Czy algorytmy będą decydować o refundacji leków i dostępie do terapii

Dlaczego temat algorytmów w refundacji leków staje się kluczowy

Rosnące koszty terapii i presja na budżety publiczne

Systemy ochrony zdrowia – w Polsce i na świecie – mierzą się z tym samym problemem: liczba dostępnych terapii rośnie szybciej niż budżety płatników. Leki innowacyjne, terapie celowane, immunoterapia, zaawansowane terapie genowe czy komórkowe znacząco podnoszą koszty leczenia. NFZ i inne instytucje płatnicze muszą podejmować coraz trudniejsze decyzje: co refundować, w jakim zakresie, dla kogo i na jakich warunkach.

W onkologii, chorobach rzadkich czy neurologii pojawiają się leki o bardzo wysokich cenach jednostkowych. Jednocześnie producenci podkreślają ich unikalną skuteczność u wybranych grup pacjentów. Konflikt interesów jest oczywisty: pacjent i lekarz oczekują dostępu do terapii, płatnik musi patrzeć na całą populację i długoterminową stabilność finansów publicznych. Algorytmy refundacyjne w ochronie zdrowia pojawiają się tu jako potencjalne narzędzie do bardziej precyzyjnego „ważenia” korzyści i kosztów.

Coraz częściej mówi się też o konieczności oceny nie tylko „czy lek działa”, ale dla kogo działa i jak bardzo zmienia rokowanie. Modele predykcyjne w farmakoekonomii obiecują, że pomogą wskazać tych pacjentów, u których dana terapia przyniesie największą korzyść kliniczną i ekonomiczną. To oznacza przesunięcie akcentu z prostego „refundować/nie refundować” w stronę pytania: „komu, kiedy, w jakich warunkach refundować, żeby efekt był największy?”.

Eksplozja danych zdrowotnych i cyfryzacja systemu

Równolegle do wzrostu kosztów terapii następuje szybka cyfryzacja ochrony zdrowia. Elektroniczna dokumentacja medyczna, e-recepta, e-skierowania, systemy EDM – to już nie tylko projekty pilotażowe, ale rzeczywistość, która generuje ogromne zbiory danych. To nowe „paliwo” dla sztucznej inteligencji w decyzjach płatnika.

Dane z EHR (Electronic Health Records), systemów szpitalnych, przychodni, rejestrów chorób czy programów lekowych, połączone z danymi NFZ o kosztach świadczeń, tworzą środowisko, w którym algorytmy mogą śledzić przebieg terapii prawie w czasie rzeczywistym. Pojawia się możliwość budowania modeli predykcyjnych: który pacjent skorzysta najbardziej z danego leku, jakie jest ryzyko powikłań, ile faktycznie kosztuje cała ścieżka leczenia, a nie tylko cena opakowania.

To, co kiedyś wymagało wieloletnich badań obserwacyjnych i ręcznej analizy, dziś może być częściowo zautomatyzowane. Dostęp do terapii a big data stają się ze sobą nierozerwalnie powiązane. Kto ma dane i potrafi je przetwarzać, ten ma argumenty w dyskusji o refundacji.

Złożoność decyzji refundacyjnych i oczekiwanie „sprawiedliwości”

Liczba nowych wniosków refundacyjnych rośnie. Każdy z nich zawiera setki stron danych: wyniki badań klinicznych, analizy farmakoekonomiczne, modele koszt-efektywności, prognozy wpływu na budżet. Eksperci HTA muszą to wszystko przeczytać, zrozumieć, porównać z innymi technologiami i osadzić w krajowym kontekście. To coraz trudniejsze, zwłaszcza że wytyczne kliniczne zmieniają się dynamicznie, a nowe dane pojawiają się co kilka miesięcy.

Społeczne oczekiwanie jest jasne: decyzje refundacyjne powinny być spójne, przejrzyste, oparte na dowodach, a nie „politycznych układach”. Algorytmy jawią się tu jako narzędzie zmniejszające uznaniowość, zwiększające przejrzystość decyzji refundacyjnych i umożliwiające analizę tysięcy scenariuszy, których człowiek nie jest w stanie „przeklikać” ręcznie.

Jednocześnie pojawia się obawa: na ile algorytmy mogą utrwalać istniejące nierówności zdrowotne, jeśli uczą się na historycznych danych? Etyka algorytmów medycznych i pytanie o ich odpowiedzialność stają się kluczowe. Pacjenci i lekarze pytają wprost: czy za kilka lat o tym, czy lek będzie dla mnie refundowany, zadecyduje „czarna skrzynka”?

Co już wiemy, a co pozostaje domysłem

Wiemy, że algorytmy są już obecne w systemach ochrony zdrowia: pomagają prognozować koszty, planować budżety, priorytetyzować pacjentów w kolejkach, a nawet sugerować ścieżki terapeutyczne w niektórych krajach. Wiemy, że bez wykorzystania danych i automatyzacji część decyzji refundacyjnych stanie się po prostu niewykonalna ze względu na skalę i złożoność problemu.

Czego nie wiemy? W jakim stopniu algorytmy przejmą formalną decyzyjność w refundacji leków i dostępie do terapii. Czy pozostaną narzędziem wspierającym ekspertów HTA, czy będą generować wiążące rekomendacje dla ministra zdrowia i NFZ? Czy pojawią się algorytmy, które na poziomie indywidualnego pacjenta określą: „refundacja tak/nie”, „kolejka szybka/wolna”? Odpowiedź zależy od rozwiązań prawnych, presji ekonomicznej i akceptacji społecznej.

Jak dziś podejmuje się decyzje o refundacji – punkt wyjścia

Standardowy proces HTA i rola instytucji

Decyzje refundacyjne w Polsce opierają się na procesie HTA (Health Technology Assessment – ocena technologii medycznych). W centrum tego procesu stoi AOTMiT – Agencja Oceny Technologii Medycznych i Taryfikacji. Producent leku składa wniosek refundacyjny, dołączając m.in. wyniki badań klinicznych, analizy farmakoekonomiczne, analizy wpływu na budżet oraz propozycje instrumentów dzielenia ryzyka.

Eksperci AOTMiT sprawdzają te materiały, porównują je z istniejącymi terapiami, oceniają wiarygodność danych i zastosowanych modeli. Na tej podstawie powstaje rekomendacja: pozytywna, negatywna lub warunkowa. Ostateczną decyzję podejmuje minister zdrowia, biorąc pod uwagę dodatkowo negocjacje cenowe, priorytety zdrowotne państwa oraz możliwości budżetowe NFZ.

Ten proces jest w dużej mierze „analogowy”: opiera się na statycznych analizach przygotowanych na potrzeby wniosku, opiniach ekspertów, konsultacjach z komisjami. Algorytmy i sztuczna inteligencja w decyzjach płatnika pojawiają się głównie na etapie analiz ekonomicznych, ale nie jako formalnie uznane, autonomiczne narzędzia decyzyjne.

Jakie kryteria są dziś brane pod uwagę

U podstaw decyzji refundacyjnych leżą cztery grupy kryteriów:

• Efektywność kliniczna – na ile nowy lek poprawia wyniki leczenia w porównaniu z aktualnym standardem; mierzy się to m.in. wydłużeniem życia, poprawą jakości życia, zmniejszeniem liczby zaostrzeń choroby.
• Koszt-efektywność – stosunek kosztów terapii do osiąganych korzyści zdrowotnych; często wyrażany w kosztach za QALY (Quality Adjusted Life Year).
• Wpływ na budżet – ile będzie kosztowało finansowanie terapii z publicznych środków przy określonej populacji docelowej.
• Priorytety zdrowotne państwa – w jakim stopniu technologia odpowiada na najważniejsze obciążenia chorobowe (np. onkologia, choroby sercowo-naczyniowe) i cele polityki zdrowotnej.

Te kryteria są w miarę jasne, ale ich praktyczna interpretacja często zależy od przyjętych założeń. Modele ekonomiczne zakładają określone wartości parametrów: skuteczność terapii, koszty hospitalizacji, częstość powikłań. Tu otwiera się przestrzeń dla algorytmów, które mogą te założenia kalibrować na podstawie realnych danych z systemu.

Rola ekspertów i główne ograniczenia obecnego podejścia

W proces refundacji zaangażowani są liczni eksperci: klinicyści, analitycy HTA, ekonomiści zdrowia, konsultanci krajowi i wojewódzcy. Ich zadaniem jest przełożenie danych naukowych i ekonomicznych na praktyczne rekomendacje. To ogromna odpowiedzialność, ale także wyzwanie organizacyjne – liczba wniosków rośnie, a zasoby eksperckie są ograniczone.

Kluczowe słabości obecnego systemu to:

• długi czas procedur – od złożenia wniosku do decyzji mija często wiele miesięcy, a pacjenci w tym czasie czekają;
• trudność aktualizacji decyzji – gdy pojawiają się nowe dane, cały proces oceny praktycznie trzeba zaczynać od początku;
• ograniczona personalizacja – decyzje refundacyjne mają charakter „populacyjny”, bardzo rzadko uwzględniają indywidualne ryzyko pacjenta czy jego specyficzny profil kliniczny;
• statyczne modele – analizy są przygotowywane na dany moment, nie odzwierciedlają dobrze tego, co dzieje się w systemie 2–3 lata później.

Przykładowo, nowy lek onkologiczny wchodzi na listę refundacyjną na podstawie badań klinicznych, w których uczestniczyło kilka tysięcy pacjentów w wybranych ośrodkach. Po dwóch latach stosowania w Polsce gromadzimy dane o dziesiątkach tysięcy pacjentów w realnych warunkach. Obecnie system rzadko wykorzystuje te informacje do przeglądu decyzji refundacyjnej w sposób automatyczny. Algorytmy mogłyby tu pełnić rolę „czujnika”, który sygnalizuje, że realna efektywność lub bezpieczeństwo terapii odbiega od oczekiwanej.

Czym są „algorytmy” w kontekście refundacji i dostępu do terapii

Od prostych reguł po uczenie maszynowe

W dyskusji o algorytmach refundacyjnych w ochronie zdrowia często wrzuca się do jednego worka bardzo różne rozwiązania. Dla porządku można wyróżnić kilka poziomów złożoności:

• Proste reguły decyzyjne (if–then) – np. „pacjent spełnia kryteria programu lekowego, jeśli ma rozpoznanie X, jest w wieku 18–65 lat, a wcześniejsze leczenie Y było nieskuteczne”. Takie reguły już dziś są zapisywane w obwieszczeniach refundacyjnych.
• Klasyczne algorytmy statystyczne – modele regresji, drzewa decyzyjne, które prognozują np. ryzyko hospitalizacji, prawdopodobieństwo przeżycia, koszt leczenia.
• Uczenie maszynowe – bardziej złożone modele, które uczą się na dużych zbiorach danych (np. gradient boosting, random forest) i potrafią wykrywać nieliniowe zależności między zmiennymi.
• Głębokie sieci neuronowe – stosowane zwykle przy bardzo dużych i złożonych zbiorach danych (np. obrazy, sekwencje czasowe), potencjalnie również w analizie strumieni danych zdrowotnych.

W kontekście refundacji i dostępu do terapii największe znaczenie mają modele, które potrafią prognozować wyniki leczenia i koszty terapii w populacjach podobnych do krajowej. To właśnie na nich mogą opierać się algorytmy wsparcia decyzji refundacyjnych.

Algorytmy wsparcia decyzji a algorytmy decyzyjne

Warto odróżnić dwa poziomy automatyzacji:

• Algorytmy wsparcia decyzji (decision support) – generują rekomendacje, scenariusze „co jeśli”, wskazują optymalne rozwiązania w zależności od przyjętych parametrów. Ostateczna decyzja pozostaje w rękach człowieka (np. komisji refundacyjnej).
• Algorytmy decyzyjne – ich wynik jest bezpośrednio wiążący, np. automatyczny przydział do programu lekowego, automatyczne odrzucenie wniosku refundacyjnego dla indywidualnego pacjenta na podstawie kryteriów modelu.

Dzisiejsze zastosowania w obszarze HTA to głównie pierwsza kategoria. Systemy analityczne budują scenariusze, symulacje budżetowe, wizualizacje danych. Eksperci oceniają ich wyniki i na tej podstawie formułują rekomendacje. Przeskok w stronę algorytmów decyzyjnych wymagałby zmian prawnych, określenia odpowiedzialności i stworzenia procedur odwoławczych dla pacjentów.

Poziomy zastosowania algorytmów w refundacji

Algorytmy mogą działać na różnych piętrach systemu:

• Narzędzie dla analityka HTA – np. model, który na bieżąco aktualizuje koszt-efektywność terapii w oparciu o nowe dane z NFZ.
• Rekomendacja dla komisji – system, który przedstawia kilka wariantów decyzji (np. refundacja w węższej populacji, z inną ceną, z warunkiem monitoringu) wraz z oceną ich konsekwencji budżetowych i zdrowotnych.
• Automatyczny system kwalifikacji pacjenta – np. algorytm, który sprawdza dane z EDM i na ich podstawie dopuszcza lub blokuje finansowanie konkretnej terapii u konkretnej osoby.

Ostatni poziom jest najbardziej wrażliwy społecznie i etycznie. Personalizacja refundacji leków na poziomie jednostkowym może zwiększyć efektywność systemu, ale rodzi pytania o przejrzystość, możliwość odwołania i ryzyko dyskryminacji.

Co już działa w tle, a czego jeszcze nie ma

W praktyce systemy płatnika publicznego już wykorzystują elementy algorytmizacji, choć nie zawsze pod hasłem „sztuczna inteligencja”. Przykłady to:

• priorytetyzacja świadczeń w oparciu o kryteria medyczne (np. pilność zabiegu);
• prognozowanie kosztów leczenia na podstawie danych historycznych;
• wykrywanie nieprawidłowości rozliczeń i nadużyć (fraud detection);
• reguły kwalifikacji do programów lekowych zapisane w systemach rozliczeniowych.

Dane jako paliwo dla algorytmów refundacyjnych

Główne źródła danych w polskim systemie

Żaden algorytm nie zadziała sensownie bez wiarygodnych danych. W ochronie zdrowia kluczowe są cztery podstawowe strumienie informacji:

• Dane rozliczeniowe NFZ – obejmują świadczenia, hospitalizacje, procedury, recepty. Są stosunkowo kompletne na poziomie populacyjnym, ale mają ograniczoną szczegółowość kliniczną i bywają obarczone „logiką rozliczeniową” (kodowanie pod potrzeby taryf).
• Elektroniczna dokumentacja medyczna (EDM) – opisy wizyt, wyniki badań, rozpoznania, wypisy. To bogate źródło danych klinicznych, lecz rozproszone między systemami różnych podmiotów, z nierówną jakością strukturyzacji.
• Rejestry medyczne i programy lekowe – bardziej szczegółowe dane o konkretnych chorobach lub terapiach, często z informacjami o wynikach leczenia. Zwykle obejmują ograniczone populacje i zależą od rzetelności raportowania przez ośrodki.
• Dane epidemiologiczne i statystyka publiczna – GUS, PZH, rejestry zgonów; przydatne do kalibracji modeli populacyjnych i analiz długoterminowych trendów.

Z punktu widzenia refundacji każdy z tych strumieni ma inną wartość. Dane NFZ dobrze opisują koszty i wolumen świadczeń, EDM – profil kliniczny pacjentów i przebieg terapii, rejestry – wyniki w konkretnych wskazaniach. Algorytmy muszą łączyć te światy, jeśli mają rzeczywiście wspierać decyzje płatnika.

Jakość, kompletność, standaryzacja

Formalnie Polska dysponuje coraz większą ilością danych medycznych. Problemem jest ich nierówna jakość oraz brak wystarczającej standaryzacji. Pojawiają się trzy powtarzające się kłopoty:

• Braki i nieciągłości – brakujące wartości, luki w historii leczenia, niepełne raportowanie części procedur lub wyników badań.
• Różne formaty i słowniki – ten sam stan kliniczny bywa opisywany różnymi kodami lub słownie, co utrudnia automatyczne przetwarzanie.
• Błąd systematyczny – część danych jest kształtowana przez zasady finansowania (np. wybór rozpoznania bardziej „opłacalnego”), a nie wyłącznie przez stan zdrowia.

Z perspektywy algorytmów to nie detale techniczne, ale czynniki, które mogą przesuwać wyniki modeli w jedną stronę. Jeżeli np. w danych brakuje informacji o powikłaniach u pacjentów leczonych poza dużymi ośrodkami, model efektywności terapii będzie zbyt optymistyczny. Co wiemy? Że jakość danych wpływa na wynik algorytmu wprost. Czego nie wiemy? Jak duży jest rzeczywisty rozmiar zniekształceń w poszczególnych obszarach terapeutycznych.

Łączenie danych i ryzyko „ślepych pól”

Zastosowania algorytmiczne w refundacji wymagają integracji danych z wielu źródeł. Technicznie coraz częściej jest to możliwe, prawnie – wymaga precyzyjnych podstaw, a organizacyjnie – stabilnych procesów.

W praktyce integracja napotyka m.in. na:

• nierównomierne pokrycie cyfrowe – część świadczeniodawców ma zaawansowane systemy EDM, inne raportują w sposób minimalny;
• różny poziom szczegółowości – w jednych ośrodkach rejestrowane są parametry kliniczne co wizytę, w innych tylko przy przyjęciu i wypisie;
• problemy z pseudonimizacją – aby udało się śledzić ścieżkę pacjenta między systemami, trzeba łączyć dane w sposób bezpieczny i powtarzalny.

Jeżeli dana grupa pacjentów (np. mieszkańcy mniejszych miejscowości, osoby w starszym wieku) częściej trafia do ośrodków o słabszej cyfryzacji, powstają „ślepe pola” w danych. Algorytm uczony na takim materiale może faworyzować rozwiązania skuteczne głównie w dobrze udokumentowanych, dużych centrach.

Ograniczenia prawne i etyczne w wykorzystaniu danych

Ochrona danych osobowych i tajemnicy medycznej wyznacza naturalne granice dla budowy algorytmów refundacyjnych. RODO dopuszcza przetwarzanie danych zdrowotnych w interesie publicznym, ale wymaga minimalizacji zakresu danych, kontroli celu i odpowiednich zabezpieczeń technicznych.

Dla płatnika oznacza to kilka praktycznych wymogów:

• konieczność jasnego określenia celu tworzenia modelu (np. analiza koszt-efektywności terapii w danej jednostce chorobowej);
• stosowanie pseudonimizacji lub anonimizacji w miarę możliwości, z zachowaniem użyteczności danych;
• określenie okresu retencji i zasad udostępniania danych podmiotom zewnętrznym (np. firmom technologicznym).

Na poziomie etycznym pojawia się pytanie o granice wtórnego wykorzystania danych pacjentów. Fakt, że informacja została zebrana do celów leczenia, nie oznacza automatycznie zgody na wszystkie możliwe analizy. Obszar refundacji ma jednak silne uzasadnienie interesu publicznego: decyzje dotyczą całej populacji ubezpieczonych i kształtują dostęp do terapii na lata.

Jak algorytmy mogą zmienić decyzje refundacyjne

Dynamiczne modele koszt-efektywności

Klasyczny model HTA powstaje na potrzeby jednej decyzji i z czasem się dezaktualizuje. Algorytmy oparte na bieżących danych z NFZ i EDM pozwalają tworzyć żywe, aktualizowane modele koszt-efektywności.

W praktyce mogłoby to wyglądać tak: dla nowej terapii onkologicznej powstaje model bazowy, korzystający z danych z badań klinicznych. Po kilku kwartałach stosowania w Polsce system zaczyna zasilać model realnymi danymi o przeżyciu, liczbie hospitalizacji, konieczności leczenia powikłań. Algorytm okresowo aktualizuje kluczowe parametry – koszt za QALY, wpływ na budżet, liczebność populacji kwalifikującej się do leczenia.

Efekt? Zamiast rzadkich, ciężkich przeglądów całej dokumentacji, komisja refundacyjna mogłaby regularnie otrzymywać syntetyczny obraz tego, czy terapia nadal mieści się w akceptowalnych progach opłacalności. To nie oznacza automatycznej zmiany decyzji, ale skraca drogę od nowych danych do merytorycznej dyskusji.

Scenariusze „co jeśli” dla negocjacji cenowych

Negocjacje między płatnikiem a producentem leku to dziś w dużej mierze praca na kilku wariantach przygotowanych wcześniej. Algorytmy mogą rozszerzyć ten wachlarz o bardziej złożone scenariusze, generowane niemal „na żywo”.

System analityczny może np. w ciągu minut pokazać, jak zmieni się koszt-efektywność i łączny wpływ na budżet przy:

• obniżeniu ceny o określony procent,
• zawężeniu populacji docelowej do pacjentów o najwyższym ryzyku,
• wprowadzeniu warunków wynikowych (np. refundacja pełna tylko przy osiągnięciu określonych efektów).

Tego typu algorytmy nie zastąpią negocjatorów, ale mogą zwiększyć ich „pole widzenia”: szybko wychwycić konfiguracje, w których terapia staje się racjonalna z punktu widzenia systemu, i te, które prawie zawsze prowadzą do nieakceptowalnych kosztów.

Precyzyjne określanie populacji docelowych

Obecnie populacje objęte refundacją są często definiowane szeroko: na podstawie rozpoznania, stadium choroby, czasem pojedynczych biomarkerów. Algorytmy oparte na uczeniu maszynowym potrafią wykrywać bardziej złożone wzorce – kombinacje cech klinicznych i demograficznych, które przesądzają o korzyści z terapii.

Potencjalne zastosowanie to budowa stratyfikowanych kryteriów refundacyjnych. Zamiast jednej grupy „wszyscy pacjenci z rozpoznaniem X”, system może zaproponować kilka segmentów z różnym stosunkiem korzyści do kosztów:

• grupa z bardzo wysoką szansą na odpowiedź na leczenie – refundacja pełna,
• grupa z umiarkowaną korzyścią – refundacja warunkowa, np. w ramach programu wynikowego,
• grupa z niskim prawdopodobieństwem korzyści – brak refundacji lub dostęp jedynie w ramach badań.

W przykładzie praktycznym: pacjenci z rakiem płuca mogliby być kwalifikowani nie tylko na podstawie typu nowotworu i obecności pojedynczej mutacji, ale także całego profilu kliniczno-epidemiologicznego, który algorytm wiąże z wysoką szansą odpowiedzi na drogi lek celowany. To zwiększa „trafność” wydawanych środków, ale jednocześnie wyostrza pytania o granice równego dostępu.

Warunkowe refundacje i kontrakty wynikowe

Algorytmy są też naturalnym zapleczem dla tzw. risk-sharing agreements i kontraktów wynikowych. Jeżeli część płatności za lek zależy od osiągniętych efektów zdrowotnych, system musi wiarygodnie mierzyć te efekty u dużej liczby pacjentów.

Możliwy scenariusz: minister zdrowia zgadza się na refundację bardzo drogiej terapii pod warunkiem, że określony odsetek pacjentów osiągnie poprawę mierzoną konkretnym wskaźnikiem (np. brak progresji choroby przez określony czas). Algorytm cyklicznie analizuje dane z rejestru czy EDM, zlicza wyniki i automatycznie wylicza rozliczenie między płatnikiem a producentem.

Tego typu rozwiązania są stopniowo testowane w innych krajach – bez efektywnych narzędzi analitycznych byłyby organizacyjnie niewykonalne. Jednocześnie wymagają szczególnie starannego zaprojektowania: sposób pomiaru wyniku, dobór wskaźników i okres obserwacji wprost przekładają się na koszty systemu i zachowania stron kontraktu.

Automatyczna kwalifikacja pacjentów do programów

Na poziomie indywidualnym algorytmy mogą wspierać lub częściowo automatyzować kwalifikację do programów lekowych. W prostszej wersji system jedynie sprawdza spełnienie kryteriów formalnych, w bardziej zaawansowanej – wykorzystuje modele predykcyjne, aby wskazać, czy dany pacjent znajduje się w grupie wysokiego oczekiwanego zysku zdrowotnego.

Przykładowo, lekarz wprowadza rozpoznanie, parametry badań i dotychczasową historię leczenia do systemu EDM. Algorytm, zasilony wiedzą z tysięcy podobnych przypadków, sygnalizuje, że pacjent ma profil typowy dla osób dobrze odpowiadających na terapię A, a jednocześnie relatywnie niski spodziewany zysk z terapii B. Dodatkowo sprawdza aktualne warunki refundacji i informuje, czy dana terapia jest dla tego pacjenta finansowana ze środków publicznych.

Krytyczny punkt to sposób wykorzystania takiej rekomendacji. Jeżeli ma ona charakter wyłącznie informacyjny, pozostawiając pełną autonomię lekarzowi, mówimy o narzędziu wsparcia decyzji. Jeżeli decyzja refundacyjna jest automatycznie wiązana z wynikiem algorytmu, pojawia się konieczność jasno określonych procedur odwoławczych i transparentnego uzasadnienia działania modelu.

Monitorowanie bezpieczeństwa i „czujniki” sygnalizujące problem

Algorytmy nie muszą ograniczać się do decyzji o wejściu terapii na listę. Mogą pełnić rolę systemu wczesnego ostrzegania dla terapii już refundowanych.

Na bieżąco analizując dane o hospitalizacjach, powikłaniach czy zgonach w grupie pacjentów leczonych konkretnym lekiem, model może wykrywać:

• nietypowe wzorce działań niepożądanych w określonych podgrupach,
• wzrost częstości powikłań po wprowadzeniu nowej kombinacji leków,
• różnice między wynikami w badaniach rejestracyjnych a efektami w codziennej praktyce.

Taki algorytm nie zastępuje nadzoru farmakologicznego, ale może go wzmocnić. W momencie, gdy wskaźniki bezpieczeństwa przekraczają ustalone progi, system generuje alert dla płatnika i odpowiednich organów. To z kolei może uruchomić przegląd decyzji refundacyjnej, dodatkowe analizy lub korekty kryteriów kwalifikacji.

Ryzyko utrwalenia nierówności i uprzedzeń

Modele uczą się na danych historycznych. Jeżeli system opieki zdrowotnej dotąd faworyzował określone grupy (np. lepszy dostęp do specjalistów w dużych miastach), algorytmy mogą nieświadomie te schematy wzmacniać. W decyzjach refundacyjnych ryzyko jest podwójne: dotyczy zarówno wyboru technologii, jak i sposobu ich dystrybucji w populacji.

Przykład hipotetyczny: algorytm analizuje wyniki leczenia i „naucza się”, że określona terapia jest mniej efektywna u pacjentów z niższym statusem socjoekonomicznym. W rzeczywistości przyczyną gorszych wyników jest trudniejszy dostęp do kontroli, opóźnione rozpoznanie i większa liczba chorób współistniejących, a nie sama terapia. Jeżeli model zostanie użyty bezrefleksyjnie, może sugerować ograniczenie refundacji w tej grupie, formalnie poprawiając wskaźniki koszt-efektywności, ale de facto utrwalając nierówności.

Z tego powodu w nowoczesnych projektach algorytmicznych coraz częściej stosuje się testy „fairness”: sprawdzanie, czy model nie dyskryminuje określonych grup ze względu na wiek, płeć, miejsce zamieszkania czy status społeczno-ekonomiczny. W obszarze refundacji oznacza to konieczność włączenia kryteriów równościowych do procesu oceny algorytmu, a nie tylko samej technologii medycznej.

Przejrzystość modeli i możliwość ich kwestionowania

Jeżeli decyzje refundacyjne mają w większym stopniu opierać się na algorytmach, powstaje fundamentalne pytanie: kto rozumie działanie modelu i w jakim stopniu można je wyjaśnić zainteresowanym stronom – od lekarzy po organizacje pacjenckie.

Odpowiedzialność prawna i podział ról przy decyzjach algorytmicznych

Gdy algorytm zaczyna realnie wpływać na to, kto dostaje dostęp do terapii finansowanej ze środków publicznych, nie da się uciec od pytania o odpowiedzialność. Kto ponosi konsekwencje błędnej rekomendacji modelu – instytucja zlecająca jego budowę, zespół, który go zaprojektował, a może organ wydający decyzję refundacyjną?

Na gruncie obecnych regulacji to człowiek – urzędnik, członek komisji, minister – podpisuje się pod decyzją administracyjną. Algorytm pozostaje narzędziem pomocniczym. W praktyce, im bardziej „miękka” i niedookreślona jest rola modelu, tym łatwiej o zatarcie granic między rekomendacją a faktycznym rozstrzygnięciem. Jeżeli z czasem proces zostaje zautomatyzowany, a rola człowieka sprowadzona do rutynowego zatwierdzania wyników, odpowiedzialność staje się rozmyta.

Do rozwiązania pozostaje kilka kluczowych kwestii:

• czy i w jakiej formie decyzja oparta na algorytmie powinna zawierać odwołanie do tego faktu,
• jak zapewnić możliwość skutecznego zakwestionowania zarówno samej decyzji, jak i użytego modelu,
• jak dalece dopuszczalne jest powierzanie prywatnym podmiotom zadań o charakterze quasi-regulacyjnym (np. wycena QALY, kwalifikacja do programów).

Coraz częściej pojawia się postulat tworzenia formalnych ram dla „odwołania od algorytmu”: pacjent lub producent mógłby domagać się weryfikacji sprawy przez niezależny panel ekspertów, z dostępem do kluczowych założeń i parametrów modelu. To z kolei wymaga odpowiedniej dokumentacji – nie tylko kodu, lecz także decyzji podjętych na etapie projektowania systemu.

Rola regulatorów i standardy „dobrego algorytmu”

Jeżeli algorytmy stają się częścią procesów refundacyjnych, pojawia się pytanie: kto i według jakich kryteriów je ocenia? Dziś instytucje oceny technologii medycznych koncentrują się na dowodach klinicznych i ekonomicznych. Ocena samego narzędzia analitycznego dopiero zaczyna być ujmowana w formalne ramy.

W debacie eksperckiej powtarzają się wątki, które można traktować jako szkic standardów:

• weryfikowalność – możliwość niezależnego przetestowania modelu na odrębnych danych,
• odtwarzalność – jasny opis sposobu trenowania i aktualizowania algorytmu,
• kontrola jakości danych – minimalne wymagania co do kompletności i reprezentatywności zbiorów,
• monitorowanie w czasie – obowiązek okresowego sprawdzania, czy skuteczność modelu nie spada.

Niektóre kraje próbują wpisać te wymagania w regulacje dotyczące sztucznej inteligencji wysokiego ryzyka, inne – w wytyczne wewnętrzne płatnika lub agencji HTA. Niezależnie od ścieżki, sedno pozostaje to samo: algorytm używany w procesie, który ma bezpośredni wpływ na prawa pacjentów, nie może być „czarną skrzynką” pozostawioną wyłącznie w gestii dostawcy technologii.

Udział pacjentów i społeczeństwa w projektowaniu zasad

Kluczowy spór nie dotyczy wyłącznie tego, jak działają algorytmy, lecz według jakich wartości mają optymalizować decyzje. Tutaj wchodzimy na teren polityki zdrowotnej w sensie ścisłym. Co ważniejsze: maksymalizacja liczby QALY, zmniejszanie nierówności zdrowotnych, czy może pierwszeństwo ciężko chorych, nawet przy gorszej koszt-efektywności?

Organizacje pacjenckie coraz częściej domagają się udziału w ustalaniu tych priorytetów. Z perspektywy praktycznej może to przybierać formę:

• konsultacji społecznych nad kryteriami, które mają być zakodowane w algorytmach oceny,
• udziału przedstawicieli pacjentów w ciałach nadzorujących rozwój i aktualizację modeli,
• obowiązkowego ujawniania w prostym języku głównych założeń stojących za systemami decyzyjnymi.

Przykład z zagranicy: w jednym z państw Europy Zachodniej, przed wdrożeniem algorytmu do priorytetyzacji terapii onkologicznych, zorganizowano serię warsztatów deliberacyjnych z udziałem pacjentów, lekarzy i obywateli. Uczestnicy nie dyskutowali o technicznych aspektach modelu, lecz o tym, czy priorytetowo traktować młodszych, czy ciężej chorych, jak wliczać opiekę nieformalną, jak wyceniać poprawę jakości życia. Dopiero później te ustalenia przełożono na formuły.

Bez takiego elementu proces algorytmizacji refundacji grozi uznaniem za techniczną operację ekspertów, podczas gdy w istocie jest to seria wyborów o głęboko normatywnym charakterze.

Konflikty interesów i niezależność modeli

Modele wykorzystywane w ocenie leków i kształtowaniu programów refundacyjnych nie powstają w próżni. Finansują je instytucje publiczne, firmy doradcze, uczelnie, ale także sami producenci leków. Z punktu widzenia przejrzystości systemu kluczowe jest to, kto kontroluje parametry i aktualizacje algorytmu.

Potencjalne źródła konfliktu interesów są oczywiste:

• algorytm kalibrowany na danych dostarczonych wyłącznie przez producenta leku,
• brak niezależnej walidacji modeli stosowanych do symulacji długoterminowych efektów terapii,
• „drobne” założenia metodologiczne (np. tempo spadku skuteczności, założenia co do adherencji), które przesuwają wynik na korzyść jednej technologii.

Jednym z możliwych rozwiązań jest tworzenie publicznych, otwartych bibliotek modeli lub co najmniej standardów ich budowy. Firmy mogłyby przedstawiać własne analizy, ale ostateczne symulacje koszt-efektywności i wpływu na budżet wykonywałby niezależny podmiot na zaufanej infrastrukturze. Taka praktyka dopiero się kształtuje i rodzi pytania o koszty, odpowiedzialność oraz ochronę tajemnicy handlowej.

Infrastruktura techniczna: od rejestrów po „piaskownice” danych

Aby algorytmy miały realne zastosowanie w refundacji, potrzebują nie tylko danych, ale też stabilnej infrastruktury. To osobny wymiar transformacji, mniej spektakularny niż same modele, ale decydujący o ich jakości.

W praktyce oznacza to kilka warstw:

• rejestry kliniczne i lekowe – wiarygodne źródło informacji o przebiegu terapii, wynikach i zdarzeniach niepożądanych,
• integracja z EDM – możliwość łączenia danych z różnych punktów opieki, przy jednoczesnej ochronie prywatności,
• środowiska testowe („piaskownice”) – kontrolowane przestrzenie, w których można trenować i walidować modele na pseudonimizowanych danych.

Bez takiej infrastruktury rośnie ryzyko, że decyzje algorytmiczne będą oparte na niepełnych lub obciążonych błędem zbiorach. To z kolei może prowadzić do pozornie precyzyjnych, lecz fałszywych wniosków – z wszystkimi konsekwencjami dla pacjentów i budżetu.

Coraz częściej w dokumentach strategicznych pojawia się postulat, aby rozwój algorytmów dla refundacji łączyć z inwestycjami w systemy kodowania danych, standaryzację raportowania i interoperacyjność. Technologia analityczna bez solidnego „podłoża” staje się jedynie zaawansowaną formą zgadywania.

Kompetencje urzędników, klinicystów i analityków

Algorytm może formalnie wspierać decyzje, ale ktoś musi rozumieć jego ograniczenia. To przesuwa akcent z samej technologii na ludzi obsługujących proces refundacyjny – od analityków HTA, przez urzędników, po członków komisji i konsultantów krajowych.

W wielu systemach zdrowotnych pojawia się lukę kompetencji: osoby o głębokim doświadczeniu klinicznym nie zawsze są przygotowane do krytycznej lektury modeli uczenia maszynowego, z kolei eksperci od danych niekoniecznie rozumieją niuanse praktyki medycznej i realiów pracy lekarzy. Skuteczne wykorzystanie algorytmów wymaga zderzenia tych perspektyw.

Możliwe odpowiedzi to m.in.:

• programy szkoleń z podstaw myślenia algorytmicznego i interpretacji modeli dla decydentów zdrowotnych,
• wzmacnianie roli interdyscyplinarnych zespołów oceniających – łączących wiedzę kliniczną, ekonomiczną, statystyczną i etyczną,
• budowanie wewnętrznych kompetencji analitycznych w instytucjach publicznych, zamiast pełnej zależności od dostawców zewnętrznych.

Stawką jest zdolność do zadawania trudnych pytań modelom: gdzie się mylą, dla kogo działają gorzej, jaką niepewność ukrywa gładki wykres czy pojedyncza wartość kosztu za QALY.

Międzynarodowe doświadczenia i różne modele podejścia

Państwa o rozwiniętych systemach oceny technologii medycznych testują różne strategie włączania algorytmów w decyzje refundacyjne. Na razie mowa raczej o pilotażach niż o pełnej automatyzacji.

Wybrane kierunki, które można obserwować:

• modele predykcyjne w onkologii – wykorzystywane do lepszego profilowania pacjentów i szacowania długoterminowych korzyści terapii celowanych,
• dynamiczne budżetowanie – systemy, które regularnie aktualizują prognozy wpływu na budżet w oparciu o rzeczywiste dane zużycia i skuteczności,
• algorytmy do kontraktów wynikowych – narzędzia rozliczające producentów w zależności od efektów osiąganych w realnej praktyce.

Wspólny mianownik tych inicjatyw to ostrożność. Algorytmy są traktowane jako rozszerzenie aparatu analitycznego, a nie autonomiczny decydent. Jednocześnie rośnie nacisk na dokumentowanie procesu: od wyboru danych treningowych po decyzję o tym, jakie metryki uznać za kluczowe przy ocenie terapii.

Dla krajów dopiero rozważających szersze użycie algorytmów w refundacji praktycznym pytaniem jest nie tyle „czy”, ile „jak” – jaki model przyjąć, na jakim etapie procesu je wprowadzać, jak łączyć je z istniejącymi procedurami HTA i nadzoru farmakoterapii.

Granice automatyzacji: gdzie algorytm się kończy, a zaczyna polityka

Algorytmy świetnie radzą sobie z porządkowaniem danych, wykrywaniem wzorców, liczeniem scenariuszy „co jeśli”. Nie rozwiązują jednak dylematów, które leżą u podstaw polityki zdrowotnej. Które grupy pacjentów powinny być priorytetowo traktowane, jaki poziom ryzyka kosztownego niepowodzenia jest społecznie akceptowalny, ile środków przeznaczyć na rzadkie choroby kosztem terapii powszechnych – to pytania, na które nie ma „jedynie słusznej” odpowiedzi.

W praktyce oznacza to konieczność jasnego wydzielenia dwóch poziomów:

• warstwy obliczeniowej – tam, gdzie algorytm może uporządkować dane, zredukować niepewność, wskazać najbardziej prawdopodobne skutki decyzji,
• warstwy normatywnej – tam, gdzie ostateczne rozstrzygnięcie wymaga wartościowania i poniesienia politycznej odpowiedzialności.

Jeżeli te poziomy się mieszają, rośnie ryzyko, że sporne decyzje będą przedstawiane jako „wynik, który wyszedł z modelu”, a nie jako świadomy wybór określonej strategii zdrowotnej. To z kolei utrudnia debatę publiczną: trudno dyskutować z liczbą czy wykresem, dużo łatwiej – z jawnym zbiorem założeń i priorytetów.

Co wiemy, a czego wciąż brakuje w badaniach nad algorytmami refundacyjnymi

Empiryczne dowody na to, jak algorytmy zmieniają realne decyzje refundacyjne, są na razie ograniczone. Mamy opisy projektów pilotażowych, wyniki symulacji, pojedyncze przykłady wdrożeń. Brakuje natomiast systematycznych porównań: jak inaczej ułożyłyby się listy refundacyjne i budżety, gdyby ten sam zestaw decyzji podejmowano bez wsparcia modeli predykcyjnych.

W literaturze pojawiają się natomiast konkretne wnioski cząstkowe:

• algorytmy dobrze sprawdzają się przy monitorowaniu bezpieczeństwa i efektywności w warunkach rzeczywistych,
• stratyfikacja populacji przy użyciu modeli uczenia maszynowego potrafi ujawnić podgrupy pacjentów, które wyraźnie zyskują lub tracą na danej terapii,
• największą trudnością jest nie tyle zbudowanie modelu, ile zapewnienie jakości danych wejściowych i stabilności jego działania w czasie.

Otwarta pozostaje lista kluczowych pytań: jak mierzyć „sprawiedliwość” algorytmu w kontekście refundacji, jak badać jego wpływ na nierówności zdrowotne, w jaki sposób oceniać relację między zyskiem efektywności a kosztami nadzoru i utrzymania systemu. Odpowiedzi będą prawdopodobnie różnić się między krajami – w zależności od przyjętych priorytetów, modelu finansowania ochrony zdrowia i zaufania do instytucji publicznych.

Najczęściej zadawane pytania (FAQ)

Co to znaczy, że algorytmy będą decydować o refundacji leków?

Chodzi o wykorzystanie zaawansowanych modeli matematycznych i sztucznej inteligencji do analizowania danych medycznych i kosztów leczenia, aby wspierać decyzje, które terapie finansować ze środków publicznych. Algorytmy nie „leczą” pacjentów, lecz przeliczają scenariusze: ile daje konkretna terapia zdrowia, ile kosztuje i u kogo przynosi największą korzyść.

W praktyce może to wyglądać tak, że system na podstawie danych z NFZ i dokumentacji medycznej wskazuje: w tej grupie pacjentów lek A jest bardziej opłacalny zdrowotnie i ekonomicznie niż lek B, więc powinien być refundowany w pierwszej kolejności lub na określonych warunkach.

Jakie dane wykorzystują algorytmy w decyzjach o refundacji i dostępie do terapii?

Podstawą są dane kliniczne i ekonomiczne, które już dziś trafiają do systemów ochrony zdrowia. To m.in.:

• dokumentacja medyczna (EHR, EDM) – rozpoznania, wyniki badań, przebieg leczenia;
• dane NFZ – koszty hospitalizacji, wizyt, badań, programów lekowych;
• rejestry chorób i programów terapeutycznych – długoterminowe efekty terapii;
• wyniki badań klinicznych i analizy farmakoekonomiczne przygotowywane przez producentów.

Na tej podstawie można modelować np. ryzyko powikłań, przewidywany czas przeżycia, łączny koszt całej ścieżki leczenia, a nie tylko cenę leku.

Czy w Polsce algorytmy już wpływają na refundację leków?

Tak, ale na razie raczej pośrednio. Modele statystyczne i predykcyjne są używane w analizach farmakoekonomicznych i prognozowaniu wpływu nowych terapii na budżet. Oficjalne decyzje nadal podejmują eksperci AOTMiT, minister zdrowia i NFZ.

Nie ma jeszcze sytuacji, w której „czarna skrzynka” sama wydaje wiążącą decyzję: refundować lub nie. Algorytmy pełnią funkcję narzędzi analitycznych, które mają ułatwić ocenę złożonych danych, ale odpowiedzialność spoczywa na ludziach.

Czy algorytmy mogą ograniczyć dostęp do drogich terapii dla części pacjentów?

Taki scenariusz jest realny, ale jednocześnie może oznaczać lepsze ukierunkowanie środków. Jeśli model pokaże, że dany, bardzo drogi lek przynosi dużą korzyść tylko u wąskiej grupy chorych, system może zdecydować o refundacji właśnie dla tej grupy – a nie dla wszystkich.

Z perspektywy pacjenta oznacza to bardziej selektywny dostęp: nie każdy dostanie najnowszą terapię, ale ci, którzy mają największą szansę skorzystać, powinni być identyfikowani precyzyjniej niż dziś. Pytanie brzmi: jak zbudować takie kryteria, żeby nie dyskryminować osób z gorszym „profilom danym”.

Jakie są największe zagrożenia związane z użyciem algorytmów w refundacji leków?

Ryzyka najczęściej wskazywane przez ekspertów to:

• utrwalenie istniejących nierówności zdrowotnych, jeśli algorytmy uczą się na historycznych, niepełnych lub stronniczych danych;
• brak przejrzystości – pacjent i lekarz nie wiedzą, dlaczego system „uznał”, że dana terapia się nie opłaca;
• nadmierne zaufanie do modeli kosztem indywidualnej oceny klinicznej;
• presja ekonomiczna, by decyzje były zbyt mocno podporządkowane oszczędnościom, a nie wartości zdrowotnej.

Dlatego coraz częściej pojawia się postulat audytu algorytmów, jawności kryteriów i zachowania ostatecznej decyzyjności po stronie ludzi.

Czy algorytmy zastąpią ekspertów HTA i ministra zdrowia w podejmowaniu decyzji?

Na dziś nie ma do tego ani ram prawnych, ani społecznej akceptacji. Algorytmy są postrzegane jako wsparcie dla HTA: porządkują dane, liczą scenariusze, aktualizują założenia modeli na podstawie rzeczywistych danych z systemu.

Otwarte pozostaje pytanie, jak daleko ten proces zajdzie. Co wiemy? Bez automatyzacji część analiz stanie się niewykonalna przy rosnącej liczbie leków. Czego nie wiemy? Czy przyszłe prawo pozwoli, by rekomendacje generowane automatycznie miały charakter wiążący, czy zawsze będą tylko podkładką pod decyzję człowieka.

Jak algorytmy mogą poprawić „sprawiedliwość” decyzji refundacyjnych?

Zwolennicy podkreślają, że dobrze zaprojektowane modele:

• stosują te same, przejrzyste zasady dla wszystkich pacjentów i terapii;
• pozwalają porównywać setki technologii w sposób spójny, a nie zależny od pojedynczej opinii;
• szybciej wychwytują, gdzie realne korzyści zdrowotne są największe, a gdzie lek daje niewielki zysk przy ogromnych kosztach.

Warunkiem jest jednak transparentność: dostęp do kryteriów, według których algorytm „waży” koszty i korzyści, oraz możliwość ich zakwestionowania przez ekspertów i interesariuszy – inaczej trudno mówić o zaufaniu do takich decyzji.

Bibliografia i źródła

• Health Technology Assessment of Medical Devices. World Health Organization (2011) – Podstawy HTA, proces oceny technologii medycznych i decyzji refundacyjnych
• Guidelines for Preparing Submissions to the Pharmaceutical Benefits Advisory Committee. Australian Government Department of Health (2016) – Wytyczne oceny koszt‑efektywności i wpływu na budżet w refundacji leków
• Methods for the Economic Evaluation of Health Care Programmes. Oxford University Press (2015) – Klasyczna monografia o analizach farmakoekonomicznych i QALY
• A Framework for Decision Making: Using AI in Health Technology Assessment. International Network of Agencies for Health Technology Assessment (2020) – Rola algorytmów i AI w procesach HTA i rekomendacjach refundacyjnych
• Artificial Intelligence in Health Care: The Hope, the Hype, the Promise, the Peril. National Academy of Medicine (2019) – Raport o zastosowaniach AI, w tym w zarządzaniu systemem i alokacji zasobów
• Big Data in Public Health, Policy and Research. European Commission Joint Research Centre (2019) – Znaczenie big data dla polityki zdrowotnej i decyzji płatnika
• Guideline for the Conduct of Economic Evaluation of Health Technologies. Canadian Agency for Drugs and Technologies in Health (2017) – Standardy analiz ekonomicznych stosowanych w HTA i refundacji
• General Methods for the Assessment of the Relation of Benefits to Costs. National Institute for Health and Care Excellence (2013) – Metody oceny koszt‑efektywności i progi decyzyjne w NICE
• Ustawa o refundacji leków, środków spożywczych specjalnego przeznaczenia żywieniowego oraz wyrobów medycznych. Ministerstwo Zdrowia (2011) – Podstawy prawne procesu refundacyjnego w Polsce