Podpięcie algorytmu Epic Deterioration Index pod automatyczne wezwania zespołów szybkiego reagowania wiązało się z 18-procentowym spadkiem skorygowanego ryzyka zgonu wśród pacjentów wysokiego ryzyka. Wynika to z badania obejmującego 23 132 chorych z 11 szpitali sieci RWJBarnabas Health w New Jersey, opublikowanego 29 lipca 2026 roku w NEJM AI.
Kluczowe fakty:
- Badanie opublikowane 29 lipca 2026 roku w NEJM AI objęło 23 132 pacjentów z 11 szpitali sieci RWJBarnabas Health w New Jersey i wykazało 18-procentowy spadek skorygowanego ryzyka zgonu wśród chorych wysokiego ryzyka po wdrożeniu automatycznych wezwań opartych na algorytmie Epic Deterioration Index.
- Epic Deterioration Index to model uczenia maszynowego wbudowany w system dokumentacji elektronicznej Epic, który co 15 minut przelicza wynik od 0 do 100 na podstawie parametrów życiowych, wyników laboratoryjnych, ocen pielęgniarskich i wieku pacjenta.
- Wprowadzona zmiana polegała nie na modyfikacji samego modelu, lecz na automatycznym przesyłaniu alertu do zespołu szybkiego reagowania po przekroczeniu najwyższego progu ryzyka; aktywacje takich zespołów wzrosły z 25,3 do 37,5 procent hospitalizacji, a surowa śmiertelność wewnątrzszpitalna spadła z 23,1 do 18,6 procent.
Wynik brzmi mocno i tak też został zakomunikowany. Ale kiedy przeczytałem całość razem z tym, co o tym samym algorytmie wiemy z innych badań, obraz robi się dużo ciekawszy niż komunikat prasowy. Bo bohaterem tej historii wcale nie jest model predykcyjny.
Znajdź dostawcę, partnera lub narzędzie dla swojego biznesu, a jeśli prowadzisz firmę, która w swoim DNA ma AI, skorzystaj z możliwości bezpłatnego dodania swojej firmy.
Co dokładnie pokazuje badanie z NEJM AI
Epic Deterioration Index to firmowy model uczenia maszynowego, który Epic dostarcza wewnątrz swojej dokumentacji elektronicznej. Czyta parametry życiowe, wyniki laboratoryjne, oceny pielęgniarskie i wiek, czyli dane, które i tak już leżą w karcie pacjenta, a następnie zwraca liczbę od 0 do 100. Sieć RWJBarnabas podaje, że wynik przeliczany jest co 15 minut.
Zmiana, którą wprowadzono, dotyczyła nie modelu, tylko tego, dokąd trafia jego wynik. Po przekroczeniu najwyższego progu ryzyka system wysyłał powiadomienie wprost do szpitalnego zespołu szybkiego reagowania.
Badacze z Rutgers Robert Wood Johnson Medical School i RWJBarnabas Health zastosowali porównanie quasi-eksperymentalne, przed wdrożeniem i po nim, rozłożone w czasie na kolejne szpitale. Nie było randomizacji. Analiza objęła dorosłych pacjentów oddziałów zachowawczo-zabiegowych z wynikiem 60 punktów lub wyższym, przyjętych między 1 października 2022 a 30 sierpnia 2024 roku.
- 10 803 pacjentów przed zmianą i 12 329 po zmianie, średnia wieku 71,9 roku
- około 47 procent hospitalizacji po wdrożeniu wygenerowało wezwanie zespołu, choć nie każde wezwanie kończyło się interwencją
- aktywacje zespołu szybkiego reagowania wzrosły z 25,3 do 37,5 procent hospitalizacji
- surowa śmiertelność wewnątrzszpitalna spadła z 23,1 do 18,6 procent
- po korekcie o wiek, choroby współistniejące, typ szpitala, wynik indeksu i efekt ośrodka iloraz szans zgonu wyniósł 0,82
Osobno zwróciłem uwagę na jedną liczbę, o której łatwo zapomnieć przy takich publikacjach. Eskalacje opieki utrzymały się na poziomie około 1 procent w obu okresach. Więcej wezwań nie przełożyło się więc na falę nowych przyjęć na intensywną terapię, czyli na koszt, którego szpitale przy takich wdrożeniach boją się najbardziej.
Autorzy przypisują efekt pakietowi zmian, a nie samemu wynikowi liczbowemu: szkoleniom personelu, dostrajaniu alertów podczas pilotażu w Robert Wood Johnson University Hospital, automatycznym powiadomieniom i gotowemu zespołowi z obsadą intensywistów.
Ten sam algorytm w bezpośrednim porównaniu wypadł słabo
Tu zaczyna się część, której w komunikacie prasowym nie ma.
W październiku 2024 roku w JAMA Network Open ukazało się największe opublikowane badanie porównawcze tego modelu. Zespół Dany Edelson i Matthew Churpka zestawił sześć systemów wczesnego ostrzegania na tych samych 362 926 hospitalizacjach w siedmiu szpitalach Yale New Haven Health. Epic Deterioration Index znalazł się blisko końca stawki z polem pod krzywą ROC równym 0,808. Wyprzedziły go między innymi Rothman Index (0,828) oraz National Early Warning Score (0,829), czyli prosta punktacja, którą lekarz może policzyć w pamięci. Najlepszy okazał się model uczenia maszynowego eCART z wynikiem 0,895.
Jeszcze wyraźniejsza różnica dotyczy czasu. Przy progu wysokiego ryzyka mediana wyprzedzenia zdarzenia wynosiła 11 godzin dla eCART, 8 godzin dla NEWS i zaledwie godzinę dla indeksu Epica. Autorzy przypominają przy tym wcześniejsze dane, według których przeniesienie chorego na intensywną terapię w ciągu 4 do 6 godzin od spełnienia kryteriów pogorszenia poprawia rokowanie. Godzina to za mało, żeby wykorzystać takie okno. Yale New Haven po tych wynikach przeniosło siedem swoich szpitali na eCART w styczniu 2024 roku.
Jak pogodzić jedno z drugim? Moim zdaniem nie ma tu sprzeczności. Badanie z New Jersey nie mierzyło jakości modelu. Mierzyło jakość reakcji.
Czytam te dwie publikacje razem i wyciągam z nich wniosek, który sieciom szpitalnym raczej się nie spodoba, bo jest znacznie trudniejszy do kupienia niż licencja. Da się uzyskać realny spadek śmiertelności na przeciętnym algorytmie, jeśli obudowie się go dobrą organizacją: przeszkolonym personelem, dostrojonymi alertami i zespołem, który faktycznie przyjeżdża do łóżka pacjenta. I da się nie uzyskać niczego na doskonałym algorytmie, jeśli jego wynik wyświetla się tylko w rogu ekranu.
Widzę tu jednak dwa pytania bez odpowiedzi. Skoro efekt wynika z organizacji reakcji, a nie z predykcji, to ile z tych 18 procent zostałoby, gdyby zamiast indeksu Epica wpięto darmowy NEWS? Nikt tego nie sprawdził. I drugie: badanie nie było randomizowane, a przez dwa lata obserwacji szpitale zmieniały się także z innych powodów. To nie unieważnia wyniku, ale każe traktować go jako mocną przesłankę, a nie dowód.
Piotr Wolniewicz, Redaktor Naczelny AIPORT.pl
Chcesz czytać więcej treści związanych z AI?
Dodaj AIPORT.pl do preferowanych źródeł Google
Czego regulator nigdy nie sprawdził
W tym samym badaniu z JAMA Network Open pojawia się wątek, który dla europejskiego czytelnika brzmi znajomo. Amerykańska FDA uznaje oprogramowanie czytające dane z dokumentacji medycznej i sygnalizujące pogorszenie stanu pacjenta za wyrób medyczny podlegający nadzorowi. Do czasu publikacji dopuszczenie uzyskały tylko dwa ogólne systemy wczesnego ostrzegania: Rothman Index i eCART.
Epic Deterioration Index, najszerzej dostępny z całej grupy, takiej ścieżki nie przeszedł. Praca opisująca jego budowę i walidację nie ukazała się w czasopiśmie recenzowanym. A system Epica obejmował w 2022 roku około 48 procent łóżek w amerykańskich szpitalach opieki krótkoterminowej. Algorytm liczy więc w bardzo wielu budynkach, w większości bez zewnętrznej weryfikacji tego, jak dobrze liczy.
Autorzy badania z Yale kończą wniosek jednoznacznie: przy tak dużym rozrzucie dokładności potrzeba więcej przejrzystości i nadzoru nad narzędziami wczesnego ostrzegania.
Za każdą polską firmą AI stoi konkretny człowiek z imieniem i nazwiskiem, często ten sam w kilku miejscach naraz, i to właśnie ludzie, nie tabelki finansowania, są prawdziwym bohaterem tego artykułu.
Co to oznacza dla polskich szpitali
W Polsce ten temat wygląda inaczej, ale zmierza w tę samą stronę.
Według VIII edycji „Badania stopnia informatyzacji podmiotów wykonujących działalność leczniczą”, przeprowadzonej przez Centrum e-Zdrowia jesienią 2024 roku, sztuczną inteligencję wykorzystuje 13,2 procent polskich szpitali. Rok wcześniej było to 6,5 procent. Najczęstsze zastosowanie to diagnostyka obrazowa: tomografia komputerowa (33,9 procent wskazań), obsługa pacjentów (18 procent), wspomaganie decyzji klinicznych (16,2 procent) i rezonans magnetyczny (15,9 procent). Wspomaganie decyzji klinicznych, czyli kategoria, w której mieści się system pokroju EDI, wciąż jest u nas niszą w niszy.
Kalendarz regulacyjny daje trochę oddechu, choć mniej, niż się wydaje. Po porozumieniu w sprawie pakietu Digital Omnibus obowiązki AI Act dla samodzielnych systemów wysokiego ryzyka z Załącznika III zaczną obowiązywać od 2 grudnia 2027 roku, a dla sztucznej inteligencji wbudowanej w wyroby regulowane z Załącznika I, w tym wyroby medyczne objęte MDR i IVDR, od 2 sierpnia 2028 roku. Pierwotnie miał to być 2 sierpnia 2026 roku.
Praktyczny wniosek dla dyrektora szpitala planującego wdrożenie jest według mnie taki. Pytanie „czy ten model jest dokładny” jest ważne, ale wtórne wobec pytania „kto odbierze alert o trzeciej w nocy i w jakim czasie dojdzie do pacjenta”. Amerykanie uzyskali efekt kliniczny na modelu, który w niezależnym porównaniu przegrał z ręcznie liczoną punktacją. Zbudowali za to procedurę. W polskich realiach kadrowych, gdzie zespoły szybkiego reagowania funkcjonują nierównomiernie, to właśnie ta część wdrożenia będzie najtrudniejsza i najdroższa. Oprogramowanie kupuje się jednym przetargiem. Obsady dyżurowej nie.
I jeszcze jedno. Skoro efekt daje organizacja reakcji, to szpital, który nie ma na licencję firmowego modelu, nie jest bez szans. NEWS jest publicznie dostępny i w badaniu z Yale wypadł lepiej niż indeks Epica pod względem zarówno dokładności, jak i czasu wyprzedzenia.
Źródła i metodologia
Artykuł powstał na podstawie analizy redakcji AIPORT.pl oraz dodatkowych źródeł, w tym oficjalnego komunikatu RWJBarnabas Health z dnia 29.07.2026, badania opublikowanego w NEJM AI (DOI: 10.1056/AIoa2500973) oraz pracy porównawczej Edelson i wsp. w JAMA Network Open z 15 października 2024 roku. Dane o polskim rynku pochodzą z VIII edycji badania Centrum e-Zdrowia. Wykorzystano również materiały Yale New Haven Health System, PubMed Central oraz analizy kancelarii prawnych dotyczące harmonogramu AI Act po pakiecie Digital Omnibus. Cytat Stephena P. O’Mahony’ego, Senior Vice President i Chief Medical Information Officer w RWJBarnabas Health, został zweryfikowany z oryginalnym anglojęzycznym materiałem źródłowym. Komentarz redakcyjny i ocena kontekstu branżowego: Piotr Wolniewicz, Redaktor Naczelny AIPORT.pl. Artykuł będzie aktualizowany w miarę pojawiania się nowych informacji o wdrożeniach algorytmów wczesnego ostrzegania w szpitalach.
