Start z polskim AI. Od pomysłu do wdrożenia #SmarterDiagnostics

Start z polskim AI to cykl rozmów, którego celem jest przedstawienie doświadczeń związanych z polskimi modelami językowymi AI oraz praktykami firm i instytucji we wdrażaniu tych rozwiązań. Zapraszamy do rozmowy z Bartoszem Boruckim, współzałożycielem i Prezesem Zarządu firmy Smarter Diagnostics.

Czym dokładnie zajmuje się Smarter Diagnostics i na jakie potrzeby rynku odpowiadają Państwa rozwiązania?

Smarter Diagnostics to polski startup typu spin-off Uniwersytetu Warszawskiego, wywodzący się ze środowiska naukowego i oparty na silnych kompetencjach badawczych. Jako firma deeptech rozwijamy zaawansowane technologie wykorzystujące sztuczną inteligencję w obszarze medycyny sportowej oraz tzw. performance health, czyli zdrowia i wydajności ruchowej.

Koncentrujemy się na analizie ruchu człowieka, uwzględniając jednocześnie szerszy kontekst zdrowotny i treningowy. Tworzymy platformę, która integruje różnorodne źródła danych - od badań medycznych i obrazowych, przez dane biomechaniczne, aż po informacje pochodzące z urządzeń ubieralnych. Dzięki temu użytkownicy mogą pracować na wszystkich istotnych danych w jednym środowisku, wspieranym przez wyspecjalizowanych agentów AI.

Nasze rozwiązanie pomaga identyfikować potencjalne nieprawidłowości, wskazywać obszary wymagające uwagi oraz rekomendować działania wspierające zapobieganie urazom, poprawę formy i optymalizację wydajności.

Głównym problemem, który rozwiązujemy, jest rozproszenie danych oraz trudność w ich praktycznym wykorzystaniu. Wiele organizacji gromadzi cenne informacje dotyczące zdrowia i aktywności fizycznej, jednak często brakuje im narzędzi pozwalających spojrzeć na nie w sposób całościowy. My umożliwiamy połączenie tych danych w jeden spójny obraz, a następnie przekładamy płynące z nich wnioski na konkretne działania i decyzje. Dzięki temu wspieramy organizacje nie tylko w analizie danych, lecz także w ich skutecznym wykorzystaniu w praktyce.

Skąd wziął się pomysł na wykorzystanie sztucznej inteligencji w Państwa rozwiązaniu?

Myślę, że w dużej mierze wynikało to z realnej potrzeby rynku. Organizacje takie jak placówki medycyny sportowej czy kluby sportowe coraz częściej gromadzą ogromne ilości danych, jednak samo ich zbieranie to dopiero początek. Kluczowym wyzwaniem jest zrozumienie tych informacji i przełożenie ich na konkretne działania wspierające zdrowie, regenerację i rozwój zawodników.

Do tego potrzebne są zwykle zespoły łączące różnorodne kompetencje. Z jednej strony niezbędna jest wiedza analityczna i umiejętność pracy z danymi, z drugiej doświadczenie ekspertów dziedzinowych - lekarzy, fizjoterapeutów, trenerów czy specjalistów przygotowania motorycznego. Dla wielu organizacji stworzenie i utrzymanie takich zespołów jest kosztowne, a nawet jeśli jest możliwe, same procesy analizy pozostają czasochłonne. Właśnie dlatego sztuczna inteligencja stała się naturalnym rozwiązaniem - pozwala usprawnić analizę danych i wspierać specjalistów w podejmowaniu lepszych decyzji.

Drugim ważnym aspektem była nasza własna historia rozwoju. Początkowo koncentrowaliśmy się na interpretacji danych obrazowych pochodzących z badań medycznych w ortopedii. Radiologia i obrazowanie medyczne należą do obszarów, w których sztuczna inteligencja znalazła zastosowanie bardzo wcześnie, głównie dzięki rozwojowi technologii widzenia maszynowego. Podążając tą ścieżką, stosunkowo szybko zaczęliśmy wdrażać rozwiązania AI do analizowania tego typu danych, a następnie stopniowo rozszerzaliśmy ich zastosowanie na kolejne obszary.

W efekcie spotkały się dwa czynniki: wyraźna potrzeba rynku oraz nasze doświadczenia w rozwijaniu technologii opartych na sztucznej inteligencji. To właśnie na styku tych dwóch obszarów powstało rozwiązanie, które rozwijamy dziś w Smarter Diagnostics.

Jak działa opracowana przez Państwa platforma i w jaki sposób sztuczna inteligencja wspiera lekarzy oraz specjalistów w analizie danych medycznych, w tym badań obrazowych?

Platforma opiera się na kilku uzupełniających się warstwach. Jej fundament stanowi warstwa integracji danych, która gromadzi w jednym miejscu informacje pochodzące z wielu źródeł - od badań obrazowych i laboratoryjnych, przez dane biomechaniczne oraz informacje z urządzeń ubieralnych, aż po wyniki ankiet, wywiadów fizjoterapeutycznych czy innych badań diagnostycznych. Dzięki wysokiemu poziomowi automatyzacji dane są na bieżąco zbierane i porządkowane w ramach jednego środowiska.

Kolejnym elementem jest stworzenie tzw. cyfrowego bliźniaka pacjenta lub zawodnika. Na podstawie zgromadzonych danych platforma buduje kompleksowy model odzwierciedlający stan zdrowia i funkcjonowania danej osoby. W sytuacjach, gdy niektóre informacje nie zostały bezpośrednio zmierzone, mogą zostać oszacowane przy wykorzystaniu odpowiednich modeli i algorytmów. Dzięki temu możliwe jest stworzenie pełniejszego obrazu zdrowia ruchowego i wydolności organizmu.

Na tej podstawie działają różnego rodzaju algorytmy - zarówno klasyczne modele analityczne, jak i rozwiązania wykorzystujące sztuczną inteligencję. Pozwalają one obliczać szereg wskaźników związanych ze zdrowiem i sprawnością, takich jak wiek metaboliczny, wiek sprawnościowy czy inne miary oceniające kondycję układu ruchu, stan tkanek mięśniowo-szkieletowych oraz zdrowie metaboliczne.

Najwyższą warstwę platformy stanowią wyspecjalizowani agenci AI, którzy analizują dane w kontekście cyfrowego bliźniaka i wspierają użytkownika w interpretacji wyników. Z perspektywy użytkownika platforma generuje zarówno gotowe raporty umożliwiające monitorowanie zdrowia i wydajności w czasie, jak również udostępnia inteligentnego asystenta, z którym można prowadzić dialog, zadawać szczegółowe pytania i uzyskiwać rekomendacje oparte na zgromadzonych danych.

Sposób wykorzystania platformy zależy od rodzaju danych i potrzeb organizacji. W przypadku klubów sportowych czy akademii sportowych rozwiązanie może wspierać monitorowanie obciążeń treningowych i automatycznie identyfikować sytuacje, które mogą zwiększać ryzyko przeciążenia lub urazu. System potrafi wskazywać niepokojące sygnały i generować alerty, zanim problem stanie się widoczny na poziomie objawów.

W bardziej zaawansowanych zastosowaniach, obejmujących również badania obrazowe, platforma analizuje każde źródło danych za pomocą dedykowanych algorytmów. Umożliwia to identyfikację biomarkerów, czyli wskaźników dostarczających istotnych informacji o stanie zdrowia. Przykładowo mogą to być dane pochodzące z rezonansu magnetycznego stawu kolanowego lub skokowego, które następnie są interpretowane w szerszym kontekście pozostałych informacji o danej osobie.

Dzięki współpracy wyspecjalizowanych agentów AI informacje z różnych źródeł nie są analizowane w oderwaniu od siebie, lecz tworzą spójny obraz zdrowia i sprawności. Specjalista korzystający z platformy otrzymuje szybki dostęp do obszarów wymagających uwagi, a jednocześnie może szczegółowo prześledzić, z czego wynikają konkretne rekomendacje lub obserwacje. Platforma zapewnia więc nie tylko wsparcie analityczne, ale również wysoki poziom przejrzystości i wyjaśnialności podejmowanych ocen.

Jakie dane wykorzystują Państwo do trenowania modeli sztucznej inteligencji oraz w jaki sposób zapewniają Państwo ich wysoką jakość, wiarygodność i bezpieczeństwo?

To bardzo ważne pytanie, szczególnie w kontekście danych zdrowotnych i medycznych. W naszej działalności kluczowe znaczenie mają zarówno bezpieczeństwo przetwarzanych informacji, jak i ich wiarygodność. Tylko wysokiej jakości dane pozwalają tworzyć modele sztucznej inteligencji, które dostarczają rzetelnych analiz i wartościowych rekomendacji.

Wykorzystywane przez nas dane można podzielić na dwie główne grupy. Pierwszą stanowią dane dotyczące zdrowia i funkcjonowania organizmu, takie jak badania obrazowe, wyniki badań krwi czy dane biomechaniczne obejmujące m.in. analizę chodu, wyskoku lub sił działających na organizm. Drugą grupę tworzą dane eksperckie, czyli wiedza i oceny specjalistów. Obejmują one sposób interpretacji wyników przez radiologów, lekarzy, fizjoterapeutów czy trenerów przygotowania motorycznego oraz rekomendacje, które eksperci formułują na podstawie swoich obserwacji i doświadczenia.

Połączenie tych dwóch rodzajów danych pozwala nam nie tylko identyfikować istotne biomarkery i zależności ukryte w danych, ale również uczyć modele AI sposobu myślenia ekspertów. Dzięki temu rozwijane przez nas rozwiązania nie opierają się wyłącznie na analizie danych, lecz korzystają także z wiedzy specjalistycznej, co przekłada się na bardziej trafne i użyteczne rekomendacje.

Jeśli chodzi o źródła danych, ogromną wagę przywiązujemy do kwestii formalnych i etycznych. W większości przypadków korzystamy z danych udostępnianych na podstawie świadomych zgód pacjentów lub uczestników badań. Działamy również zgodnie z wymaganiami komisji bioetycznych oraz innymi regulacjami dotyczącymi pracy z danymi wrażliwymi. Dane pozyskujemy zarówno w ramach współpracy z placówkami medycznymi, jak i projektów badawczo-rozwojowych czy badań prowadzonych z udziałem ochotników.

Równie istotna jest dla nas jakość danych. Staramy się unikać przypadkowych lub słabo zweryfikowanych źródeł, koncentrując się na danych pozyskiwanych w kontrolowanych warunkach i od zaufanych partnerów. Kluczowe znaczenie ma dla nas nie tylko sam zbiór danych, ale również kontekst, w jakim został zgromadzony. Przykładowo, w przypadku badań obrazowych równie ważne jak sam obraz są informacje dotyczące wieku pacjenta, historii zdrowotnej czy przyczyny wykonania badania. To właśnie taki szerszy kontekst pozwala właściwie interpretować wyniki i budować wiarygodne modele.

Bezpieczeństwo danych zapewniamy przede wszystkim poprzez ich anonimizację. Zarówno na etapie treningu modeli, jak i podczas działania platformy sztucznej inteligencji nie przekazujemy informacji umożliwiających bezpośrednią identyfikację konkretnych osób. Dane analizowane przez algorytmy są oddzielone od danych osobowych, co znacząco ogranicza ryzyko ich nieuprawnionego wykorzystania. Dzięki temu nawet w mało prawdopodobnym przypadku incydentu bezpieczeństwa możliwość powiązania danych z konkretną osobą pozostaje maksymalnie ograniczona.

Patrząc szerzej na rynek, jak oceniłby Pan poziom wykorzystania sztucznej inteligencji w polskiej ochronie zdrowia? W których obszarach medycyny jej potencjał jest dziś wykorzystywany najintensywniej?

To bardzo ciekawe pytanie, zwłaszcza w kontekście polskiego rynku. Warto jednak najpierw spojrzeć szerzej na cały sektor ochrony zdrowia. Mimo że jest to obszar silnie regulowany, tempo wdrażania sztucznej inteligencji można ocenić jako całkiem dobre. W praktyce niemal każde rozwiązanie medyczne wykorzystujące AI musi spełniać szereg wymogów prawnych i regulacyjnych. W Europie są to między innymi przepisy dotyczące wyrobów medycznych oraz regulacje związane ze sztuczną inteligencją, a na innych rynkach funkcjonują analogiczne systemy nadzoru. To sprawia, że proces wdrażania nowych technologii jest bardziej wymagający niż w wielu innych branżach.

Mimo tych ograniczeń sztuczna inteligencja znajduje coraz szersze zastosowanie w ochronie zdrowia. Najbardziej rozwiniętym obszarem pozostaje radiologia i szeroko rozumiane obrazowanie medyczne. To właśnie tutaj powstała większość certyfikowanych rozwiązań AI wykorzystywanych w praktyce klinicznej. Wynika to zarówno z charakteru danych obrazowych, które od początku były naturalnym obszarem rozwoju sztucznej inteligencji, jak i z rosnących potrzeb rynku. Liczba wykonywanych badań obrazowych stale wzrasta, natomiast liczba specjalistów nie rośnie w takim samym tempie. W efekcie narzędzia wspierające analizę obrazów medycznych stają się nie tylko innowacją, ale również odpowiedzią na konkretne wyzwania organizacyjne i kadrowe.

Jednocześnie zastosowania AI w medycynie nie ograniczają się wyłącznie do diagnostyki obrazowej. Coraz częściej technologie te wspierają procesy administracyjne, takie jak analiza dokumentacji medycznej, kodowanie świadczeń czy optymalizacja rozliczeń. Duży potencjał widać również w rozwiązaniach związanych z profilaktyką, monitoringiem stanu zdrowia, opieką senioralną, analizą aktywności fizycznej oraz wspieraniem zdrowego stylu życia.

Jeżeli spojrzymy na sytuację w Polsce, można zauważyć, że rynek rozwija się coraz dynamiczniej. Z jednej strony realizowane są inicjatywy o charakterze systemowym i publicznym, z drugiej - rośnie liczba oddolnych projektów tworzonych przez startupy, firmy technologiczne i placówki medyczne. Coraz więcej polskich rozwiązań jest wdrażanych zarówno na rynku krajowym, jak i za granicą.

Szczególnie interesującym kierunkiem rozwoju są narzędzia wspierające pierwszy kontakt pacjenta z systemem ochrony zdrowia, takie jak systemy analizujące objawy i pomagające wskazać odpowiednią ścieżkę postępowania. Dynamicznie rozwijają się także rozwiązania wspierające codzienną pracę lekarzy, na przykład systemy automatycznie tworzące notatki z wizyt i odciążające personel medyczny od części obowiązków administracyjnych.

Podsumowując, nie powiedziałbym, że mamy dziś do czynienia z rewolucją, jednak jak na sektor tak silnie regulowany jak ochrona zdrowia tempo wdrażania sztucznej inteligencji jest bardzo obiecujące. Coraz więcej rozwiązań wychodzi poza fazę pilotaży i znajduje realne zastosowanie w codziennej praktyce, co pozwala przypuszczać, że w najbliższych latach rola AI w medycynie będzie systematycznie rosła.

Wspomniał Pan o regulacjach jako istotnej barierze. Czy dostrzega Pan także inne wyzwania, które mogą ograniczać wdrażanie rozwiązań opartych na sztucznej inteligencji w sektorze ochrony zdrowia?

Niestety tak. Jednym z najważniejszych wyzwań pozostają kwestie infrastrukturalne. Sztuczna inteligencja wymaga odpowiednich zasobów obliczeniowych, które najczęściej dostępne są w środowisku chmurowym. Tymczasem wiele podmiotów medycznych nie dysponuje własną infrastrukturą pozwalającą na obsługę zaawansowanych rozwiązań AI. W efekcie wyzwaniem staje się zarówno możliwość bezpiecznego przetwarzania danych w chmurze, jak i utrzymanie odpowiedniej infrastruktury w placówkach medycznych.

Kolejną barierą jest ograniczona możliwość testowania i pilotażowego wdrażania nowych rozwiązań. Coraz więcej firm i instytucji pracuje nad innowacjami opartymi na AI, jednak ich rozwój wymaga środowiska, które umożliwi bezpieczne eksperymentowanie i weryfikację skuteczności technologii jeszcze przed pełnym wdrożeniem. Dlatego tak często mówi się dziś o potrzebie tworzenia zarówno piaskownic regulacyjnych, jak i technologicznych.

W przypadku gotowych, certyfikowanych rozwiązań proces wdrożenia jest zazwyczaj prostszy. Większym wyzwaniem pozostają projekty pilotażowe oraz nowe rozwiązania znajdujące się na etapie rozwoju. Potrzebne są procedury i dobre praktyki, które ułatwią placówkom medycznym bezpieczne testowanie innowacji oraz pokażą, że można robić to w sposób zgodny z obowiązującymi wymaganiami.

Warto jednak podkreślić, że obok kwestii technologicznych i organizacyjnych wciąż istnieje również bariera ludzka. Choć poziom świadomości na temat sztucznej inteligencji jest dziś znacznie wyższy niż kilka lat temu, nadal pojawiają się obawy dotyczące odpowiedzialności, bezpieczeństwa oraz zgodności wykorzystania AI z obowiązującymi przepisami. Dlatego kluczowe znaczenie mają działania edukacyjne, szkolenia oraz budowanie dobrych praktyk, które pomogą zarówno decydentom, jak i personelowi medycznemu zrozumieć, kiedy i w jaki sposób można bezpiecznie korzystać z rozwiązań opartych na sztucznej inteligencji.

Moim zdaniem właśnie te kwestie związane ze świadomością, zaufaniem i znajomością zasad odpowiedzialnego wykorzystania AI pozostają dziś jedną z największych barier dla szerszego wdrażania tej technologii w ochronie zdrowia.

Jaką rolę widzi Pan dla sztucznej inteligencji w przyszłości ochrony zdrowia? Czy będzie ona przede wszystkim asystentem lekarza, czy też częściowo przejmie niektóre obowiązki wykonywane dziś przez personel medyczny?

To bardzo interesujące zagadnienie. W kontekście tej dyskusji często przywoływana jest wypowiedź profesora Geoffreya Hintona, który dziesięć lat temu zasugerował, że rozwój sztucznej inteligencji może sprawić, iż dalsze kształcenie radiologów nie ma sensu, ponieważ ich zadania w dużej mierze przejmą algorytmy. Dziś, po dekadzie, wiemy już, że rzeczywistość okazała się bardziej złożona. Radiolodzy nadal są niezbędni, a w wielu systemach ochrony zdrowia wciąż ich brakuje. Ale używają aktywnie AI.

Ta historia pokazuje jednak kierunek zmian. Sztuczna inteligencja stopniowo przekształca sposób wykonywania pracy - nie tylko w medycynie, ale również w wielu innych branżach. Można oczekiwać, że część prostych, powtarzalnych zadań będzie automatyzowana, szczególnie tam, gdzie AI okaże się szybsza, bardziej efektywna lub bardziej precyzyjna.

Jednocześnie nie sądzę, aby doszło do całkowitego zastąpienia lekarzy czy całych specjalizacji medycznych. Znacznie bardziej prawdopodobny jest model współpracy człowieka i technologii, w którym sztuczna inteligencja wspiera specjalistów w analizie danych, diagnostyce czy procesach administracyjnych, pozwalając im skupić się na zadaniach wymagających wiedzy eksperckiej, doświadczenia oraz bezpośredniego kontaktu z pacjentem.

Oczywiście niektóre obowiązki będą stopniowo przejmowane przez systemy AI z różnym poziomem autonomii – nawet całkowicie autonomiczne, jednak nie oznacza to zniknięcia zawodów medycznych. Raczej należy spodziewać się ich ewolucji. W mojej opinii będzie to zmiana pozytywna - prowadząca do powstania nowych modeli pracy, w których lekarze i sztuczna inteligencja będą wzajemnie uzupełniać swoje kompetencje.

Dlaczego profilaktyka urazów jest dziś tak ważnym tematem w sporcie zawodowym i amatorskim? 

Choć sport amatorski i zawodowy mają odmienne cele i specyfikę, znaczenie profilaktyki urazów w obu przypadkach sprowadza się do bardzo podobnego fundamentu - utrzymania sprawności i zdrowia ruchowego przez jak najdłuższy czas.

W sporcie amatorskim nie chodzi wyłącznie o unikanie kontuzji. Coraz częściej mówimy o zdrowym i aktywnym starzeniu się. Żyjemy dłużej, a jednocześnie chcemy jak najdłużej zachować możliwość uprawiania sportu i innych form aktywności fizycznej. Aby było to możliwe, konieczne jest dbanie o zdrowie układu ruchu oraz ograniczanie ryzyka urazów, które mogą pozostawiać długotrwałe konsekwencje i utrudniać utrzymanie sprawności w kolejnych latach.

W sporcie zawodowym znaczenie profilaktyki można rozpatrywać również przez pryzmat wyników sportowych i aspektów ekonomicznych. Każda kontuzja zawodnika oznacza nie tylko przerwę w treningach i rywalizacji, ale także wymierne koszty dla klubów, organizacji i całego otoczenia sportowego. Jednak nawet tutaj najważniejszym celem pozostaje jak najdłuższe utrzymanie sportowców w zdrowiu oraz na najwyższym poziomie wydolności i skuteczności.

Osiągnięcie tego celu wymaga długofalowego podejścia. Monitorowanie obciążeń treningowych, kontrola stanu zdrowia oraz działania zapobiegające urazom powinny rozpoczynać się już na wczesnych etapach rozwoju zawodnika. To właśnie systematyczna profilaktyka pozwala nie tylko ograniczać ryzyko kontuzji, lecz także wydłużać kariery sportowe i utrzymywać wysoką jakość funkcjonowania przez wiele lat.

Ostatecznie zarówno w sporcie amatorskim, jak i zawodowym chodzi o to samo – aby człowiek mógł jak najdłużej cieszyć się sprawnością, aktywnością i dobrym zdrowiem. Dlatego profilaktyka urazów oraz szerzej rozumiana troska o zdrowie ruchowe stają się dziś jednym z najważniejszych tematów współczesnego sportu.

Jakie rodzaje urazów najczęściej można przewidywać dzięki analizie danych oraz wykorzystaniu badań obrazowych?

Można powiedzieć, że to bardzo trudne pytanie, przede wszystkim ze względu na samo słowo „przewidywać”. Wielu ekspertów podkreśla, że urazów nie da się przewidzieć w sposób jednoznaczny, ponieważ są one wynikiem złożonych procesów i często mają charakter wieloczynnikowy. W zdecydowanej większości przypadków ich wystąpienie wiąże się również z czynnikami zewnętrznymi, takimi jak potknięcie, nienaturalne ustawienie kończyny, kontakt z innym zawodnikiem czy nagłe przeciążenie. Są to zdarzenia, których nie sposób dokładnie przewidzieć.

To jednak nie oznacza, że jesteśmy bezradni. Dzięki danym możemy znacznie skuteczniej zarządzać ryzykiem urazów. Analizując zarówno indywidualną podatność zawodnika na kontuzję, jak i jego aktualne obciążenia treningowe czy meczowe, jesteśmy w stanie identyfikować sytuacje zwiększonego ryzyka. Przykładowo możemy dostrzec procesy zapalne w organizmie, osłabienie lub mikrouszkodzenia tkanek widoczne w badaniach obrazowych, które sprawiają, że dana struktura staje się bardziej podatna na uraz. Gdy połączymy te informacje z danymi dotyczącymi obciążeń, otrzymujemy znacznie pełniejszy obraz stanu zawodnika.

Czy można to nazwać przewidywaniem urazu? To kwestia definicji i osobnej dyskusji. Z pewnością możemy jednak mówić o coraz skuteczniejszym zarządzaniu ryzykiem jego wystąpienia.

Największe możliwości w tym zakresie mamy tam, gdzie dysponujemy odpowiednimi danymi. W naszym przypadku dotyczy to przede wszystkim urazów tkanek miękkich układu mięśniowo-szkieletowego, takich jak mięśnie, więzadła czy ścięgna.

Dobrym przykładem jest projekt realizowany na podstawie historycznych danych pochodzących z wiodących, topowych klubów piłkarskich i koszykarskich. W przypadku zerwań ścięgna Achillesa byliśmy w stanie zidentyfikować podwyższone ryzyko przed wystąpieniem kontuzji w około 20% przypadków. Oznacza to, że dzięki połączeniu informacji o podatności zawodnika z danymi dotyczącymi jego obciążeń treningowych i meczowych mogliśmy wcześniej wskazać osoby znajdujące się w grupie wysokiego ryzyka, a następnie u części z nich rzeczywiście dochodziło do urazu.

Choć 20% może wydawać się niewielką wartością, w rzeczywistości jest to bardzo dobry wynik. W obszarze medycyny sportowej i profilaktyki urazów nie należy zakładać, że uda się zapobiec każdej kontuzji. Każdy uraz, którego można uniknąć dzięki wcześniejszej identyfikacji ryzyka i odpowiednim działaniom prewencyjnym, oznacza jednak wymierne korzyści - zarówno zdrowotne dla zawodnika, jak i organizacyjne oraz finansowe dla klubu czy zespołu.

Jakie korzyści mogą odnieść kluby sportowe dzięki wykorzystaniu sztucznej inteligencji do monitorowania zdrowia i kondycji zawodników?​‌

Warto nieco szerzej spojrzeć na ten temat - zarówno w kontekście sportu, jak i profilaktyki zdrowotnej czy obszaru longevity. To ważne, ponieważ potencjał takich rozwiązań wykracza daleko poza samo przewidywanie ryzyka urazów.

Kluczową wartością wdrażania sztucznej inteligencji oraz platform takich jak nasza jest przede wszystkim integracja i uporządkowanie procesów. Zamiast korzystać z wielu rozproszonych narzędzi i źródeł danych, organizacje mogą pracować w jednym środowisku, które gromadzi, analizuje i prezentuje wszystkie najważniejsze informacje. Dzięki temu zarówno kluby sportowe, jak i podmioty działające w obszarze zdrowia czy longevity zyskują pełniejszy obraz sytuacji i mogą podejmować trafniejsze decyzje.

Drugim istotnym aspektem jest efektywność kosztowa. Zaawansowana analiza danych staje się dostępna dla specjalistów pracujących na co dzień z zawodnikami czy pacjentami – trenerów, fizjoterapeutów ekspertów przygotowania motorycznego lub specjalistów odpowiedzialnych za obszar well-beingu oraz longevity. Nie ma konieczności budowania rozbudowanych zespołów analitycznych czy zatrudniania wyspecjalizowanych ekspertów od danych, ponieważ narzędzia AI znacząco upraszczają dostęp do wartościowych wniosków.

Najważniejszą korzyścią jest jednak możliwość pełniejszego wykorzystania danych, które już dziś są gromadzone w ogromnych ilościach. Ochrona zdrowia i medycyna należą do obszarów generujących największe zasoby informacji, jednak tylko niewielka część tych danych jest realnie wykorzystywana w procesie podejmowania decyzji. Rozwiązania oparte na sztucznej inteligencji pozwalają przekształcić te rozproszone informacje w praktyczną wiedzę, która wspiera działania profilaktyczne, pomaga lepiej zarządzać zdrowiem i zwiększa skuteczność podejmowanych działań. To właśnie w tym obszarze widzimy jedną z największych wartości nowoczesnych technologii – nie tyle w zbieraniu kolejnych danych, ile w umiejętnym wykorzystaniu tych, które już posiadamy.

Jakich przełomów w obszarze sztucznej inteligencji i medycyny spodziewa się Pan w najbliższych latach?​‌

Jestem z wykształcenia fizykiem, dlatego zawsze bliskie są mi różnego rodzaju sentencje autorstwa wybitnych naukowców. Jedna ze znanych sentencji głosi, że „przewidywanie jest trudne, zwłaszcza jeśli dotyczy przyszłości. Z tą myślą w pełni się zgadzam.

Patrząc na rozwój sztucznej inteligencji w medycynie, nie spodziewam się jednak jednego spektakularnego przełomu, który z dnia na dzień całkowicie zmieni oblicze ochrony zdrowia. Medycyna funkcjonuje w silnie regulowanym środowisku, gdzie bezpieczeństwo pacjentów i skuteczność rozwiązań muszą zostać potwierdzone na wielu etapach. W efekcie zmiany zachodzą tu raczej ewolucyjnie niż rewolucyjnie. Nie oznacza to jednak, że nie jesteśmy świadkami bardzo istotnych transformacji.

Już dziś obserwujemy ogromny wpływ sztucznej inteligencji na proces projektowania nowych leków, personalizację terapii czy wspieranie badań naukowych w obszarze biologii i medycyny. AI pomaga analizować złożone zależności, których dostrzeżenie tradycyjnymi metodami byłoby niezwykle trudne lub czasochłonne. Dzięki temu naukowcy mogą szybciej identyfikować potencjalne kierunki badań, lepiej rozumieć mechanizmy chorób i skuteczniej poszukiwać nowych metod leczenia.

Jeżeli miałbym wskazać obszar, w którym spodziewam się największych efektów wykorzystania sztucznej inteligencji w najbliższych latach, byłaby to właśnie walka z chorobami o najbardziej złożonym podłożu, w szczególności nowotworami. Lepsze zrozumienie procesów prowadzących do ich powstawania, wcześniejsze wykrywanie zmian chorobowych czy dobór terapii dopasowanych do konkretnego pacjenta to kierunki, w których AI może odegrać przełomową rolę.

Dlatego zamiast oczekiwać jednego, głośnego momentu przełomu, spodziewałbym się serii mniejszych, ale bardzo znaczących zmian, które stopniowo będą zwiększać skuteczność diagnostyki, badań naukowych i leczenia. To właśnie te konsekwentnie wdrażane innowacje mogą w dłuższej perspektywie przynieść największy wpływ na funkcjonowanie całego systemu ochrony zdrowia.

Co Pana zdaniem mogłoby najbardziej przyspieszyć adopcję polskich modeli językowych w biznesie, a także w sektorze ochrony zdrowia?

Mówiąc o polskich modelach AI, warto patrzeć na nie w kontekście całego ekosystemu technologicznego, którego są częścią. Obok globalnych modeli językowych rozwijają się rozwiązania tworzone z myślą o lokalnych potrzebach i specyfice krajowego rynku. To właśnie perspektywa zastosowań, integracji oraz wartości dostarczanej użytkownikom pozwala najlepiej ocenić potencjał polskich modeli i ich rolę w rozwoju sztucznej inteligencji w Polsce.

Warto jednak spojrzeć na polskie modele językowe przez pryzmat ich konkretnych zastosowań i roli, jaką mogą odgrywać w krajowym ekosystemie cyfrowym. Globalne modele rozwijają się w bardzo szerokim zakresie zastosowań i obsługują użytkowników na całym świecie, natomiast modele tworzone w Polsce mogą być projektowane z myślą o specyficznych potrzebach lokalnego rynku, języka oraz krajowych instytucji. Dlatego dyskusja o ich wykorzystaniu nie powinna sprowadzać się wyłącznie do porównywania wyników czy parametrów technicznych, ale przede wszystkim do identyfikacji obszarów, w których mogą dostarczać szczególną wartość użytkownikom i organizacjom działającym w Polsce.

Pierwszym takim aspektem jest suwerenność technologiczna, szczególnie istotna w sektorze publicznym i obszarach wrażliwych. W wielu zastosowaniach kluczowe jest zachowanie kontroli nad danymi, procesami analitycznymi oraz infrastrukturą. Własne modele dają większą niezależność i ograniczają ryzyko związane z uzależnieniem od zewnętrznych dostawców technologii.

Drugim argumentem jest kwestia wdrożeniowa. Polskie modele są zazwyczaj mniejsze od globalnych modeli językowych, dzięki czemu łatwiej uruchamiać je lokalnie, we własnej infrastrukturze. W takich sektorach jak ochrona zdrowia może mieć to szczególne znaczenie, ponieważ pozwala przetwarzać dane bez konieczności ich przekazywania poza organizację.

Trzeci obszar dotyczy specyfiki języka i lokalnego kontekstu. Moim zdaniem właśnie tutaj tkwi jeden z największych potencjałów polskich modeli. Są zastosowania, w których zrozumienie niuansów językowych, terminologii branżowej czy lokalnych realiów ma kluczowe znaczenie. W medycynie mogą to być na przykład rozmowy lekarza z pacjentem, opisy procedur medycznych czy dokumentacja zawierająca charakterystyczne dla polskiego systemu ochrony zdrowia nazewnictwo i pojęcia.

Jednocześnie uważam, że największa wartość polskich modeli może wynikać nie tyle z ich pojedynczych możliwości, co z ich roli w szerszym ekosystemie cyfrowym. Wyobraźmy sobie sytuację, w której model analizujący dokumentację medyczną jest zintegrowany z systemami administracji publicznej, krajowymi rejestrami czy bazami regulacji. W takim środowisku kluczowe staje się pojęcie interoperacyjności - zdolności różnych systemów i modeli do skutecznej współpracy oraz wymiany informacji.

To właśnie połączenie suwerenności, lokalnej wiedzy i interoperacyjności może stanowić najważniejszą przewagę polskich modeli. Jeśli modele wykorzystywane w ochronie zdrowia będą mogły efektywnie współpracować z rozwiązaniami funkcjonującymi w administracji publicznej czy innych sektorach państwa, stworzy to realną wartość zarówno z perspektywy użytkowników, jak i całego ekosystemu.

Jeśli natomiast zastanowimy się, co mogłoby najbardziej przyspieszyć ich adopcję, to odpowiedź wydaje się dość oczywista - wdrożenia referencyjne. Wiele organizacji nadal zastanawia się nie tyle nad tym, czy korzystać z AI, lecz przede wszystkim jak robić to skutecznie i bezpiecznie. Dlatego tak ważne są konkretne przykłady udanych wdrożeń, które pokazują rzeczywiste korzyści, dobre praktyki i sprawdzone modele działania. Każdy udany pilotaż buduje zaufanie do technologii i ułatwia podejmowanie kolejnych decyzji inwestycyjnych.

Drugim czynnikiem przyspieszającym rozwój byłaby wspomniana wcześniej interoperacyjność oraz bliska współpraca z administracją publiczną. Im silniej polskie modele będą osadzone w krajowym ekosystemie danych, usług i procesów, tym większa będzie ich praktyczna użyteczność i przewaga konkurencyjna.

Dziękujemy za rozmowę!

Dziękujemy za rozmowę! Cykl rozmów „Start z polskim AI – od pomysłu do wdrożenia” jest realizowany w ramach programu Centrum Kompetencji AI.