Articole · Asistență clinică

Spitalul de Acasă” — Aplicații, Rezultate Concrete și Provocări

Analiza explorează fezabilitatea implementării unui sistem „Spitalul de Acasă” (HaH) cu asistenți conversaționali AI în România, concluzionând că există premise pentru un proiect-pilot, dar scalarea națională necesită depășirea unor bariere semnificative.

19 octombrie 2026 · 5 min

Pe scurt

• Analiza explorează fezabilitatea implementării unui sistem „Spitalul de Acasă” (HaH) cu asistenți conversaționali AI în România, concluzionând că există premise pentru un proiect-pilot, dar scalarea națională necesită depășirea unor bariere semnificative.
• Puncte forte: Cadrul politic este favorabil prin Strategia Națională de Digitalizare în Sănătate 2026–2030, iar Dosarul Electronic de Sănătate (DES) va fi disponibil din vara 2026. Proiectul european TRANSCARE, coordonat de Institutul Inimii din Cluj-Napoca, demonstrează capacitatea de a atrage finanțare și de a valida monitorizarea la distanță asistată de AI. Furnizorii privați de îngrijiri la domiciliu sunt deja autorizați, iar România se aliniază la Regulamentul UE 2024/1689 (AI Act).
• Bariere majore: Cadrul legal pentru telemedicină este general și nediferențiat, cu norme de aplicare încă neelaborate. Criteriul ECOG 3 sau 4 limitează sever eligibilitatea pacienților. Îngrijirile la domiciliu sunt cronic subfinanțate (0,20% din cheltuielile medicale), iar guvernanța IA în sănătate nu este abordată sistematic. Alfabetizarea în IA a profesioniștilor este moderată, iar accesul la servicii rămâne inegal, în special în mediul rural.

1. Introducere: De ce AI în Spitalul de Acasă?

Spitalul de acasă” (Hospital at Home – HaH) a demonstrat deja rezultate solide în ceea ce privește mortalitatea, reinternările, satisfacția pacienților și costurile. Totuși, scalarea acestui model s-a lovit de o barieră fundamentală: identificarea manuală a pacienților eligibili este extrem de consumatoare de timp și resurse. Într-un program tipic, personalul medical trebuie să analizeze manual sute de fișe medicale pentru a găsi câțiva pacienți care îndeplinesc criteriile de eligibilitate. Acest lucru explică de ce, în ciuda dovezilor solide, majoritatea programelor HaH rămân mici. Inteligența artificială intervine exact în acest punct critic, oferind soluții pentru automatizarea triajului, predicția complicațiilor, monitorizarea continuă și optimizarea logisticii. În cele ce urmează, voi analiza în profunzime fiecare dintre aceste aplicații, cu rezultate concrete din implementări reale.

Aplicații ale AI în Spitalul de Acasă 2.1 Identificarea și triajul automatizat al pacienților eligibili Aceasta este una dintre cele mai promițătoare aplicații ale AI în HaH. Mai multe sisteme de sănătate au implementat instrumente bazate pe inteligență artificială care scanează înregistrările medicale electronice pentru a identifica pacienții eligibili pentru îngrijire acută la domiciliu. University of Utah Health a implementat un instrument AI care evaluează continuu semnele vitale, valorile de laborator și indicatorii de stabilitate clinică pentru a semnala pacienții care ar putea fi pregătiți pentru îngrijire la domiciliu. Programul „Heal at Home” a crescut de la 2 specialități în 2021 la 22 de specialități în 2026, deservind peste 1.500 de pacienți, cu rate de satisfacție aproape de 99% și mai puține vizite la urgențe și reinternări comparativ cu externările tradiționale. Dr. Kensaku Kawamoto, chief health AI transformation officer la U of U Health, a declarat: „În loc să cercetăm manual peste 100 de fișe de pacienți individual, putem revizui rapid un set mai mic de pacienți semnalați de instrument”.

2. Aplicații ale AI în Spitalul de Acasă

2.1 Identificarea și triajul automatizat al pacienților eligibili Aceasta este una dintre cele mai promițătoare aplicații ale AI în HaH. Mai multe sisteme de sănătate au implementat instrumente bazate pe inteligență artificială care scanează înregistrările medicale electronice pentru a identifica pacienții eligibili pentru îngrijire acută la domiciliu. University of Utah Health a implementat un instrument AI care evaluează continuu semnele vitale, valorile de laborator și indicatorii de stabilitate clinică pentru a semnala pacienții care ar putea fi pregătiți pentru îngrijire la domiciliu. Programul „Heal at Home” a crescut de la 2 specialități în 2021 la 22 de specialități în 2026, deservind peste 1.500 de pacienți, cu rate de satisfacție aproape de 99% și mai puține vizite la urgențe și reinternări comparativ cu externările tradiționale. Dr. Kensaku Kawamoto, chief health AI transformation officer la U of U Health, a declarat: „În loc să cercetăm manual peste 100 de fișe de pacienți individual, putem revizui rapid un set mai mic de pacienți semnalați de instrument”. Mass General Brigham, care operează unul dintre cele mai mari programe HaH din SUA, a început în aprilie 2026 să utilizeze un instrument AI dezvoltat intern care ajută clinicienii din departamentul de urgență să prioritizeze pacienții pentru referire la spitalul de acasă. Instrumentul scanează înregistrările medicale electronice și clasifică eligibilitatea pe baza bolilor, semnelor vitale și altor factori, actualizând clasamentele în timp real pe măsură ce noi informații sunt înregistrate. Dr. Shiv Sutaria, assistant chief information officer, a explicat: „Dacă vede o tensiune arterială nouă foarte scăzută, imediat ce actualizarea apare, va coborî pacientul pe lista de clasare”. UMass Memorial Health dezvoltă cu MIT un instrument AI care va lua în considerare aproximativ 30 de criterii diferite din înregistrările medicale electronice, inclusiv modul în care pacienții se compară cu alții înrolați anterior în programul HaH cu boli similare. Michael Kalfopoulos, associate medical director, a declarat: „Cu acest instrument, asistentele noastre vor trebui să ecraneze mai puțin de jumătate dintre pacienții pe care îi ecranează în prezent pentru a găsi un singur candidat pentru program”. Jewish General Hospital (JGH) din Montreal a dezvoltat, împreună cu Signal 1, un instrument AI pentru screening-ul pacienților. Dr. Lawrence Rudski, chief of cardiology, a explicat: „Există o povară grea asupra clinicienilor pentru screening-ul pacienților pentru admiterea în program, care este unul dintre motivele pentru care Hospital@Home nu s-a extins mai rapid în alte jurisdicții. Screening-ul este un proces consumator de timp și există o încărcătură cognitivă formidabilă asupra medicilor și asistentelor”. Programul JGH a tratat aproximativ 3.400 de pacienți la domiciliu din 2022, cu o rată de satisfacție de 93%, eliberând mii de zile de pat și reducând congestia din Departamentul de Urgență. Baptist Health din Jacksonville a încheiat un parteneriat cu Vega Health pentru a implementa un instrument AI de screening care utilizează un model lingvistic de mari dimensiuni pentru a scana fișele pacienților internați conform criteriilor de eligibilitate ale Baptist Health. Alison Bartfield, MD, medical director, a declarat: „Screening-ul precis al eligibilității este fundamental pentru program, deoarece prioritizează siguranța pacienților și permite programului să crească”. 2.2 Predicția reinternărilor și a complicațiilor AI demonstrează o capacitate remarcabilă de a prezice care pacienți prezintă risc de reinternare sau complicații, permițând intervenții proactive. Un studiu publicat în Frontiers in Medicine (2025) a utilizat algoritmi de învățare automată pentru a prezice reinternarea pacienților COVID-19 transferați în programul HaH. Printre algoritmii testați, Support Vector Machine (SVM) a avut cea mai bună performanță: 85% sensibilitate, 87% specificitate, 86% acuratețe, 84% scor F1 și 71% MCC. Cercetarea a identificat Hs-TnT (troponina T de înaltă sensibilitate) ca predictor cheie al reinternării. Autorii au concluzionat că algoritmii de clasificare pot ajuta clinicienii să ia decizii informate privind transferul pacienților de la spitalizarea convențională la HaH. Proiectul european TRANSCARE, coordonat de Institutul Inimii „Niculae Stăncioiu” din Cluj-Napoca, își propune să evalueze utilizarea unui sistem digital de monitorizare la distanță pentru a reduce riscul de reinternare la 30 de zile la pacienții vârstnici cu multimorbiditate. Sistemul include o suită de dispozitive medicale de monitorizare la domiciliu pentru măsurarea parametrilor fiziologici. TransCare utilizează AI pentru detecția proactivă a lipsei de aderență post-externare, cu scopul de a îmbunătăți rezultatele și de a spori siguranța procesului de îngrijire. 2.3 Monitorizare la distanță și detectarea anomaliilor Monitorizarea continuă la domiciliu generează un volum uriaș de date, iar AI este esențială pentru a transforma aceste date în informații acționabile. O abordare inovatoare propusă de cercetători într-o lucrare IEEE (2025) combină teoria jocurilor cu AI pentru a detecta atât anomaliile fiziologice, cât și tiparele neobișnuite de agregare a datelor care ar putea indica o intruziune cibernetică. Arhitectura propusă — un sistem federat cu trei niveluri — este concepută pentru a detecta anomaliile fiziologice și a monitoriza tiparele neobișnuite din fluxurile de date ale semnelor vitale. Această abordare abordează două provocări majore: oboseala alarmelor (cauzată de volumul mare de alerte redundante) și securitatea cibernetică a dispozitivelor interconectate. Philips a încheiat un parteneriat cu Respiree™ pentru a combina senzori purtabili și AI predictivă cu infrastructura de monitorizare Philips. Sistemul permite medicilor din spital să monitorizeze de la distanță și continuu semnele vitale ale pacienților — ritmul respirator, nivelurile de oxigen, ritmul cardiac și tensiunea arterială — în modele de îngrijire multiple: în spital, în timpul tranzițiilor și în comunitate/acasă. 2.4 Asistenți AI conversaționali și automatizarea sarcinilor repetitive Barts Health NHS Trust din Marea Britanie a devenit primul trust NHS care a introdus o „asistentă” AI care sună pacienții pentru a colecta informații vitale de sănătate. Serviciul, numit Ovia, elimină bariera digitală pentru pacienții care nu pot sau nu doresc să folosească aplicații smartphone. Pacienții primesc un apel telefonic la ore stabilite, răspund la o serie de întrebări simple, iar răspunsurile sunt partajate instantaneu cu echipele clinice. Pacienții sunt întotdeauna informați că vorbesc cu un sistem AI, asigurând transparența și construind încrederea. Dr. Debashish Das, consultant cardiolog, a declarat: „Acest lucru nu înlocuiește personalul medical — îl sprijină. AI-ul se ocupă de colectarea rutină de date, astfel încât echipele să poată petrece mai mult timp concentrându-se pe îngrijirea pacienților”. Simbo.ai a dezvoltat LOLA, un asistent virtual AI care automatizează sarcinile de rutină de implicare a pacienților în serviciile HaH. Rezultatele raportate sunt remarcabile: durata medie de spitalizare a scăzut de la 6,7 zile la 5,2 zile, reinternările la 30 de zile au scăzut cu 55%, satisfacția pacienților a crescut la 4,8/5, iar capacitatea personalului medical a crescut de cinci ori. 2.5 Sisteme de spital virtual și platforme integrate Sheba Beyond, spitalul virtual al Sheba Medical Center din Israel, este unul dintre primele spitale virtuale complet operaționale din lume. Acesta integrează AI, telemedicină și monitorizare la distanță pentru a oferi îngrijire de nivel spitalicesc la domiciliul pacienților. Capabilitățile includ: îngrijire prenatală asistată de AI cu monitorizare fetală la domiciliu și analize predictive, platforma MPCheck pentru screening diagnostic personalizat la distanță, telepsihiatrie la scară largă cu spitalizare virtuală la domiciliu și consultații medic-la-medic în timp real transfrontaliere. Dr. Galia Barkai, directorul Sheba Beyond, a declarat: „Suntem despre inovație, pentru că creăm servicii noi care aduc îngrijirea de nivel spitalicesc pacienților la domiciliul lor — și facem asta folosind tehnologie de vârf pentru a acoperi decalajul dintre spital și casă — astfel încât să putem aduce îngrijire oricui, oriunde”. Proiectul european Hospital@Home (H@H) , finanțat prin Orizont Europa, unește spitale universitare de top și parteneri din industrie pentru a oferi îngrijire de nivel spitalicesc la domiciliu. Proiectul este conceput în jurul a cinci zone clinice majore: boli cardiovasculare, boli pulmonare, accident vascular cerebral minor/TIA, migrenă și cefalee cluster. Sistemul integrează monitorizare purtabilă, analize predictive asistate de AI, rezultate raportate de pacienți (PROMs/PREMs) și suport decizional digital în căi de îngrijire din lumea reală.