Brak leku w aptece szpitalnej jest widocznym końcem znacznie dłuższego procesu. Zanim problem stanie się oczywisty, dane o zużyciu, stanach magazynowych, zamówieniach, dostawach i realizacji umów mogą przez wiele dni lub tygodni sygnalizować rosnące ryzyko.
Pytanie brzmi: czy można je zauważyć odpowiednio wcześnie i zamienić w praktyczną rekomendację dla personelu apteki?
Odpowiedzi na to pytanie szukamy w rozpoczynającym się projekcie badawczo-rozwojowym Pharma Flow.
Brak leku nie jest wyłącznie problemem magazynowym
Niedostępność produktu leczniczego może wymusić zmianę terapii, opóźnić zabieg, zwiększyć ryzyko błędu lekowego i uruchomić pilne poszukiwanie alternatywnego dostawcy. American Society of Health-System Pharmacists wskazuje, że niedobory leków mogą powodować opóźnienia leczenia, wzrost ryzyka działań niepożądanych i błędów lekowych, a także generować dodatkowe koszty dla placówek.
Problem ma skalę międzynarodową. Europejska Agencja Leków uruchomiła European Shortages Monitoring Platform, która służy do ujednoliconego przekazywania informacji o podaży i zapotrzebowaniu na leki. Od 2 lutego 2025 roku korzystanie z platformy jest obowiązkowe dla właściwych organów krajowych i podmiotów odpowiedzialnych w objętym zakresie.
W maju 2026 roku negocjatorzy Rady Unii Europejskiej i Parlamentu Europejskiego osiągnęli wstępne porozumienie w sprawie Critical Medicines Act. Planowane przepisy mają wzmacniać bezpieczeństwo dostaw leków krytycznych, wspierać dywersyfikację łańcuchów dostaw i rozwój zdolności produkcyjnych w Europie. Porozumienie wymaga jeszcze formalnego zatwierdzenia.
Działania europejskie poprawiają widoczność problemów na poziomie całego rynku. Nie odpowiadają jednak na wszystkie pytania, z którymi codziennie mierzy się pojedynczy szpital:
- ile danego produktu będzie potrzebne za tydzień lub miesiąc;
- czy obecny zapas i planowane dostawy wystarczą;
- które zmiany zużycia są trwałym trendem, a które zdarzeniem jednorazowym;
- czy dostawca realizuje kontrakt zgodnie z ustalonymi warunkami;
- kiedy rozpocząć poszukiwanie alternatywnego źródła;
- jak ograniczyć ryzyko zarówno niedoboru, jak i kosztownej nadwyżki.
To właśnie na tym poziomie zaczyna się Pharma Flow.
Szpital ma dane, ale nie zawsze ma prognozę
Systemy apteczne i HIS rejestrują tysiące zdarzeń: przyjęcia i wydania leków, przesunięcia magazynowe, zamówienia oddziałów, dostawy, zwroty, realizację umów oraz historyczne zużycie.
Dane te są niezbędne do prowadzenia ewidencji i rozliczeń. Ich obecność nie oznacza jednak, że personel automatycznie otrzymuje wiarygodną prognozę przyszłych potrzeb.
Zużycie leku może zależeć między innymi od:
- profilu szpitala i specjalizacji oddziałów;
- liczby oraz rodzaju hospitalizacji;
- sezonowości zachorowań;
- lokalnej sytuacji epidemiologicznej;
- wykonywanych procedur;
- zmian w schematach terapii;
- dostępności produktów i ich odpowiedników;
- czasu realizacji dostaw;
- zdarzeń nietypowych, których nie należy bezrefleksyjnie przenosić na przyszłość.
Proste przedłużenie średniego zużycia z poprzednich miesięcy może nie wykryć istotnej zmiany. Utrzymywanie bardzo dużego zapasu „na wszelki wypadek” zamraża natomiast środki finansowe i zwiększa ryzyko przeterminowania produktów.
Potrzebny jest nie tylko kolejny raport historyczny, lecz mechanizm pomagający odpowiedzieć:
Co prawdopodobnie wydarzy się w najbliższym okresie i jakie działanie powinna rozważyć apteka?
Nie zakładamy z góry, że jedna metoda i jeden horyzont prognozy będą najlepsze dla każdej grupy leków i każdej placówki. Ustalenie tego jest częścią badań.
Pharma Flow jest dziś projektem B+R
Warto powiedzieć to jednoznacznie: Pharma Flow nie jest obecnie gotowym produktem oferowanym szpitalom.
Jesteśmy na początku realizacji projektu. Przed zespołem znajdują się prace nad przygotowaniem i oceną danych, zbudowaniem modeli bazowych, opracowaniem architektury integracyjnej oraz sprawdzeniem, które metody sztucznej inteligencji rzeczywiście mogą przynieść wartość w gospodarce lekowej.
Projekt obejmuje cztery powiązane kierunki:
- prognozowanie zapotrzebowania na leki i wspieranie optymalizacji zapasów;
- monitorowanie realizacji kontraktów z dostawcami;
- wspieranie analizy dostaw, opóźnień i proponowanych zamienników;
- automatyzację wybranych, rutynowych elementów komunikacji oraz obsługi zamówień interwencyjnych.
Pharma Flow ma docelowo uzupełniać istniejące systemy apteczne i HIS, a nie je zastępować. Planowana wartość rozwiązania polega na wykorzystaniu już gromadzonych danych i dodaniu warstwy analitycznej oraz wspierającej decyzje.
Pierwszy obszar badań: przewidywanie zapotrzebowania
Pierwszym wyzwaniem jest sprawdzenie, czy na podstawie danych historycznych i kontekstu działalności placówki można z odpowiednim wyprzedzeniem prognozować zapotrzebowanie na leki lub ich grupy.
Ten sam produkt może być wykorzystywany inaczej w szpitalu powiatowym, ośrodku onkologicznym, szpitalu wieloprofilowym i placówce wykonującej wysoko specjalistyczne procedury. Również jakość oraz sposób zapisywania danych mogą różnić się pomiędzy jednostkami.
Dlatego prace powinny rozpocząć się od podstaw:
- oceny kompletności i jakości danych;
- ujednolicenia identyfikacji produktów oraz ich odpowiedników;
- rozpoznania anomalii i zdarzeń jednorazowych;
- określenia sensownych poziomów agregacji danych;
- zbudowania prostych modeli odniesienia;
- porównania ich z bardziej zaawansowanymi metodami;
- oceny stabilności prognoz w różnych okresach i placówkach.
Zaawansowany model AI będzie miał wartość tylko wtedy, gdy okaże się wyraźnie bardziej użyteczny niż prostsza metoda i będzie można wyjaśnić, kiedy jego rekomendacji nie należy ufać.
Drugi obszar: umowa to nie to samo co jej wykonanie
Podpisanie umowy z dostawcą nie kończy procesu zakupowego. Trzeba jeszcze sprawdzać, czy dostawy są realizowane terminowo, czy ceny odpowiadają kontraktowi, czy zamówione ilości zostały dostarczone oraz czy proponowany zamiennik spełnia wymagania umowy i placówki.
W wielu szpitalach kontrola wymaga porównywania dokumentów, dostaw, korespondencji i zapisów kontraktu. Jest czasochłonna i może być wykonywana dopiero wtedy, gdy personel zauważy problem.
W Pharma Flow planujemy zbadać wykorzystanie przetwarzania języka naturalnego do:
- porządkowania najważniejszych postanowień umów;
- identyfikowania parametrów istotnych dla realizacji dostaw;
- zestawiania warunków kontraktu z rzeczywistymi zdarzeniami;
- wskazywania potencjalnych opóźnień lub innych niezgodności;
- przygotowywania informacji do weryfikacji przez farmaceutę lub pracownika działu zamówień.
System nie powinien wydawać ostatecznej oceny prawnej. Jego rolą byłoby odnalezienie potencjalnego problemu i przedstawienie danych, które pozwolą człowiekowi szybciej go ocenić.
Trzeci obszar: działanie, gdy standardowa dostawa zawiedzie
Szczególnie trudna sytuacja powstaje wtedy, gdy lek jest potrzebny, a dostawca nie może zrealizować zamówienia. Personel apteki kontaktuje się wówczas z kolejnymi podmiotami, pyta o dostępność, porównuje cenę i termin dostawy oraz przygotowuje dalsze działania zgodnie z przepisami i procedurami placówki.
Pharma Flow ma badać możliwość wspierania tego procesu. Agent mógłby przygotowywać zapytania do dostawców, porządkować odpowiedzi i przedstawiać dostępne warianty.
Kluczowa decyzja powinna pozostać po stronie uprawnionej osoby.
Automatyzacja ma ograniczyć liczbę rutynowych czynności, a nie odebrać farmaceucie kontrolę nad zakupem leku.
Zakres możliwej automatyzacji będzie zależał nie tylko od technologii, lecz również od prawa zamówień, regulacji wewnętrznych, wartości zakupu, dostępności integracji i zasad odpowiedzialności w danej placówce.
Federacyjne uczenie: współpraca bez jednej centralnej bazy
Dane dotyczące gospodarki lekowej są rozproszone pomiędzy niezależnymi szpitalami. Wspólny model mógłby korzystać z doświadczeń wielu placówek, ale centralne gromadzenie szczegółowych danych operacyjnych i medycznych rodzi problemy prawne, organizacyjne i związane z bezpieczeństwem.
Jednym z badanych kierunków jest dlatego federacyjne uczenie maszynowe.
W takim podejściu model może być trenowany lokalnie w poszczególnych placówkach, a do wspólnego procesu przekazywane są aktualizacje modelu zamiast całych źródłowych zbiorów danych.
Nie jest to jednak automatyczna gwarancja prywatności ani zgodności z RODO. Przeglądy badań dotyczących federacyjnego uczenia w ochronie zdrowia wskazują na ryzyka związane między innymi z możliwością wycieku informacji z aktualizacji, atakami na model, różnicami pomiędzy lokalnymi zbiorami, kontrolą dostępu i zarządzaniem procesem.
W projekcie trzeba będzie więc ocenić nie tylko jakość prognoz, lecz również:
- jakie dane rzeczywiście muszą być wykorzystywane;
- czy model wspólny przewyższa modele lokalne;
- jak zabezpieczyć wymianę aktualizacji;
- jak wykrywać błędne lub złośliwe aktualizacje;
- jak wersjonować, audytować i ewentualnie wycofywać modele;
- kto odpowiada za utrzymanie, monitorowanie i zatwierdzanie kolejnych wersji.
Federacyjne uczenie może zmniejszyć potrzebę przemieszczania danych, ale nie zastępuje analizy prawnej, minimalizacji danych, środków bezpieczeństwa ani odpowiedniego zarządzania.
Cele badawcze nie są osiągniętymi wynikami
Dokumentacja projektu określa docelowe kryteria przyszłego rozwiązania, obejmujące między innymi:
- dokładność prognozowania zapotrzebowania na poziomie co najmniej 85%;
- wykrywanie co najmniej 90% zdefiniowanych przypadków naruszeń kontraktów;
- automatyzację co najmniej 80% przewidzianych czynności w obsłudze zamówień interwencyjnych.
Są to cele do zweryfikowania w trakcie prac, a nie parametry działającego obecnie systemu.
Sposób obliczania wskaźników również wymaga precyzyjnego zdefiniowania. „Dokładność 85%” może oznaczać coś zupełnie innego w przypadku produktu zużywanego codziennie, leku stosowanego sporadycznie albo produktu o nieregularnym popycie. Wynik uśredniony dla całej apteki może ukrywać bardzo słabe prognozy dla leków o największym znaczeniu.
Dlatego ocena Pharma Flow nie może ograniczać się do jednej liczby. Powinna obejmować także:
- częstość niedoborów i nadmiernych zapasów;
- wartość produktów zagrożonych przeterminowaniem;
- błąd prognozy dla różnych grup leków i horyzontów czasu;
- czas poświęcany na kontrolę kontraktów;
- trafność i użyteczność wykrywanych niezgodności;
- czas przygotowania działania interwencyjnego;
- liczbę rekomendacji zaakceptowanych i odrzuconych przez personel;
- przyczyny odrzucenia rekomendacji;
- wpływ rozwiązania na obciążenie pracowników.
Najpierw tryb cichy
Bezpiecznym sposobem rozpoczęcia testów systemu predykcyjnego jest praca w trybie cichym.
Model tworzy wtedy prognozy i rekomendacje, lecz nie wpływają one na rzeczywiste zamówienia. Po określonym czasie można porównać przewidywania z faktycznym zużyciem oraz decyzjami personelu.
Pozwala to odpowiedzieć na podstawowe pytania:
- czy model prawidłowo rozpoznaje sezonowość;
- dla których grup leków działa najlepiej;
- kiedy prognozy stają się niestabilne;
- czy ryzyko jest rozpoznawane wcześniej niż dotychczas;
- czy rekomendacje byłyby praktycznie użyteczne;
- czy system nie generuje nadmiernej liczby ostrzeżeń.
Dopiero po uzyskaniu wiarygodnych wyników można rozważać stopniowe wprowadzanie rekomendacji do pracy operacyjnej. Również wtedy powinny być one początkowo traktowane jako wsparcie decyzji, a nie automatyczne polecenie.
Co Pharma Flow może oznaczać dla szpitala?
Jeżeli hipotezy badawcze zostaną potwierdzone, Pharma Flow może przynieść wartość na kilku poziomach.
Dla farmaceuty szpitalnego
Potencjalną korzyścią jest ograniczenie czasu przeznaczanego na powtarzalne analizy, porównywanie dokumentów i przygotowywanie standardowej korespondencji. Rekomendacja powinna być przedstawiona wraz z podstawą jej utworzenia, a użytkownik powinien móc ją zweryfikować, zaakceptować albo odrzucić.
Dla dyrekcji i osób zarządzających
Rozwiązanie może zapewnić lepszą wiedzę o wartości zapasów, ryzyku braków, jakości realizacji kontraktów, zamrożonym kapitale i skuteczności działań naprawczych. Gospodarka lekowa staje się wtedy procesem łatwiejszym do mierzenia i doskonalenia.
Dla lekarza i pacjenta
Lekarz prawdopodobnie nie będzie korzystał bezpośrednio z większości funkcji Pharma Flow. Może jednak odczuć skutki sprawniejszego zaopatrzenia: większą przewidywalność dostępności produktów i mniejsze ryzyko zmiany terapii wyłącznie z przyczyn organizacyjnych.
Najważniejszym beneficjentem powinien pozostać pacjent, nawet jeżeli system działa przede wszystkim w logistycznym i farmaceutycznym zapleczu szpitala.
Zaczynamy od pytań, nie od gotowych odpowiedzi
W projektach technologicznych łatwo opisywać przyszłość tak, jakby już istniała. Pharma Flow jest jednak projektem badawczo-rozwojowym, a prawdziwe badania rozpoczynają się od pytań.
Nie wiemy jeszcze:
- które dane będą miały największą wartość predykcyjną;
- jaki horyzont prognozowania będzie najbardziej użyteczny;
- czy modele wspólne okażą się lepsze od modeli lokalnych;
- dla których grup leków prognozy będą wystarczająco stabilne;
- jak duża część komunikacji może zostać bezpiecznie zautomatyzowana;
- jak często personel będzie akceptował rekomendacje systemu;
- w których miejscach integracja z istniejącymi systemami okaże się najtrudniejsza.
Właśnie dlatego realizujemy projekt B+R.
Celem nie jest stworzenie demonstracji, która dobrze wygląda na prezentacji. Chcemy sprawdzić, czy można zbudować narzędzie rzeczywiście pomagające aptece szpitalnej działać wcześniej, szybciej i na podstawie pełniejszego obrazu sytuacji.
Ponieważ najlepszy moment na reakcję nie następuje wtedy, gdy potrzebnego leku już nie ma.
Najlepszy moment jest wtedy, gdy ryzyko jego braku dopiero zaczyna być widoczne w danych.
O projekcie
- Nazwa: Pharma Flow
- Numer projektu: FENG.01.01-IP.02-0638/25
- Oficjalny tytuł: „Opracowanie inteligentnego agenta Pharma Flow wykorzystującego sztuczną inteligencję oraz sfederowane uczenie maszynowe do optymalizacji gospodarki lekowej oraz przejęcia rutynowych, czasochłonnych zadań personelu farmaceutycznego w szpitalach”
- Beneficjent: Infotower Business Solutions sp. z o.o.
- Okres realizacji projektu: 1 marca 2026 – 29 lutego 2028
- Planowany okres wdrożenia rezultatów: 1 marca 2028 – 31 sierpnia 2028
- Wartość projektu: 22 137 373,39 zł
- Dofinansowanie: 16 146 083,00 zł
- Program: Fundusze Europejskie dla Nowoczesnej Gospodarki — Ścieżka SMART
- Obecny etap komunikacyjny: początek realizacji prac badawczo-rozwojowych
Projekt jest współfinansowany ze środków Unii Europejskiej.
Źródła i dalsza lektura
- American Society of Health-System Pharmacists, „Drug Shortages”: ASHP — Drug Shortages
- European Medicines Agency, „European Shortages Monitoring Platform fully operational for monitoring shortages in the EU”: European Medicines Agency
- Rada Unii Europejskiej, „Critical medicines act: Council and Parliament reach provisional deal”, 12.05.2026: Council of the European Union
- Pati S. i in., „Privacy preservation for federated learning in health care”, 2024: PubMed
- Wniosek o dofinansowanie projektu Pharma Flow, FENG.01.01-IP.02-0638/25 — wewnętrzne źródło danych dotyczących celów, harmonogramu, budżetu i wskaźników projektu.
Artykuł opisuje cele i hipotezy projektu badawczo-rozwojowego będącego na początku realizacji. Planowane funkcje oraz wskaźniki nie są wynikami osiągniętymi przez gotowy produkt. Tekst nie stanowi porady medycznej, prawnej ani rekomendacji zakupowej.
