Każda metoda ma określone zadanie. Algorytm może uporządkować treść lub policzyć koszty, ale nie zastępuje dowodów jakości leczenia.

Najpierw przeczytaj zasady porównania dla pacjenta

Metodologia techniczna v2 · 27.09.2026 · autor: Paweł Mamcarz. Stan dotyczy tej wersji serwisu, nie jest potwierdzeniem wykonania audytu klinicznego.

Co działa w tej wersji?

Aktywne: model danych i arytmetyka TCO

Jawne źródła, poziomy potwierdzenia, kontrola kompletności, zgodności zakresu i aktualności. Obliczenia deterministyczne, bez przewidywania brakujących kwot.

Opcjonalne: klasyfikator Jev

Adapter w narzędziach zbierania kandydatów. Wymaga klucza i sprawdzenia integracji. Bieżący build nie wywołuje API; połączenie adaptera z żywym API nie zostało potwierdzone. Domyślny harmonogram korzysta z reguł.

Badawcze, poza publicznym porównaniem: ML i HiGHS

W przejrzanej propozycji rozwoju występowały kalibracja izotoniczna, optymalizacja progów, analiza wag, DEA, Monte Carlo i bootstrap parametryczny. Nie wykorzystujemy ich wyników do oceny gabinetów. Brakuje niezależnie zatwierdzonych etykiet i porównywalnych danych klinicznych.

Jev: klasyfikacja treści źródła

Jev to model TypeSafe AI do ustrukturyzowanych decyzji. W naszym adapterze otrzymuje tekst, pytanie i zamkniętą listę etykiet, np. czy opis dotyczy placówki wykonującej implanty zębowe. Wynik ma pomóc skierować materiał do przeglądu. Nie rozstrzyga, czy lekarz prawidłowo leczy.

Wartość zwracana przez model opisuje jego ocenę etykiety w danym zadaniu. Nie jest prawdopodobieństwem powodzenia zabiegu. Próg 0,8 w narzędziu odkrywania to ustawienie techniczne, bez lokalnie potwierdzonej kalibracji. Liczby przypisane regułom słownikowym są heurystyką, a nie zmierzonym prawdopodobieństwem.

Brak klucza, błąd API lub niejednoznaczność nie potwierdzają informacji. Potencjalna placówka trafia do kolejki; żaden taki wynik nie publikuje oferty ani nie podnosi poziomu dowodów. Do zatwierdzenia potrzebne są źródło, fragment dokumentu, zakres, data oraz osoba sprawdzająca. Samo słowo „implant” w cenniku nie oznacza pełnego kosztu odbudowy zęba.

TypeSafe AI: opis Jev i decyzji strukturalnych

ML: jak należałoby sprawdzić klasyfikator?

Uczenie maszynowe (ML) służyłoby tutaj ocenie trafności odczytania dokumentu. Potrzebny jest zbiór etykiet nadanych przez ludzi według spisanej instrukcji, z rozstrzyganiem niezgodności. Etykieta nadana wyłącznie przez inny model nie jest niezależnym wzorcem prawdy.

Zbiory uczenia, kalibracji i końcowego testu należy rozdzielić na poziomie placówek lub domen. Fragmenty tej samej strony nie powinny trafiać do obu stron testu. Raport powinien pokazywać liczebności klas, precision, recall, fałszywe potwierdzenia, odsetek odesłań do człowieka oraz wyniki dla różnych rodzajów dokumentów.

Regresja izotoniczna może dopasować monotoniczne przekształcenie pewności modelu do częstości poprawnych etykiet. Wymaga osobnej próby kalibracyjnej. Brier score, czyli średnia wartości (p − y)², ocenia błąd prognoz probabilistycznych, ale sam nie dowodzi dobrej kalibracji; potrzebna jest także krzywa wiarygodności i liczebność jej przedziałów. Mała próba sprzyja przeuczeniu. W tej wersji nie publikujemy wskaźnika „trafności Jev”, bo nie mamy odpowiedniej niezależnej walidacji.

scikit-learn: kalibracja prawdopodobieństw i jej ograniczenia

HiGHS: optymalizacja, nie źródło jakości

HiGHS rozwiązuje m.in. zadania programowania liniowego (LP) i mieszanego całkowitoliczbowego (MIP). Dostaje zdefiniowaną funkcję celu i ograniczenia. Optymalność wyniku oznacza zgodność z tym modelem matematycznym; nie potwierdza trafności jego założeń.

W przejrzanym prototypie MIP wybierał próg klasyfikacji minimalizujący ważoną liczbę błędów: koszt FP × FP + koszt FN × FN. Wagi błędów są decyzją projektową. Tak małą siatkę progów można również sprawdzić zwykłą pętlą; solver nie daje dodatkowej walidacji.

LP szukał skrajnych ocen przy zmiennych wagach kryteriów, a model benefit-of-the-doubt, spokrewniony z DEA, przyznawał każdej placówce korzystny dla niej zestaw wag. To analiza względna wybranej macierzy danych. Gdy macierz opisuje widoczność informacji w internecie, wynik nie mierzy sprawności gabinetu ani efektów leczenia. Te oceny nie są częścią nowego serwisu.

Ewentualne przyszłe użycie do ograniczeń budżetu wymaga pełnych kosztorysów, jawnych ograniczeń i kwalifikacji medycznej poza solverem. Niewykonalny lub nieograniczony model powinien dać komunikat o braku rozstrzygnięcia. Nie wolno zastąpić brakującej ceny domyślnym zerem, aby uzyskać rozwiązanie.

HiGHS: oficjalny opis rozwiązywanych problemów

TCO: perspektywa pacjenta i horyzont kosztów

TCO oznacza u nas całkowity koszt zdefiniowanego zakresu leczenia i jego utrzymania ponoszony przez pacjenta. Nie opisuje kosztów prowadzenia gabinetu ani jego rentowności.

TCO(H) = C leczenia + Σ C utrzymania w roku t, dla t od 1 do H

H przyjmuje 0, 5 lub 10 lat. Kwoty przechowujemy w całkowitych groszach. Pakiet liczymy raz; pozycje w nim zawarte nie zwiększają sumy. Każda obowiązkowa kategoria musi mieć kwotę lub udokumentowane oznaczenie „w pakiecie” albo „nie dotyczy”. Dla H większego od zera wymagamy jawnego planu utrzymania w każdym roku.

Niepełność pozwala pokazać wyłącznie sumę znanych pozycji. Wygaśnięcie danych, sprzeczność albo niezgodny zakres wykluczają ofertę z kolejności kosztowej. Własny kalkulator użytkownika powtarza wpisany roczny koszt utrzymania; to jego scenariusz, nie zobowiązanie placówki. Opcjonalna kwota dojazdów i czasu jest osobnym dodatkiem dla całego wybranego okresu.

Model podstawowy stosuje stałe ceny z daty danych: bez automatycznej inflacji i dyskontowania. To porównanie scenariuszy w cenach bazowych, nie prognoza rachunku za 10 lat. Naprawy pozostają oddzielnymi wariantami. Nie liczymy oczekiwanego kosztu napraw jako p × koszt, gdy p nie ma wiarygodnej podstawy.

Szacunek budżetu All-on-4 i All-on-6

Osobny kalkulator orientacyjny wykorzystuje małą, celowo wybraną próbę publicznych cenników. Dla każdej obserwacji dodaje część chirurgiczną z mostem tymczasowym i jedną pracę docelową z tego samego źródła. Jeżeli źródło podaje wspólną cenę obu etapów, liczymy pakiet raz bez wymyślania cen części. Materiał nieokreślony (np. Niewada Smile) nie trafia do filtrów konkretnych materiałów. Zakres to minimum i maksimum tych sum po wybraniu wariantu, nie prognoza indywidualnej ceny ani przedział ufności. Przy jednym źródle wyraźnie pokazujemy tę ograniczoną podstawę.

Ceny „od” są obserwacjami jednostronnie ograniczonymi: znamy próg, nie pełną wartość. Nie zastępujemy ich kwotą punktową ani górną granicą. Pokazujemy sumy takich progów osobno. W przyszłej estymacji statystycznej wymagałyby modelowania ograniczenia obserwacji, a nie zwykłej średniej z cen. Obecnie nie stosujemy regresji cen ani kwantyli z tak małej próby.

Dodatki to jawne scenariusze, bez przypisywania pacjentowi ich medycznej konieczności. Jeden zestaw konsultacji i CBCT liczymy raz; liczbę ekstrakcji i zabiegów podaje użytkownik dla całego planu. Dwa łuki sumujemy bez domyślnego rabatu. Plan utrzymania wynika wyłącznie z wpisanego budżetu użytkownika. Nieznane dopłaty i naprawy pozostają poza oszacowaniem i są wymienione przy wyniku. Ten mechanizm nie wypełnia ofert gabinetów, nie zmienia ich kolejności i nie daje pełnego, zatwierdzonego TCO.

Analiza ekonomiczna, statystyka i granice wnioskowania

Obecne TCO jest rachunkiem kosztów, nie oszacowanym modelem ekonometrycznym. Nie estymujemy wpływu gabinetu na wynik leczenia, elastyczności cen ani relacji przyczynowych. Nie uznajemy wyższej ceny, marki implantu lub liczby opisanych procedur za dowód lepszego wyniku.

Przyszłe porównanie wyników wymagałoby wspólnej definicji zdarzeń, mianownika, czasu obserwacji i charakterystyki leczonych przypadków (case mix). Zależność implantów u tego samego pacjenta, niepełna obserwacja i dobór pacjentów muszą być uwzględnione. Regresja lub model wielopoziomowy nie usuną automatycznie niezmierzonych różnic między grupami. Przed analizą trzeba określić, jaki efekt chcemy oszacować, oraz sprawdzić model na danych spoza próby dopasowania.

Analiza wrażliwości i niepewność

Zmiana założenia o cenach, częstotliwości kontroli lub remoncie pracy protetycznej jest analizą scenariuszową. Można ją wykonać dopiero po jawnym zdefiniowaniu tych założeń; nie wypełnia luk w ofercie.

Monte Carlo w prototypie losowało wagi kryteriów, a korelacje Spearmana i Kendalla opisywały stabilność kolejności. Stabilność arbitralnego rankingu nie dowodzi trafności jego kryteriów. Percentyle takich symulacji nie są przedziałami ufności dla skuteczności leczenia.

Prototypowy bootstrap parametryczny losował wskaźniki z prawdopodobieństw klasyfikatora. Wynik zależy od kalibracji i założeń o zależnościach. Nie obejmuje automatycznie pominiętych informacji, błędów stron ani doboru próby. Dlatego nie prezentujemy tych przedziałów jako niepewności klinicznej. Statystyczny bootstrap rzeczywistych wyników wymagałby odpowiedniej jednostki losowania, np. pacjenta, oraz dostatecznie licznej i opisanej próby.

Odtwarzalność i dopuszczenie nowej metody

Rozdzielamy datę pobrania źródła, datę sprawdzenia i datę publikacji. Materiał badawczy pozostaje poza publicznym eksportem. Każda nowa metoda powinna mieć wersję danych i kodu, definicję populacji, kryterium oceny, jawne założenia, wynik niezależnego testu oraz decyzję o dopuszczeniu. Symulacje wymagają również zapisania ziarna losowania i parametrów.

Zmiana metody nie może po cichu zmienić deklaracji w potwierdzony fakt. Do uruchomienia klinicznych porównań potrzebna jest niezależna recenzja merytoryczna. Obecnie publiczny katalog pokazuje dostępne informacje i braki, bez zbiorczej punktacji jakości.