Samma modell, 2,5 gånger bättre – forskning visar att arbetsflödet kan vara avgörande för AI:s precision i vården
Rätt arbetsflöde mer än fördubblar AI:ns träffsäkerhet vid medicinska diagnoser.
När löftena möter verkligheten
Det händer saker inom medicinsk AI just nu – stora saker. Som affärsutvecklare med blicken fäst på transformationsvågor är det svårt att inte bli upprymd när man ser hur snabbt fältet rör sig. Men det är lika viktigt att ställa den entusiasmen mot de begränsningar som forskningen själv lyfter fram. För sjukvården är ett område där felbeslut kostar liv, inte bara affärer.
Ta SCEPTER-ramverket som ett konkret exempel på vad AI faktiskt kan leverera idag. Systemet tar en patientbeskrivning och navigerar automatiskt i den vetenskapliga litteraturen – och komprimerar i genomsnitt 576 artiklar ned till tre konkreta behandlingsrekommendationer. Det är en komprimeringskvot på 192:1, och ändå behålls mångfald i det underliggande underlaget. För en överbelastad kliniker är detta inte en teknisk kuriositet – det är potentiellt ett paradigmskifte i hur evidensbaserad medicin kan fungera i vardagen.
Storlek är inte allt – struktur avgör
Parallellt med detta visar forskningen kring DeepLens Diagnosis Agent något som borde intressera alla som arbetar med AI-implementering: att ett väldesignat arbetsflöde kan väga tyngre än råa modellstorlekar. En relativt liten modell med sju miljarder parametrar, styrd genom en femstegsprocess med faktaextraktion, differentialanalys och granskning, uppnår 60 procents träffsäkerhet på medicinska diagnoser. Utan det strukturerade arbetsflödet presterade samma modell under 24 procent. Samma modell – 36 procentenheter skillnad. Det är ett kraftfullt argument för att vi investerar i fel saker när vi jagar allt större modeller i stället för bättre processer.
Systemet slog dessutom både Anthropics Claude Sonnet 4.5 och Googles Gemini 2.5 Pro – till 35–45 procent lägre kostnad per diagnostikfall. Det är ett budskap som bör nå både sjukhusledningar och upphandlare.
Hålen i bilden
Men här är det dags att bromsa entusiasmen en aning. Forskningen bakom MedLoCoMo – ett nytt utvärderingsverktyg för medicinska språkmodeller – påminner oss om var AI fortfarande haltar betänkligt. Systemet testar modellers förmåga att resonera över en patients hela sjukdomshistoria, alltså koppla samman information från dussintals vårdtillfällen och tiotusentals ord av journaldata. Resultaten är nedslående: även de bästa modellerna med stora kontextfönster tappar greppet när resonemang kräver kopplingar mellan olika vårdtillfällen snarare än inom ett enskilt.
Detta är inte ett litet tekniskt problem – det är ett fundamentalt kliniskt problem. En patient med diabetes, hjärtsjukdom och en tidigare läkemedelsreaktion är inte en samling separata episoder, utan en sammanhängande berättelse. Kan inte AI hålla ihop den berättelsen är risken för farliga beslut påtaglig.
Bättre grunder ger bättre modeller
På träningssidan visar forskning om Patient Sampling att grunderna för hur vi bygger medicinska AI-modeller fortfarande är under utveckling. Den traditionella metoden – där journaldata från många patienter slås ihop i en lång dataström – ger patienter med tjocka journaler oproportionerligt stor påverkan på träningsresultatet. Det introducerar systematisk partiskhet som kan förstärka ojämlikheter i vården. Den nya metoden fördelar träningssignalen mer kontrollerat och visar bättre resultat på kliniska uppgifter i MIMIC-IV-databasen.
Detta är just den typ av tyst, infrastrukturell förbättring som sällan får rubriker men som avgör om AI-system faktiskt fungerar rättvist i drift.
Från molekyl till klinik
På den mer långsiktiga fronten är QFoldAgent ett intressant vägmärke: ett system där AI-agenter och kvantberäkning samverkar för att förutsäga proteinstrukturer med ökad precision. Andelen strukturellt giltiga förutsägelser steg från 87,5 till 98,7 procent på tidigare osedda aminosyrasekvenser. Experimenten är ännu begränsade till korta proteinfragment, men riktningen är tydlig – grundforskning inom läkemedelsutveckling och molekylärbiologi är på väg att förändras i grunden.
Samtidigt påminner MissHyper-modellens arbete med oregelbundna kliniska tidsserier om hur komplex sjukvårdsdata faktiskt är. Patientmätningar sker vid olika tidpunkter, med olika frekvens och med många saknade värden. Att hantera detta utan att tappa patientkontext är ett problem som de flesta standardmodeller fortfarande misslyckas med – och MissHyper visar att rätt arkitekturval kan göra stor skillnad.
En sektor i omvandling – med öppna ögon
Det sammantagna budskapet från denna forskningsvåg är varken att AI är redo att ta över sjukvården eller att tekniken är överhypat nonsens. Det är något mer nyanserat och mer intressant: AI är redo att göra specifika saker mycket bra, i väldefinierade flöden, med rätt träningsdata och rätt utvärdering. Men vi är inte i närheten av system som kan bära det helhetskliniska ansvar som vården kräver – ännu.
Vår analys
Det som gör den här forskningsvågen strategiskt intressant är inte de enskilda genombrotten – det är det mönster de tillsammans bildar. Vi ser en mognad i fältet: från att mäta AI på isolerade frågor och svar, mot att testa den på det sjukvården faktiskt kräver – komplex, kontinuerlig, långsiktig patienthistorik.
Det är en hälsosam utveckling. Och den berättar något viktigt för beslutsfattare i hälsosektorn: den snabbaste vinsten ligger inte i att köpa de största modellerna, utan i att designa rätt arbetsflöden, träna på rättvist konstruerade data och utvärdera mot klinisk verklighet snarare än riktmärken skapade i akademiska laboratorier.
De organisationer som förstår detta – och bygger sin AI-strategi kring strukturerad process snarare än modellstorlek – kommer att ha ett genuint konkurrensförsprång. AI i vården är inte en fråga om om, utan om hur och när. Den frågan besvaras bäst av dem som läser forskningen med öppna ögon.