AI kan ställa diagnos – men tänker inte som en läkare

Tekniken fungerar – men inte som läkare arbetar

En omfattande studie från Mass General Brigham avslöjar något som får mig att fundera djupt över hur vi bygger AI för sjukvård. Forskarna testade 21 AI-modeller på strukturerade patientfall och resultatet var slående: över 90 procents träffsäkerhet när all klinisk information fanns tillgänglig.

Men här kommer kruxet – och det säger något fundamentalt om skillnaden mellan att lösa problem och att arbeta som en läkare.

Differentialdiagnostik: AI:ns blinda fläck

Det som fascinerar mig mest i studien är hur AI-systemen misslyckas med något så grundläggande som differentialdiagnostik. För er som inte arbetar inom vården: det handlar om att lista möjliga sjukdomstillstånd som sedan vägleder vilka tester som behövs och hur utredningen ska fortskrida.

"Genom att utvärdera språkmodeller stegvis flyttar vi fokus från att behandla dem som tentamenstagare till att sätta dem i en läkares position", förklarar huvudförfattaren Arya Rao från Harvard Medical School enligt Healthcare IT News.

Problemet är att AI-system konvergerar för snabbt mot ett enda svar. De saknar den metodiska osäkerhet som är central i läkares arbetssätt när informationen är ofullständig. Som systemutvecklare känner jag igen detta – det är skillnaden mellan att optimera för rätt slutresultat och att bygga för rätt arbetsprocess.

När integration faktiskt fungerar

Men det finns ljusglimtar som visar vägen framåt. Kettering Health i Ohio har genomfört något som imponerar på mig: en smidig integration av hjärtövervakning med befintliga journalsystem.

Tidigare krävde varje rutinförändring av medicin sju och en halv minut per patient. Sjuksköterskorna spenderade 4,5 timmar varje vecka bara på att hoppa mellan olika system för CardioMEMS-relaterade uppgifter. "Programmets kliniska framgång begränsade faktiskt vår möjlighet att expandera det", berättar verksamhetschef Jody Underwood för Healthcare IT News.

Genom att integrera sensoravläsningar, hemdata och läkemedelsjournal i en enda instrumentpanel byggd in i journalsystemet löste de det verkliga problemet: arbetsflödet, inte bara tekniken.

Distansvård som permanent infrastruktur

Parallellt med dessa tekniska genombrott ser vi hur vårdlandskapet omformas på systemnivå. En bred koalition av amerikanska vårdorganisationer, från sjukhus till teknikföretag, mobiliserar för att göra distansvård permanent inom Medicare-systemet.

Detta är inte längre en pandemidriven tillfällighetslösning – det är infrastruktur för framtidens vård. Koalitionens "Telehealth Voters Pledge" visar hur tekniken nu är så etablerad att både traditionella vårdaktörer och teknikföretag går samman för att säkerställa dess fortsatta existens.

Byggstenar för framtiden

Vad vi ser här är tre olika aspekter av samma omställning: AI som diagnostiskt verktyg behöver utvecklas för att stödja kliniska arbetsprocesser, inte bara leverera slutresultat. Samtidigt visar framgångsrika implementeringar som Kettering Health att nyckeln ligger i smidig systemintegration.

Och med distansvårdens permanenta etablering byggs grunden för en vårdinfrastruktur där dessa AI-verktyg kan få full effekt.