När AI gör sitt intåg på sjukhuset: Vad förändras för läkare och patienter?

I min förra krönika utforskade jag medicinsk AI ur ett affärsperspektiv, med fokus på de möjligheter som tekniken skapar för teknikföretag. Men utöver potentialen för innovation och nya marknader finns en mer grundläggande fråga: vilken skillnad kommer den här tekniken att göra för läkarna som använder den och patienterna som är beroende av dem? När allt kommer omkring ligger det verkliga värdet av medicinsk innovation i dess förmåga att förbättra vårdens kvalitet och tillgänglighet. Och jag ser redan anmärkningsvärda förändringar i hur vården kan ges.

Hur personalbrist påskyndar automatiseringen inom vården

Jag känner en entreprenör vars företag tillhandahåller tillfällig sjukvårdspersonal till sjukhus, däribland sjuksköterskor som rycker in när ordinarie medarbetare inte är tillgängliga. Man skulle kunna tro att ett sådant företag skulle blomstra när personalbristen är ihållande. Men enligt honom har även företag som specialiserar sig på att tillhandahålla vårdpersonal svårt att hitta tillräckligt många kvalificerade personer.

Sjukhusen har haft brist på läkare och sjuksköterskor i årtionden. Det tar mycket tid och resurser att utbilda ny vårdpersonal. Läkarutbildningen kan vara alltför dyr, särskilt i USA, och de många studieåren och den kliniska utbildningen innebär ekonomisk och psykisk press. Även efter avslutad utbildning möter läkare hög stress, ett enormt ansvar och ständiga tidsbegränsningar.

Därför har läkare ibland bara några minuter med varje patient för att gå igenom symtom, överväga möjliga diagnoser, beställa undersökningar och fylla i nödvändig dokumentation. Den här arbetsbördan ökar risken för misstag och lämnar mindre tid för meningsfull kontakt med patienterna. Att bara anställa mer personal lär inte lösa problemet.

Därför tror jag att den ihållande personalbristen och den ökande arbetsbördan kommer att vara några av de främsta drivkrafterna bakom ett snabbare införande av AI på sjukhus.

Vad kan läkare överlåta åt AI?

En av de mest praktiska tillämpningarna är AI-drivna system som spelar in samtal mellan läkare och patienter, sammanfattar konsultationer och hjälper till att ta fram klinisk dokumentation. I stället för att lägga tid på att skriva anteckningar för hand får läkaren ett utkast som hen kan granska och redigera vid behov.

Fördelarna med de här verktygen blir redan tydliga i den kliniska verksamheten. En studie från april 2026 som publicerades i JAMA undersökte uppgifter från fler än 8 500 yrkesverksamma inom hälso- och sjukvården vid fem medicinska center i USA. Bland kliniker som började använda AI-drivna dokumentationsverktyg minskade tiden som lades på kliniska anteckningar med i genomsnitt 10 procent, vilket motsvarar cirka 16 minuter per åttatimmarsperiod med schemalagda patientbesök.

Ett annat exempel är AI-assisterad differentialdiagnostik. Föreställ dig en patient som söker läkare för buksmärta och stickningar i vänster sida. Ett AI-system kan analysera symtomen och föreslå flera möjliga orsaker att undersöka. Systemet ställer inte den slutliga diagnosen, men kan hjälpa läkaren att sammanställa en lista över möjliga orsaker, identifiera följdfrågor och avgöra vilka undersökningar som kan behövas. Jag har redan stött på sådana verktyg i praktiken och förväntar mig att de blir en rutinmässig del av läkarkonsultationer. Men de väcker också en befogad fråga: skulle ett beroende av AI-genererade förslag gradvis kunna försvaga läkarnas förmåga att resonera självständigt? När ett system erbjuder färdiga svar är det frestande att lita på dess slutsatser, särskilt när tiden redan är så knapp för varje patient.

Det finns dock också en annan sida av saken. Oavsett hur erfaren en läkare är formas hens kunskap oundvikligen av de patienter hen har behandlat, den utbildning hen har fått och den forskning hen har hunnit ta del av. AI-modeller kan däremot potentiellt identifiera mönster i betydligt större mängder medicinska data, däribland fall som en enskild läkare kanske aldrig har stött på.

AI som deltagare i medicinsk forskning

Ett annat område som är värt att utforska är komplexa kliniska fall där även erfarna specialister har svårt att nå enighet. I dag tas sådana fall ofta upp vid medicinska fallkonferenser, där läkare granskar provresultat, diskuterar möjliga diagnoser och enas om nästa steg i behandlingen. Jag tror inte att AI kommer att ersätta de här diskussionerna, men jag kan föreställa mig att AI blir ytterligare en deltagare.

Det finns flera sätt att göra detta på. Flera modeller skulle självständigt kunna analysera samma kliniska fall, så att läkarna kan jämföra resultaten och identifiera områden där de är överens respektive oense. Alternativt skulle en enda modell kunna undersöka fallet flera gånger med olika analysmetoder, varefter resultaten sammanställs för granskning.

Att AI-modeller är överens innebär förstås inte nödvändigtvis att de har kommit fram till rätt slutsats. Modellerna kan ha liknande begränsningar, förlita sig på likartade träningsdata och göra samma misstag. Ändå skulle de här ytterligare perspektiven kunna bidra till att upptäcka inkonsekvenser, uppmärksamma sällsynta sjukdomstillstånd eller föreslå möjligheter som läkarna inte hade övervägt från början.

För att AI ska kunna bidra meningsfullt till sådana diskussioner behöver den dock ta hänsyn till mer än enskilda testresultat. I vårt arbete på Keymakr har jag själv sett hur viktigt det bredare kliniska sammanhanget är. I ett projekt med ultraljudsbilder arbetade vi med undersökningar av samma patienter som hade gjorts vid olika tidpunkter, ibland flera gånger om dagen och sedan igen flera månader senare. Teamet annoterade anatomiska strukturer och markerade möjliga avvikelser för specialistgranskning, samtidigt som det tog hänsyn till förändringar i patienternas undersökningshistorik.

Små avvikelser i enskilda journaler kunde påverka tolkningen av relaterade data i hela datasetet. Erfarenheten förstärkte insikten om hur viktigt det är att se till patientens sjukdomshistoria som en helhet – något som är lika avgörande för AI-system som stödjer komplexa kliniska beslut.

MR utan MR-kamera

Men att ställa en diagnos handlar inte bara om att tolka medicinska data korrekt. Det handlar också om att kunna få tillgång till dessa data från första början. Ett av de mest intressanta AI-projekt jag har stött på presenterades vid ett evenemang som rekommenderats av Scryon, och det tar sig an just den här utmaningen. Ett utvecklarteam har hittat ett sätt att använda datortomografibilder och flera röntgenbilder tagna från särskilda vinklar för att med hjälp av artificiell intelligens återskapa en MR-liknande bild. Idén föddes ur ett mycket konkret problem: MR-kameror är dyra, och patienter kan ibland behöva vänta i flera månader på en undersökning, medan röntgen- och datortomografiutrustning är betydligt mer lättillgänglig.

Än så länge är tekniken inriktad på knät, men utvecklarna överväger att utvidga den till andra leder. Enligt teamet är de rekonstruerade bilderna avsedda att ge information som är jämförbar med MR-bilder, trots att bildteknikerna bygger på olika fysikaliska principer.

I stället för att utveckla ännu en dyr medicinteknisk apparat använder teamet befintlig bildteknik och utökar dess användningsområden med AI-baserad bildrekonstruktion.

En operationssal utan gränser

Jag räknar med att AI kommer att spela en roll i minst hälften av alla medicinska processer på ett eller annat sätt under det kommande decenniet. Jag syftar på ett brett spektrum av tillämpningar, från analys av medicinska data och diagnostiskt stöd till vägledning med AI i realtid under kirurgiska ingrepp.

På längre sikt skulle den här tekniken också kunna bidra till att övervinna ekonomiska, organisatoriska och till och med geografiska hinder för vården. Föreställ dig att en skicklig kirurg i USA assisterar vid en operation på ett barn i Indien, eller att en specialist i Indien hjälper till att behandla en patient i Kanada, utan att själv vara fysiskt närvarande i operationssalen. Framsteg inom robotteknik, fjärrstyrningssystem och AI-stödd kirurgi skulle kunna göra sådana scenarier möjliga.

Vi ser redan de första stegen i den här riktningen. Till exempel gör plattformen Proximie det möjligt för kirurger att ansluta till operationssalar på distans, följa ingrepp i realtid och samarbeta med medicinska team på plats. Systemet stöder direktsänd video, röstkommunikation och visuella markeringar och använder AI för att analysera data om arbetsflöden inom kirurgin. Det betyder inte att kirurger redan kan utföra alla operationer på distans, men det gör det möjligt för specialister att dela med sig av sin expertis och ge vägledning utan att befinna sig i samma operationssal.

Jag anser att förbättrad tillgång till vård bör vara ett av de främsta målen med medicinsk AI. Det viktiga är om tekniken kan bidra till kortare väntetider på diagnostiska undersökningar, minska vårdpersonalens arbetsbörda och ge läkare mer tid med sina patienter. I slutändan skulle jag mäta framgången för medicinsk AI utifrån hur många fler människor som tack vare den kan få vård av hög kvalitet i rätt tid.