Jak państwo powinno regulować startupy medyczne oparte na AI, żeby nie zdusić innowacji

Problem, który państwo musi rozwiązać bez odwlekania

Startupy medyczne oparte na AI wchodzą w miejsca, gdzie system ma luki: kolejki, brak kadr, diagnostyka obrazowa, koordynacja opieki. Regulator widzi ryzyko dla pacjentów, ale też presję, by nie zablokować rozwiązań, które mogą realnie zmniejszyć obciążenie szpitali i przychodni. Dylemat nie jest teoretyczny: co jest bezpieczne, co wymaga natychmiastowego nadzoru, a co lepiej najpierw sprawdzić w pilotażu? Co wiemy? Że narzędzia AI są bardzo zróżnicowane pod względem ryzyka i dojrzałości. Czego nie wiemy? Jak szybko aktualizujące się algorytmy powinny być dopuszczane do użycia klinicznego i kto ponosi odpowiedzialność za błąd systemu uczącego się w czasie.

Bez uporządkowanej ścieżki regulacyjnej innowacje uciekają do innych jurysdykcji lub zamieniają się w rozwiązania „wellness”, które omijają medycynę – z gorszym bezpieczeństwem dla pacjentów. Z kolei zbyt ciężkie wymogi redukują konkurencję i windują koszty badań. Potrzebny jest wybór spośród kilku spójnych wariantów, dopasowanych do ryzyka i kontekstu, a nie jeden, uniwersalny bat.

Agenda pytań, które trzeba rozstrzygnąć przed pierwszym wdrożeniem

• Jak zdefiniować i sklasyfikować system AI jako wyrób medyczny lub narzędzie wspierające zdrowie, by nie mnożyć interpretacji granicznych?
• Jak szybko i na jakich warunkach dopuszczać systemy AI do ograniczonego użycia klinicznego (pilotaż, warunkowe dopuszczenie), zanim zbiorą pełne dane?
• Jak uregulować aktualizacje modeli (w tym systemów „ciągle uczących się”), żeby nie wymagać ponownej certyfikacji przy każdej poprawce, a jednocześnie utrzymać kontrolę?
• Jak zapewnić dostęp do danych zdrowotnych do uczenia i walidacji AI zgodnie z RODO i krajowymi przepisami, z realnym bezpieczeństwem i audytem?
• Kto i w jakim zakresie ponosi odpowiedzialność za szkody spowodowane błędem AI – producent, świadczeniodawca, lekarz nadzorujący, płatnik?
• Jak powiązać dopuszczenie do obrotu z refundacją i zamówieniami publicznymi, aby najlepsze rozwiązania nie utknęły w „doliny śmierci” po uzyskaniu znaku CE?
• Jakie minimalne standardy dokumentacji, jakości i cyberbezpieczeństwa będą wymagane od startupów, by móc wejść do pilotażu w szpitalu?
• Jak ograniczać uprzedzenia algorytmiczne i zapewniać równość dostępu, gdy dane treningowe są nierówne jakościowo i demograficznie?

Definicje, klasy ryzyka i progi regulacyjne – porządek przed szczegółami

Co to jest startup medyczny oparty na AI w rozumieniu przepisów

Praktyczny punkt wyjścia: jeśli produkt wykorzystuje algorytmy do celów medycznych (diagnoza, terapia, prognoza, monitorowanie, łagodzenie chorób), z dużym prawdopodobieństwem kwalifikuje się jako Medical Device Software (SaMD) i podlega reżimowi wyrobów medycznych. Aplikacje „zdrowego stylu życia” (wellness), które nie deklarują funkcji medycznych, mogą pozostać poza tym reżimem, ale to śliski grunt: gdy aplikacja sugeruje decyzje kliniczne, wchodzi w obszar wyrobu medycznego. W polskim otoczeniu interpretacje wydają URPL, a wymogi ochrony danych nadzoruje UODO.

Klasy ryzyka dla systemów AI – czteropoziomowa skala operacyjna

Ułatwieniem dla procesu decyzyjnego jest wprowadzenie praktycznej, czterostopniowej skali ryzyka (kompatybilnej z filozofią MDR i unijną regulacją AI):

• Niskie ryzyko: narzędzia edukacyjne, przypominacze lekowe, wsparcie administracyjne bez wpływu na decyzje kliniczne.
• Umiarkowane ryzyko: triaż objawów, wspomaganie interpretacji bez podejmowania automatycznych decyzji, zalecenia „do weryfikacji” przez personel.
• Wysokie ryzyko: systemy wspierające rozpoznanie choroby, stratyfikację ryzyka, dawkowanie leku – zawsze z nadzorem klinicznym.
• Bardzo wysokie ryzyko: autonomiczne decyzje diagnostyczne lub terapeutyczne bez możliwości łatwej interwencji człowieka.

Każdy poziom powinien mieć odrębny zestaw wymagań: od rejestracji i kodeksu postępowania (niski) po pełną certyfikację, badania kliniczne, ciągły nadzór i zgłaszanie incydentów (wysoki i bardzo wysoki).

Granica między „wellness” a medycyną – pułapka dla innowatorów

Najczęstszy błąd to sztuczne „odmedykalnienie” produktu, aby ominąć regulację. Efekt uboczny: brak integracji z systemem, niska wiarygodność kliniczna i brak refundacji. Rozsądna polityka państwa powinna oferować lekką, ale jasną ścieżkę dla narzędzi niskiego i umiarkowanego ryzyka, by startup nie miał motywacji do uciekania w szarą strefę.

Cztery warianty podejścia regulacyjnego – porównanie filozofii

Wariant A: Twarda regulacja ex ante

Założenie: pełne wymogi jak dla klasycznych wyrobów medycznych przed wejściem na rynek. Silny nacisk na certyfikację, badania kliniczne, audyty jakości (ISO 13485), zarządzanie ryzykiem (ISO 14971), cykl życia oprogramowania (IEC 62304), cyberbezpieczeństwo. Pasuje do narzędzi wysokiego i bardzo wysokiego ryzyka, gdzie błąd może zabić pacjenta.

Zalety: najwyższy poziom bezpieczeństwa, przewidywalność dla szpitali i ubezpieczycieli, łatwiejsze decyzje refundacyjne. Wady: długi czas wejścia (często 12–24 miesiące), wysokie koszty zgodności, słaba elastyczność aktualizacji modeli uczących się, ryzyko zniechęcenia młodych firm.

Wariant B: Podejście stopniowane ryzykiem

Założenie: wymagania rosną wraz z ryzykiem klinicznym i wpływem na decyzję lekarza. Lekkie wymogi rejestracyjne i kodeksy postępowania dla niskiego ryzyka; dla umiarkowanego – ograniczona ocena kliniczna, nadzór i audyt dokumentacji; dla wysokiego – pełna certyfikacja, ale z mechanizmem „predetermined change control plan” (plan z góry zatwierdzonych zmian modelu), by nie blokować aktualizacji.

Zalety: proporcjonalność, krótszy czas do pilotażu, zachęta do innowacji przy zachowanym bezpieczeństwie. Wady: potrzeba wysokich kompetencji urzędów do oceny ryzyka i dozorowania aktualizacji, ryzyko różnic interpretacyjnych.

Wariant C: Piaskownica regulacyjna i warunkowe dopuszczenie

Założenie: wejście do ograniczonego, kontrolowanego środowiska (np. 5–10 szpitali) z jasno zdefiniowanymi wskaźnikami bezpieczeństwa i skuteczności; krótkie, ściśle nadzorowane wdrożenia na podstawie zgody organów i komisji bioetycznej. Po spełnieniu kryteriów – szybka ścieżka do szerszego użycia.

Wariant C: Piaskownica regulacyjna i warunkowe dopuszczenie – plusy i minusy

Zalety: szybkie uczenie się regulatora i startupu na realnych danych, mniejsze bariery wejścia przy zachowaniu klinicznego nadzoru, lepsze dowody do decyzji refundacyjnych. Umożliwia testowanie modelu zarządzania zmianą (w tym planu z góry zatwierdzonych modyfikacji) i mechanizmów bezpieczeństwa w kontrolowanych warunkach.

Wady: ograniczona skalowalność w czasie pilotażu, większe obciążenie dla szpitali uczestniczących (zbieranie danych, raportowanie incydentów), ryzyko „zamrożenia” projektu bez jasnych kryteriów wyjścia. Wymaga sprawnego porozumienia instytucjonalnego (URPL, CeZ, komisje bioetyczne, płatnik).

Wariant D: Samoregulacja branżowa z rejestrem i obowiązkami przejrzystości

Założenie: dla narzędzi niskiego ryzyka – zamiast formalnej certyfikacji – obowiązkowy rejestr publiczny, minimalne standardy jakości (m.in. opis danych treningowych, wskaźniki wydajności, ograniczenia zastosowań), mechanizmy zgłaszania incydentów i prawo do audytu. Dodatkowo: kodeksy branżowe i okresowe przeglądy przez niezależne podmioty oceniające.

Zalety: najszybszy czas wejścia, niskie koszty zgodności, widoczność dla użytkowników i decydentów. Sprzyja rozwojowi ekosystemu i szybkiej iteracji produktu w segmentach o małym ryzyku klinicznym.

Wady: niższy sufit zaufania klinicznego, brak automatycznej ścieżki do refundacji, większa rozpiętość jakości między dostawcami. Ryzyko „greenwashingu” bez realnego nadzoru, jeśli rejestr i audyty są fasadowe.

Różnice operacyjne między wariantami – co realnie zmienia się dla startupu i szpitala

• Czas do pierwszego pacjenta: najkrótszy w D i C (w obrębie pilotażu), średni w B, najdłuższy w A.
• Elastyczność aktualizacji modelu: wysoka w B i C (z planem zmian), ograniczona w A, zależna od jakości samoregulacji w D.
• Ciężar dowodu klinicznego: najwyższy w A, rosnący z ryzykiem w B, „dowody w toku” w C, opisowe i porównawcze w D.
• Odpowiedzialność i ryzyko prawne: w A i B mocniej sformalizowane; w C współdzielone na mocy umów pilotażowych; w D większa ekspozycja dostawcy i podmiotu leczniczego na spory interpretacyjne.
• Wejście do refundacji i zamówień publicznych: przewidywalne po A; możliwe po B (dla klas umiarkowanych i wysokich); wymaga ścieżki „z piaskownicy do oceny technologii medycznych” po C; zazwyczaj niedostępne w D.
• Dostęp i przetwarzanie danych: w A/B – ramy formalne i DPIA od początku; w C – dedykowane porozumienia, logi i audyt; w D – minimalny zestaw, ale z przejrzystością źródeł i metryk.

Porównanie wariantów – skrócona mapa wyboru

Kiedy który wariant ma sens w polskich realiach

• Narzędzia niskiego ryzyka (np. przypominacze lekowe, asystenci administracyjni): D jako domyślna ścieżka, z opcją B, jeśli produkt ma trafić do świadczeń gwarantowanych lub integracji z P1.
• Umiarkowane ryzyko (triaż objawów, wsparcie interpretacji, alerty bezpieczeństwa leków): B z klarownym planem aktualizacji; C, jeśli potrzebne są szybkie dane z praktyki (np. w określonej specjalizacji i regionie).
• Wysokie ryzyko (wspomaganie rozpoznań, stratyfikacja ryzyka, dawkowanie): A dla dojrzałych technologii i stabilnych modeli; C jako krok przejściowy do A, gdy dowody są w budowie i potrzebny jest protokół bezpieczeństwa.
• Bardzo wysokie ryzyko (autonomiczne decyzje): A, a w praktyce – dodatkowe ograniczenia użytkowania i ścisły nadzór kliniczny. C wyłącznie jako etap badawczy z jednoznacznym „wyłącznikiem bezpieczeństwa”.

Przykład praktyczny: system sortujący zdjęcia RTG klatki piersiowej do priorytetowego opisu przez radiologa – sensowna ścieżka to C (pilotaż w 2–3 ośrodkach referencyjnych, definicja metryk TPR/FPR i czasu do opisu), a po spełnieniu progów – B lub A w zależności od roli systemu w decyzji klinicznej.

Drugi przykład: czatbot przypominający o samokontroli cukrzycy i aktywności – D z rejestrem, opisem ograniczeń i dobrowolnym audytem użyteczności; B, jeśli będzie sugerował modyfikacje terapii do akceptacji przez lekarza.

Kryteria wyboru ścieżki – lista kontrolna dla regulatora i startupu

• Rola w decyzji klinicznej: rekomendacja do weryfikacji czy automatyczna decyzja? Co wiemy o zakresie autonomii dziś, a czego nie wiemy o zachowaniu modelu w nowych populacjach?
• Ryzyko błędu: jakie są najgorsze możliwe szkody i jak łatwo je wykryć przed podjęciem decyzji terapeutycznej?
• Dojrzałość dowodów: czy istnieją dane z wielu ośrodków, czy tylko pojedyncze wdrożenie? Jakie metryki będą monitorowane po wejściu do użycia?
• Plan zmian modelu: czy jest zdefiniowany PCCP (zakres, testy regresji, walidacje biasu, logowanie)?
• Dane i prywatność: czy źródła są legalne, reprezentatywne, z audytem pochodzenia? Jak zmapowano podstawy prawne w RODO i krajowych przepisach?
• Odpowiedzialność: jaka jest alokacja ryzyka kontraktowego między producentem, podmiotem leczniczym i personelem?
• Integracja z systemem: czy rozwiązanie ma interoperacyjność (HL7 FHIR, IHE), bezpieczeństwo (SBOM, zarządzanie podatnościami) i mechanizmy wyjaśnialności dla użytkownika?
• Ścieżka finansowania: czy po dopuszczeniu istnieje możliwość oceny przez AOTMiT i testu w pilotażu NFZ, aby uniknąć „doliny śmierci” po znaku CE?

Rekomendacja wyboru podejścia – model mieszany z jasnymi progami

Najbardziej racjonalny wybór to połączenie B i C jako domyślnej architektury regulacyjnej, z A zarezerwowanym dla najwyższego ryzyka oraz D dla niskiego. Progi powinny być jednoznaczne (opis roli klinicznej i skutków błędu), a ścieżki – przenikalne: D → B, C → A/B po spełnieniu kryteriów.

• Ustanowić piaskownicę URPL–CeZ–NFZ z jednolitym wzorem protokołu, metryk bezpieczeństwa i zasadą „publicznych wniosków z pilotaży”.
• Wdrożyć w B mechanizm planu z góry zatwierdzonych zmian modelu, wraz z minimalnym standardem dokumentowania danych i testów regresji.
• Uruchomić publiczny rejestr narzędzi niskiego ryzyka (D) z obowiązkiem jawności metryk i ograniczeń, plus wyrywkowe audyty techniczne i etyczne.
• Dla A – klarowne wytyczne co do dowodów klinicznych i cyberbezpieczeństwa, aby skrócić czas oceny bez obniżania poprzeczki.

Progi przejścia między ścieżkami – jak nie utknąć

Brak jasnych „bramek” powoduje dryf projektów i niepotrzebne koszty. Poniżej zestaw praktycznych progów decyzyjnych bez wartości liczbowych – do uzupełnienia w wytycznych branżowych lub protokołach pilotażu.

• D → B: narzędzie niskiego ryzyka wykazało stabilną jakość w co najmniej dwóch kontekstach użycia, ma opisane ograniczenia i mechanizm eskalacji do człowieka; zebrano zgłoszenia incydentów i nie wykryto szkód systemowych. Cel: wejście w sformalizowaną ścieżkę tam, gdzie pojawia się wpływ na decyzje kliniczne lub integracja z EHR.
• C → B: pilotaż pokazał powtarzalność metryk bezpieczeństwa i użyteczności, a plan utrzymania jakości (monitoring driftu, testy regresji) działa operacyjnie; zakres stosowania jest doprecyzowany i możliwy do objęcia nadzorem proporcjonalnym do ryzyka.
• C → A: rola systemu przesuwa się w stronę decyzji autonomicznych lub krytycznych rekomendacji; istnieje już pakiet dowodów z wieloośrodkowych środowisk i pełny plan zarządzania ryzykiem oraz cyberbezpieczeństwem.
• B → A: wzrost ryzyka wynikający z rozszerzenia wskazań lub zwiększenia autonomii; konieczny powrót do pełnej oceny ex ante i ujednoliconego PMS.
• Każda ścieżka → STOP: sygnały bezpieczeństwa przekraczają progi z protokołu (np. wzrost szkód ciężkich, bias istotny klinicznie), brak możliwości szybkiej korekty lub degradacja modelu w nowych populacjach.

Co wiemy? Że progi muszą wynikać z roli klinicznej i możliwych szkód. Czego nie wiemy? Jakie granice będą akceptowalne dla poszczególnych specjalizacji – to zadanie dla paneli eksperckich i danych z pilotaży.

Metryki i logi po wdrożeniu – minimum, które daje realny nadzór

Bez wspólnego języka metryk nie ma porównywalności. Zestaw bazowy powinien obejmować technikalia i wynik kliniczny, ale też równość dostępu.

• Skuteczność i bezpieczeństwo: czułość/specyficzność w docelowym zadaniu, wskaźniki błędów istotnych klinicznie, czas do interwencji.
• Równość i bias: różnice wydajności między grupami (wiek, płeć, region, status socjoekonomiczny), testy stabilności przy zmianie miksu pacjentów.
• Drift i solidność: zmienność metryk w czasie, wykrywanie zmian rozkładu danych wejściowych, odporność na brakujące lub szumne dane.
• Użyteczność i HFE: współczynnik akceptacji rekomendacji przez klinicystów, czas interakcji, obciążenie poznawcze.
• Bezpieczeństwo IT: rejestrowane wersje modeli i komponentów (SBOM), luki i łatki, integralność pipeline’u danych.
• Ścieżka decyzji: logi wyjaśnialności na poziomie użytkownika (co wpłynęło na rekomendację), audytowalność reguł eskalacji.

Aktualizacje w praktyce: szybkie testy regresji i „guardraile”

Plan z góry zatwierdzonych zmian (PCCP) ma sens tylko wtedy, gdy jest egzekwowalny. Minimalne elementy:

• Kategoryzacja zmian: trening na nowych danych vs. modyfikacja architektury vs. zmiana interfejsu klinicznego – dla każdej kategorii zdefiniowane testy i wymagane zgody.
• Testy regresji: stały zestaw walidacyjny z zamrożonymi danymi, testy na populacjach skrajnych, kontrola utraty wydajności w kluczowych podgrupach.
• Guardraile: progi automatycznego wycofania wersji, mechanizm „kill switch”, powrót do poprzedniej wersji bez przestojów klinicznych.
• Komunikacja: dziennik zmian jawny dla użytkowników (co się zmieniło, czego nie wolno robić), zrozumiały changelog kliniczny.

Jak chronić innowację bez luzowania bezpieczeństwa – decyzje projektowe regulatora

• Limity czasu na decyzje: SLA dla ocen w B i wniosków o pilotaż w C; brak odpowiedzi w terminie = wejście warunkowe z dodatkowymi zabezpieczeniami.
• Jedno okienko: wspólna bramka aplikacyjna URPL–CeZ–NFZ dla C i B, z listą kontrolną dokumentów oraz standardowym wzorem DPIA.
• Szablony dowodów: publiczne wzorce protokołów, metryk, raportów z pilotażu; repozytorium przykładów zatwierdzonych PCCP.
• Środowisko testowe P1: bezpieczna piaskownica integracyjna z danymi syntetycznymi i mechanizmami mierzenia obciążenia systemów.
• Proporcjonalne opłaty i nadzór: niższe obciążenia dla D i niższych klas B, rosnące wraz z ryzykiem; zachęta do migracji D → B.
• Jawność bez ujawniania IP: metryki i ograniczenia publiczne, szczegóły implementacyjne chronione – z audytem przez zaufane podmioty.

Mapa ról – kto odpowiada za który element

• URPL: kwalifikacja wyrobu, nadzór nad A/B, koordynacja PMS, wykaz incydentów.
• CeZ: integracja z P1, standardy interoperacyjności i bezpieczeństwa, środowisko testowe.
• NFZ: projektowanie pilotaży finansowych, wejścia do świadczeń po C/B.
• AOTMiT: ocena efektywności klinicznej i ekonomicznej po pilotażach; rekomendacje refundacyjne.
• UODO: standardy DPIA, doradztwo w zakresie podstaw prawnych i minimalizacji danych.
• Jednostki notyfikowane: ocena zgodności dla A/B w wyższych klasach ryzyka.
• Podmioty lecznicze: wdrożenie, monitorowanie metryk lokalnych, szkolenia i governance kliniczny.
• Producenci: projekt, dokumentacja ryzyka, PCCP, raportowanie zmian i incydentów, wsparcie szkoleń.

Dwa krótkie scenariusze wdrożeniowe – krok po kroku

Asystent wypisu i kodowania świadczeń (niskie ryzyko)

1. Rejestracja w D z opisem danych, metryk i ograniczeń; audyt dostępności i bezpieczeństwa.
2. Pilotaż w jednym szpitalu w trybie „shadow mode” (bez wpływu na świadczenie), logi użyteczności.
3. Rozszerzenie na dwa ośrodki, walidacja równości działania między oddziałami.
4. Migracja do B, gdy narzędzie wpływa na elementy dokumentacji istotne dla rozliczeń; wdrożenie PCCP.
5. Integracja z P1 przez CeZ po sprawdzeniu interoperacyjności; plan szkoleń personelu.
6. Nadzór: kwartalne raporty metryk i incydentów, testy regresji po każdej aktualizacji.

Triage w SOR (umiarkowane/wysokie ryzyko)

1. Wniosek do piaskownicy C z protokołem bezpieczeństwa, metrykami klinicznymi i „kill switch”.
2. Pilotaż w 2–3 SOR-ach, praca w trybie rekomendacji z obowiązkową weryfikacją przez personel.
3. Analiza biasu między porami dnia/tygodnia i grupami pacjentów; korekty interfejsu.
4. Decyzja: jeśli rola pozostaje wspierająca – przejście do B z PCCP; jeśli rośnie autonomiczność – ścieżka do A.
5. Przygotowanie pakietu do AOTMiT i, równolegle, planu wejścia do świadczeń pilotażowych NFZ.
6. Po dopuszczeniu – stały monitoring driftu i audyty zewnętrzne raz do roku.

Sygnały ostrzegawcze – kiedy zmienić ścieżkę lub zatrzymać wdrożenie

• Niekontrolowany wzrost odrzuceń rekomendacji przez klinicystów – sygnał niedopasowania do praktyki lub spadku jakości modelu.
• Skupienie szkód w określonych podgrupach pacjentów – konieczność przeglądu biasu i ewentualne zawężenie wskazań.
• Aktualizacje modelu poza zakresem PCCP – powrót do oceny ex ante albo czasowe wyłączenie funkcji.
• Zmiana ścieżki użytkownika w szpitalu (nowy EHR, nowe protokoły) bez rewalidacji – ryzyko błędów na styku systemów.
• Brak kompletności logów i nieodtwarzalność decyzji – przerwanie wdrożenia do czasu naprawy mechanizmów audytu.

Decyzja w praktyce – krótki wybór na bazie ryzyka i dojrzałości

• Masz stabilny model, wpływasz na terapię i chcesz refundacji: A lub B (wyższa klasa), z pełnym pakietem dowodów.
• Masz innowację, która potrzebuje danych z realnej praktyki i ścisłego nadzoru: C jako krok przejściowy.

Porównanie wariantów polityki regulacyjnej – który tor wybrać, żeby nie zgasić iskry innowacji

Regulator ma do wyboru kilka architektur nadzoru. Różnią się tempem wejścia na rynek, miejscem gromadzenia dowodów i kosztem błędu. Poniżej cztery realistyczne warianty, które można zestawić z polskim ekosystemem (URPL, CeZ, NFZ) i wymogami UE (MDR, AI Act).



Wariant	Krótki opis	Kluczowe cechy
1. Twardy ex ante	Pełna ocena centralna przed szerszym użyciem; ciężar dowodów głównie przed wdrożeniem.	Jedno miejsce decyzji (URPL/jednostka notyfikowana), długi cykl oceny, wysoka przewidywalność formalna.
2. Etapowy model ryzyka z piaskownicą	Stopnie D–C–B–A z kontrolowanymi pilotażami oraz PCCP dla zmian.	Szybkie wejście w C dla nauki, proporcjonalny nadzór, formalizacja przy wzroście ryzyka.
3. Upoważnione ośrodki kliniczne	Decyzje częściowo zdecentralizowane: akredytowane szpitale prowadzą pilotaże i wydają opinie kliniczne.	Skrócenie kolejek decyzyjnych, mocna weryfikacja praktyczna, większa różnorodność środowisk testu.
4. Samoregulacja + rejestr	Kodeks branżowy, obowiązkowy rejestr i PMS light, audyt po fakcie lub na wniosek.	Najniższa bariera wejścia, duża odpowiedzialność producenta, ryzyko nierównego poziomu jakości.

Różnice praktyczne – tempo, ciężar dowodów, miejsce kontroli

• Tempo: 4 i 2 pozwalają wejść szybciej, 1 jest najwolniejszy; 3 zależy od przepustowości ośrodków.
• Dowody: 1 wymaga pełnego pakietu ex ante; 2 i 3 budują dowody iteracyjnie; 4 opiera się na monitoringu po wdrożeniu.
• Miejsce kontroli: 1 – centralnie; 2 – centralnie, ale z buforem C; 3 – ośrodki wiodące + koordynacja centralna; 4 – producent, z audytem na żądanie.
• Zgodność z UE: 1 i 2 naturalnie spinają się z MDR/AI Act; 3 wymaga formalnej akredytacji ośrodków; 4 potrzebuje jasnych łączników z obowiązkami AI Act (rejestr, logi, zarządzanie ryzykiem).

Plusy i minusy – bez luk w bezpieczeństwie i bez zbędnych blokad

• Wariant 1 (twardy ex ante)
  • Plusy: wysoka spójność kraju, silna ochrona pacjenta, łatwiejsza ścieżka do refundacji.
  • Minusy: długie cykle oceny, wysoki koszt dla startupów, słaba adaptacja do szybkich aktualizacji modeli.
• Wariant 2 (etapowy z piaskownicą)
  • Plusy: szybkie uczenie się na małej skali, kontrolowane ryzyko, jasne przejścia D/C/B/A, wbudowane PCCP.
  • Minusy: potrzeba dojrzałego PMS i dyscypliny metrycznej; wymaga solidnej orkiestracji między URPL–CeZ–NFZ.
• Wariant 3 (ośrodki kliniczne)
  • Plusy: wiarygodne dowody z praktyki, mniejsze kolejki centralne, lepsze dopasowanie do workflow.
  • Minusy: ryzyko nierówności regionalnych, konieczność standardów akredytacji i audytów ośrodków.
• Wariant 4 (samoregulacja + rejestr)
  • Plusy: najszybszy start i niska bariera dla narzędzi niskiego ryzyka, mniej papierologii.
  • Minusy: większe ryzyko rozjazdu jakości, trudniejsza droga do świadczeń gwarantowanych.

Kiedy który wariant ma sens – krótkie scenariusze

• Narzędzia infrastrukturalne, bez wpływu na terapię (np. deidentyfikacja, sortowanie dokumentów): 4 lub dolne progi 2 (D → B light), z rejestrem i minimalnym PMS.
• Aplikacje wspomagające decyzje, ale z obowiązkową weryfikacją człowieka (np. wstępna kategoryzacja badań obrazowych): 2, często z fazą C w 2–3 ośrodkach; elementy 3 pozwolą szybciej zebrać dowody.
• Funkcje o potencjalnie krytycznym wpływie klinicznym (np. triage SOR, algorytmy ryzyka sepsy): 2 z planem wejścia do A; elementy 1 (pełna ocena ex ante) przy wzroście autonomii.
• Rozwiązania wymagające szybkiego cyklu aktualizacji (np. modele uczące się na nowych protokołach): 2 z twardym PCCP i guardrailami; 1 może być zbyt sztywny.

Kryteria wyboru po stronie państwa i producenta

• Rola kliniczna i maksymalny możliwy skutek szkody.
• Dojrzałość dowodów (liczba ośrodków, powtarzalność metryk, plan zarządzania driftem).
• Integracja z EHR/P1 i wpływ na proces rozliczeń (wymusza twardsze ścieżki).
• Zdolność producenta do PMS i szybkich aktualizacji w granicach PCCP.
• Dostępność ośrodków z kompetencjami HFE i bezpieczeństwa IT.

Wybór wariantu – rekomendacja scenariuszowa

Co wiemy? Że bez kontrolowanej przestrzeni do nauki młode firmy nie dostarczą wiarygodnych dowodów. Czego nie wiemy? Jak szybko rynek i instytucje „udźwigną” równoległe role w nadzorze. Propozycja kompromisu:

• Fundament: wariant 2 jako domyślna architektura (D/C/B/A + PCCP), z jasnymi progami przejść i SLA decyzji.
• Wysokie ryzyko lub wzrost autonomii: włączenie elementów wariantu 1 (pełna ocena ex ante przed skalowaniem, jednolity PMS).
• Przyspieszenie dowodów: wariant 3 w wybranych, akredytowanych ośrodkach (pilotaże C, walidacje HFE, testy równości działania).
• Niskie ryzyko i funkcje infrastrukturalne: komponent wariantu 4 (rejestr + PMS light), ale z możliwością szybkiego „podniesienia” do 2 przy sygnałach ryzyka.

Jak zapobiec „zduszeniu” innowacji – mechanizmy przełączania ścieżek

• Reguła eskalacji i deeskalacji: automatyczne przejście D → C lub C → B po spełnieniu zdefiniowanych metryk; STOP przy przekroczeniu progów bezpieczeństwa.
• Mosty dowodowe: uznawanie danych z ośrodków upoważnionych (3) w procesie centralnym (1/2), bez powtarzania badań.
• Okna czasowe: czasowe dopuszczenia w C z obowiązkiem dostarczenia kolejnych dowodów (inaczej wygaśnięcie).
• Jawny dziennik zmian i metryk: wspólny rejestr publiczny wyników pilotaży i incydentów, bez ujawniania IP.

Przykłady z praktyki – jaka ścieżka realnie działa

• Asystent planowania wizyt kontrolnych po wypisie (ryzyko niskie–umiarkowane): szybki start w D, krótki C w dwóch poradniach (sprawdzenie obciążenia systemu i równości działania), następnie B z PCCP dla zmian w interfejsie.
• Algorytm wspierający decyzję o pilnej konsultacji kardiologicznej po EKG: wejście w C w ośrodkach upoważnionych, testy biasu między zmianami dyżurowymi, po zebraniu dowodów – B; przy planowanej autonomii rekomendacji – ścieżka do A z pełną oceną ex ante.

Modele finansowania dowodów i zachęt — jak ułożyć ryzyko i cashflow

Tempo walidacji zależy nie tylko od prawa, ale też od sposobu płacenia za dowody. Cztery warianty, które można łączyć z torami 1–4, różnią się rozkładem ryzyka i szybkością uczenia się rynku.

Różnice wdrożeniowe — przepływ pieniędzy i sygnały STOP

• Przepływ środków: 1 uruchamia środki przed dowodami; 2 i 3 płacą w toku; 4 obniża tarcie kosztowe, ale nie finansuje badań.
• Sygnały STOP: 2 wymaga jasnych progów wygaszenia; 3 — obiektywnych mierników i arbitrażu; 1 — kamieni milowych pilotażu; 4 — progów przejścia D/C/B/A powiązanych z opłatami.
• Zdolność małych firm do udziału: 1 i 4 ułatwiają start; 3 wymaga dojrzałego pomiaru i cashflow; 2 jest naturalnym mostem do stałej refundacji.

Plusy/minusy i wybór — kiedy który model działa

• 1. Grant pilotażowy
  • Plusy: szybki start, możliwość testów HFE i integracji, niski próg wejścia regionalnych innowatorów.
  • Minusy: ryzyko rozproszenia środków, potrzeba twardych kryteriów wejścia/wyjścia.
  • Dla kogo: narzędzia wczesnego TRL, wymagające danych z praktyki i iteracji interfejsu.
• 2. Refundacja warunkowa (CED)
  • Plusy: realne warunki użycia, jasna ścieżka do stałej refundacji, motywacja do prowadzenia RWE.
  • Minusy: presja na ośrodki w zbieraniu danych, ryzyko przerwania finansowania w połowie drogi.
  • Dla kogo: rozwiązania z wstępnymi dowodami skuteczności, wymagające potwierdzenia na populacji.
• 3. Kontrakt za wynik
  • Plusy: wyrównanie bodźców, płatność za realny efekt, ograniczenie ryzyka płatnika.
  • Minusy: spór o wybór i atrybucję mierników, złożone umowy i IT do pomiaru.
  • Dla kogo: funkcje o mierzalnym, krótkohoryzontowym wyniku (np. skrócenie czasu odczytu, redukcja fałszywych alarmów).
• 4. Ulgi i opłata degresywna
  • Plusy: przewidywalne koszty regulacyjne, zachęta do wejścia i skalowania w kraju.
  • Minusy: brak bezpośredniego finansowania badań, konieczność dobrej kalibracji progów.
  • Dla kogo: szerokie spektrum rozwiązań, szczególnie infrastrukturalnych i B-light.

Krótki przykład finansowania ścieżki

System wspierający priorytetyzację opisów RTG: start w C na grancie piaskownicy w dwóch ośrodkach (test przepustowości i zgodności HFE), następnie 6–9 miesięcy CED z miernikami czasu oczekiwania i jakości opisów; po spełnieniu progów — stała refundacja i kontrakty za wynik w większych szpitalach.

Dostęp do danych i prywatność — trzy ścieżki zgodne z MDR/AI Act i RODO

Bez bezpiecznego dostępu do danych nie ma rzetelnych dowodów. Poniżej trzy komplementarne ścieżki, które można łączyć z wariantami nadzoru.

Różnice operacyjne — jakość dowodów vs szybkość

• Szybkość: C daje najszybsze prototypowanie interfejsów; A i B — wolniej, ale z wyższą wiarygodnością kliniczną.
• Jakość i uogólnialność: B najlepiej oddaje różnorodność szpitali; A zapewnia kontrolę jakości oznaczeń; C wymaga walidacji na A/B przed decyzjami klinicznymi.
• Zgodność: wszystkie ścieżki wymagają DPIA, rejestru przetwarzań i polityk dostępu; B dodatkowo — polityki aktualizacji lokalnych klient-ów i podpisywania artefaktów.

Plusy/minusy i wybór ścieżki danych

• A. Centralne zbiory
  • Plusy: jednolite standardy, łatwiejsze audyty, dobra baza do benchmarków.
  • Minusy: czasochłonność przygotowania, ograniczona reprezentacja skrajnych przypadków.
  • Kiedy: walidacje formalne przed wejściem do B/A, tworzenie referencyjnych metryk jakości.
• B. Federacyjne
  • Plusy: wysoka reprezentatywność, brak transferu danych, możliwość ciągłej oceny.
  • Minusy: złożona infrastruktura, wyższe koszty koordynacji, wymagane kompetencje MLOps w ośrodkach.
  • Kiedy: produkty w torze 2–3 z ambicją ogólnopolskiego skalowania, funkcje wrażliwe na drift lokalny.
• C. Syntetyczne/odtworzeniowe
  • Plusy: szybkie testy UX/HFE, brak ekspozycji rekordów pacjentów, dobre do szkoleń i symulacji awarii.
  • Minusy: ryzyko nadmiernego optymizmu wyników, konieczność niezależnej walidacji na realnych danych.
  • Kiedy: wczesne D/C, iteracja interfejsu i guardraili, testy obciążeniowe integracji z EHR.