AI revolusjonerer norsk helsevesen: Slik brukes det på sykehus

Norsk helsevesen er midt i en stille revolusjon. Mens debatten om AI ofte handler om chatboter og tekstgenerering, er det i sykehus og helseforetak de mest konkrete og potensielt livsviktige endringene skjer. Fra tidlig kreftdiagnostikk til automatisert journalføring — AI endrer hva det er mulig å gjøre med tilgjengelige ressurser.

Radiologisk bildeanalyse: Der AI allerede redder liv

Oslo universitetssykehus (OUS) er blant de fremste i Europa på bruk av AI i radiologi. Systemene som er implementert analyserer røntgenbilder og CT-skanninger med en treffsikkerhet som i studier overgår gjennomsnittlig radiolog-ytelse på spesifikke diagnoser.

Lungekreftdeteksjon er det mest dokumenterte eksempelet. Et AI-system fra det norske selskapet Segmed, i samarbeid med OUS, har vist at AI kan identifisere tidligstadium lungekreft med 94 % sensitivitet — og viktigere, det kan flagge mistenkelige lesjoner som human radiolog overser i travle arbeidsdager med hundrevis av skanninger.

Det er ikke slik at AI erstatter radiologen. Modellen fungerer som et sikkerhetsnett: Den analyserer alle bilder og flagger de som trenger ekstra oppmerksomhet, slik at radiologen kan prioritere ressursene sine.

Tilsvarende systemer er i bruk for screening av brystkreft (mammografi), tykktarmskreft (koloskopi-analyse) og diabetisk retinopati (øyebunnsbilder).

Automatisk journalføring: 40 % tidsbesparelse

Legers tid er den knapphetsressursen som preger norsk helsevesen mest. En norsk allmennlege bruker i gjennomsnitt 30–40 % av arbeidstiden på dokumentasjon og journalføring — tid som ikke er pasienttid.

Automatisk transkripsjon og strukturering av legesamtaler er derfor et av de mest lovende bruksområdene. Systemer fra selskaper som Nuance (nå Microsoft) og norske startups som Aigi transkriberer samtalen mellom lege og pasient i sanntid, strukturerer informasjonen etter ICD-10-koder, og genererer et journalutkast som legen godkjenner og eventuelt redigerer.

Pilotprosjekter ved Helse Sør-Øst rapporterer tidsbesparelser på 35–45 % for dokumentasjon. For en lege med 20 pasienter per dag tilsvarer det to til tre timer som kan omdirekteres til pasientomsorg.

Medikamentell behandling og interaksjonssjekk

En av de minst synlige men viktigste AI-applikasjonene i helsevesenet er interaksjons- og doserings-sjekk. Apotekes systemer og sykehusenes journalprogrammer integrerer AI som varsler om potensielt farlige kombinasjoner av legemidler, sjekker doser opp mot pasientens vekt og nyrefunksjon, og flagger allergier mot nye resepter.

Dette er ikke nytt i seg selv — regelbaserte systemer har gjort dette lenge. Det nye er at maskinlæringsbaserte modeller kan oppdage mer subtile mønstre og ta hensyn til kontekst på måter de enkle regelbaserte systemene ikke klarer.

Utfordringer som bremser utviklingen

GDPR og helsedata

Helsedata er særlig sensitiv personinformasjon med streng regulering. Norsk lov krever at pasientdata som brukes til AI-trening er anonymisert, og at det er innhentet nødvendige tillatelser. I praksis betyr dette at norske helseforetak ikke kan sende pasientbilder og journaler til amerikanske AI-selskaper for trening — noe som begrenser tilgangen til de beste kommersiell modellene.

Helse Sør-Øst og NTNU er involvert i prosjekter for å bygge norske helsedata-infrastrukturer der data kan deles på en GDPR-kompatibel måte. Dette er et komplekst arbeid som tar tid.

Integrasjon med DIPS og andre journalsystemer

Det norske helsevesenet bruker primært DIPS Arena som journalsystem. DIPS har en API og er i gang med AI-integrasjoner, men eldre installasjoner er ikke alltid oppdaterte. Mange sykehus opererer med systemer fra 2000-tallet som ikke snakker enkelt med moderne AI-plattformer.

Mangel på norskspråklige treningsdata

Globale AI-modeller er trent overveldende på engelskspråklig tekst. Norsk medisinsk terminologi, forkortelser og skrivepraksis er underrepresentert. Dette er et aktivt forskningsområde ved blant annet NTNU og Universitetet i Oslo, der det jobbes med norskspråklige medisinske språkmodeller.

Hva kommer de neste to til tre årene

Prognosene fra Helsedirektoratet og Direktoratet for e-helse peker mot:

• Bredere utrulling av AI-støttet diagnostikk til regionale sykehus
• Nasjonal infrastruktur for trygg deling av helsedata til AI-formål
• AI-støttet prioritering i akuttmottak (triage)
• Prediktiv modellering for å identifisere pasienter med høy risiko for rehospitalisering

Norsk helsevesen er godt posisjonert for denne utviklingen. Vi har høykvalitets nasjonale helseregistre, en befolkning med høy tillit til digitale helsetjenester, og en tradisjon for samarbeid mellom helseforetak og akademia. Utfordringen er å sikre at den nødvendige infrastrukturen og kompetansen er på plass raskt nok.