Modelling the Cost and Organisational Value of Language Model Systems in Primary Healthcare

Julia Trzaska

doi:10.15611/pn.2026.3.02

Autor

Julia Trzaska ✉️ Wroclaw University of Economics and Business
[email protected] https://orcid.org/0009-0003-2188-7384

DOI:

https://doi.org/10.15611/pn.2026.3.02

Słowa kluczowe:

duże modele językowe, zużycie tokenów, modelowanie kosztów, wsparcie decyzji organizacyjnych, podstawowa opieka zdrowotna

Abstrakt

Cel: Celem artykułu jest analiza ekonomicznych i organizacyjnych implikacji prototypowego systemu opartego na dużym modelu językowym (LLM), zaprojektowanego do strukturyzowania danych z wywiadu wstępnego pacjenta w polskiej podstawowej opiece zdrowotnej.

Metodyka: Badanie ma charakter eksploracyjny i wykorzystuje podejście mieszane, łączące analizę zużycia tokenów w dziesięciu zdefiniowanych scenariuszach pacjentów z półustrukturyzowanym wywiadem eksperckim.

Wyniki: Wyniki ilościowe wskazują na stabilność i przewidywalność zużycia tokenów, co umożliwia wstępne modelowanie kosztów obliczeniowych w warunkach kontrolowanych. Wyniki jakościowe sugerują potencjalną użyteczność organizacyjną systemu, szczególnie w zakresie wspierania strukturyzacji informacji przed konsultacją lekarską.

Implikacje i rekomendacje: Uzyskane wyniki wskazują, że rozwiązania oparte na modelach językowych mogą wspierać procesy w podstawowej opiece zdrowotnej w sposób uwzględniający koszty, pod warunkiem zapewnienia odpowiedniej ochrony danych oraz nadzoru specjalistycznego. Dalsze badania powinny koncentrować się na wdrożeniach w warunkach rzeczywistych, wykorzystaniu bardziej zróżnicowanych danych pacjentów oraz rozszerzeniu funkcjonalności systemu.

Oryginalność/wartość: Artykuł wnosi wkład do literatury poprzez powiązanie analizy kosztów obliczeniowych z oceną użyteczności organizacyjnej rozwiązań opartych na sztucznej inteligencji w podstawowej opiece zdrowotnej, ze szczególnym uwzględnieniem wstępnego etapu wywiadu medycznego, który pozostaje niedostatecznie zbadany.

Pobrania

Statystyki pobrań niedostępne.

Bibliografia

Adamopoulou, E., & Moussiades, L. (2020). Chatbots: History, Technology, and Applications. Machine Learning with Applications, 2, 100006. https://doi.org/10.1016/J.Mlwa.2020.100006

Asan, O., Bayrak, A., & Choudhury, A. (2020). Artificial Intelligence and Human Trust in Healthcare: Focus on Clinicians. Journal of Medical Internet Research, 22(6), e15154. https://doi.org/10.2196/15154

Bommasani, R., Hudson, D. A., Adeli, E., Altman, R., Arora, S., Arx, S. von, Bernstein, M. S., Bohg, J., Bosselut, A., Brunskill, E., Brynjolfsson, E., Buch, S., Card, D., Castellon, R., Chatterji, N., Chen, A., Creel, K., Davis, J. Q., Demszky, D., … Liang, P. (2022). On the Opportunities and Risks of Foundation Models. arXiv:2108.07258. https://doi.org/10.48550/arXiv.2108.07258

Chui, M., Hazan, E., Roberts, R., Singla, A., Smaje, K., Sukharevsky, A., Yee, L., & Zemmel, R. (2023). The Economic Potential of Generative AI. The Next Productivity Frontier. McKinsey & Company. Retrieved April 3, 2026, from https://www.mckinsey.com/~/media/mckinsey/business%20functions/mckinsey%20digital/our%20insights/the%20economic%20potential%20of%20generative%20ai%20the%20next%20productivity%20frontier/the-economic-potential-of-generative-ai-the-next-productivity-frontier.pdf

Davenport, T. H., & Ronanki, R. (2018). Artificial Intelligence for the Real World. Harvard Business Review.

Esteva, A., Kuprel, B., Novoa, R. A., Ko, J., Swetter, S. M., Blau, H. M., & Thrun, S. (2017). Dermatologist-Level Classification of Skin Cancer with Deep Neural Networks. Nature, 542(7639), 115-118. https://doi.org/10.1038/nature21056

Gholipour, M., Khajouei, R., Amiri, P., Gohari, S. H., & Ahmadian, L. (2023). Extracting Cancer Concepts from Clinical Notes Using Natural Language Processing: A Systematic Review. BMC Bioinformatics, 24, 405. https://doi.org/10.1186/s12859-023-05480-0

İşgüzar, S., Fendoğlu, E., & Şimşek, A. I. (2024). Innovative Applications in Businesses: An Evaluation on Generative Artificial Intelligence. Amfiteatru Economic, 26(66), 511-530. https://doi.org/10.24818/EA/2024/66/511

Jiang, F., Jiang, Y., Zhi, H., Dong, Y., Li, H., Ma, S., Wang, Y., Dong, Q., Shen, H., & Wang, Y. (2017). Artificial Intelligence in Healthcare: Past, Present and Future. Stroke and Vascular Neurology, 2(4). https://doi.org/10.1136/svn-2017-000101

Kellermann, A. L., & Jones, S. S. (2013). What It Will Take to Achieve the As-Yet-Unfulfilled Promises of Health Information Technology. Health Affairs, 32(1). https://doi.org/10.1377/hlthaff.2012.0693

Kermany, D. S., Goldbaum, M., Cai, W., Valentim, C. C. S., Liang, H., Baxter, S. L., McKeown, A., Yang, G., Wu, X., Yan, F., Dong, J., Prasadha, M. K., Pei, J., Ting, M. Y. L., Zhu, J., Li, C., Hewett, S., Dong, J., Ziyar, I., … Zhang, K. (2018). Identifying Medical Diagnoses and Treatable Diseases by Image-Based Deep Learning. Cell, 172(5), 1122-1131, e9. https://doi.org/10.1016/j.cell.2018.02.010

Mohapatra, B., Mohapatra, S., & Mohapatra, S. (2023). Process Automation Strategy in Services, Manufacturing and Construction (chapter 2: Business Process Automation). Emerald Publishing Limited. https://doi.org/10.1108/978-1-80455-143-120231004

Możarowski, W., Mateńko, J., Krupa, A., Kiełbratowska, J., Mozer, M., Potrykus, M., Pałuchowski, M., Pietruszka, W., Klasicki, P., & Krawczyk, A. (2025). Rola, cele i perspektywy rozwoju innowacji oraz nowych technologii cyfrowych w praktyce lekarza medycyny rodzinnej w Polsce. Forum Medycyny Rodzinnej, 19(3), 121-130. https://doi.org/10.5603/fmr.104779

Narodowy Fundusz Zdrowia. (2013). Zarządzenie Nr 69/2013/DSOZ Prezesa Narodowego Funduszu Zdrowia z dnia 27 grudnia 2013 r. w sprawie określenia warunków zawierania i realizacji umów o udzielanie świadczeń opieki zdrowotnej w rodzaju podstawowa opieka zdrowotna. Retrieved April 3, 2026, from https://www.nfz.gov.pl/zarzadzenia-prezesa/zarzadzenia-prezesa-nfz/zarzadzenie-nr-692013dsoz,5800.html

OECD & European Observatory on Health Systems and Policies. (2024). Polska: Profil systemu ochrony zdrowia 2023. OECD Publishing. https://doi.org/10.1787/b12d3d03-pl

OpenAI Developers. (n.d.). Pricing. Retrieved April 3, 2026, from https://developers.openai.com/api/docs/pricing/

Poon, E. G., Lemak, C. H., Rojas, J. C., Guptill, J., & Classen, D. (2025). Adoption of Artificial Intelligence in Healthcare: Survey of Health System Priorities, Successes, and Challenges. Journal of the American Medical Informatics Association, 32(7), 1093-1100. https://doi.org/10.1093/jamia/ocaf065

Raghupathi, W., & Raghupathi, V. (2014). Big Data Analytics in Healthcare: Promise and Potential. Health Information Science and Systems, 2(1), 3. https://doi.org/10.1186/2047-2501-2-3

Sarker, I. H. (2022). AI-Based Modelling: Techniques, Applications and Research Issues Towards Automation, Intelligent and Smart Systems. SN Computer Science, 3(2), 158. https://doi.org/10.1007/s42979-022-01043-x

Sasseville, M., Yousefi, F., Ouellet, S., Naye, F., Stefan, T., Carnovale, V., Bergeron, F., Ling, L., Gheorghiu, B., Hagens, S., Gareau-Lajoie, S., & LeBlanc, A. (2025). The Impact of AI Scribes on Streamlining Clinical Documentation: A Systematic Review. Healthcare, 13(12), 1447. https://doi.org/10.3390/healthcare13121447

Suska, E. (2025). Sztuczna inteligencja w medycynie. Pedagogika Społeczna, (3), 83-90. https://doi.org/10.35464/1642-672X.PS.2025.3.08

Tabassi, E. (2023). Artificial Intelligence Risk Management Framework (AI RMF 1.0). National Institute of Standards and Technology (U.S.). https://doi.org/10.6028/NIST.AI.100-1

Topol, E. J. (2019). High-Performance Medicine: The Convergence of Human and Artificial Intelligence. Nature Medicine, 25(1), 44-56. https://doi.org/10.1038/s41591-018-0300-7

Zhao, W., Zhou, K., Li, J., Tang, T., Wang, X., Hou, Y., Min, Y., Zhang, B., Zhang, J., Dong, Z., Du, Y., Yang, C., Chen, Y., Chen, Z., Jiang, J., Ren, R., Li, Y., Tang, X., Liu, Z., Liu, P., Nie, J.-Y., & Wen, J.-R. (2026). A Survey of Large Language Models. Frontiers of Computer Science, 20. https://doi.org/10.1007/s11704-026-60308-3