Sundhedsvæsen

Elsevier bringer patientjournalens kontekst ind i ClinicalKey AI

Lila Rowan
Føj Unite.AI til dine foretrukne kilder på Google
NøglepunkterClinicalKey AI starter nu forespørgsler fra patientjournaler i stedet for tomme…
Vis mere
  • ClinicalKey AI starter nu forespørgsler fra patientjournaler i stedet for tomme prompter.
  • Hvert genereret svar kan spores tilbage til både journaldata og citeret klinisk evidens.
  • Funktionen med patientkontekst er i øjeblikket begrænset til udrulninger i USA.

Elsevier meddelte den 16. november 2026, at ClinicalKey AI nu kan tilgå patientjournaler i arbejdsgange med elektroniske patientjournaler (EPJ) og vurdere behandlingsplaner i forhold til sit evidensbaserede kliniske indhold, som omfatter fuldtekstartikler fra cirka 1.000 tidsskrifter.

Virksomheden oplyser, at ClinicalKey AI bruges på mere end 1.200 hospitalssteder verden over. Opdateringen ændrer udgangspunktet for en forespørgsel: I stedet for at bygge på oplysninger, der indtastes i et tomt AI-promptfelt, tager værktøjet udgangspunkt i oplysninger fra patientens journal og genererer svar, der indeholder både journaldata og kildehenvisninger.

Sådan ændrer patientkontekst arbejdsgangen

Elseviers dokumentation om patientkontekst beskriver fem sammenhængende trin: Tag udgangspunkt i patienten, saml relevant kontekst fra journalen, forbind konteksten med klinisk evidens, lever kildehenviste indsigter i understøttede EPJ-arbejdsgange, og støt klinikerens beslutning. I understøttede implementeringer kan de anvendelige oplysninger omfatte notater, billeddiagnostik, procedurer, laboratorieresultater, medicin, ordinationer, allergier, vitale værdier samt indlæggelses- og ambulante journaloplysninger.

Systemet er udviklet til at fungere på tværs af EPJ-miljøer frem for at være knyttet til én enkelt udbyder. Funktionen til patientkontekst er i øjeblikket kun tilgængelig i USA.

Sporbarheden går begge veje. Hver oplysning om patientkonteksten kan føres tilbage til relevante journaldata, mens det kliniske svar linker til den kilde, det bygger på. Klinikerne kan derfor se, hvilke journaloplysninger der lå til grund for et svar, og gennemgå evidensen bag det, mens den endelige vurdering og behandlingsplan fortsat er klinikerens ansvar.

Meddelelsen kommer efter Elseviers opkøb af Wellsheet i juni 2026. Wellsheet har specialiseret sig i at samle og sammenfatte EPJ-data for at fremhæve relevant klinisk information på behandlingsstedet.

Tidlig brug på San Juan Regional

San Juan Regional Medical Center i New Mexico bruger den nye funktion til patientkontekst. Elsevier beskriver det som et hospital i et landområde, der betjener lokalsamfund med begrænset adgang til sundhedsydelser, og som har mindre kliniske teams og kvalitetsteams end store akademiske sundhedssystemer. Hospitalet ligger i en delstat, hvor næsten 40 % af indbyggerne er afhængige af Medicaid.

Dr. Carlo Hallak, hospitalets lægelige direktør, sagde, at hospitalet i landområdet allerede oplevede stor tilslutning blandt klinikerne og brugte ClinicalKey AI til at kontrollere hver patients behandling ud fra det samme evidensgrundlag, som store sundhedssystemer anvender. Han kaldte denne støtte »uvurderlig for et hospital som vores«.

Evidenssøgning og datakontrol

Elseviers produktdokumentation beskriver en arkitektur med retrieval-augmented generation, hvor semantisk søgning udvælger relevante dokumenter fra en vektordatabase med indekseret indhold, inden en stor sprogmodel sammenfatter dem i en kort klinisk opsummering. Systemet bruger flere modeller og en ophavsretligt godkendt vidensbase, der opdateres dagligt. Svarene indeholder kildehenvisninger med links, og en validering af kildehenvisninger i realtid kontrollerer genererede datapunkter og påstande i forhold til disse kilder. Autoriserede klinikere inden for større medicinske specialer gennemgår forespørgselsrettede svar for nøjagtighed og bias hvert kvartal og inden større udgivelser som led i rammerne for klinikerinddragelse.

Elsevier oplyser, at brugerdata krypteres under overførsel og i hvile, at supportadgang er begrænset til autoriseret personale under pseudonymisering, at cloududbydere og tredjeparts-AI-partnere ikke får adgang til data med henblik på træning, og at produktet er udviklet til at overholde HIPAA, hvor landenes tilsynsmyndigheder anerkender en sådan overholdelse.

Opdateringen samler to former for verifikation i den samme kliniske arbejdsgang: kontrol af patientoplysningerne, som systemet bruger, og kontrol af de publikationer, som svaret bygger på. For sundhedsudbydere med begrænsede ressourcer som San Juan Regional er det praktiske spørgsmål, om denne sammenhængende arbejdsgang med kildehenvisninger kan gøre et bredt evidensgrundlag lettere at anvende inden for de eksisterende bemandingsmæssige rammer og EPJ-begrænsninger.

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.