Fórum:Letní škola wiki 2025/AI v akci

Středa 23.7. 2025 bude zasvěcena umělé inteligenci.

AI pro odběr anamnézy

Rozdělíme se bychom na skupinky 3-5 lidí. Jeden bude hrát pacienta, jeden lékaře. Úkolem bude odebrat anamnézu a využít přitom AI pro snížení administrativní zátěže.

Klinické scénáře pro simulaci odběru anamnézy

Bolest na hrudi

Muž 55, kuřák, přichází na první vyšetření se stabilní anginou pectoris.

Kašel a horečka (pneumonie)

Pacient udává několikadenní kašel, zvýšenou teplotu a dušnost. Pravděpodobnou diagnózou může být komunitní pneumonie. Tento scénář zahrnuje typické infekční anamnestické údaje (délka trvání příznaků, typ kašle, bolesti na hrudi při dýchání, kontakt s infekcí apod.) a poskytne dostatek informací k formálnímu záznamu anamnézy.

Bolest břicha (apendicitida vs. jiné)

Mladý pacient si stěžuje na postupně sílící bolest v pravém podbřišku, nechutenství a mírnou teplotu. Pravděpodobná diagnóza – akutní apendicitida. Studenti si procvičí cílené dotazy na charakter bolesti, výskyt typických příznaků (např. migrující bolest, nauzea) a další anamnestické údaje potřebné pro rozhodnutí o diagnóze. Tento případ je klasický pro nácvik odebrání abdominální anamnézy a umožní posléze ověřit, zda AI shrnutí zachytí všechny klíčové informace.

Bolest hlavy (migréna)

Pacientka trpí opakovanými silnými bolestmi hlavy s aurou, nevolností a světloplachostí. Pravděpodobná diagnóza – migréna. Anamnestický rozhovor by pokryl spouštěče, charakter bolesti, délku záchvatů a efekt léčby. Tento scénář je vhodný, protože obsahuje řadu detailů (rodinná anamnéza migrén, předchozí epizody, neurologické symptomy), které by generativní AI měla správně zkoncentrovat do strukturovaného zápisu.

Kontrolní vyšetření chronického onemocnění (diabetes)

Pacient s několik let léčeným diabetem 2. typu přichází na kontrolu s nespecifickými obtížemi (únava, žízeň). Pravděpodobná diagnóza – dekompenzace diabetu (např. špatná kompenzace glykemie). Studenti mohou vést cílený rozhovor zahrnující medikaci, dietu, příznaky hyperglykemie a komplikace. Tento případ ukáže, jak AI sepíše strukturovanou ambulantní zprávu z pravidelné kontroly, a umožní zhodnotit, zda AI nic důležitého neopomenula z chronické anamnézy.

Poznámka: Cílem je vybrat takové situace, které studenti znají (nevyžadují expertní znalosti subspecializací) a které zároveň vygenerují dostatek informací pro dokumentaci anamnézy. Uvedené příklady (respirační infekt, bolesti na hrudi, náhlá bolest břicha, neurologický příznak) patří mezi časté klinické scénáře využívané i v OSCE a simulacích. Lze zvolit jeden scénář pro celou skupinu, nebo při větším počtu studentů rozdělit různé scénáře pro jednotlivé dvojice – to může být didakticky zajímavé, protože pak mohou skupiny navzájem porovnat rozdíly v AI zpracovaných zápisech pro různé typy případů.

Technické řešení

Pro převod "audio to text" použijeme tento přístup k Whisperu (funguje i na mobilu): https://console.groq.com/playground?model=whisper-large-v3-turbo

Ale je potřeba mít záložní řešení (viz detailní popis), pokud by se objevily problémy např. s rychlostí přenosu.

Oddělení hlasů mluvčích

Většina nástrojů pro převod "speach to text" negarantuje označení jednotlivých mluvčích. Existují ale modely, které dokáží určit, že v záznamu jsou dva různí mluvčí a rozdělit text podle nich (tzv. speaker diarization).

Například kombinace Whisper s dalším algoritmem (např. PyAnnote) by mohla automaticky přidávat tagy „[Lékař]:“ a „[Pacient]:“ před jednotlivé úseky textu. To by zjednodušilo následný prompting (LLM by jasně viděl strukturu dialogu). Ale pro samotné vyzkoušení postačí i ruční úprava transkriptu studenty (přidání jmen k replikám).

Přepis anamnézy pomocí LLM

Jakmile je k dispozici přepis rozhovoru (tj. dialogu mezi lékařem a pacientem), studenti vytvoří prompt pro generativní AI.

Úlohou tohoto promptu bude převést neformální dialog do podoby strukturované anamnézy, jak by ji zapsal lékař do dokumentace. Studenti by měli napsat jasný pokyn, například:

PROMPT

Vytvořte vlastní prompt, který bude převádět text na strukturovanou lékařskou zprávu (anamézu).

Váš prompt se může inspirovat např. tímto:

1. Převeď následující dialog lékaře s pacientem na souvislý text anamnézy v lékařské dokumentaci.
2. V textovém přepisu podle kontextu rozliš, co říkal lékař a co pacient.
3. Stručně a věcně shrň informace od pacienta v 3. osobě, použij odborné termíny a nezahrnuj nepodstatné konverzační fráze.

První iterace promptu nemusí být ideální. Pokud AI vynechá některé informace, mohou zformulovat konkrétnější pokyn (např. „nezapomeň uvést i absenci obtíží, které pacient popřel“ nebo:

Vypiš anamnézu v členění:

1. rodinná,
2. osobní,
3. léky,
4. alergie,
5. současné onemocnění

Studenti si vyzkouší, že výsledek lze aktivně ovlivnit a že správné využití AI někdy vyžaduje iteraci.

Volba modelu LLM

Lze použít například ChatGPT (GPT-4 nebo GPT-3.5) prostřednictvím webového rozhraní či API, nebo jiný dostupný LLM. Je důležité, aby výstup byl v češtině (pokud byla anamnéza vedena česky) a vypadat jako záznam do zdravotnické dokumentace – tzn. může obsahovat členění na osobní anamnézu, rodinnou anamnézu, nynější onemocnění atd., pokud to prompt specifikuje. Jednodušší ale bude nechat AI vytvořit jeden souvislý odstavec shrnující anamnézu.

Posouzení a diskuze

Po vygenerování anamnézy pak každá dvojice (skupinka) vyhodnotí, kde byla AI užitečná – např.

• zda ušetřila čas sepsáním kostry textu,
• zda použila odborný jazyk,
• zda správně strukturovala informace.

A kde naopak udělala chyby nebo opomenula důležité věci. Mohou si všímat, zda některý důležitý symptom nezmínila, popř. jestli do textu nepřidala něco, co pacient vůbec neřekl (halucinace). Tuto reflexi mohou skupinky sdílet a porovnat se zkušeností ostatních.

Etické aspekty

V případě skutečného pacienta by bylo nutné zajistit, aby se osobní údaje nemohly dostat kam nemají. Buď lokálně provozovaný model, nebo oddělení osobních údajů od anamnézy. Byl by potřeba informovaný souhlas?

Literatura

• https://chatgpt.com/share/e/687a5149-cb14-800d-941f-77d946ec9ad7