AI v IT infrastruktuře lékařských fakult: od záplavy manuálů k institucionální digitální paměti

Cílová skupina: Vedoucí IT oddělení (CIO), ředitelé pro digitální transformaci a vedoucí systémoví architekti lékařských univerzit, fakult a klinických simulačních center.

---

Realita řízení IT v lékařském vzdělávání

Správa technologické infrastruktury lékařské fakulty nebo univerzitního kampusu patří k nejnáročnějším úkolům v akademické sféře. Na rozdíl od běžných univerzit v sobě lékařská fakulta propojuje tři odlišné a kritické provozní světy:

1. Akademický provoz: Desetitisíce studentů, elektronické studijní oddělení, rozvrhy, LMS systémy (Moodle, Canvas), přenosy přednášek a státní akreditace.
2. Klinické prostředí: Fakultní nemocnice, integrace s nemocničními informačními systémy (NIS), laboratorními systémy (LIS), archivy snímků (PACS/DICOM) a lékařským tajemstvím.
3. Simulační a zkouškové centrum: Špičkové pacientské trenažéry (Laerdal, Gaumard), virtuální laparoskopické věže, interaktivní anatomické stoly (Anatomage), záznamové systémy pro zkoušky OSCE a software pro hodnocení klinických dovedností.

Každý z těchto systémů byl pořízen v různou dobu od odlišných zahraničních výrobců, běží na různorodých operačních systémech a využívá vlastní komunikační protokoly.

Situaci navíc ztěžuje vysoká fluktuace technického personálu. Tabulkové platy ve veřejném sektoru jen stěží konkurují nabídkám z komerční sféry a IT trhu. Když zkušený systémový inženýr odejde, ztrácí fakulta 80 % nezdokumentovaných praktických zkušeností: nestandardní postupy propojení anesteziologických trenažérů s hodnoticími servery, postupy při výpadku spojení s PACS archivy nebo specifická nastavení projekcí požadovaná profesory před přednáškami.

Zavedení aplikované umělé inteligence postavené na privátních RAG architekturách (Retrieval-Augmented Generation) a API orchestraci v uzavřeném prostředí nabízí systematické řešení těchto problémů.

---

1. Konec zahlcení manuály: rychlé nasazení složité techniky

Službu konající technici tráví spoustu času studiem rozsáhlé dokumentace od výrobců: servisních příruček, schémat zapojení, kalibračních protokolů a popisů API. Jde o tisíce stránek PDF souborů, často v cizích jazycích a s nejednoznačnými instrukcemi.

Když simulační centrum obdrží nový angiografický trenažér nebo ultrazvukový přístroj, může zprovoznění trvat týdny, zatímco technici v manuálech zdlouhavě dohledávají komunikační porty a závislosti ovladačů.

Jak funguje řešení s aplikovanou AI

Veškerá servisní dokumentace, schémata, technické bulletiny a přehledy chybových kódů jsou uloženy v lokální privátní vektorové znalostní bázi:

• Technik již neprohledává manuálně dlouhá PDF. Zadá dotaz asistentovi v přirozeném jazyce: „Jaká je inicializační sekvence tlakových senzorů na figuríně SimMan 3G po výměně kompresoru a co signalizuje žlutá kontrolka chyby 402?“.
• Systém během 1,5 sekundy analyzuje dokumentaci výrobce a nabídne přesný postup krok za krokem včetně odkazu na stránku příručky a schéma zapojení.
• Okamžitý odborný překlad: Zahraniční dokumentace je okamžitě srozumitelná technickému personálu v češtině bez posunu významu technických termínů.

Čas potřebný k nasazení nového výukového vybavení se zkracuje na čtvrtinu, což ulevuje zkušeným architektům od běžné podpory.

---

2. Plynulá orchestrace procesů: propojení systémů přes API

Lékařské fakulty se často potýkají s roztříštěností softwaru: studijní agenda běží v centrálním univerzitním systému, praktické nácviky jsou evidovány na samostatných serverech, hodnocení je v Moodle a rozpisy klinických stáží v tabulkách.

Vytváření propojení vlastními programátory je drahé a křehké: každá aktualizace Moodle nebo nemocničního systému může způsobit nefunkčnost konektorů.

LLM jako inteligentní směrovače API

Moderní podnikové modely mají integrovanou podporu volání funkcí (Function Calling / Tool Use):

• Privátní model komunikuje přes standardní API s Active Directory/LDAP, přístupovými turnikety, rozvrhy, Moodle a řídicími systémy trenažérů.
• Příklad scénáře: „Vytvoř seznam studentů 4. ročníku zařazených na nácvik intubace pro tento týden, ověř úspěšné absolvování přípravného testu v Moodle a automaticky jim uděl přístupová oprávnění k výukové stanici 4.“
• Model načte data z Moodle, zkontroluje rozvrh, odešle pokyn řídicí stanici v laboratoři a potvrdí výsledek vyučujícímu.

Tím dochází k automatizaci výukových procesů bez nutnosti zakázkového vývoje softwaru.

---

3. Ochrana před personálními změnami: zachování institucionální paměti

Odchod klíčového správce sítě nebo vedoucího technika simulačního centra představuje pro fakultu citelnou ztrátu:

• Ztrácejí se nepsané dohody s jednotlivými ústavy a klinikami;
• Mizí skripty vytvořené pro spojení kampusu s fakultními nemocnicemi;
• Zaniká povědomí o specifických závadách a způsobech jejich nápravy.

Samoučící se přehled vyřešených událostí

Díky propojení AI asistenta se systémem technické podpory jsou vyřešené požadavky, záznamy o poruchách a zprávy po incidentech průběžně uchovávány:

• Pokud technik vyřeší komplikovaný problém – například přetížení sítě při živém přenosu operací z několika sálů –, řešení je uloženo v centrální znalostní bázi.
• AI kategorizuje příčiny, projevy i ověřené nápravné kroky.
• Výsledek: Získané know-how zůstává majetkem univerzity. I při obměně personálu zůstávají provozní postupy zachovány.

---

4. Efektivní onboarding a vzdělávání technického týmu

Zaškolení nového pracovníka podpory nebo laboranta na lékařské fakultě obvykle trvá řadu měsíců. Nováčci mívají respekt před nákladnou technikou nebo servery se zdravotnickou dokumentací.

Interaktivní digitální mentor tento proces zjednodušuje:

• Dostupnost 24/7: Okamžité odpovědi vycházející z oficiálních materiálů fakulty.
• Interaktivní kontrolní seznamy: Přehledné instrukce: „Příprava kardiovaskulárního trenažéru: Krok 1 – Zkontrolovat tlak kompresoru na 4,2 bar; Krok 2 – Spustit diagnostický program…“.
• Nácvik krizových situací: Systém modeluje nečekané výpadky a pomáhá technikům bezpečně nacvičit správnou reakci.

---

5. Institucionální paměť: zohlednění potřeb jednotlivých ústavů

Přednostové klinik a vedoucí kateder mají specifické zvyklosti a přesné požadavky na audiovizuální techniku ve výukových prostorách.

Kontextová správa infrastruktury

Systém eviduje a uchovává technické souvislosti v rámci fakulty:

• Profily pracovišť: Asistent ví, že chirurgická klinika vyžaduje souběžnou projekci mikroskopu i celkového pohledu na operační pole, zatímco histologie využívá digitální mikroskopy se specifickým rozlišením.
• Prediktivní údržba: Včasná upozornění na výměny lamp v projektorech, plánovanou kontrolu spotřebních dílů na trenažérech před zkouškovým obdobím a prodloužení bezpečnostních certifikátů.
• Pro vedení IT představuje platforma přehledné řídicí centrum s okamžitým náhledem na stav infrastruktury.

---

6. Bezpečnost a ochrana osobních údajů: nutnost uzavřeného okruhu

Pro vedení IT ve zdravotnickém školství je ochrana dat zásadní: studijní záznamy, biometrické vstupy i data pacientů podléhají GDPR a lékařskému tajemství. Veřejně dostupné cloudové modely v tomto prostředí nelze nasadit.

Bezpečnostní koncept společnosti Aething Inc.

Řešení realizujeme na základě suverénního hybridního perimetru:

1. Vlastní infrastruktura (Dedikovaný privátní VPS / On-Premise):
   • Všechny dokumenty, manuály i provozní záznamy zůstávají na serverech univerzity.
   • Vektorové databáze (Qdrant) fungují výhradně v zabezpečené síti instituce.
2. Bezpečné zpracování se zárukou Zero Data Retention:
   • Komunikace s modely probíhá šifrovaně se smluvní garancí neukládání dat: žádné informace nejsou uchovávány externě ani využívány k dalšímu trénování.
   • Osobní údaje jsou před zpracováním automaticky odstraněny.
3. Fakticky podložené odpovědi: AI vychází výhradně z ověřených materiálů fakulty a uvádí přesné citace.

---

7. Harmonogram nasazení (Action Blueprint pro vedení IT)

Zavedení probíhá plynule a bez omezení běžné výuky:

Fáze	Doba	Náplň	Výstupy
Fáze 1: Analýza a vektorizace	1–2 týdny	Nahrání manuálů v PDF, předpisů simulačního centra a síťových schémat do vektorové databáze.	RAG asistent pro techniky. Rychlé řešení problémů na specializovaných zařízeních.
Fáze 2: Záznam incidentů a checklisty	2–3 týdny	Napojení servisních požadavků, přípravných protokolů a záznamů o řešení potíží.	Uchování zkušeností. Rychlé zapracování nových zaměstnanců.
Fáze 3: API orchestrace	3–4 týdny	Propojení Moodle, přístupových systémů a trenažérů přes API.	Automatické přidělování přístupů k výukovým stanicím.
Fáze 4: Rozvoj pracovištních profilů	Průběžně	Zanesení požadavků jednotlivých klinik a plánů údržby techniky.	Jednotný přehled technických znalostí v rámci celé fakulty.

---

Konzultace a IT audit pro lékařské vzdělávání

Společnost Aething Inc. se specializuje na návrh suverénní AI infrastruktury, automatizaci procesů a znalostní systémy pro zdravotnické a vzdělávací instituce.

• ✉️ Oficiální e-mail: hello@aething.com
• 🌐 Web: https://aething.com/cs/