania przy niewydolności nerek i śledzić terminy TDM. Sprawdź, co to oznacza dla farmaceuty i dyrektora szpitala.
AI może realnie odciążyć farmaceutę klinicznego przy codziennym przeglądzie setek zleceń. Nie zastępuje go przy trudnych decyzjach, ale bierze na siebie powtarzalne sprawdzanie: dawkowanie przy niewydolności nerek, interakcje istotne klinicznie, terminy oznaczeń TDM i śledzenie antybiotykoterapii. Farmaceuta widzi rano listę spraw wymagających uwagi, zamiast czytać każde zlecenie od zera.
Gdzie farmaceuta kliniczny traci najwięcej czasu
W typowym szpitalu 300-łóżkowym farmaceuta kliniczny obchodzi kilka oddziałów dziennie. Na samym OIT może być 50 aktywnych pacjentów z kilkuset zleceniami. Do tego chirurgia, interna, oddział kardiologiczny. Zanim dojdzie do faktycznej pracy klinicznej, spędza dwie, niekiedy trzy godziny na przeglądzie zleceń w HIS.
Problem nie polega na tym, że farmaceuta jest powolny. Polega na tym, że musi przejrzeć wszystko, żeby znaleźć to, co wymaga korekty. Większość zleceń jest prawidłowa. Ale żeby to potwierdzić, trzeba każde otworzyć, sprawdzić dawkę, porównać z diagnozą i wynikami nerek. Przy szybkiej rotacji na chirurgii i kilku zmianach lekarskich w ciągu nocy zlecenia zmieniają się dynamicznie.
Do tego dochodzą telefony z oddziałów. "Czy można podać wankomycynę przez wenflon obwodowy?" albo "Jaka dawka meropenemu przy kreatyninie 3,1?" Każde zapytanie przerywa pracę, wymaga sprawdzenia i oddzwonienia. Dziennie takich pytań bywa kilkanaście, szczególnie na oddziałach, gdzie lekarze wiedzą, że farmaceuta odbierze i odpowie.
Dokumentacja interwencji dopełnia obraz. Każdą rekomendację, którą farmaceuta wydał lekarzowi, powinien wpisać do systemu z kodem interwencji, numerem zlecenia, oddziałem i wynikiem. W wielu szpitalach ta dokumentacja jest niepełna, bo po prostu nie ma czasu na bieżące wpisywanie. A bez niej nie ma danych do miesięcznego raportu dla zarządu ani do akredytacji CMJ.
Co AI sprawdza zamiast farmaceuty: lista konkretnych zadań
Zamiast farmaceuty przeszukującego ręcznie każde zlecenie, AI robi automatyczny przegląd całości i generuje listę alertów do sprawdzenia. Typowe kategorie:
- Dawkowanie przy obniżonej funkcji nerek. System pobiera bieżące eGFR lub kreatyninę z LIS i porównuje dawkę zleconych leków z tabelą rekomendowaną dla danego stopnia niewydolności. Alert trafia do farmaceuty, nie od razu do lekarza.
- Interakcje klinicznie istotne w kontekście pacjenta. Nie każda para leków z bazy interakcji wymaga działania. AI uwzględnia diagnozę, inne wyniki i pozostałe zlecenia. Pokazuje te kombinacje, które u tego konkretnego pacjenta mogą mieć znaczenie kliniczne.
- Terminy oznaczeń TDM. Wankomycyna, aminoglikozydy, digoksyna, cyklosporyna. System pilnuje, czy od ostatniego oznaczenia minął czas wymagający kolejnego pobrania i generuje propozycję zlecenia badania z sugerowaną godziną pobrania.
- Duplikaty terapeutyczne. Dwa inhibitory pompy protonowej na liście, dwa NLPZ od różnych lekarzy, dwie statyny zlecone przez kardiologa i internistę z różnych zakładek HIS.
- Leki wymagające korekty po zmianie parametrów laboratoryjnych. Gdy eGFR spada między kolejnymi oznaczeniami o zdefiniowany próg, AI flaguje aktywne zlecenia pacjenta wymagające przeliczenia dawki.
Taki przegląd, który farmaceuta robi ręcznie przez dwie-trzy godziny, AI przetwarza w kilka minut po każdej aktualizacji zleceń. Farmaceuta widzi rano listę kilkunastu pozycji do sprawdzenia, a nie plik trzystu zleceń.
Monitorowanie terapeutyczne leków: gdzie błąd kosztuje zdrowie pacjenta
TDM to obszar, w którym skutki złego zarządzania są bezpośrednie. Za wysoki poziom wankomycyny niszczy nerki. Za niski nie leczy infekcji. Idealny poziom zależy od masy pacjenta, funkcji nerek, drogi podania i czasu pobrania próbki względem infuzji.
Typowo wygląda to tak: pacjent dostaje wankomycynę od czterech dni. Wynik poziomu wpłynął do LIS wczoraj o 21:30. Farmaceuta widzi go rano i zastanawia się, o której godzinie pobrano krew. Pielęgniarka, która brała krew, skończyła dyżur. Bez godziny pobrania nie wiadomo, czy to był peak, trough czy próbka midstage. Wynik zostaje bez interpretacji do kolejnego dnia. Brzmi znajomo? W większości szpitali, z którymi rozmawiamy, właśnie tak to działa.
AI może automatycznie śledzić godzinę pobrania z danych LIS, godzinę ostatniego podania z rejestru zleceń i pielęgniarskich kart podań, przeliczyć, do jakiej fazy farmakokinetycznej należy wynik, i dać farmaceucie gotowy komentarz z obliczonym AUC lub sugestią dawki następnej. Farmaceuta zatwierdza lub koryguje. Ale ma punkt wyjścia, a nie białą kartkę.
U jednego z klientów szpitalAI wdrożenie śledzenia TDM zmniejszyło liczbę nieobsłużonych wyników (wynik wpłynął do LIS, brak adnotacji w dokumentacji po 24 godzinach) z kilku dziennie do zera w ciągu pierwszego miesiąca. Wyniki zaczęły być interpretowane na bieżąco, a nie przy porannym obchodzie nazajutrz.
Program antybiotykowy i stewardship: AI jako narzędzie codziennej kontroli
Program ochrony antybiotyków to jedno z wymagań akredytacji CMJ i coraz częściej temat kontroli szpitalnych. Zadaniem farmaceuty klinicznego w takim programie jest systematyczny przegląd antybiotykoterapii pod kątem kilku pytań: czy antybiotyk jest nadal uzasadniony po 48-72 godzinach, czy wynik posiewu pozwala na de-eskalację, czy czas terapii nie przekroczył rekomendacji dla danej jednostki chorobowej.
AI może codziennie generować listę pacjentów z aktywną antybiotykoterapią trwającą ponad ustalony próg, zestawioną z datą ostatniego posiewu i jego wynikiem mikrobiologicznym. Farmaceuta widzi na jednym ekranie: pacjent, oddział, antybiotyk, dzień terapii, wynik posiewu, sugestia de-eskalacji (jeśli posiew wrócił z wrażliwością na węższe spektrum). Zamiast szukać tych informacji w trzech zakładkach HIS.
To ważne z perspektywy epidemiologii szpitalnej. Placówki, które systematycznie de-eskalują antybiotykoterapię, rzadziej borykają się z narastaniem oporności na karbapenemy i inne antybiotyki ostatniej linii. AI nie podejmuje decyzji, ale dostarcza informację w momencie, kiedy decyzja jest jeszcze możliwa i uzasadniona klinicznie.
Odpowiedzi na pytania z oddziałów bez kolejki telefonów
Lekarze i pielęgniarki pytają farmaceutę o dawki, drogi podania, zgodność z roztworami do infuzji i dostępność zamienników. Część tych pytań jest powtarzalna. "Czy ceftriakson można podać dożylnie przez wenflon obwodowy?" albo "Jaka jest dawka metronidazolu w profilaktyce okołooperacyjnej?" wraca regularnie na różnych oddziałach.
AI z bazą wiedzy farmaceutycznej może obsługiwać te standardowe pytania bezpośrednio w HIS, przez wewnętrzny czat lub dedykowany moduł zapytań. Odpowiedź pojawia się natychmiast. Farmaceuta widzi historię pytań i może dodać komentarz lub korektę. Niestandardowe przypadki i tak trafiają do niego, ale standardowe przestają zalegać w jego kolejce.
Ważny detal dotyczący architektury takiego narzędzia: AI obsługujące pytania farmaceutyczne, które mogą wpłynąć na decyzję kliniczną, powinien działać bez dostępu do narzędzi modyfikujących zlecenia. Zapytanie od pielęgniarki to treść zewnętrzna i może zawierać nieścisłości albo błędnie opisaną sytuację. AI odpowiada tekstem, a zlecenie zmienia farmaceuta lub lekarz po weryfikacji. Tak powinien być zbudowany przepływ informacji.
Dokumentacja interwencji i miesięczny raport dla zarządu
Każda interwencja farmaceutyczna powinna być udokumentowana z typem interwencji, identyfikatorem zlecenia, kodem ICD-10 problemu lekowego, oddziałem i wynikiem. W systemach, które to obsługują, istnieje zakładka interwencji farmaceutycznych w HIS lub w module farmacji klinicznej.
AI może wypełniać te pola automatycznie, na podstawie alertu, który wygenerował, i reakcji farmaceuty na ten alert. Jeśli farmaceuta zmodyfikował zlecenie po alercie dotyczącym dawki przy NK, AI dokumentuje to jako interwencję: kategoria "dawkowanie przy niewydolności nerek", lek, oddział, wynik "interwencja zaakceptowana, dawka zredukowana". Farmaceuta dodaje komentarz kliniczny. Nie wpisuje całości od zera.
Na koniec miesiąca raport generuje się automatycznie: liczba interwencji według kategorii, oddziału, grupy leków, wskaźnik akceptacji przez lekarzy. Dane trafiają do systemu zarządzania jakością. Przy akredytacji CMJ taka dokumentacja jest jednym z dowodów działającego systemu bezpieczeństwa lekowego. Typowy raport, który bez AI zajmuje kilka godzin zbierania danych z różnych ekranów, z AI wymaga kwadransa weryfikacji.
Jakie integracje są potrzebne i od czego zacząć wdrożenie
Żeby AI działało użytecznie w farmacji klinicznej, musi mieć dostęp do kilku źródeł danych w czasie zbliżonym do rzeczywistego:
- Aktywne zlecenia z HIS z dawką, drogą podania, godziną wystawienia i zlecającym lekarzem.
- Wyniki laboratoryjne z LIS: przynajmniej kreatynina, eGFR, poziomy leków monitorowanych w ramach TDM, INR dla pacjentów na warfarynie.
- Lista rozpoznań z ICD-10 dla każdego pacjenta, choćby robocza, żeby kontekstualizować interakcje.
- Masa ciała i wzrost z karty przyjęcia lub pielęgniarskiej karty obserwacji, żeby liczyć dawki na kilogram.
Bez LIS moduł dawkowania przy NK działa połowicznie. Bez godzin podania ze zlecenia TDM wymaga ręcznego uzupełnienia. Dlatego wdrożenie zawsze zaczyna się od mapowania: jakie dane są dostępne przez API, a jakie istnieją tylko w formie skanów lub pól tekstowych bez struktury. To etap, który warto zrobić zanim wybierzecie dostawcę, nie po podpisaniu umowy.
Dobry punkt startowy to jeden oddział z dużą liczbą zleceń i farmaceutą klinicznym, który ma motywację wziąć udział w pilotażu. Chirurgia z blokiem operacyjnym, oddział wewnętrzny z dużą rotacją pacjentów lub OIT sprawdzają się najlepiej. Po czterech-sześciu tygodniach pilotażu wiadomo, które alerty trafiają w sedno, które generują szum i gdzie reguły wymagają dostrojenia. Dopiero po tym etapie wdraża się kolejne oddziały.
Jeśli Wasza placówka zatrudnia farmaceutę klinicznego lub planuje ten etat i szukacie miejsca, żeby wdrożyć AI przy pracy z lekami, zacznijcie od rozmowy z nami. Robimy bezpłatny audyt, podczas którego sprawdzamy, jakie dane macie w systemach, gdzie są największe wolumeny powtarzalnych zadań i co da się zautomatyzować bez ryzyka. Realne wdrożenia z polskich szpitali opisujemy w case studies.
Najczęstsze pytania
Czy AI może zastąpić farmaceutę klinicznego w szpitalu?
Nie. AI przejmuje powtarzalne zadania kontrolne, jak screening setek zleceń czy flagowanie dawek przy niewydolności nerek, ale każdą decyzję terapeutyczną zatwierdza farmaceuta lub lekarz. AI pozwala farmaceucie skupić się na trudnych przypadkach zamiast czytać setki standardowych zleceń.
Czy szpital bez etatu farmaceuty klinicznego może wdrożyć moduł AI do zleceń lekowych?
Może wdrożyć alerty dla lekarzy i pielęgniarek, ale bez farmaceuty, który sprawdza i rozstrzyga te alerty, szybko stają się szumem ignorowanym przez personel. Skuteczny system wymaga osoby merytorycznie odpowiedzialnej za odpowiedź na alerty.
Jakie systemy HIS współpracują z AI do farmacji klinicznej w Polsce?
Moduły farmacji klinicznej są rozwijane w ramach AMMS (Asseco), CliniNET (CGM) i iMed24. Zakres integracji z zewnętrznymi modułami AI zależy od wersji systemu i dostępności API do zleceń oraz wyników laboratoryjnych w danym wdrożeniu.
Czy AI do rekomendacji dawkowania musi mieć certyfikat wyrobu medycznego?
Jeśli moduł bezpośrednio rekomenduje dawkę wpływającą na decyzję kliniczną, prawdopodobnie podlega regulacji jako wyrób medyczny klasy IIa lub wyżej zgodnie z MDR i wymaganiom AI Act jako system wysokiego ryzyka. Kwalifikację powinien przeprowadzić prawnik z doświadczeniem w prawie medycznym we współpracy z dostawcą.
Jak wyliczyć, ile czasu farmaceuta kliniczny zyska dzięki AI?
Konkretne oszczędności zależą od wolumenu zleceń na oddziałach i stopnia integracji z LIS. Dobry punkt wyjścia to zmierzenie, ile godzin farmaceuta spędza teraz na porannym przeglądzie zleceń i ilu alertów TDM nie obsługuje na czas, bo nie ma czasu.
Opracowanie: zespół redAi z wykorzystaniem narzędzi AI.
Chcecie sprawdzić, jak AI rozwiąże to u Was?
Bezpłatny audyt potrzeb i pokaz działającego wdrożenia. Bez zobowiązań.


