AI w medycynie: między ratowaniem życia a ryzykiem naruszenia prywatności pacjentów

Dlaczego AI w medycynie ekscytuje… i jednocześnie niepokoi

Obietnice: ratowanie życia, szybkość, personalizacja

Sztuczna inteligencja w ochronie zdrowia przyciąga tak ogromną uwagę, ponieważ łączy trzy rzeczy, o które medycyna walczy od lat: czas, trafność decyzji i personalizację leczenia. Algorytmy diagnostyczne potrafią przeanalizować tysiące obrazów radiologicznych szybciej niż człowiek i wyłapać subtelne zmiany, które łatwo przeoczyć w pośpiechu. Systemy predykcyjne potrafią oszacować ryzyko zawału, sepsy czy rehospitalizacji na podstawie setek zmiennych, które lekarz samodzielnie nie byłby w stanie ogarnąć w kilka minut.

Najbardziej namacalne korzyści pojawiają się w obszarach, gdzie czas jest krytyczny. Analiza TK w podejrzeniu udaru, triage pacjentów na SOR-ze, szybkie wykrywanie pogarszającego się stanu w oddziałach intensywnej terapii – to przykłady, w których AI w medycynie już dziś realnie ratuje życie. Dla pacjenta różnica między „wynik był, ale lekarz zobaczył go po 2 godzinach” a „system natychmiast podbił pilność” to czasem różnica między pełnym powrotem do zdrowia a ciężką niepełnosprawnością.

Kolejna silna obietnica to personalizacja. Algorytmy, które analizują historię leczenia, wyniki badań, styl życia i dane z urządzeń wearable, potrafią sugerować spersonalizowane terapie, dopasowanie dawek leków czy indywidualne plany rehabilitacji. Z perspektywy szpitala oznacza to mniejszą liczbę powikłań, krótsze pobyty, lepsze wykorzystanie zasobów. Z perspektywy pacjenta – większą szansę na terapię „szytą na miarę”, a nie uśredniony protokół.

AI w ochronie zdrowia wspiera nie tylko kliniczną stronę systemu. Na zapleczu działają narzędzia optymalizujące harmonogramy operacji, zarządzające łóżkami szpitalnymi, prognozujące zapotrzebowanie na leki czy materiały. Dobrze skonfigurowane systemy potrafią zmniejszyć liczbę odwołanych zabiegów, skrócić kolejki i ograniczyć marnowanie zasobów – bez dokładania ludzi, jedynie lepiej wykorzystując dane.

Jednocześnie te same przewagi – szybkość, skala, głębia analizy – w jednej chwili zamieniają się w źródło niepokoju, gdy dotykają prywatności danych medycznych. I to właśnie to napięcie trzeba umieć świadomie zarządzać, zamiast bezrefleksyjnie zachwycać się technologią albo ją demonizować.

Cienie: nadzór, profilowanie, wycieki danych

Dane medyczne pacjenta są jednymi z najbardziej wrażliwych informacji, jakie w ogóle istnieją. Diagnozy psychiatryczne, informacje o uzależnieniach, chorobach przewlekłych, leczeniu niepłodności – ujawnienie takich danych może mieć dużo dotkliwsze skutki niż np. wyciek danych finansowych. Gdy w grę wchodzi sztuczna inteligencja w ochronie zdrowia, skala potencjalnego nadzoru i profilowania gwałtownie rośnie.

AI jest w stanie powiązać dane z różnych źródeł: dokumentacji medycznej, aplikacji zdrowotnych, opasek mierzących tętno, historii zakupów leków, a nawet zachowań online. Jeśli takie systemy trafią w niepowołane ręce lub zostaną wykorzystane w niewłaściwym celu, może dojść do profilowania pacjentów pod kątem ryzyka chorób, zdolności do pracy czy „opłacalności” leczenia. Szczególnie groźne jest to w kontekście ubezpieczycieli czy pracodawców, którzy mogliby chcieć używać tych informacji do selekcji lub dyskryminacji.

Drugim poważnym cieniem są wycieki danych. Im więcej projektów AI, tym więcej kopii danych powstaje: środowiska testowe, backupy, dane pseudonimizowane, dane wysyłane do chmury. Każda taka kopia to osobny punkt ryzyka. Błędy konfiguracyjne, brak szyfrowania, źle ustawione uprawnienia dostępu – to wszystko realne źródła incydentów. A gdy dojdzie do nieuprawnionego ujawnienia ogromnego zbioru danych medycznych używanego do uczenia algorytmu, skala naruszenia jest nieporównywalna z pojedynczym „zagubionym wynikiem badań”.

Pacjenci obawiają się też „oceny przez maszynę”. Pytania, które często padają w gabinetach: „Czy decyzję o moim leczeniu podejmuje lekarz, czy komputer?”, „Co jeśli algorytm się pomyli?”, „Kto odpowiada za błąd AI?”. Te obawy nie biorą się znikąd – zaufanie pacjenta opiera się na relacji z człowiekiem, a nie z czarną skrzynką. Brak wyjaśnialności (explainable AI w medycynie) i fatalna komunikacja wokół roli systemu są prostą drogą do utraty zaufania, nawet jeśli samo rozwiązanie jest bezpieczne.

Napięcie w praktyce: gabinet, laboratorium, rejestracja

Napięcie między ratowaniem życia a prywatnością danych pacjentów ujawnia się w bardzo przyziemnych sytuacjach. W szpitalu korzystającym z algorytmu predykcyjnego lekarz dostaje alert, że pacjent na oddziale ma wysokie ryzyko gwałtownego pogorszenia stanu. Informacja powstała dzięki temu, że system analizuje jego parametry w czasie rzeczywistym i zestawia z ogromnymi zbiorami danych historycznych. Korzyść jest oczywista: szybka reakcja. Ale w tle pojawia się pytanie, czy pacjent wie, jak dużo jego danych trafia do systemu i w jakim celu będzie dalej wykorzystane.

W laboratorium diagnostycznym algorytm wykrywa nieprawidłowości w seriach wyników i wskazuje próbki podejrzane o błąd laboratoryjny lub rzadką chorobę. Żeby działać skutecznie, musi mieć dostęp do dużych wolumenów danych, często z wielu placówek. To z kolei wymusza myślenie o anonimizacji, pseudonimizacji, podstawach prawnych przetwarzania i o tym, kto naprawdę zarządza całym przepływem danych. Dla technologa medycznego może to wyglądać jak „po prostu nowy analizator”, ale od strony prawnej jest to często rozbudowany system z licznymi ryzykami.

W rejestracji przychodni chatbot medyczny zbiera wstępne informacje przed wizytą: objawy, historię schorzeń, przyjmowane leki. Działa szybko, odciąża personel, skraca kolejki do infolinii. Tylko że to on jako pierwszy „widzi” dane pacjenta, zanim trafią do lekarza. Jeśli dostawca czatbota przechowuje te dane w swojej infrastrukturze, w innym kraju lub udostępnia je do trenowania nowych modeli, pojawia się poważne pytanie o kontrolę nad prywatnością danych medycznych.

Bez mądrych, spójnych zasad etyczno-prawnych AI w medycynie będzie źródłem coraz większego niepokoju. Rozwiązaniem nie jest ani całkowity zakaz takich rozwiązań, ani podejście „byle działało, reszta się jakoś ułoży”. Potrzebne są jasne ramy: kto za co odpowiada, jak chronimy dane, jak informujemy pacjentów i jak na bieżąco kontrolujemy działanie algorytmów.

Podstawa: czym jest AI w medycynie w praktyce, a czym nie jest

Typy zastosowań – od backendu po kontakt z pacjentem

Żeby rozmawiać sensownie o prywatności danych i ryzykach, trzeba najpierw dokładnie wiedzieć, z jakim typem rozwiązania AI ma się do czynienia. Inaczej ocenia się algorytm wspierający opis tomografii, inaczej system optymalizujący harmonogramy, a jeszcze inaczej czatbota zbierającego objawy pacjentów.

Najprościej podzielić sztuczną inteligencję w ochronie zdrowia na kilka kategorii:

• AI diagnostyczna – analizuje obrazy (RTG, TK, MR, USG), sygnały (EKG, EEG), wyniki badań laboratoryjnych. Służy do wykrywania zmian, klasyfikacji, sugerowania rozpoznań lub stopnia zaawansowania choroby.
• AI predykcyjna – prognozuje ryzyko wystąpienia zdarzenia: zaostrzenia choroby, rehospitalizacji, zakażeń szpitalnych, powikłań pooperacyjnych, załamania funkcji życiowych. Wykorzystuje duże zbiory danych historycznych.
• AI operacyjna – działa na zapleczu: zarządza łóżkami, planuje operacje, optymalizuje trasy transportu wewnętrznego, przewiduje zużycie leków i materiałów, wspiera zarządzanie personelem.
• AI „przy łóżku pacjenta” – asystenci kliniczni, chatboty medyczne, systemy wspierające prowadzenie dokumentacji w trakcie wizyty, aplikacje do samo-monitorowania stanu zdrowia.

Każda z tych kategorii generuje inne ryzyka. AI diagnostyczna może popełnić błąd w ocenie obrazu, co przekłada się na realny błąd kliniczny. AI operacyjna wpływa przede wszystkim na logistykę, więc choć jest ważna, ryzyko bezpośredniego zagrożenia zdrowia pacjenta jest mniejsze. Z kolei chatboty czy aplikacje zdrowotne są szczególnie wrażliwe z punktu widzenia prywatności, bo często zbierają dane bezpośrednio od pacjenta, w trybie 24/7.

Dobrze wdrożony podział na kategorie to pierwszy krok do sensownego zarządzania ryzykiem: pozwala inaczej ustawić poziom nadzoru, wymogi dokumentacyjne, oceny skutków (DPIA) czy audyty algorytmów AI.

AI a klasyczne oprogramowanie medyczne

Dla wielu menedżerów i nawet części lekarzy „system to system” – ważne, żeby działał. Z perspektywy odpowiedzialności prawnej i ochrony prywatności różnica między klasycznym oprogramowaniem medycznym a uczącym się algorytmem jest jednak kluczowa.

Klasyczne oprogramowanie działa na podstawie z góry zaprogramowanych reguł. Zasady jego działania są stabilne – jeśli wersja się nie zmienia, ten sam zestaw danych wejściowych zawsze da ten sam wynik. Można je szczegółowo przetestować przed wdrożeniem, przewidzieć możliwe błędy i stosunkowo łatwo udokumentować sposób działania.

Systemy AI, zwłaszcza oparte na uczeniu maszynowym czy głębokim uczeniu, uczą się na podstawie danych. Ich zachowanie może się zmieniać w czasie, w zależności od tego, jak wygląda zbiór treningowy i czy model jest „dostrajany” na bieżąco (np. na nowych przypadkach szpitala). W modelach czarnej skrzynki wyjaśnienie, dlaczego algorytm podjął taką a nie inną decyzję, bywa bardzo trudne. To rodzi pytania o explainable AI w medycynie, czyli wymóg, by przynajmniej na poziomie istotnym dla klinicysty dało się zrozumieć logikę systemu.

Ta różnica ma praktyczne skutki:

• Inna jest procedura dopuszczenia jako wyrobu medycznego (lub innej kategorii oprogramowania zgodnie z przepisami UE).
• Inaczej wygląda odpowiedzialność za błąd AI – jeśli system zmienił swoje działanie po uczeniu na nowych danych, trzeba wiedzieć, kto nad tym procesem czuwał.
• Inne są wymagania co do audytu algorytmów AI: nie wystarczy test na początku, potrzebny jest ciągły monitoring jakości predykcji.

Dlatego podpisując umowę na „inteligentny system dla szpitala”, trzeba bardzo konkretnie ustalić, czy to jest oprogramowanie statyczne, czy system, który będzie się uczył (i w jaki sposób). Dopiero potem można racjonalnie rozmawiać o prywatności danych medycznych i zarządzaniu ryzykiem.

Czego AI w medycynie nie robi: mity i marketing

Wokół etyki AI w szpitalu i przychodni narosło sporo mitów. Część pochodzi z marketingu sprzedawców, część z wyobrażeń z filmów science fiction. Dwa skrajne przekonania utrudniają rzeczową dyskusję:

• „Sztuczna inteligencja wszystko za nas załatwi, lekarze będą zbędni” – to narracja nadmiernych oczekiwań.
• „Maszyny decydują o życiu i śmierci bez kontroli człowieka” – to lęk przed całkowitą utratą sprawczości.

W praktyce zdecydowana większość rozwiązań to narzędzia wspomagające. AI podpowiada, priorytetyzuje, oznacza podejrzane fragmenty obrazu, sugeruje dawkę leku w oparciu o standardy i dane pacjenta. Ostateczna decyzja należy do człowieka – lekarza, zespołu terapeutycznego, pielęgniarki dyżurnej. Na poziomie prawnym i etycznym ma to ogromne znaczenie, bo wskazuje, gdzie leży odpowiedzialność.

Drugi mit to „samoświadomy lekarz-robot”, który sam podejmuje decyzje o terapii. Obecnie takie systemy w rzeczywistych placówkach medycznych po prostu nie funkcjonują. Są roboty chirurgiczne, ale ich działanie jest ściśle kontrolowane przez operatora. Są systemy podające leki z automatycznych dyspenserów, ale ich konfiguracja jest ustalana i weryfikowana przez farmaceutów i lekarzy. Sztuczna inteligencja w ochronie zdrowia działa w ramach definicji i protokołów ustalonych przez ludzi.

Wyjątkiem, który budzi najwięcej dyskusji, są autonomiczne funkcje w systemach monitorowania – np. automatyczne podniesienie dawki leku w pompie insulinowej na podstawie odczytów glikemii. Nawet tam jednak poza granicami parametrów bezpieczeństwa system zazwyczaj „oddaje” decyzję człowiekowi, sygnalizując konieczność interwencji. Zrozumienie poziomu autonomii systemu jest kluczowe dla oceny, jak powinna wyglądać zgoda pacjenta na przetwarzanie danych i jakie zabezpieczenia prawne są konieczne.

Dobrą praktyką jest więc zawsze nazwanie rzeczy po imieniu: asystent, system wspomagania decyzji, narzędzie do priorytetyzacji, zamiast ogólnego „sztuczna inteligencja leczy pacjentów”. Tylko wtedy można uczciwie wytłumaczyć pacjentowi, z jakim rozwiązaniem ma do czynienia i jak wygląda odpowiedzialność prawna za błąd AI.

Dane medyczne jako „paliwo” dla AI – wrażliwy skarb, nie tani surowiec

Czym są dane szczególnej kategorii i jakie to ma skutki

Dlaczego dane medyczne są „ciężkiego kalibru”

Dane o zdrowiu należą do tzw. szczególnych kategorii danych osobowych. To nie jest etykietka dla formalności – to sygnał, że ich ujawnienie może realnie zaszkodzić człowiekowi: zdrowotnie, społecznie, zawodowo, finansowo.

W praktyce do tej kategorii zaliczamy nie tylko oczywiste informacje jak diagnozy czy wyniki badań. To także:

• dane o niepełnosprawności, zabiegach, lekach,
• informacje o uzależnieniach, zdrowiu psychicznym, chorobach przewlekłych,
• genetyka i dane z badań prenatalnych,
• rejestry wizyt w określonych poradniach (np. onkologicznej, psychiatrycznej, HIV),
• dane biometryczne wykorzystywane w kontekście medycznym (np. skany twarzy do identyfikacji w systemie szpitalnym).

Jeżeli takie informacje wyciekną lub zostaną użyte niezgodnie z celem, konsekwencje są dużo poważniejsze niż w przypadku np. adresu e-mail. Mogą wpłynąć na decyzje ubezpieczycieli, pracodawców, instytucji publicznych, a w najbardziej wrażliwych obszarach – na relacje rodzinne czy społeczne.

Dlatego regulacje, takie jak RODO, „podkręcają poziom trudności”: wymagają szczególnej podstawy prawnej, dodatkowych zabezpieczeń technicznych i organizacyjnych oraz dokładnego rozliczania, kto, po co i na jakiej podstawie korzysta z danych medycznych. To nie kłopotliwy formalizm – to tarcza, która ma chronić pacjenta, zanim zdarzy się najgorsze.

Jeśli placówka medyczna traktuje dane jak paliwo wysokooktanowe – z szacunkiem i ostrożnością – zyskuje nie tylko zgodność z przepisami, ale też przewagę zaufania pacjentów.

AI potrzebuje danych – ale nie „wszystkiego, wszędzie i na zawsze”

Popularny mit mówi: „im więcej danych, tym lepsza AI, więc zbierzmy wszystko”. W medycynie to prosta droga do chaosu, nadużyć i utraty zaufania pacjentów.

Dobrze zaprojektowane systemy AI korzystają z danych zgodnie z kilkoma zdroworozsądkowymi zasadami:

• Minimalizacja – zbieramy tylko to, co jest rzeczywiście potrzebne do danego celu. Algorytm oceny ryzyka zawału nie musi znać dokładnego adresu zamieszkania pacjenta ani historii wszystkich jego wizyt sprzed 15 lat.
• Ograniczenie celu – jeśli dane zostały zebrane w celu diagnozy i leczenia, nie można ich „z automatu” wykorzystać do trenowania komercyjnego modelu AI dla zewnętrznego podmiotu.
• Ograniczenie czasu przechowywania – dane wykorzystywane do uczenia modelu nie muszą być przechowywane wiecznie w surowej postaci; po osiągnięciu celu można je zanonimizować, zarchiwizować lub usunąć.

W praktyce oznacza to, że projekt AI powinien zaczynać się od pytań: jakie dokładnie dane są niezbędne?, czy wszystkie muszą być danymi osobowymi?, czy da się je zanonimizować lub przynajmniej silnie pseudonimizować?. Dopiero później sens ma rozmowa o hurtowych integracjach i „data lake’ach”.

Taki sposób myślenia działa jak filtr: odcina niepotrzebne ryzyka i ułatwia obronę projektu przed regulatorem – i przed uzasadnionymi pytaniami pacjentów.

Anonimizacja, pseudonimizacja, szyfrowanie – co naprawdę pomaga

W dyskusjach o ochronie danych wokół AI często pojawiają się trzy „magiczne słowa”: anonimizacja, pseudonimizacja, szyfrowanie. Warto jasno odróżniać, co które z nich oznacza i do czego się nadaje.

• Anonimizacja – dane są przetworzone tak, że nie da się już wskazać konkretnej osoby, nawet przy użyciu dodatkowych informacji. Przykład: zbiorcze statystyki zachorowań na poziomie regionu, przy małej granularności. Dobrze przeprowadzona anonimizacja wyłącza dane spod RODO, ale w praktyce jest trudna – szczególnie przy bardzo szczegółowych danych medycznych.
• Pseudonimizacja – identyfikatory osobowe (PESEL, imię, nazwisko) są zastąpione losowym lub technicznym identyfikatorem, ale istnieje klucz pozwalający połączyć dane z konkretną osobą. Klucz musi być dobrze zabezpieczony i odseparowany. Dla AI to często złoty środek: model „widzi” wzorce zdrowotne, nie widzi natomiast konkretnych osób.
• Szyfrowanie – chroni dane „w spoczynku” (na serwerach, dyskach) i „w tranzycie” (w sieci). Nie usuwa ich charakteru jako danych osobowych, ale utrudnia przechwycenie i odczyt przez nieuprawnione osoby.

Ryzykownym uproszczeniem jest stwierdzenie: „dane są w chmurze, ale zaszyfrowane, więc problem prywatności znika”. Nie znika – bo i tak ktoś posiada klucze szyfrujące, a model nadal może uczyć się na realnych ścieżkach chorób konkretnych pacjentów.

Bezpieczniejszy kierunek to łączenie kilku warstw ochrony: pseudonimizacja na wejściu, szyfrowanie transmisji i przechowywania oraz ograniczony, audytowalny dostęp do kluczy i powiązań. Wtedy nawet jeśli dojdzie do incydentu, jego skutki są znacznie mniejsze.

Wdrażając nowy system AI, dobrze jest „przepchnąć” go przez krytyczne pytania: co się stanie, jeśli baza trafi w niepowołane ręce? ile da się z niej odtworzyć? kto ma klucze i jak są chronione? Odpowiedzi często prowadzą do konkretnych, prostych usprawnień.

Kto naprawdę „trzyma” dane – szpital czy dostawca AI?

Przy wdrożeniu AI w ochronie zdrowia centralne pytanie brzmi: kto jest administratorem danych, a kto tylko je przetwarza? Na poziomie umowy nazwy mogą wyglądać pięknie, ale dla pacjenta liczy się jedno: kto faktycznie ma realny wpływ na to, co się dzieje z jego informacjami o zdrowiu.

Prosty przykład: szpital korzysta z chmurowego systemu do analizy obrazów diagnostycznych. Obrazy RTG są przesyłane do serwerowni dostawcy, tam analizowane modelem AI, a wynik wraca do lekarza. Formalnie szpital pozostaje administratorem, a firma – procesorem. W praktyce dostawca:

• decyduje o architekturze zabezpieczeń,
• może sugerować, by wykorzystywać dane do dalszego trenowania modeli,
• utrzymuje kopie zapasowe w różnych regionach świata,
• podzleca część usług kolejnym podmiotom (podprocesorom).

Jeśli umowa i załączniki RODO są ogólne, szpital traci kontrolę nad tym, gdzie fizycznie leżą dane, jak długo są przechowywane i czy nie służą do celów innych niż świadczenie usługi dla tej konkretnej placówki.

Dlatego umowa powinna rozstrzygać wprost kilka kluczowych kwestii:

• czy dostawca może wykorzystywać dane do trenowania własnych modeli komercyjnych, a jeśli tak – na jakiej podstawie i w jakiej formie (np. wyłącznie w postaci zanonimizowanej),
• w jakim kraju / regionie przechowywane są dane i kopie zapasowe,
• jak wygląda procedura usunięcia danych po zakończeniu współpracy,
• kto i w jakim trybie ma dostęp do logów oraz historii działania systemu (przydatne przy incydentach i sporach).

Dopiero wtedy, gdy rola administratora i procesora jest klarownie opisana, można uczciwie informować pacjentów: „Twoje dane są przetwarzane tu i tu, przez takie i takie podmioty, w takim celu”. To konkretny krok w stronę zaufania, a nie tylko „papierowa” zgodność.

Rynek danych medycznych: granica między innowacją a komercjalizacją prywatności

Rozwój AI napędził nowy rynek: danych medycznych. Dla firm technologicznych to niezwykle cenny zasób treningowy. Dla pacjentów – najbardziej wrażliwy fragment ich życia. Tu właśnie ściera się obietnica szybszych przełomów medycznych z obawą, że choroba stanie się towarem.

Typowy scenariusz: startup proponuje szpitalowi darmowy lub bardzo tani system AI „w zamian za możliwość wykorzystania anonimowych danych do prac nad algorytmem”. Brzmi atrakcyjnie, dopóki nie doprecyzujemy kilku elementów:

• czy dane są rzeczywiście anonimowe, czy „tylko” pseudonimowe,
• czy będą udostępniane dalej – partnerom, podwykonawcom, innym klientom,
• czy pacjent ma realny wpływ na to, czy jego dane trafią do takiego projektu,
• co się stanie, jeśli firma zostanie przejęta przez inny podmiot o zupełnie innej filozofii działania.

Pojawia się też pytanie o „sprawiedliwość” danych: jeśli na bazie historii leczenia tysięcy pacjentów powstaje produkt komercyjny, kto korzysta na tym finansowo? Czy placówka, która udostępniła dane, ma realny udział w wartości? Czy pacjent choć symbolicznie uczestniczy w sukcesie rozwiązania, które nie powstałoby bez jego historii choroby?

Coraz więcej instytucji publicznych i szpitali zaczyna budować własne „custodialne” repozytoria danych – to one zarządzają dostępem do zbiorów, ustalają warunki współpracy z firmami AI i pilnują, by dane były używane przede wszystkim w interesie zdrowia publicznego. To wymagający model, ale pozwala zatrzymać „ster” po stronie systemu ochrony zdrowia, a nie wyłącznie dostawców technologii.

Placówka, która aktywnie kształtuje zasady wykorzystania danych, zamiast biernie podpisywać „standardowe” umowy, staje się partnerem, a nie tylko dostawcą surowca.

Zgoda pacjenta: formalność na końcu formularza czy realny wybór?

W erze AI zgoda pacjenta przestała być jedynie kwadracikiem do odhaczenia przy rejestracji. To narzędzie budowania autonomii i zaufania – pod warunkiem, że jest traktowane poważnie.

Przede wszystkim trzeba oddzielić dwie sytuacje:

• przetwarzanie danych do leczenia – tutaj najczęściej podstawą prawną jest przepis prawa i zgoda nie jest wymagana (ani „ratunkowo” zbierana „na wszelki wypadek”),
• wykorzystanie danych do celów dodatkowych, takich jak rozwój algorytmów komercyjnych, projekty badawczo-rozwojowe, testy nowych funkcji systemów AI – tu zgoda może być konieczna i musi być dobrowolna.

Z punktu widzenia etyki i relacji z pacjentem kluczowe jest, by zgoda:

• była konkretna – pacjent wie, na co się godzi (jaki typ danych, jaki cel, z kim dzielone),
• była odwracalna – pacjent może ją wycofać równie łatwo, jak ją udzielił, a system ochrony zdrowia respektuje tę decyzję bez „karania” gorszą jakością opieki,
• nie była warunkiem dostępu do podstawowych świadczeń – odmowa zgody na użycie danych do rozwoju komercyjnego AI nie może zamykać drogi do leczenia.

Tu szczególnie mocno widać rolę języka. Formularze napisane prawniczym żargonem nie budują autonomii pacjenta – raczej zniechęcają do czytania. Proste zdania, krótkie akapity, jasne przykłady („Twój opis badania RTG może zostać wykorzystany do ulepszania algorytmu, który pomaga szybciej wykrywać złamania u innych pacjentów”) realnie zwiększają zrozumienie.

Jeśli zespół medyczny potrafi otwartym tekstem wyjaśnić, po co dane są używane w kontekście AI, łatwiej o świadomą zgodę i mniejszy lęk przed „czarną skrzynką”.

Informacja jako prawo pacjenta, nie uprzejmość placówki

Pacjent ma prawo wiedzieć, że jego dane są wykorzystywane przez systemy AI – również wtedy, gdy to nie on „klika” w aplikacji, ale algorytm działa na zapleczu szpitala. To prawo nie kończy się na enigmatycznej klauzuli w regulaminie.

Praktyczne formy realizacji tego prawa to m.in.:

• czytelne informacje w miejscu rejestracji i w portalu pacjenta: jakie systemy AI są używane, do jakich zadań i z jakimi dostawcami współpracuje placówka,
• krótka informacja przekazywana ustnie przez personel przy korzystaniu z rozwiązań „przy łóżku pacjenta” (np. asystent głosowy zapisujący historię wywiadu),
• możliwość dopytania lekarza lub koordynatora danych o szczegóły: gdzie trafiają dane, jak są zabezpieczone, czy są używane do celów innych niż bezpośrednie leczenie.

Transparentność nie musi oznaczać „zalania” pacjenta detalami technicznymi. Chodzi o jasne odpowiedzi na proste pytania: kto, po co, jak długo, z kim jeszcze. Taki standard komunikacji sprawia, że nawet przy bardzo zaawansowanych systemach AI pacjent nadal czuje, że to on jest podmiotem opieki, a nie „obiektem analizy”.

Placówki, które odważnie pokazują, jak korzystają z AI i jak chronią dane, wysyłają prosty sygnał: „traktujemy Twoją prywatność jak element bezpieczeństwa medycznego”. To konkretny powód, by zaufać i lepiej współpracować w procesie leczenia.

Zaufanie jako „waluta” innowacji w medycynie

Bez zaufania pacjentów nawet najlepsze modele AI będą wykorzystywane z oporem – albo w ogóle. Zaufanie nie rodzi się z deklaracji o „najnowocześniejszej technologii”, ale z powtarzalnych doświadczeń: pacjent widzi, że system działa, że personel się nim posługuje w sposób odpowiedzialny, a jego prywatność nie jest ceną za komfort.

W praktyce na zaufanie pracują trzy elementy:

Jak budować zaufanie do AI krok po kroku – perspektywa szpitala

Zaufanie nie pojawi się od samego faktu, że placówka „ma AI”. Trzeba je zaprojektować tak samo jak ścieżkę pacjenta czy procedury medyczne. Dobra wiadomość: wiele elementów da się wprowadzić małymi krokami, bez rewolucji organizacyjnej.

Praktyczny zestaw działań może wyglądać tak:

• mapowanie użycia AI – spisanie wszystkich miejsc, w których algorytmy wchodzą w kontakt z danymi pacjentów (diagnoza, administracja, monitoring, dokumentacja),
• jasne zasady nadzoru klinicznego – każdy system AI ma „właściciela merytorycznego” po stronie medycznej, który rozumie jego ograniczenia,
• procedury reagowania na błędy AI – co się dzieje, gdy model się myli, i jak pacjent jest informowany o takim zdarzeniu,
• regularne audyty bezpieczeństwa i zgodności z udziałem działu IT, inspektora ochrony danych i przedstawicieli personelu medycznego.

Prosty plakat w pokoju lekarzy z zasadą „AI sugeruje, lekarz decyduje” potrafi skuteczniej kształtować kulturę pracy niż rozbudowane prezentacje raz do roku. Mniejsza bariera wejścia, większa szansa, że zespół faktycznie będzie stosował zdrowy dystans do wyników algorytmu.

Placówka, która świadomie projektuje relację „AI–lekarz–pacjent”, ma szansę szybciej wprowadzać kolejne innowacje – zespół mniej się ich boi, a pacjenci łatwiej akceptują zmiany.

Rola personelu medycznego: od użytkownika technologii do „tłumacza AI”

Bez zaangażowania lekarzy, pielęgniarek, diagnostów czy rejestratorek medycznych AI pozostanie gadżetem. To oni stają się w praktyce „tłumaczami” działania algorytmów dla pacjenta – często jednym zdaniem wypowiedzianym między badaniem a wypisaniem skierowania.

Wsparciem są krótkie, konkretne szkolenia, które nie uczą programowania, ale pracy ramię w ramię z modelem:

• co oznacza, że algorytm ma „pewność” 90% i skąd biorą się pozostałe 10%,
• kiedy AI może pomóc (np. szybka preselekcja badań), a kiedy nie zastąpi oceny klinicznej,
• jak spokojnie wyjaśnić pacjentowi, że system „pomaga lekarzowi”, a nie „zastępuje lekarza”.

Dobrze przygotowany personel potrafi w jednym zdaniu rozbroić lęk („Ten system podpowiada mi, na co jeszcze spojrzeć na zdjęciu, ale decyzja należy do mnie”). Pacjent słyszy, że człowiek nadal jest „kapitanem”, a technologia pełni funkcję radaru.

Inwestycja w kompetencje cyfrowe zespołu zwraca się wyjątkowo szybko – mniej nieporozumień, mniej konfliktów i zdecydowanie większa gotowość do testowania nowych rozwiązań.

Minimalizacja danych: mniej naprawdę może znaczyć bezpieczniej

AI kusi wizją „nakarmienia” modelu wszystkim, co się da. Z punktu widzenia prywatności to droga donikąd. Można projektować systemy tak, by wykorzystywały tylko te informacje, które są niezbędne do konkretnego zadania, a nie pełne „życiorysy medyczne” pacjentów.

Minimalizacja danych to między innymi:

• celowe ograniczanie pól w formularzach przekazywanych do dostawcy AI – np. bez pełnego adresu, numeru telefonu czy informacji społeczno-ekonomicznych, jeśli nie są konieczne,
• wydzielanie osobnych zbiorów danych na potrzeby badań i rozwoju, z odrębnymi zasadami dostępu,
• regularne przeglądy zakresu danych – czy po roku korzystania z systemu nadal potrzebujemy wszystkich przesyłanych pól, czy część można odciąć.

Takie „odchudzanie” strumienia danych ma jeszcze jeden efekt uboczny: wymusza refleksję, do czego konkretnie służy dany moduł AI. Gdy trzeba uzasadnić każdy typ danych, łatwiej wyłapać rozwiązania, które są bardziej „fajne” niż faktycznie potrzebne.

Szpital, który umie powiedzieć: „Nie, tu nie podajemy pełnego numeru PESEL, bo nie jest potrzebny”, wysyła pacjentom jasny sygnał – pilnujemy granic.

Anonimizacja, pseudonimizacja i ryzyko „odtworzenia” tożsamości

W kontekście AI często pojawia się zapewnienie: „Dane są anonimowe, więc bezpieczne”. Problem w tym, że prawdziwa anonimizacja w medycynie jest trudna, a czasem wręcz niemożliwa – szczególnie przy bogatych zbiorach łączących wyniki badań, opisy wizyt, dane genetyczne i obrazowanie.

W praktyce częściej mamy do czynienia z pseudonimizacją – identyfikatory osobowe są zastąpione losowym numerem, ale przy użyciu odpowiednich kluczy lub danych zewnętrznych da się powiązać zbiór z konkretną osobą. Dla AI to świetna wiadomość, dla prywatności pacjenta już niekoniecznie.

Bezpieczniejsze projekty łączą kilka elementów:

• oddzielenie danych tożsamościowych (np. PESEL, adres) od głównego zbioru, z bardzo ograniczonym dostępem do kluczy,
• stosowanie technik agregacji – modele trenuje się na licznych przypadkach, a nie na pełnych ścieżkach konkretnej osoby,
• ograniczanie udostępniania surowych danych na zewnątrz – zamiast eksportować całe bazy do firm, lepiej tworzyć kontrolowane środowiska dostępu (tzw. data safe havens).

Zespół zarządzający danymi powinien za każdym razem zadać sobie pytanie: „Czy w razie wycieku da się – przy rozsądnej ilości wysiłku – połączyć te informacje z konkretnym człowiekiem?”. Jeśli odpowiedź brzmi „tak”, to anonimizacja jest pozorna i trzeba zaostrzyć rygory.

Świadomość różnicy między prawdziwą anonimowością a wygodnym hasłem w prezentacji sprzedażowej dostawcy AI to codzienna tarcza ochronna pacjentów.

AI w badaniach klinicznych: szansa na postęp, wyzwanie dla prywatności

Badania kliniczne to naturalne pole do wykorzystania AI – od rekrutacji pacjentów, przez analizę wyników, po identyfikację skutków ubocznych. Jednocześnie to obszar pod szczególną lupą etyczną, bo dotyczy terapii często eksperymentalnych.

AI może tu:

• pomagać wyszukać pacjentów spełniających skomplikowane kryteria włączenia,
• analizować obszerne zbiory danych z monitorowania terapii w czasie rzeczywistym,
• wspierać identyfikowanie nieoczywistych korelacji między dawkowaniem a skutecznością leczenia.

Jednak każde z tych zastosowań oznacza dostęp do wyjątkowo wrażliwych informacji. W praktyce oznacza to konieczność doprecyzowania:

• czy zgoda na udział w badaniu wyraźnie obejmuje wykorzystanie danych przez algorytmy AI,
• czy dane z badania trafią później do komercyjnych projektów rozwoju produktów,
• kto – poza sponsorami badania i placówką – może mieć do nich dostęp (np. zewnętrzne firmy analizujące dane).

Komisje bioetyczne coraz częściej oczekują, że protokoły badań z elementami AI opiszą nie tylko metody statystyczne, ale też sposób zabezpieczenia danych i zasady ich późniejszego wykorzystania. To dobra praktyka, bo zmusza do myślenia nie tylko o jakości algorytmu, ale też o konsekwencjach dla prywatności uczestników badania wiele lat po jego zakończeniu.

Dobrze zaprojektowane badanie z użyciem AI może stać się wizytówką placówki – pokazuje, że da się łączyć wysoką innowacyjność z szacunkiem dla danych pacjentów.

AI w telemedycynie i monitoringu zdalnym: prywatność w domu pacjenta

Rozwiązania AI coraz częściej wychodzą poza mury szpitala. Aplikacje monitorujące stan zdrowia, inteligentne opaski, systemy analizujące mowę lub sposób poruszania się – to wszystko działa w przestrzeni prywatnej pacjenta, często 24/7.

Tu dochodzą nowe warstwy wrażliwych informacji:

• dane o trybie życia (godziny snu, aktywność fizyczna, spożycie leków),
• informacje o środowisku domowym (kto przebywa w pobliżu, jak głośno, jak często),
• dane lokalizacyjne – gdzie pacjent się porusza, jak często wychodzi z domu.

AI analizująca takie zbiory jest w stanie wysnuć daleko idące wnioski, często wykraczające poza stricte medyczne potrzeby. Dlatego przy wdrożeniach telemedycznych kluczowe są jasne granice:

• dokładnie opisany zakres danych zbieranych przez urządzenia (bez „domyślnego” włączania wszystkich czujników),
• konkretne okresy przechowywania danych i zasady ich usuwania,
• odpowiedź, czy i w jakiej formie dane trafiają do podmiotów komercyjnych – np. producenta urządzenia, operatora aplikacji, dostawcy chmury.

Pacjent, który używa inteligentnego inhalatora czy wagi połączonej z aplikacją, często nie ma świadomości, że jego dane mogą być agregowane w ogromne zbiory treningowe. Tymczasem już sama informacja: „Twoje wyniki będą użyte wyłącznie do monitorowania Twojego leczenia, nie trafią do projektów marketingowych” może realnie zwiększyć skłonność do korzystania z takich narzędzi.

Telemedycyna z AI staje się naprawdę silnym wsparciem dopiero wtedy, gdy pacjent nie ma poczucia, że każda wizyta w kuchni czy sypialni jest „obserwowana” przez algorytm.

Bezpieczeństwo techniczne: szyfrowanie to za mało

Rozmowy o bezpieczeństwie danych medycznych często kończą się na haśle „szyfrowanie end-to-end”. To ważny element, ale tylko fragment całej układanki. Ataki na systemy ochrony zdrowia pokazują, że „wejście” często następuje nie przez złamanie szyfru, ale przez ludzki błąd lub źle skonfigurowany system.

Solidne podejście do bezpieczeństwa przy systemach AI obejmuje m.in.:

• zasadę najmniejszych uprawnień – każdy użytkownik i każdy system techniczny dostaje tylko taki zakres dostępu, jaki jest niezbędny,
• segmentację sieci – modele AI i bazy danych są odizolowane od innych systemów, co utrudnia „ruch boczny” w razie włamania,
• monitorowanie anomalii – automatyczne wykrywanie nietypowych zachowań (np. masowy eksport danych o 3:00 nad ranem),
• regularne testy penetracyjne, najlepiej z udziałem zewnętrznych ekspertów, którzy nie są przywiązani do lokalnych przyzwyczajeń.

Do tego dochodzi edukacja pracowników: rozpoznawanie phishingu, bezpieczne korzystanie z nośników zewnętrznych, zgłaszanie podejrzanych sytuacji. Nawet najlepszy model AI nie obroni się przed tym, że ktoś przypadkowo wyśle loginy i hasła do systemu na prywatny mail.

Za każdym razem, gdy szpital podnosi standardy bezpieczeństwa technicznego, podnosi jednocześnie jakość ochrony prywatności swoich pacjentów – a to bezpośrednio wpływa na gotowość ludzi do dzielenia się danymi w imię lepszego leczenia.

Współdecydowanie pacjentów: od biernych „dawców danych” do partnerów

AI w medycynie często planuje się „dla pacjentów”, ale już rzadko „z pacjentami”. Tymczasem przy projektowaniu rozwiązań, które mocno ingerują w prywatność, głos osób korzystających z systemu jest bezcenny.

Prosty, ale skuteczny model to tworzenie niewielkich rad pacjenckich lub paneli konsultacyjnych. Można do nich zapraszać osoby z różnymi doświadczeniami – przewlekle chorych, opiekunów seniorów, rodziców dzieci leczonych w placówce. Takie rady mogą:

• opiniować treść klauzul informacyjnych i formularzy zgód,
• wskazywać, które funkcje AI są dla nich wartościowe, a które budzą niepokój,
• pomagać projektować język komunikatów w portalach pacjenta i aplikacjach.

Często jedno zdanie pacjenta („Tego w życiu nie zrozumiem”, „Tego bym nie podpisała, bo brzmi groźnie”) pozwala wychwycić problem, którego zespół prawno-techniczny po prostu nie widział.

Placówka, która regularnie rozmawia z pacjentami o AI, zyskuje nie tylko lepsze materiały informacyjne, ale też ambasadorów – ludzi, którzy na własnym przykładzie pokazują innym, że da się korzystać z nowoczesnych narzędzi bez rezygnacji z prywatności.

Nowe kompetencje w systemie ochrony zdrowia: inspektor danych, oficer AI, komitet etyczny

AI w medycynie wprowadza zupełnie nowy zestaw ról i odpowiedzialności. Samo powołanie inspektora ochrony danych (IOD) czy komisji etycznej już nie wystarcza. Potrzebne są osoby i zespoły, które rozumieją zarówno technologię, jak i realia kliniczne.

Coraz częściej pojawiają się funkcje takie jak:

• oficer AI / koordynator ds. innowacji cyfrowych – osoba łącząca świat IT, medycyny i prawa, odpowiedzialna za całościowy nadzór nad projektami AI,
• komitet ds. etyki danych – ciało, które opiniuje większe inicjatywy wykorzystujące dane pacjentów, również spoza klasycznych badań klinicznych,
• data steward / opiekun zbiorów danych – specjalista dbający o jakość, spójność i odpowiednie opisy (metadane) w repozytoriach wykorzystywanych przez algorytmy.

Takie role nie muszą powstawać od razu w pełnym wymiarze etatu. Często na początku wystarczy jasno przypisać obowiązki konkretnym osobom, dać im mandat do zadawania niewygodnych pytań i czas na naukę.

Najczęściej zadawane pytania (FAQ)

Jakie są największe korzyści z wykorzystania AI w medycynie dla pacjenta?

Największy zysk dla pacjenta to czas i trafność decyzji. Algorytmy szybciej analizują zdjęcia RTG czy TK, szybciej wyłapują niepokojące wyniki badań, a systemy predykcyjne potrafią ostrzec lekarza przed gwałtownym pogorszeniem stanu pacjenta. To często dosłownie różnica między pełnym powrotem do zdrowia a trwałym powikłaniem.

Druga mocna korzyść to większa personalizacja leczenia: dopasowane dawki leków, indywidualne plany terapii czy rehabilitacji tworzone na bazie danych z dokumentacji, badań i urządzeń typu wearable. Pacjent zyskuje leczenie „szyte na miarę”, a nie sztywny, uśredniony protokół.

Czy AI może zastąpić lekarza i samodzielnie decydować o leczeniu?

Obecnie AI w medycynie jest narzędziem wspierającym, a nie samodzielnym decydentem. Algorytmy podpowiadają: wskazują zmiany na obrazach, szacują ryzyko powikłań, sugerują możliwe rozpoznania. Ostateczną decyzję o diagnozie i leczeniu nadal podejmuje lekarz, który bierze pod uwagę także wywiad, kontekst życiowy pacjenta i własne doświadczenie.

Jeżeli masz poczucie, że „komputer zdecydował za lekarza”, warto dopytać wprost: jaką rolę w tym przypadku pełni system AI i co dokładnie lekarz na jego podstawie ocenił. Świadome pytania to najlepszy sposób, by zachować kontrolę nad własnym leczeniem.

Jakie zagrożenia dla prywatności pacjentów wiążą się z AI w ochronie zdrowia?

Główne ryzyka to nadmierny nadzór, profilowanie oraz wycieki danych. AI pozwala łączyć informacje z wielu źródeł: dokumentacji medycznej, aplikacji zdrowotnych, opasek fitness, historii zakupów leków czy zachowań online. Jeśli takie dane trafią w niepowołane ręce, mogą posłużyć do oceniania „opłacalności” leczenia, ryzyka chorób czy zdolności do pracy.

Drugie duże zagrożenie to wycieki. Tworzenie wielu kopii danych na potrzeby trenowania algorytmów (środowiska testowe, backupy, chmura) zwiększa liczbę miejsc, z których informacje mogą wyciec z powodu błędów konfiguracji, braku szyfrowania czy źle ustawionych uprawnień. Dlatego tak ważne są jasne procedury bezpieczeństwa i audyty dostawców technologii.

Czy moje dane medyczne mogą być użyte do trenowania AI bez mojej zgody?

Co do zasady dane medyczne są objęte szczególną ochroną i nie mogą być dowolnie wykorzystywane. Placówka lub dostawca AI musi mieć podstawę prawną: zgodę pacjenta albo inne umocowanie wynikające z przepisów (np. w ramach świadczenia usług zdrowotnych czy badań naukowych, z zachowaniem rygorów RODO). W wielu projektach dane są dodatkowo anonimizowane lub pseudonimizowane, aby ograniczyć możliwość identyfikacji konkretnej osoby.

Jeśli masz wątpliwości, możesz zapytać w rejestracji lub u lekarza: czy i w jakim zakresie dane z twojej dokumentacji są wykorzystywane do uczenia systemów AI oraz czy możesz temu procesowi się sprzeciwić. Jasna rozmowa to pierwszy krok do świadomej zgody, zamiast „automatycznego” udziału w projektach.

Jak szpitale i przychodnie powinny chronić dane pacjentów przy wdrażaniu AI?

Bezpieczne wdrożenie AI to nie tylko zakup oprogramowania, ale cały zestaw działań. Kluczowe elementy to m.in.:

• minimalizacja danych – używanie tylko tych informacji, które są naprawdę potrzebne do działania algorytmu,
• szyfrowanie i kontrola dostępu – ograniczenie kręgu osób i systemów mających dostęp do danych,
• pseudonimizacja/anonimizacja – oddzielenie danych identyfikujących pacjenta od danych medycznych wykorzystywanych do trenowania modeli,
• umowy z dostawcami – precyzyjne określenie, kto i w jakim celu może przetwarzać dane, w jakim kraju są przechowywane, czy mogą być użyte do trenowania innych systemów.

Dobrą praktyką jest też regularny audyt systemów AI: sprawdzanie, czy algorytm nie zachowuje się inaczej niż na początku, czy nie pojawiły się nowe ryzyka oraz czy komunikacja z pacjentami jest zrozumiała. Im więcej pytań zadają lekarze i administratorzy, tym bezpieczniej dla pacjentów.

Czy chatboty medyczne i aplikacje zdrowotne są tak samo bezpieczne jak szpitalny system?

Niekoniecznie. Szpitalny system zwykle podlega surowym regulacjom, ma administratora danych, inspektora ochrony danych i jasno opisane procedury. Chatbot czy aplikacja zdrowotna często działają w infrastrukturze zewnętrznego dostawcy, czasem w innym kraju, a dane mogą być wykorzystywane do rozwijania kolejnych modeli AI.

Przed skorzystaniem z czatbota lub aplikacji zdrowotnej warto sprawdzić:

• kto jest dostawcą i administratorem danych,
• czy dane trafiają do państw spoza UE,
• czy informacje mogą być użyte w innych celach (np. marketingowych lub do trenowania nowych modeli).

Jeśli coś budzi niepokój, lepiej ograniczyć wprowadzanie bardzo wrażliwych informacji i dopytać o alternatywy w swojej przychodni.

Jak jako pacjent mogę świadomie korzystać z AI w medycynie i jednocześnie chronić swoją prywatność?

Najprostsza strategia to trzy kroki: pytaj, decyduj, kontroluj. Po pierwsze – pytaj lekarza lub rejestrację, gdzie i do czego używany jest system AI (diagnoza, triage, chatbot, analiza badań). Po drugie – decyduj, czy zgadzasz się na dodatkowe wykorzystanie danych, np. w projektach badawczych lub do trenowania nowych algorytmów. Masz prawo powiedzieć „tak” lub „nie”.

Po trzecie – kontroluj: korzystając z aplikacji czy chatbotów, czytaj krótką (naprawdę krótką) politykę prywatności, sprawdzaj ustawienia zgód i reaguj, gdy coś jest niejasne. Im bardziej aktywnie podchodzisz do swoich danych, tym większa szansa, że AI będzie dla ciebie realnym wsparciem, a nie powodem do stresu.

Co warto zapamiętać

• AI w medycynie realnie ratuje życie tam, gdzie liczy się każda minuta – przy analizie TK w udarach, triage’u na SOR czy monitorowaniu pacjentów na OIOM-ie system potrafi szybciej niż człowiek wychwycić pogorszenie stanu.
• Największą przewagą AI jest personalizacja – algorytmy składają w całość historię leczenia, wyniki badań, styl życia i dane z wearable, dzięki czemu pomagają dobrać terapię „szytą na miarę”, ograniczając powikłania i skracając pobyt w szpitalu.
• Sztuczna inteligencja usprawnia też zaplecze systemu ochrony zdrowia: optymalizuje harmonogramy operacji, zarządzanie łóżkami i zapasami, co przekłada się na krótsze kolejki i mniejsze marnotrawstwo – bez konieczności zatrudniania dodatkowego personelu.
• Te same mechanizmy, które dają przewagę (szybkość, skala i głębia analizy), tworzą poważne ryzyka prywatności: możliwość łączenia danych z wielu źródeł otwiera drogę do nadzoru, profilowania pacjentów i potencjalnej dyskryminacji przez ubezpieczycieli czy pracodawców.
• Im więcej projektów AI, tym więcej kopii danych krąży w systemach testowych, backupach i chmurach – każdy taki zbiór to osobny punkt podatny na wyciek, który może obejmować tysiące wrażliwych historii chorób naraz.
• Brak przejrzystości działania algorytmów i słaba komunikacja z pacjentem podważają zaufanie: ludzie chcą wiedzieć, czy o ich leczeniu decyduje lekarz, czy „czarna skrzynka” i kto odpowiada za ewentualny błąd systemu.