Skriti stroški razdrobljenih diagnostičnih procesov
Zakaj kakovost podatkov postaja temelj sodobne klinične obravnave
En rezultat se prikaže na enem zaslonu. Drug prispe kot PDF, ki čaka na prenos v sistem. EKG je shranjen v drugi aplikaciji, dostopni prek druge prijave. Vse informacije obstajajo, vendar le redko na enem mestu. Preden lahko zdravnik sprejme klinično odločitev, mora nekdo vse te podatke zbrati in povezati. Vsakič znova.
Težava praviloma niso diagnostične naprave. Danes so hitrejše, zmogljivejše in natančnejše kot kadar koli prej. Izziv se skriva v vsem, kar se dogaja med njimi: nepovezanih delovnih procesih, razdrobljenih podatkih in času, ki je potreben, da posamezne meritve postanejo uporabne klinične informacije.
Ta izziv postaja še pomembnejši z vse širšo uporabo umetne inteligence v zdravstvu. Po raziskavi AMA Physician Survey 2026 danes umetno inteligenco pri svojem delu uporablja že 81 % zdravnikov v Združenih državah Amerike, medtem ko jih je bilo leta 2023 le 38 %. Kljub hitri rasti uporabe umetne inteligence pa številni klinični procesi ostajajo razdrobljeni, kar močno omejuje njen dejanski potencial.
To je bila ena osrednjih tem predavanja Rethinking Diagnostic Pathways in Modern Healthcare, ki ga je na konferenci MESI Conference 2026 predstavil Sven Jungmann. Po izobrazbi zdravnik, danes pa podjetnik na področju digitalnega zdravstva, vodi podjetje aiomics, ki razvija rešitve na področju umetne inteligence in podatkovno podprtega odločanja v zdravstvu.
Ker deluje na presečišču medicine, tehnologije in kliničnih delovnih procesov, ponuja edinstven pogled na to, zakaj zdravstvo kljub kakovostnim diagnostičnim meritvam še vedno težko sprejema povezane in učinkovite klinične odločitve.
Njegovo sporočilo je bilo preprosto:
Prihodnosti zdravstva ne bo določalo število novih orodij, ki jih bomo uvedli, temveč način, kako jih bomo med seboj povezali.
»Kako bi lahko na novo zasnoval svoj delovni proces, če ga sploh še ni bilo?«
Jungmann je že na začetku predavanja občinstvo spomnil na znani rek: "A fool with a tool is still a fool."
Sporočilo je jasno. Tehnologija sama po sebi ne odpravi slabih sistemov. Če za njo ne stojijo ustrezno zasnovani delovni procesi, povezani podatki in jasna klinična logika, lahko tudi najsodobnejša diagnostična orodja ustvarijo še več kompleksnosti, namesto da bi jo zmanjševala.
Prisluhnite Svenu Jungmannu
Predavanje je odprlo pomembna vprašanja, a predstavilo le del širše zgodbe.
V tem ekskluzivnem intervjuju, posnetem na MESI Conference 2026, Sven Jungmann podrobneje govori o izzivih razdrobljene diagnostike, pomenu kakovostnih podatkov, umetni inteligenci in prihodnosti povezanega zdravstva.
Skriti stroški razdrobljenih diagnostičnih procesov
Boljše naprave, enaki delovni procesi
Razvoj zdravstvenih tehnologij je bil v zadnjih letih usmerjen predvsem v izboljševanje posameznih diagnostičnih naprav. Naprednejši EKG sistemi, hitrejša spirometrija, pametne nosljive naprave in vse zmogljivejše slikovne tehnologije so pomembno prispevali k natančnejši diagnostiki in večji količini razpoložljivih podatkov.
Toda medtem ko so se diagnostična orodja močno razvila, so delovni procesi, ki jih obdajajo, pogosto ostali skoraj nespremenjeni.
Prav tu se začne prava kompleksnost, ne pri sami meritvi, temveč pri vsem, kar sledi.
V številnih zdravstvenih ustanovah diagnostika še vedno poteka razdrobljeno. Ena naprava ustvari rezultat, druga ga shrani v svoj sistem, zdravstveni delavci pa prehajajo med različnimi aplikacijami, ročno prenašajo podatke in sestavljajo celotno zgodbo pacienta iz nepovezanih virov informacij.
Vsak posamezen korak se zdi obvladljiv. Skupaj pa ustvarjajo bistveno bolj zapleten delovni proces, kot bi bilo potrebno.
Tako je v praksi videti razdrobljena diagnostika: meritve, podatki o pacientu in diagnostična poročila nastajajo v različnih napravah in informacijskih sistemih, med katerimi ni neprekinjenega pretoka informacij.
V središču tega problema je interoperabilnost oziroma njeno pomanjkanje. Brez interoperabilnosti podatki izgubijo svoj kontekst. Brez konteksta pa se klinično odločanje upočasni.
Stroški razdrobljenosti so pogosto nevidni
Stroški razdrobljenih procesov so redko očitni, saj se kopičijo skozi ves delovni dan.
To so dodatne minute za prijavo v še en informacijski sistem. Poročilo, ki čaka na skeniranje. Ročni vnos rezultatov v elektronski zdravstveni karton. Telefonski klic za preverjanje, ali je bil izvid sploh naložen v sistem.
Posamezni koraki se zdijo nepomembni.
Ko pa jih seštejemo, predstavljajo ure izgubljenega časa, ki bi ga zdravstveni delavci lahko namenili pacientom.
Jungmann pri svojem delu na področju digitalnega zdravstva pogosto poudarja pomembno misel: inovacije niso vedno povezane z učenjem nečesa novega. Pogosto pomenijo predvsem opuščanje zastarelih sistemov in navad, ki sodobni medicini ne služijo več.
Kot je povedal sam:
»Včasih inovacija pomeni odstraniti ovire, ne pa dodajati novih funkcionalnosti.«
To je še posebej pomembno na področju diagnostike, kjer številni delovni procesi še vedno temeljijo na modelih, zasnovanih za čas, ko je bilo zdravstvo počasnejše in bistveno manj povezano.
Podatki niso težava. Težava je njihova kakovost.
Današnji izziv zdravstva ni več zbiranje večjih količin podatkov. Teh je že zdaj ogromno. Pravi izziv je zagotoviti, da so podatki uporabni, dostopni in na voljo v trenutku, ko jih zdravstveni delavec potrebuje.
Kot je poudaril Jungmann, je umetna inteligenca izjemno zmogljivo orodje, vendar le, če temelji na kakovostnih podatkih. Tu pride do izraza eno najpomembnejših načel digitalne medicine: »Garbage in, garbage out.« Če so vhodni podatki slabi, bodo slabi tudi rezultati.
Jungmann se je pri tem skliceval na raziskavo, objavljeno v reviji JAMA Network Open, v kateri so primerjali diagnostično razmišljanje zdravnikov in modela GPT-4. Zdravniki brez podpore umetne inteligence so dosegli 73,7-odstotno uspešnost, zdravniki ob podpori GPT-4 76,3 %, medtem ko je GPT-4 sam dosegel 92,0 %.
»Če so informacije razpršene povsod, izpustite pomemben korak.«
Ti rezultati so impresivni, vendar odpirajo pomembno vprašanje. Če lahko umetna inteligenca v določenih primerih preseže človeka pri postavljanju diagnoze, kaj se zgodi, ko so podatki, na katerih temelji, nepopolni, razdrobljeni ali nekonsistentni?
Ne glede na to, kako napreden postane model umetne inteligence, analitična platforma ali sistem za podporo kliničnemu odločanju, bo kakovost njegovih rezultatov vedno odvisna od kakovosti vhodnih podatkov.
Če so diagnostični podatki nepopolni, nedosledni, ročno vneseni ali razpršeni med več nepovezanih informacijskih sistemov, bodo tudi ugotovitve, ki jih ustvari umetna inteligenca, neizogibno odražale te pomanjkljivosti.
To ni več zgolj tehnični problem.
Postaja eden najpomembnejših kliničnih izzivov sodobnega zdravstva.
Kakovost podatkov postaja del klinične infrastrukture
Zdravstvo vse hitreje prehaja v obdobje napovedne analitike, avtomatizacije in odločanja, podprtega z umetno inteligenco. V takšnem okolju postajajo strukturirani in standardizirani diagnostični podatki nujna osnova za kakovostno zdravstveno obravnavo.
Brez njih tvegamo, da bomo vse bolj napredne tehnologije gradili na nestabilnih temeljih.
Kakovosti podatkov zato ne moremo več obravnavati kot administrativno ali informacijsko vprašanje, ki ostaja v ozadju zdravstvenega sistema. Postaja sestavni del klinične infrastrukture.
Hkrati hitra uvedba umetne inteligence odpira nova vprašanja upravljanja in nadzora. Jungmann je izpostavil podatek, da se je 40 % zdravstvenih delavcev že srečalo z uporabo neodobrenih orodij umetne inteligence v svojih organizacijah, kar kaže, kako hitro razvoj tehnologije prehiteva vzpostavljene klinične procese in organizacijska pravila.
Zanesljivi in strukturirani podatki spreminjajo način izvajanja zdravstvene oskrbe.
Zdravnikom omogočajo hitrejše sprejemanje odločitev, izboljšujejo kontinuiteto obravnave in olajšajo primerjavo rezultatov skozi čas.
Prav tako izboljšujejo sodelovanje med zdravstvenimi ekipami, saj vsi dostopajo do enake, ažurne in celovite klinične slike pacienta.
Posebej pomembno vlogo imajo pri preventivi, kjer kakovostni podatki omogočajo zgodnejše prepoznavanje tveganj in pravočasnejše ukrepanje, še preden bolezen napreduje.
Vseh stroškov ne merimo v minutah
Vendar vseh posledic razdrobljenih diagnostičnih procesov ne moremo meriti zgolj s časom. Nekatere se merijo s pozornostjo.
»Pogosto mislimo, da je čas naš najdragocenejši vir. V resnici je to naša pozornost.«
Vsak nepovezan delovni proces od zdravstvenih delavcev zahteva dodaten miselni napor. Zapomniti si morajo, kje so shranjeni posamezni podatki, preveriti, ali so bili pravilno preneseni v sistem, ugotoviti, katera različica je najnovejša, in presoditi, ali lahko informacijam, ki jih imajo pred seboj, sploh zaupajo.
Vsaka od teh nalog se zdi sama po sebi majhna. Skupaj pa ustvarjajo neprekinjeno kognitivno obremenitev, ki se sčasoma spremeni v duševno izčrpanost.
V zdravstvenih sistemih, ki so že danes pod velikim pritiskom, je to pomembnejše kot kadar koli prej.
Izgorelost zdravstvenih delavcev ni posledica le velike količine dela. Povzročajo jo tudi zapleteni procesi, neučinkoviti sistemi in nenehna potreba po prilagajanju tehnologijam, ki bi morale delo poenostaviti, v resnici pa ga pogosto še dodatno otežijo.
Naloga tehnologije bi morala biti, da to breme zmanjšuje, ne pa povečuje.
Prihodnost diagnostike je povezana
Prav zato se mora spremeniti tudi način, kako razmišljamo o diagnostiki.
Cilj ne bi smel biti uvajanje vedno novih naprav in digitalnih rešitev v klinično prakso. Pravi cilj je vzpostaviti povezan diagnostični ekosistem, v katerem vsaka opravljena meritev prispeva k enotni, celoviti sliki pacienta.
Diagnostika ne bi smela biti niz ločenih dogodkov, temveč del širše klinične infrastrukture, ki zdravstvenim delavcem omogoča hitrejše odločanje, boljše klinične vpoglede in učinkovitejše sodelovanje.
Prav o tem je želel Sven Jungmann spodbuditi razmislek udeležencev konference.
Vprašanje danes ni več, ali zdravstvo lahko zbere še več podatkov. To zmore že zdaj.
Veliko pomembnejše vprašanje je, ali zna iz podatkov, ki jih že ima, ustvariti enoten in zanesljiv vir informacij, ter ali so sistemi, ki te podatke povezujejo, zasnovani tako, da jih lahko učinkovito pretvorijo v boljše klinične odločitve.
Kajti skriti stroški razdrobljene diagnostike se le redko skrivajo v samih napravah.
Veliko pogosteje nastajajo v času, izgubljenem med različnimi sistemi, v zakasnjenih odločitvah, administrativnih obremenitvah in zamujenih priložnostih za pravočasno ukrepanje.
V sodobnem zdravstvu so prav ti stroški pogosto najpomembnejši.
O Svenu Jungmannu
Delo Svena Jungmanna povezuje medicino, umetno inteligenco in digitalne zdravstvene sisteme. Kot ustanovitelj podjetja aiomics in aktiven soustvarjalec področja zdravstvenih inovacij spodbuja drugačen pogled na podatke, klinične delovne procese in sprejemanje odločitev v zdravstvu.
Njegovo predavanje na konferenci MESI Conference 2026 je poudarilo vse bolj očitno dejstvo: v prihodnosti, ki jo bo vse bolj oblikovala umetna inteligenca, moč diagnostike ne bo odvisna zgolj od kakovosti posameznih naprav, temveč predvsem od kakovosti sistemov, ki te naprave, podatke in zdravstvene delavce povezujejo v celoto.