AI snížila úmrtnost v nemocnicích o 18 %. Bez nového modelu

Jedenáct nemocnic, 23 132 rizikových pacientů a úmrtnost, která spadla z 23,1 % na 18,6 %. Studie zveřejněná 23. července 2026 v odborném časopise NEJM AI popisuje jeden z mála případů, kdy nasazení umělé inteligence ve zdravotnictví prokazatelně snížilo počet úmrtí. Nejzajímavější na celém příběhu ale není algoritmus. Ten totiž v systému ležel už dávno předtím.

Americká zdravotnická síť RWJBarnabas Health společně s Rutgers Robert Wood Johnson Medical School dokázala to, co se většině nemocnic nedaří: převést predikci AI do skutečné akce u lůžka. Výsledkem je 18% snížení rizikově očištěné pravděpodobnosti úmrtí v nemocnici. A postup, který se dá překvapivě dobře přeložit do jazyka běžné firmy.

Co přesně nemocnice nasadily

Nástroj se jmenuje Epic Deterioration Index (EDI) a je součástí nemocničního informačního systému Epic — nejrozšířenějšího elektronického zdravotního záznamu v USA. Model průběžně analyzuje 31 proměnných, které v systému už tak jako tak vznikají: vitální funkce, laboratorní výsledky, ošetřovatelské záznamy a věk pacienta. Skóre rizika přepočítává každých 15 minut.

Pacienti se dělí do tří pásem:

• Zelené pásmo (skóre pod 30) — stabilní stav
• Žluté pásmo (30–59) — zvýšená pozornost
• Červené pásmo (nad 60) — vysoká pravděpodobnost prudkého zhoršení nebo úmrtí

Nic z toho není nová technologie. Podobných systémů včasného varování byly retrospektivně ověřeny stovky. Prospektivních studií, které by ukázaly reálný pokles úmrtnosti, je ale podle autorů výjimečně málo.

Rozhodl způsob doručení, ne model

Tady je jádro celého příběhu. Ve většině nemocnic skóre svítí na obrazovce počítače na sesterně. Sestra u lůžka nebo lékař na vizitě se k němu dostane, až když má chvíli — což v praxi znamená často pozdě.

RWJBarnabas systém přenastavila tak, že při dosažení červeného pásma EHR obchází statickou obrazovku a posílá okamžité push oznámení přímo na mobilní telefon členů rychlé zásahové skupiny (Rapid Response Team). Tedy specialistů intenzivní péče, kteří mohou pacienta obratem vyhodnotit.

Efekt byl okamžitý: zásahy rychlé skupiny u rizikových pacientů vzrostly z 25,3 % na 37,5 % hospitalizací. A teď to podstatné — počet překladů na jednotku intenzivní péče se přitom významně nezvýšil. Dřívější zásah přímo na standardním oddělení dokázal zhoršování stavu zvrátit dřív, než bylo nutné pacienta eskalovat.

Senior autor studie Stephen P. O’Mahony, Chief Medical Information Officer RWJBarnabas Health, to shrnul větou, kterou by si měl přečíst každý, kdo plánuje nasazení AI: „Přínos pro úmrtnost nevytvořil algoritmus, ale partnerství kolem algoritmu.“

Jak si poradili s únavou z upozornění

Každý, kdo někdy pracoval se systémem, který příliš často pípá, zná výsledek: lidé si na upozornění zvyknou a začnou je ignorovat. Anglicky alert fatigue. Právě na tom ztroskotala řada zdravotnických AI projektů.

Tým proto zabudoval pravidla pro potlačení redundantních upozornění. Push notifikace se neodešle, pokud pacient:

• už je na intenzivní péči,
• je v režimu paliativní péče,
• nebo u něj v posledních 6 hodinách proběhl zásah rychlé skupiny či sepse alert.

Jinými slovy: model dostal filtr, který respektuje realitu provozu. To není datová věda — to je znalost procesu.

Co si z toho může vzít česká firma

Zdravotnictví je specifické odvětví, ale mechanika je přenositelná do jakéhokoli provozu, kde se rozhoduje v čase. Tři poznatky stojí za zapamatování:

1. Hodnotu netvoří model, ale doručení. Predikce, která leží v dashboardu, nemá žádný dopad. Predikce, která se v pravý okamžik objeví na telefonu člověka s pravomocí jednat, mění výsledek. Platí to stejně pro riziko odchodu zákazníka, blížící se poruchu stroje i pohledávku po splatnosti.
2. Filtr proti šumu je součást zadání, ne dodatek. Systém, který upozorňuje na všechno, neupozorňuje na nic. Pravidla pro potlačení upozornění je potřeba navrhnout dřív, než se spustí ostrý provoz.
3. Nejdřív pilot na jednom místě, pak škálování. RWJBarnabas nástroj roky ladila v jedné fakultní nemocnici — nastavení prahů, načasování upozornění, školení personálu — a teprve ověřený postup rozjela do zbývajících deseti zařízení.

Za povšimnutí stojí i to, že nešlo o žádnou vlastní vývojovou akci za desítky milionů. Firma použila nástroj, který měla už zaplacený ve svém stávajícím systému, a investovala do procesu kolem něj. Ve většině českých firem leží podobný nevyužitý potenciál v ERP, CRM nebo servisním systému, který už roky platí.

Zajímá vás, kde takový nevyužitý potenciál leží u vás? Než se pustíte do nákupu nové technologie, dává smysl zmapovat, co už máte a kde je proces slabým místem. V Praxiu to s vámi projdeme krok za krokem — nezávisle, bez vazby na jednoho dodavatele, a řekneme vám i to, co slyšet nechcete. Úvodní konzultace je zdarma.

Časté otázky

O kolik přesně klesla úmrtnost?

Úmrtnost mezi vysoce rizikovými pacienty (skóre EDI nad 60) klesla z 23,1 % na 18,6 %, což odpovídá 18% snížení rizikově očištěné pravděpodobnosti úmrtí v nemocnici. Studie hodnotila 23 132 pacientů v 11 nemocnicích sítě RWJBarnabas Health a vyšla 23. července 2026 v NEJM AI.

Šlo o nový model umělé inteligence?

Ne. Epic Deterioration Index je standardní součástí systému Epic, který nemocnice používaly už dříve. Změnila se architektura upozornění — místo pasivního zobrazení skóre na obrazovce systém posílá automatické push notifikace přímo na mobily rychlých zásahových týmů. Autoři studie výslovně uvádějí, že přínos vytvořila koordinace kolem algoritmu, nikoli algoritmus samotný.

Dá se podobný princip použít i mimo zdravotnictví?

Ano. Základní vzorec — průběžné skórování rizika z dat, která už firmě vznikají, plus automatické doručení upozornění konkrétnímu člověku s pravomocí jednat, plus pravidla proti zahlcení — funguje u prediktivní údržby, řízení pohledávek, detekce odchodu zákazníků i kontroly kvality. Konkrétní příklady najdete v sekci AI v praxi.

---

Zdroje: RWJBarnabas Health — tisková zpráva (23. 7. 2026) · NEJM AI, DOI: 10.1056/AIoa2500973 · HIT Consultant — technická analýza nasazení