AI räddar läkartid — men klarar tekniken verklighetens krav?
AI sparar läkartid – men forskningen avslöjar kritiska brister i tekniken.
Vårdens AI-resa: Löftena infrias — men inte överallt
Det händer mycket i skärningspunkten mellan artificiell intelligens och sjukvård just nu. Investeringarna flödar in, produkterna lanseras och de första riktiga kunderna börjar synas. Men bakom entusiasmen lurar en viktig fråga: Håller tekniken vad den lovar när det verkligen gäller?
Låt oss börja med det positiva — för det finns genuint goda nyheter.
Tandem Health: Tystnad bryts, tillit byggs
Det svenska hälsoteknikbolaget Tandem Health, som förra året reste mer än en halv miljard kronor i en av de mer uppmärksammade finansieringsrundorna inom nordisk hälsoteknik — med tunga namn som Kinnevik och Northzone ombord — har länge hållit försäljningssiffrorna tätt om bröstet. Nu rapporterar Breakit att bolaget äntligen lyfter på slöjan.
Vd och medgrundare Lukas Saari summerar läget med att bolaget "följer plan" och bygger för lång sikt. Det är en formulering som vissa kanske läser som undvikande, men jag läser den som klok positionering. Vårdsektorn rör sig inte i kvartalscykler — den rör sig i upphandlingscykler, pilotprojekt och förtroendeprocesser som tar år att bygga. Att Tandem Health väljer att etablera djupare fotfäste snarare än att jaga snabba ordrar är ett tecken på branschförståelse, inte på svaghet.
Journalskrivning är ett av de tydligaste områdena där AI kan frigöra faktisk tid för patientnära arbete. Varje minut en läkare sparar framför tangentbordet är en minut som kan ges tillbaka till patienten. Det är ett enkelt men kraftfullt erbjudande.
AWS och Bluesight: Regelefterlevnad på tio sekunder
På andra sidan Atlanten visar samarbetet mellan Amazon Web Services och hälsovårdsbolaget Bluesight vad AI kan åstadkomma när det riktas mot ett tydligt och avgränsat problem. Deras gemensamma system Prism — vars första modul nu används aktivt av 20 sjukvårdssystem i USA — automatiserar granskningen av det komplicerade amerikanska 340B-programmet för rabatterade läkemedelsköp.
Siffrorna är talande: ett enskilt sjukhus kan lägga mer än 4 000 arbetstimmar per år på manuell kontroll av inköpsdata. Med Prism reducerades svarstiden för dataförfrågningar från fem minuter till tio sekunder, enligt AWS. Det är inte marginell effektivisering — det är en omvandling av ett helt arbetsflöde.
Detta är AI i sin mest övertygande skepnad: inte som ett försök att ersätta kliniskt omdöme, utan som ett verktyg som tar över det regelstyrda, repetitiva och tidskrävande grovjobbet.
Men forskningen kastar en skugga
Och ändå. Mitt i all denna framgångsnyheter publiceras en studie som borde läsas av alla som arbetar med AI i vården.
Forskare testade 32 avancerade språkmodeller i ett simulerat kliniskt scenario inom blodcancervård. Uppgiften var inte att svara på en fråga — den var att aktivt begära relevant patientinformation över tre omgångar och sedan fastställa diagnos och behandlingsplan. Det är precis vad en verklig kliniker gör.
Resultaten var nedslående. Den bästa modellen nådde bara 68 procents träffsäkerhet. Ännu mer oroande: andelen tillgänglig information som modellerna faktiskt efterfrågade rasade från 57 till 26 procent i den sista omgången. Kritisk molekylär- och genetikdata — den typ av information som avgör vilket läkemedel en cancerpatient ska få — lämnades alltså ogranskad.
Det mest slående fyndet är dock detta: modellernas resonemang bedömdes som välstrukturerat i hela 91 procent av fallen, men det korrelerade inte med korrekta slutsatser. AI:n lät klok — men hade fel. Forskarnas felanalys pekar på kognitiva mönster liknande dem hos oerfarna kliniker: förhastade slutsatser och förankring vid tidig information.
Problemet är alltså inte bristande medicinsk kunskap. Det är en systematisk oförmåga att söka information under osäkerhet — precis den förmåga som är avgörande i komplex diagnostik.
Två parallella verkligheter
Vad vi ser just nu är egentligen två parallella AI-berättelser inom vården. Den ena handlar om administrativ och regelteknisk automatisering — journalstöd, regelefterlevnad, datahantering — där AI redan levererar påtagliga resultat. Den andra handlar om kliniskt beslutstöd, om att förstå en patients helhetsbild och fatta välgrundade medicinska beslut under osäkerhet. Där är vi inte framme än.
Den insikten är inte ett argument mot AI i vården. Den är ett argument för att vara precis i var vi sätter verktygen — och ärlig om vad de faktiskt kan göra idag.
Vår analys
Det finns en röd tråd genom veckans nyheter som är värd att lyfta fram: de mest framgångsrika AI-implementationerna i vården just nu är de som inte försöker imitera kliniskt tänkande — utan de som tar över det som kliniker aldrig borde behövt göra från början.
Tandem Healths journalstöd, Bluesights regelefterlevnadsverktyg — båda adresserar administrativ börda. Det är rätt prioritering. Att befria kliniker från pappersarbete och regelgranskning är i sig ett enormt värde, och det är en marknad som är redo för AI idag.
Forskningsresultaten om diagnostisk informationssökning bör däremot fungera som en strukturell varning mot att rusa fram med autonoma kliniska beslutsstöd. Att en modell resonerar välstrukturerat utan att nå rätt slutsats är inte bara ett tekniskt problem — det är ett säkerhetsproblem.
Vårdens AI-omställning är verklig och den accelererar. Men de bolag och system som vinner på lång sikt är de som förstår gränsen mellan vad AI kan göra bra idag — och vad som kräver mer tid, mer forskning och mer ödmjukhet.