Ako vznikol nápad na nástroj na analýzu farmakoterapie

V tomto článku opisujem skutočnú kazuistiku, ktorá stála pri zrode prvého nástroja v projekte RxOps — Analýzy farmakoterapie.

Toto sa reálne stalo

Na jar 2026 som jedného rána dostal od otca správu s touto fotkou. Môj starý otec, ktorý mal vtedy 93 rokov, mal kolapsové stavy a s podozrením na akútnu kardiovaskulárnu príhodu ho prijali do nemocnice. Po určitom čase a liečbe ho prepustili. Prepustenie však prebehlo narýchlo a jeho sprievod z nejakého dôvodu nedostal prepúšťaciu správu. V lekárni len vyzdvihli lieky predpísané v nemocnici a doma ich pridali k tým, ktoré dedo už mal a užíval.

Fotka, ktorú som dostal od otca a od ktorej sa celá analýza odvíjala.

Dostal som za úlohu situáciu zanalyzovať a čo najrýchlejšie zostaviť dávkovaciu schému: ako má dedo túto kopu liekov užívať čo najbezpečnejšie, najmä s ohľadom na prípadné liekové interakcie. Už pri prvom pohľade na množstvo krabičiek som tušil, že to nebude jednoduché.

Spolu s fotkou som do ChatGPT zadal nasledujúci prompt a použil režim „Deep Research“. Spracovanie vtedy trvalo približne 53 minút. Pôvodné znenie promptu uvádzam bez úprav:

Anopyrin 100 mg 1-0-0, Atoris 20 mg, Olicard 40mg 1-0-0, Coronal 5 1-0-1, Cordarone 200 mg 1 denne, Concor 5 mg 1-0-1, Gopten 2 mg 1-0-1 ,Agen 5 1/2-0-1, Monosan 20 mg 1-0-0, Eliquis 2,5 mg 1-0-1, Jardiance 10 mg 1-0-0, Furon Daj mi aj vhodnu schemu ako ma tieto lieky pacient brat. Je to 94 muz po krize srdcoveho zlyhavania , dnes prepusteny z hospitalizacie. Pacient nie je leziaci, vitalny. Som klinicky farmaceut.

Výstup, ktorý som dostal, si môžete pozrieť v priloženom dokumente:

PDFOtvoriť celú analýzu farmakoterapie po hospitalizácii (PDF)↗

Štruktúra výstupu

Výstup vytvoril model GPT-5.4. Režim „Deep Research“ funguje inak ako bežný chat v ChatGPT, preto aj spracovanie trvalo tak dlho. Ako vidno na prompte, očakávanú štruktúru ani formátovanie dokumentu som nešpecifikoval. Výsledok sa mi však natoľko zapáčil, že som jeho sekcie zahrnul aj do súčasnej podoby nástroja a model v prompte inštruujem, aby výstup podobne štruktúroval.

1. Najdôležitejšie body hneď na začiatku dokumentu. Sekcia „Exekutívne zhrnutie“ ma okamžite upozornila na možné problémy: bisoprolol bol na fotke zastúpený dvakrát (Coronal aj Concor), nitráty boli v nezvyčajnej dvojkombinácii (Monosan a Olicard) a podobne aj antitrombotiká, teda lieky na „riedenie krvi“ (Eliquis a Anopyrin).

2. Zdroje a metodika. Druhá sekcia zhŕňa zdroje a postup, z ktorých vychádza klinické hodnotenie v ďalších častiach dokumentu.

3. Prehľad jednotlivých liekov. Nasleduje tabuľka so základnými informáciami ku každému lieku. Dĺžka tejto sekcie závisí od počtu liekov zadaných do analýzy.

4. Interakcie medzi liekmi. Sú spracované v podobnej štruktúre ako prehľad jednotlivých liekov.

5. Navrhovaný denný režim užívania liekov.

Čo je v súčasnej podobe nástroja iné a prečo záleží na prvom prompte

Už na prvý pohľad je zrejmé, že sa v pôvodnom prompte označujem za „klinického farmaceuta“. To síce môže pomôcť zlepšiť výsledky, no v mojom prípade to nie je pravda. Navyše je jazyk odpovede príliš zložitý a často obsahuje žargón, ktorému bežný farmaceut za tárou nemusí rozumieť. Na jeho vysvetlenie potom môže byť potrebná dlhšia nadväzujúca konverzácia.

Konkrétne rozdiely si môžete pozrieť v dokumentácii nástroja Analýza farmakoterapie, kde je opísaná každá súčasť promptu.

Uvidíte tam, o koľko premyslenejšie pracujem s úvodným promptom v RxOps v porovnaní s mojou prvou analýzou. Pri používaní AI nástrojov na programovanie som si všimol, koľko kontextu sa hromadí v každej konverzácii. Vtedy mi došlo, aké obrovské množstvo informácií dokáže AI efektívne „prežúvať“. V developerskom tíme som sa naučil, že približne 100 000 tokenov je ešte únosné množstvo, pri ktorom sa v odpovediach nezačnú objavovať zvláštne odchýlky. Neviem však, či tento odhad platí aj naďalej, no aj keby nie, už to je veľké číslo.

Kontext sa hromadí aj počas práce AI nástroja: pribúdajú odpovede, vyhľadané súhrny charakteristických vlastností liekov (SPC) a ďalšie internetové zdroje. Napriek tomu považujem za najdôležitejší vstup od používateľa. Používateľ vedie konverzáciu a prvým zadaním kladie jej základ. Úvodný prompt môže byť aj dlhší — v porovnaní s množstvom kontextu, ktoré dokáže AI spracovať, môže stále tvoriť len malú časť.

Práve na myšlienke kvalitného úvodného promptu stojí celý RxOps aj môj nástroj na analýzu farmakoterapie.

Záver

Tu už zachádzam do detailov. Výstup hovorí za všetko. Pred rozmachom AI by farmaceutovi vo verejnej lekárni trvalo vypracovanie takejto analýzy veľmi dlho a pri bežnej pracovnej náplni by na ňu často nemal čas. Dnes sa táto bariéra postupne znižuje, hoci na vygenerovanie odpovede treba stále čakať — najmä na "reasoning" modelu. Preto, je tento nástroj aj v mojej hlave, stále niečo, čo potrebuje v lekárni nejaký nový priestor a čas, kde by sa tá analýza vygenerovala a následne aj prediskutovala.