VoxMedic: jak przyspieszyć dyktowanie opisów lekarskich?

Statystycznie lekarz spędza dziś przy klawiaturze więcej czasu niż przy pacjencie. Rosnące wymagania dotyczące prowadzenia dokumentacji dążą do przeciążenia i wypalenia, a wybitnych specjalistów sprowadzają do roli kosztownych maszynistek. Automatyczne rozpoznawanie mowy (ASR) dla polskiego języka medycznego - w postaci modelu VoxMedic - pozwala dyktować opisy głosem zamiast wyklepywać je na klawiaturze i realnie odzyskać czas lekarza.

Ile czasu lekarz traci na dokumentację?

Według kontroli NIK biurokracja pochłania nawet jedną trzecią czasu lekarza - to 3-4 godziny dziennie na samej dokumentacji. Ta liczba ilustruje skalę problemu: zamiast leczyć, lekarz wypełnia rubryki. Jeśli traci 3-4 godziny dziennie, łatwo policzyć przy jego stawce godzinowej, ile kosztuje to placówkę - i ile można odzyskać.

Problem pogłębia ręczne przepisywanie tych samych danych między systemami i formatami. Kontrola NIK wykazała, że papierowe skierowania na diagnostykę obrazową zajmują około 33% więcej czasu niż elektroniczne, a skierowania szpitalne około 41% więcej. Archaiczne procesy dokumentacyjne dodatkowo obciążają personel i generują niepotrzebne koszty.

Międzynarodowe badania potwierdzają polskie obserwacje. Badanie opublikowane w Annals of Internal Medicine w 2016 roku, przeprowadzone przez Christine Sinsky i współpracowników, wykazało, że lekarze spędzają 49,2% czasu na pracy z elektronicznym systemem dokumentacji (EHR) i czynnościach biurowych, a tylko 27% na bezpośrednim kontakcie z pacjentem.

Na każdą godzinę spędzoną z pacjentem przypadają więc około 2 godziny pracy przy dokumentacji, a często dodatkowo 1-2 godziny po godzinach. Ta dysproporcja prowadzi do zmęczenia, frustracji i obniżenia jakości opieki. Już w 2018 roku 77% ankietowanych lekarzy uznało, że poświęca za dużo czasu na dokumentację - to wyzwanie trwałe, nie chwilowe.

Automatyzacja dyktowania opisów jest więc nie tylko kwestią wygody, ale strategiczną koniecznością. Pozwala zredukować obciążenie administracyjne i skierować czas lekarzy na to, co najważniejsze - opiekę nad pacjentem.

Dlaczego ogólne modele ASR (jak Whisper) gubią się w polskim gabinecie?

Ogólny model nie zna polskiej terminologii medycznej - a każdy jego błąd trzeba poprawić ręcznie. Medycyna posługuje się specjalistycznym słownictwem: nazwami chorób, leków, procedur, terminami łacińskimi i skrótami. Dla modelu, który nie był trenowany na danych medycznych, te słowa są rzadkimi wyrazami, co skutkuje wysokim wskaźnikiem błędów.

Język polski dodatkowo komplikuje zadanie przez złożoną fleksję. Odmiana przez przypadki, osoby, czasy i rodzaje sprawia, że jedno słowo przyjmuje wiele form - wyzwanie dla każdego systemu rozpoznawania mowy. W medycynie dochodzi do tego specyficzne użycie tych form, co jeszcze bardziej oddala język kliniczny od mowy potocznej.

Warunki akustyczne w szpitalach i gabinetach również są dalekie od idealnych. Hałas otoczenia, rozmowy w tle, szum urządzeń czy echo w pomieszczeniach utrudniają precyzyjne rozpoznawanie. Modele ogólne, trenowane często na nagraniach wysokiej jakości, są mniej odporne na takie zakłócenia.

W rezultacie ogólny model ASR w kontekście medycznym wymusza ręczną korektę znacznej części transkrypcji. Korekta jest czasochłonna i niweczy początkową korzyść z automatyzacji. Wysoki koszt poprawek - finansowy i czasowy - sprawia, że wdrożenie niezoptymalizowanego rozwiązania bywa nieopłacalne, a czasem wręcz zwiększa obciążenie personelu.

VoxMedic - model dostrojony do polskiej medycyny

Na dyktowanej mowie medycznej VoxMedic obniżył liczbę błędów ponad dwukrotnie (WER z 17,07% do 7,64%). Nie wyrzucamy przy tym sprawdzonej technologii - bierzemy wiodący otwarty silnik i naprawiamy jego słaby punkt. VoxMedic Turbo (beta) to dedykowany polski model rozpoznawania mowy medycznej, opracowany przez zespół badawczy Thelion.ai pod kierownictwem Aleksandra Obuchowskiego.

Model zbudowano na bazie otwartego silnika Whisper large-v3-turbo, który stanowi solidną podstawę precyzyjnego rozpoznawania mowy. Aby dostosować go do polskiej medycyny, zastosowano technikę LoRA (Low-Rank Adaptation) - pozwala ona dostroić model bez kosztownego, pełnego przetrenowania. Powstał w ten sposób lekki model liczący 0,8 miliarda parametrów.

O skuteczności zdecydowało dostrojenie na polskich zbiorach nagrań medycznych - mowie czytanej i dyktowanej przez człowieka. Zbiór ludzkich nagrań uzupełniono danymi syntetycznymi, które celowo rozszerzają pokrycie rzadkiej terminologii. Dzięki temu model nauczył się rozpoznawać słownictwo, wymowę i konstrukcje charakterystyczne dla polskiego języka klinicznego.

Jakość potwierdzają obiektywne wskaźniki. Na dyktowanej mowie medycznej - czyli dokładnie w scenariuszu, do którego model jest przeznaczony - WER (Word Error Rate, wskaźnik błędów słów; im niższy, tym lepiej; tu znormalizowany, bez interpunkcji i wielkości liter) spadł z 17,07% do 7,64%, co oznacza ponad dwa razy mniej błędów do poprawienia względem ogólnego Whispera. Na zbiorze syntetycznym poprawa wyniosła z 16,58% do 11,30%.

Istotne jest, że specjalizacja nie odbyła się kosztem ogólnej polszczyzny. Na ogólnym polskim benchmarku (bigos) wynik pozostał praktycznie bez zmian (5,37% → 5,50%), a na trudnym zbiorze spoza domeny (VoxPopuli) wręcz się poprawił (z 15,88% do 9,28%). To efekt naszej receptury treningu, która celowo przeciwdziała zjawisku catastrophic forgetting - „zapominaniu" języka potocznego podczas uczenia medycyny.

VoxMedic najlepiej radzi sobie z mową czytaną i dyktowaną, taką jak opisy badań czy dokumentacja. Mowa spontaniczna oraz rzadka terminologia o złożonej fleksji bywają trudniejsze do precyzyjnego rozpoznania, co naturalnie wymaga nadzoru człowieka. Ważne zastrzeżenie: VoxMedic nie jest certyfikowanym wyrobem medycznym i nie służy do samodzielnego podejmowania decyzji klinicznych - każdy wynik wymaga weryfikacji przez lekarza.

Ile kosztuje wdrożenie? Lekki model, niższy próg sprzętowy

Lekki model (0,8 miliarda parametrów) ma znacznie niższe wymagania sprzętowe niż wielkie modele językowe. To zasadnicza różnica względem gigantycznych modeli, które potrafią wymagać rozbudowanych klastrów GPU i olbrzymich zasobów obliczeniowych.

Efektywność inżynierska projektu jest widoczna już w treningu. Technika LoRA pozwoliła dostroić około 49 milionów parametrów w zaledwie około 6 godzin na czterech kartach A100. To dowód optymalizacji, która przekłada się na niższe zapotrzebowanie na infrastrukturę, a w konsekwencji na bardziej przystępne koszty wdrożenia.

Dzięki lekkości system można uruchomić lokalnie, na infrastrukturze placówki, bez ogromnych wydatków na sprzęt najwyższej klasy. Konkretny dobór serwera i konfiguracji ustala się na etapie pilotażu, dopasowując go do skali i potrzeb placówki. Niższy próg sprzętowy oznacza niższy koszt początkowy i operacyjny, co czyni tę technologię dostępną dla szerokiego spektrum szpitali.

Działanie lokalne, bez obciążania zewnętrznych usług chmurowych, dodatkowo obniża koszty operacyjne i zwiększa autonomię szpitala. Placówka nie ponosi opłat za transfer danych ani użytkowanie zewnętrznych zasobów obliczeniowych, co ma znaczenie w długoterminowej perspektywie utrzymania systemu.

On-premise, NIS2 i bezpieczeństwo danych wrażliwych

Dane mowy pacjenta i lekarza nie opuszczają sieci szpitala. VoxMedic działa w 100% lokalnie (on-premise), co daje pełną kontrolę nad informacjami medycznymi i spełnia rygorystyczne wymogi regulacyjne.

Działanie on-premise ma bezpośrednie znaczenie w kontekście RODO, które nakłada surowe wymogi przetwarzania danych osobowych, w tym medycznych. Przetwarzanie mowy w środowisku lokalnym minimalizuje ryzyko naruszeń i zapewnia zgodność z przepisami. Szpital zachowuje pełną autonomię nad danymi, nie powierzając ich zewnętrznym dostawcom chmury.

Rosnące znaczenie mają też przepisy o cyberbezpieczeństwie, takie jak dyrektywa NIS2. Placówki medyczne, jako podmioty objęte NIS2, muszą spełniać podwyższone standardy. Wdrożenie VoxMedic ASR w modelu on-premise wpisuje się w te wymagania, wzmacniając odporność systemów szpitalnych i redukując powierzchnię ataku, jaką stanowią usługi zewnętrzne.

Osobnym ryzykiem jest zjawisko „Shadow AI" - niekontrolowane używanie przez personel darmowych aplikacji chmurowych do dyktowania opisów, często na prywatnych telefonach. Takie praktyki stanowią poważne zagrożenie dla bezpieczeństwa danych i zgodności z RODO. VoxMedic ASR daje bezpieczną, kontrolowaną alternatywę i utrzymuje wszystkie dane w środowisku szpitala.

Przetestuj na żywo i rozpocznij bezkosztowy pilotaż

Model można przetestować na żywo, prosto z mikrofonu, pod adresem asr.medalion.app. To najprostszy sposób, by ocenić jego skuteczność na realnej, medycznej terminologii - wystarczy wypowiedzieć najtrudniejszy opis, jaki przyjdzie do głowy.

VoxMedic jest na razie wczesną wersją beta, którą aktywnie rozwijamy - kolejne wydania będą jeszcze dokładniejsze, a uwagi z testów wprost kształtują kierunek prac. Dlatego gorąco zachęcamy do wypróbowania modelu i podzielenia się spostrzeżeniami - każdy realny opis, na którym go sprawdzisz, pomaga go ulepszyć.

Zespołom, które chcą samodzielnie zintegrować model z własnymi systemami, udostępniliśmy otwartą wersję beta z wagami na platformie HuggingFace: lion-ai/VoxMedic-asr-turbo-beta. Wersja społecznościowa (licencja Medalion VoxMedic Community License v1.0) jest darmowa dla małych podmiotów - o rocznym obrocie do 1 miliona PLN. Szpitale i większe placówki wdrażają VoxMedic w modelu komercyjnym, z dedykowanym wsparciem; warunki ustalamy pod adresem [email protected].

Ważne zastrzeżenie: VoxMedic nie jest certyfikowanym wyrobem medycznym i nie służy do samodzielnego podejmowania decyzji klinicznych. Jego rolą jest wsparcie dokumentacji, a każdy wynik wymaga nadzoru i weryfikacji człowieka.

Dyrektorów IT, dyrektorów szpitali i szefów innowacji zapraszamy do bezkosztowego pilotażu VoxMedic na infrastrukturze Państwa placówki. To okazja, by w kontrolowany sposób ocenić wpływ modelu na efektywność pracy lekarzy i wypracować najlepsze praktyki integracji. Skontaktuj się z nami pod adresem [email protected], aby omówić wdrożenie i dopasowanie rozwiązania do Twojej placówki.

O autorze

Aleksander Obuchowski - CTO i współzałożyciel Medalion Technology, gdzie buduje platformę AI on-premise dla polskich szpitali. Doktorant i wykładowca sztucznej inteligencji na Polsko-Japońskiej Akademii Technik Komputerowych. Wcześniej jako współzałożyciel TheLion.ai kierował interdyscyplinarną grupą badawczą liczącą ok. 80 osób, pracującą nad AI w medycynie. Stworzył VoxMedica - pierwszy duży model językowy dostosowany do polskiej domeny medycznej, wytrenowany na blisko milionie specjalistycznych instrukcji medycznych oraz 20 tysiącach publikacji naukowych. Medalion Technology jest oficjalnym partnerem Interdyscyplinarnego Laboratorium Zastosowań Sztucznej Inteligencji na Uniwersytecie Gdańskim, gdzie wspólnie realizują projekt NeuroAI. Członek Grupy Roboczej ds. Sztucznej Inteligencji (GRAI) przy Ministerstwie Cyfryzacji. Publikował m.in. w Proceedings of the AAAI Conference on Artificial Intelligence (Best Paper Finalist), IEEE ICMLA oraz SlavicNLP - w tym pracę o ekstrakcji informacji z polskich opisów radiologicznych. Finalista Forbes 25 under 25 (Forbes/McKinsey), laureat EIT Health Innovation Days (Imperial College London). Absolwent Politechniki Gdańskiej.