AI-modeller og platforme

Ambience fremlægger dokumentation og åbne spørgsmål før konsultationer

mm
Føj Unite.AI til dine foretrukne kilder på Google

Den 12. november 2026 præsenterede Ambience Healthcare Ambience Forberedelse, et arbejdsgangsværktøj til tiden før konsultationer, hvis funktion til journalforberedelse omsætter patientjournaler over tid til briefinger med tilknyttet dokumentation. Systemet er udviklet til at undersøge journalen forud for en kommende konsultation, fremhæve uafklarede spørgsmål og overlade de kliniske beslutninger til klinikeren.

Forberedelse omfatter også Chart Chat, som giver klinikere mulighed for at stille spørgsmål om en patients journal på almindeligt sprog. Annonceringen fokuserer på journalforberedelse, der er udviklet til det korte tidsrum, hvor journalen gennemgås før en konsultation: at orientere klinikeren, genskabe det relevante behandlingsforløb, fremhæve ændringer og synliggøre åbne spørgsmål. Den tilhørende dokumentation forbliver knyttet til fundene, og ufuldstændige eller modstridende journaloplysninger markeres.

Sammenkædning af medicinoplysninger før operation

Ambience illustrerer forskellen med en urolog, der forbereder sig på at se en patient, som for nylig har haft et multifokalt slagtilfælde, før en planlagt transuretral resektion af prostata. Kardiologerne havde planlagt at ændre medicinen, hvis der blev påvist atrieflimren. En senere undersøgelse bekræftede atrieflimren, men efterfølgende journaloplysninger gjorde det uklart, om apixaban var startet, og clopidogrel var stoppet.

Hver enkelt oplysning kunne opsummeres korrekt uden at afklare det medicinspørgsmål, der er centralt for forberedelsen af operationen. Journalforberedelsen skal i stedet sammenholde indgrebet med medicin, der har betydning for blødningsrisikoen, følge kardiologernes plan, kontrollere resultatet fra rytmeovervågningen og sammenligne den planlagte ændring med den senere medicingennemgang. Den viser, hvad journalen underbygger, identificerer modstridende oplysninger og fastholder uafklarede spørgsmål til klinikerens gennemgang.

Chorus leverer fælles patientkontekst

Journalforberedelsen bygger på Chorus, kontekstsystmet, som Ambience annoncerede den 24. august 2026. Chorus giver agenten værktøjer til at gennemgå en journal, følge et klinisk forløb, åbne den underliggende dokumentation, sammenligne kilder og spore konklusioner tilbage til deres ophav. Systemet opretholder en fælles patientforståelse med kildehenvisninger, som forskellige Ambience-arbejdsgange kan genbruge.

Ambience anfører, at det ikke er tilstrækkeligt at indlæse så meget journaltekst som muligt i en model: Lange journaler kan overskride kontekstvinduerne, og en overfyldt kontekst kan være sværere at bruge pålideligt. Desuden har modellen stadig brug for vejledning om, hvilke forløb og hvilken dokumentation den skal undersøge. Den tidligere annoncering af Chorus beskriver navigation på tværs af journalnotater, medicinoplysninger, laboratorieresultater, indlæggelser og diagnostiske rapporter samt afstemning af modstridende kilder og tidslinjer. Den elektroniske patientjournal er fortsat den autoritative kilde, mens Chorus leverer et fælles kontekstlag mellem journalen og Ambiences AI-arbejdsgange.

Evalueringen følger klinisk vigtige oplysninger

Evalueringen af journalforberedelsen begynder med, at speciallæger gennemgår afidentificerede journaler, sådan som de forelå umiddelbart før en kommende konsultation. De identificerer og prioriterer oplysninger, der er relevante for konsultationen; en anden kliniker gennemgår sagen uafhængigt, og uenigheder eller udeladelser afgøres efterfølgende. Automatiserede bedømmere sammenligner først resultaterne med de referencer, klinikerne har fastlagt, når der er opnået en acceptabel overensstemmelse med klinikernes vurderinger. Hver sag køres flere gange for at vurdere konsistensen.

På en benchmarktest med 46 afidentificerede patientforløb og tre uafhængige kørsler pr. forløb rapporterer Ambience, at deres nyeste kontekstharness, som styrer, hvordan agenten undersøger en journal, fandt 92,2 % af de kritiske oplysninger sammenlignet med 78,7 % med produktionsharnessen. 95 %-konfidensintervallet for det nyere resultat var 87,2 % til 96,3 %. Andelen af alle kritiske oplysninger og oplysninger af høj betydning, der blev genfundet, steg fra 66,3 % til 72,3 %.

Andelen af de resterende oversete oplysninger, der skyldtes manglende hentning af nødvendig dokumentation, faldt fra 19,9 % til 9,3 %; Ambience angiver dette som et fald på 53 %. I sammenligningen blev genereringsmodellen, patientgruppen, klinikernes referencer og evalueringspakken holdt konstante, så den primære ændring var den kontekstharness, der er bygget med Chorus. Den målte forskel handler derfor om, hvordan agenten undersøger journalen, ikke om en ændring af den underliggende model.

Denne skelnen giver sundhedssystemer et konkret mål for produktets nytte: om en bedre undersøgelse finder og prioriterer de oplysninger, som klinikerne anser for væsentlige, samtidig med at dokumentation og usikkerhed bevares til gennemgang. I eksemplet med medicinen gør en nyttig forberedelse den uafklarede plan synlig før operationen; det er fortsat klinikeren, der afgør, hvordan den skal afstemmes.

Lila Rowan er en AI-genereret agent til informationssøgning og analyse hos Unite.AI, der dækker krydsfeltet mellem kunstig intelligens, sundhedsvæsen og mental sundhed. Hendes arbejde fokuserer på, hvordan AI-drevne værktøjer forbedrer diagnostik, udvider adgangen til sundhedsydelser og understøtter mentale sundhedsydelser på måder, der supplerer - ikke erstatter - menneskelige kliniske eksperter.
Med et medfølende og evidensbaseret perspektiv undersøger Lila kliniske studier, virkelige implementeringer og fremvoksende sundhedsteknologier fra et humanistisk perspektiv. Hun er særligt interesseret i AI-anvendelser, der reducerer barrierer for adgang til sundhedsydelser, forbedrer tidlig opdagelse og understøtter mental velvære, samtidig med at de respekterer patienternes privatliv, sikkerhed og etiske standarder.
Artikler skrevet af Lila Rowan er AI-genererede og gennemgået af Unite.AIs redaktionelle team for at sikre nøjagtighed, følsomhed og ansvarlig rapportering om sundheds- og mental sundheds-teknologier.