Når AI kommer ind på hospitalet: Hvad ændrer sig for læger og patienter?

I min tidligere klumme så jeg nærmere på medicinsk AI fra et forretningsperspektiv med fokus på de muligheder, teknologien skaber for teknologivirksomheder. Men ud over potentialet for innovation og nye markeder er der et mere grundlæggende spørgsmål: Hvilken forskel vil disse teknologier gøre for de læger, der bruger dem, og de patienter, der er afhængige af dem? Når alt kommer til alt, ligger den sande værdi af medicinsk innovation i dens evne til at forbedre kvaliteten og tilgængeligheden af sundhedspleje. Og jeg ser allerede markante forandringer i, hvordan denne pleje kan leveres.

Sådan sætter personalemangel fart på automatiseringen i sundhedsvæsenet

Jeg kender en iværksætter, hvis virksomhed leverer vikarer til hospitaler, herunder sygeplejersker, der træder til, når fastansatte medarbejdere ikke er til rådighed. Man skulle tro, at en virksomhed som denne ville blomstre midt i den vedvarende personalemangel. Men han siger, at selv virksomheder, der har specialiseret sig i at levere sundhedspersonale, har svært ved at finde nok kvalificerede medarbejdere.

Hospitaler har i årtier manglet læger og sygeplejersker. Det kræver betydelig tid og mange ressourcer at uddanne nye sundhedsprofessionelle. Medicinsk uddannelse kan være for dyr, især i USA, og de mange års studier og klinisk uddannelse medfører økonomisk og psykisk pres. Selv efter endt uddannelse står læger over for et højt stressniveau, et enormt ansvar og konstante tidspres.

Derfor har læger nogle gange kun få minutter til hver patient, hvor de skal gennemgå symptomer, overveje mulige diagnoser, bestille prøver og udfylde den nødvendige dokumentation. Denne arbejdsbyrde øger risikoen for fejl og giver mindre tid til meningsfuld kontakt med patienterne. Og det er næppe nok i sig selv at ansætte flere medarbejdere til at løse problemet.

Derfor mener jeg, at den vedvarende personalemangel og den voksende arbejdsbyrde vil være blandt de vigtigste drivkræfter bag den stigende brug af AI på hospitalerne.

Hvad kan læger overlade til AI?

En af de mest praktiske anvendelser er AI-drevne systemer, der optager samtaler mellem læger og patienter, opsummerer konsultationer og hjælper med at udarbejde klinisk dokumentation. I stedet for at bruge tid på at skrive notater manuelt får lægerne et udkast, som de kan gennemgå og redigere efter behov.

Fordelene ved disse værktøjer bliver allerede tydelige i den kliniske praksis. Et studie fra april 2026, der blev offentliggjort i JAMA, undersøgte data fra mere end 8.500 sundhedsprofessionelle på fem amerikanske lægecentre. Blandt de klinikere, der tog AI-drevne dokumentationsværktøjer i brug, faldt den tid, de brugte på kliniske notater, med gennemsnitligt 10 %, svarende til cirka 16 minutter pr. otte timers planlagte patientbesøg.

Et andet eksempel er AI-assisteret differentialdiagnostik. Forestil dig en patient, der opsøger en læge med mavesmerter og en prikkende fornemmelse i venstre side. Et AI-system kan analysere symptomerne og foreslå flere mulige årsager, der bør undersøges. Systemet stiller ikke den endelige diagnose, men kan hjælpe lægen med at opstille en liste over muligheder, finde frem til opfølgende spørgsmål og afgøre, hvilke undersøgelser der kan være nødvendige. Jeg er allerede stødt på værktøjer som disse i praksis, og jeg forventer, at de bliver en fast del af lægekonsultationer. Men de rejser også en relevant bekymring: Kan afhængighed af AI-genererede forslag gradvist svække lægers evne til at ræsonnere selvstændigt? Når et system giver færdige svar, er det fristende at stole på dets konklusioner, især når der i forvejen er så lidt tid til hver patient.

Der er dog også en anden side af sagen. Uanset hvor erfaren en læge er, formes vedkommendes viden uundgåeligt af de patienter, lægen har behandlet, den uddannelse, lægen har fået, og den forskning, lægen har haft tid til at sætte sig ind i. AI-modeller kan derimod potentielt finde mønstre i langt større mængder medicinske data, herunder tilfælde, som den enkelte læge måske aldrig har mødt før.

AI som deltager i medicinsk forskning

Et andet område, der er værd at undersøge, er komplekse kliniske tilfælde, hvor selv erfarne specialister har svært ved at nå til enighed. I dag bliver sådanne tilfælde ofte fremlagt på lægefaglige casekonferencer, hvor læger gennemgår undersøgelsesresultater, drøfter mulige diagnoser og bliver enige om de næste skridt i behandlingen. Jeg tror ikke, at AI vil erstatte disse drøftelser, men jeg kan forestille mig, at AI bliver endnu en deltager.

Det kan foregå på flere måder. Flere modeller kan analysere det samme kliniske tilfælde hver for sig, så lægerne kan sammenligne deres resultater og finde frem til områder, hvor de er enige eller uenige. En enkelt model kan også gennemgå tilfældet flere gange ved hjælp af forskellige analytiske metoder, hvorefter resultaterne samles og vurderes.

Det er selvfølgelig ikke ensbetydende med, at AI-modellerne er nået frem til den rigtige konklusion, blot fordi de er enige. Modellerne kan have de samme begrænsninger, bygge på lignende træningsdata og begå de samme fejl. Alligevel kan disse ekstra perspektiver hjælpe med at afdække uoverensstemmelser, gøre opmærksom på sjældne sygdomme eller pege på muligheder, som lægerne ikke først havde overvejet.

For at AI skal kunne bidrage meningsfuldt til sådanne drøftelser, skal den dog tage højde for mere end isolerede testresultater. I vores arbejde hos Keymakr har jeg på første hånd set, hvor vigtig denne bredere kliniske sammenhæng er. I et projekt med ultralydsbilleder arbejdede vi med scanninger af de samme patienter på forskellige tidspunkter – nogle gange flere gange om dagen og igen flere måneder senere. Teamet annoterede anatomiske strukturer og markerede mulige afvigelser til vurdering hos specialister, samtidig med at de tog højde for ændringer i patienternes undersøgelseshistorik.

Små uoverensstemmelser i enkelte journaler kunne påvirke fortolkningen af relaterede data på tværs af hele datasættet. Denne erfaring understregede, hvor vigtigt det er at betragte patientens sygehistorie som en helhed – noget, der også ville være afgørende for AI-systemer, som understøtter komplekse kliniske beslutninger.

MR uden en MR-scanner

Men det handler ikke kun om at fortolke medicinske data korrekt, når man skal stille en diagnose. Det handler også om overhovedet at kunne få adgang til dataene. Et af de mest interessante AI-projekter, jeg er stødt på ved et arrangement anbefalet af Scryon, tager netop denne udfordring op. Et udviklerteam har fundet en måde at bruge CT-scanninger og flere røntgenbilleder taget fra bestemte vinkler til at rekonstruere et MR-lignende billede ved hjælp af kunstig intelligens. Idéen udsprang af et meget praktisk problem: MR-scannere er dyre, og patienter må nogle gange vente flere måneder på en undersøgelse, mens røntgenapparater og CT-scannere er langt mere tilgængelige.

Indtil videre fokuserer teknologien på knæet, men udviklerne overvejer at udvide den til andre led. Ifølge teamet skal de rekonstruerede billeder give oplysninger, der kan sammenlignes med MR-scanninger, selv om billeddannelsesteknikkerne bygger på forskellige fysiske principper.

I stedet for at udvikle endnu et dyrt stykke medicinsk udstyr bruger teamet eksisterende billeddannelsesteknologi og udvider dens muligheder ved hjælp af AI-drevet billedrekonstruktion.

En operationsstue uden grænser

Jeg forventer, at AI i en eller anden form vil spille en rolle i mindst halvdelen af alle medicinske processer i løbet af det næste årti. Jeg taler om en bred vifte af anvendelser, lige fra analyse af medicinske data og diagnostisk støtte til AI-vejledning i realtid under kirurgiske indgreb.

På længere sigt kan disse teknologier også bidrage til at overvinde økonomiske, organisatoriske og endda geografiske barrierer for sundhedspleje. Forestil dig, at en dygtig kirurg i USA assisterer ved en operation på et barn i Indien, eller at en specialist i Indien hjælper med at behandle en patient i Canada uden selv at være til stede på operationsstuen. Fremskridt inden for robotteknologi, fjernstyringssystemer og AI-assisteret kirurgi kan gøre sådanne scenarier mulige.

Vi ser allerede de første skridt i denne retning. For eksempel gør platformen Proximie det muligt for kirurger at oprette fjernforbindelse til operationsstuer, følge indgreb i realtid og samarbejde med medicinske teams på stedet. Systemet understøtter livevideo, talekommunikation og visuelle annoteringer og bruger AI til at analysere data om arbejdsgange under operationer. Det betyder ikke, at kirurger allerede kan udføre alle operationer på afstand, men det gør det muligt for specialister at dele deres ekspertise og vejlede uden at være i samme operationsstue.

Jeg mener, at bedre adgang til sundhedspleje bør være et af de centrale mål for medicinsk AI. Det afgørende er, om disse teknologier kan bidrage til at forkorte ventetiden på diagnostiske undersøgelser, lette sundhedspersonalets arbejdsbyrde og give lægerne mere tid sammen med deres patienter. I sidste ende ville jeg måle succesen for medicinsk AI på, hvor mange flere mennesker der takket være den kan få rettidig behandling af høj kvalitet.