Pierwsza generacja medycznej AI często była przedstawiana jako system odpowiedzi na pytania. Następna generacja musi być bliżej pracy.
Lekarze nie rozumują w pustym polu input. Poruszają się przez obrazy, wcześniejsze notatki, zlecenia, dokumenty, trendy labów, wiadomości i historie pacjentów. Porównują to, co widzą teraz, z tym, co wydarzyło się wcześniej. Pytają, czy brakująca informacja zmienia kolejny krok.
Przestrzeń pracy jest częścią modelu
W SaroviX agent powinien wiedzieć, który pacjent jest otwarty, które badanie obrazowe jest widoczne, która warstwa lub region jest omawiany, co mówiła poprzednia notatka i co lekarz próbuje wytworzyć. Ten kontekst czyni agenta mniej teatralnym, a bardziej użytecznym.
Pytanie radiologiczne powinno być osadzone w widoku DICOM/NIfTI. Zadanie pisania notatki powinno być osadzone w spotkaniu i wcześniejszej osi czasu. Pytanie molekularne powinno być osadzone w bazie pacjenta i kontekście białka lub ścieżki. Pytanie zespołu opieki powinno być osadzone w zadaniach, czerwonych flagach, follow-upie i odpowiedzialnościach.
Zarys transkryptu
Po pierwsze, agent słucha. Powinien rozumieć wypowiedzianą intencję bez zmuszania lekarza do nienaturalnych komend. Po drugie, agent patrzy. Powinien czytać aktywny stan workspace’u: obraz, dokument, notatkę, zadanie, pacjenta i istotną historię. Po trzecie, agent działa za zgodą: szkicuje notatkę SOAP, porównuje obraz, tworzy podsumowanie pacjenta albo pyta o brakujące dane.
Po czwarte, agent zostawia ślad. Medyczna AI nie może być magiczną maszyną zdań. Powinna pokazywać, czego użyła, co wywnioskowała i gdzie pozostaje niepewność.
Jak powinien działać agent w prawdziwym workspace’ie
Wideo powyżej daje ogólny kontekst. Poniżej jest nasz roboczy scenariusz produktowy: agent ma pamiętać pacjenta, rozpoznawać aktywny widok, odpowiadać głosem, tworzyć notatkę i zachowywać audytowalny ślad decyzji.
- Scena 1: lekarz otwiera badanie i mówi: “porównaj to z poprzednim CT”. Agent wie, który pacjent i która seria są aktywne.
- Scena 2: system oznacza brakujące dane: poprzedni opis, kreatynina, alergie, lek z ostatniej wizyty.
- Scena 3: agent szkicuje wniosek, a lekarz zatwierdza, poprawia albo odrzuca każdy element.
Źródła
- Johns Hopkins Medicine, Artificial Intelligence in Healthcare, wideo wprowadzające do klinicznych zastosowań AI.
- WHO, Ethics and governance of artificial intelligence for health, zasady bezpieczeństwa i governance dla AI w opiece.
- Komisja Europejska, European Health Data Space, kontekst interoperacyjnego dostępu do danych klinicznych.