AI-dokumentationsværktøjer på tværs af europæiske sprog

AI-dokumentationsværktøjer klarer sig strukturelt dårligere på ikke-engelske europæiske sprog. Det er ikke en tilfældig fejl, men en konsekvens af, at de primært er trænet på engelsksprogede data. I flersprogede kliniske miljøer er det ikke blot en ulempe. Det er en potentiel risiko for patientsikkerheden.

Fejl opstår i to lag og forstærkes mellem dem

De fleste AI-dokumentationsværktøjer i primærsektoren bygger på to komponenter: automatisk talegenkendelse (herefter ASR), som omdanner talte ord til tekst, og et lag med en stor sprogmodel (herefter LLM) eller naturlig sprogbehandling (herefter NLP), som omdanner den transskriberede tekst til struktureret klinisk dokumentation.

Problemet er, at fejl ikke forbliver isoleret i ét lag. Hvis ASR fejlhører et klinisk udtryk udtalt med regional accent, får NLP-laget et fejlagtigt input og kan generere et notat, der lyder plausibelt, men er klinisk ukorrekt. Klinikere bør derfor ikke kun spørge "understøtter det dette sprog?", men også "hvor i processen fejler det, og hvordan?"

Hvorfor nogle europæiske sprog understøttes bedre end andre

Ubalance i træningsdata er den grundlæggende årsag. En model trænet på milliarder af engelske kliniske dokumenter, men kun millioner eller hundredtusindvis af tilsvarende tekster på hollandsk, rumænsk eller græsk, vil strukturelt klare sig dårligere på disse sprog. Forskning publiceret i Scientific Reports i 2025 beskriver de specifikke mekanismer: morfologisk rigdom, syntaktisk variation og diglossi skaber udfordringer, der er særligt alvorlige for underrepræsenterede sprog i domænespecifikke opgaver som medicinsk opsummering.

Engelsk er bedst understøttet med en betydelig margin. Spansk, fransk og tysk er rimeligt repræsenteret, dog med huller i klinisk ordforråd. Hollandsk, portugisisk og italiensk har moderat støtte med mærkbare mangler i specialistterminologi. Polsk, rumænsk, græsk, tjekkisk, ungarsk, finsk, catalansk, walisisk og maltesisk er typisk underrepræsenteret, og klinikere, der arbejder på disse sprog, bør selv verificere grundlæggende nøjagtighed frem for at tage den for givet.

Sprogfamiliespecifikke fejlkilder i klinisk dokumentation

Sprogfamiliestruktur skaber forudsigelige fejlmønstre. Tysk og hollandsk bruger sammensatte substantiver i stor udstrækning, altså enkelte ord dannet ved at sammenføje flere begreber. Et udtryk som Herzinsuffizienz (hjertesvigt) eller Bluthochdruck (forhøjet blodtryk) skal genkendes som én samlet klinisk enhed. AI-værktøjer uden tilstrækkelige tysksprogede kliniske træningsdata opdeler eller fejlgenkender ofte disse sammensætninger, og resultatet er notater, der udelader eller forvansker diagnosen.

Romanske sprog tildeler grammatisk køn til medicinsk terminologi, og klinisk betydning kan ændres, hvis kønskongruensen er forkert. Hertil kommer betydelig regional variation: den samme tilstand kan beskrives med forskellige foretrukne termer i Frankrig og Belgien eller i Spanien og Latinamerika. Forskning i tosprogede spanske og catalanske primærsektornotater viste, at det er et særskilt og vanskeligt problem at genkende diagnoser og knytte dem til ICD-10-koder i ikke-standardiserede tosprogede notater.

Polsk og tjekkisk er morfologisk komplekse sprog med omfattende bøjningssystemer, der ændrer ordendelser baseret på kasus, køn og tal. Et klinisk udtryk kan forekomme i seks eller flere former i løbet af én enkelt konsultation. Et AI-system uden tilstrækkelig eksponering for denne variation vil ikke konsekvent genkende det samme begreb på tværs af dets former. Flersprogede troværdighedsevalueringer af LLM'er i sundhedsvæsenet har identificeret dette som en kritisk barriere for reel anvendelse i slavisksprogede kliniske miljøer.

Dialekter, accenter og kodeskift

Selv inden for ét officielt understøttet sprog kan dialektvariation forringe ASR-nøjagtigheden markant. Et værktøj valideret til standardhollandsk kan sagtens underpræstere i en flamsk praksis. Schweizertysk adskiller sig så meget fra standardtysk, at mange ASR-systemer trænet på Hochdeutsch ikke pålideligt kan transskribere det. En narrativ gennemgang fra ADAPT Centre ved Dublin City University identificerer dette som én af de centrale uløste udfordringer i AI-sprogteknologi til sundhedsvæsenet og bemærker desuden, at de effektivitetsgevinster, AI-sprogværktøjer giver, kan skjule fejl og flytte ansvar på måder, der forstærkes, når dialektvariation ikke indgår i valideringen.

Tale med accent fra ikke-modersmålstalende er en beslægtet, men særskilt udfordring. En rumænsk-født praktiserende læge, der dokumenterer på engelsk, kan opleve markant lavere ASR-nøjagtighed end en indfødt engelsktalende på det samme værktøj. Det har direkte betydning for praksisser med internationalt uddannede klinikere, som udgør en væsentlig andel af primærsektorens arbejdsstyrker i både EU og Storbritannien.

Kodeskift, det vil sige at skifte mellem to eller flere sprog inden for én samtale, er rutine i flersprogede kliniske miljøer og samtidig et af de scenarier, nuværende værktøjer håndterer dårligst. En kliniker i Luxembourg kan dokumentere på fransk, mens vedkommende bruger latinske anatomiske termer, engelske lægemiddelnavne og lejlighedsvise tyske fraser. Når en kliniker skifter mellem et velressourceret og et underressourceret sprog, reagerer de fleste nuværende AI-dokumentationsværktøjer på én af to måder: enten skifter værktøjet helt til det dominerende sprog og udelader indhold talt på minoritetssproget, eller det forsøger at transskribere begge sprog, men indfører systematiske fejl ved overgangene. Begge udfald er uacceptable i en klinisk dokumentationskontekst, hvor manglende eller forvansket information direkte kan påvirke patientsikkerheden.

Klinisk terminologi er mere end et oversættelsesproblem

Flersproget klinisk dokumentation behandles ofte som primært en oversættelsesudfordring, men medicinsk ordforråd er ikke ensartet standardiseret på tværs af europæiske sprog. SNOMED CT, det mest anvendte kliniske terminologisystem, har officielle oversættelser på flere europæiske sprog, men dækningen er ujævn. Klinikere bruger ofte uformelle eller lokalt foretrukne termer, der ikke matcher direkte til nogen standardiseret kode. Et AI-værktøj trænet på engelske kliniske korpora kan genkende "heart failure" og matche det til den relevante SNOMED CT-kode, men undlade at gøre det samme på polsk, græsk eller finsk, selv hvis værktøjet nominelt "understøtter" disse sprog.

Det er her, det mest praktisk relevante fund fra forskningen i tosprogede spanske og catalanske primærsektornotater træder frem: kombinerede tosprogede træningsdata, frem for udelukkende sprogspecifikke data, gav konsekvent de bedste resultater på tværs af kontekster. I praksis betyder det, at et værktøj valideret på rent spansk vil fejle i en catalansk-spansk praksis, selv hvis begge sprog nominelt er understøttet.

Hvad klinikere bør kræve af leverandører før implementering

Klinikere og praksischefer bør gå ud over leverandørers markedsføringspåstande og stille specifikke, verificerbare spørgsmål. En kommentar fra 2025 om AI-skribenter i sundhedsvæsenet bemærker, at de fleste eksisterende evalueringer stammer fra små, kortvarige pilotstudier med deltagere, der er positivt indstillede over for teknologi. Den begrænsning gælder særligt for evalueringer af ikke-engelske sprog.

Bed om sprogspecifikke valideringsdata: på hvilke sprog er værktøjet valideret, og på hvilket datasæt? Hvad var ordfehlraten for ASR på målsproget sammenlignet med engelsk? Er værktøjet testet på den specifikke regionale variant, der bruges i din praksis, såsom flamsk hollandsk, schweizertysk eller catalansk? Undersøg desuden, hvordan værktøjet håndterer kodeskift, og bed om nøjagtighedsdata frem for blot kvalitative beskrivelser. Bed også om kliniske kodningsnøjagtighedsdata, der er specifikke for dit sprog og din kontekst. Et værktøj kan opnå acceptabel transskriptionsnøjagtighed og stadig fejle, når det kommer til at generere korrekte SNOMED CT- eller ICD-koder på målsproget.

Følgende er røde flag, der tyder på utilstrækkelig flersproget validering: leverandøren henviser kun til engelsksprogede valideringsstudier; nøjagtighedstal præsenteres som ét samlet tal på tværs af alle understøttede sprog; valideringen er udført på rene optagelser frem for ægte klinisk tale; dialekt- eller kodeskiftpræstation beskrives kun kvalitativt.

EuropeMedQA-studieprotokollen (i øjeblikket et preprint) foreslår et flersproget medicinsk eksamensdatasæt hentet fra officielle regulatoriske eksamener i Italien, Frankrig, Spanien og Portugal. God præstation på standardiserede eksamensspørgsmål forudsiger imidlertid ikke nødvendigvis god præstation på ægte klinisk tale, og datasættet bør ikke bruges som erstatning for klinisk validering.

GDPR og regulatoriske forpligtelser gælder uanset sprog

Databeskyttelsesforordningen (GDPR) gælder for alle persondata, der behandles inden for EU, uanset hvilket sprog de er talt eller optaget på. Lydoptagelser af kliniske konsultationer udgør følsomme sundhedsdata i henhold til artikel 9 og er underlagt alle databeskyttelsesforpligtelser. Praksisser bør verificere tre forhold. Hvor lyddata behandles og opbevares: nogle værktøjer sender lyd til cloud-infrastruktur uden for EU, og overførsler uden for Det Europæiske Økonomiske Samarbejdsområde kræver passende sikkerhedsforanstaltninger i henhold til kapitel V. Om privatlivsdokumentation dækker alle understøttede sprog: værktøjer, der behandler ikke-engelsk lyd gennem anden infrastruktur, kan have inkonsistente politikker for, hvor data opbevares. Og status under forordningen om medicinsk udstyr (MDR): AI-dokumentationsværktøjer, der genererer kliniske output, kan kvalificere som medicinsk udstyr, hvilket har betydning for, hvilke sprog og kliniske kontekster der er blevet formelt valideret.

Hvad der skal ændres, før disse værktøjer er pålideligt sikre i Europa

Det flersprogede præstationsgab kan løses, men det bliver ikke håndteret tilstrækkeligt i dag. Tre ændringer er nødvendige, og den tredje er den vigtigste.

Mere forskelligartede træningsdatasæt er et oplagt udgangspunkt. Dominansen af engelsksprogede data afspejler historiske forsknings- og kommercielle prioriteter, ikke den faktiske fordeling af klinisk aktivitet i Europa. Dialektbevidst modeludvikling er den næste forudsætning: standardsprogvarianter er ikke tilstrækkelige som grundlag for klinisk AI-validering, og modeller skal testes og finjusteres på de regionale varianter, der rent faktisk bruges i klinisk praksis, flamsk hollandsk, schweizertysk, catalansk og de mange andre varianter, der udgør det virkelige sproglige landskab i europæisk primærsektor. ADAPT Centres gennemgang fra 2026 argumenterer for, at det kræver ikke kun bedre modeller, men ansvarligt socioteknisk design og stærkere samarbejde på tværs af NLP, klinisk praksis og politik.

Men ingen af de to første ændringer vil ske i tilstrækkeligt omfang uden den tredje: klinisk validering som et regulatorisk krav. Et politikpapir i BMJ opfordrer til evidensbaserede politiske rammer, der kræver, at AI-sprogværktøjer i sundhedsvæsenet dokumenterer klinisk sikkerhed på tværs af de sprog og kontekster, hvor de implementeres. Uden regulatorisk pres har leverandører begrænset kommercielt incitament til at investere i validering for mindre sprogmarkeder, og det vil de fortsat have, uanset hvor gode de underliggende modeller bliver.

For klinikere, der arbejder i flersprogede europæiske miljøer i dag, er konsekvensen klar: sprogunderstøttelse opført på en leverandørs hjemmeside er ikke det samme som valideret klinisk præstation. Den mest pålidelige beskyttelse mod sammensatte fejl i kliniske journaler er at anvende de spørgsmål og benchmarks, der er beskrevet ovenfor, systematisk inden implementering af flersprogede AI-dokumentationsværktøjer.

Ofte stillede spørgsmål

▶ Hvorfor præsterer AI-dokumentationsværktøjer forskelligt på tværs af europæiske sprog?

Fejl opstår i to lag og forstærkes mellem dem. En ASR-fejl på transskriptionsniveauet giver NLP-laget et forkert input, som kan producere et notat, der lyder plausibelt, men er klinisk ukorrekt. Jo lavere et sprog er repræsenteret i træningsdataene, jo større er risikoen for, at fejl i begge lag sammenfattes i det endelige notat.

▶ Hvilke europæiske sprog understøttes bedst og mindst af kliniske AI-dokumentationsværktøjer?

Engelsk er bedst understøttet. Spansk, fransk og tysk er rimeligt repræsenteret, hollandsk, portugisisk og italiensk moderat. Polsk, rumænsk, græsk, tjekkisk, ungarsk, finsk, catalansk, walisisk og maltesisk er typisk underrepræsenteret. Klinikere på disse sprog bør verificere nøjagtighed selv, da leverandørernes markedsføringspåstande ikke er det samme som valideret klinisk præstation.

▶ Hvilke specifikke dokumentationsfejl bør klinikere forvente med germanske og slaviske sprog?

På tysk og hollandsk opdeles sammensatte substantiver som Herzinsuffizienz ofte forkert, så diagnosen udelades eller forvanskes. På polsk og tjekkisk kan det samme kliniske udtryk forekomme i seks eller flere bøjningsformer i én konsultation. Uden tilstrækkelig eksponering for denne variation genkender værktøjet ikke konsekvent det samme begreb på tværs af dets former.

▶ Påvirker dialekt og tale med accent AI-dokumentationsnøjagtigheden?

Ja. Dialektvariation og accent fra ikke-modersmålstalende er to adskilte problemer, og begge kan sænke ASR-nøjagtigheden markant. En praksis med internationalt uddannede klinikere bør derfor teste værktøjet med de faktiske stemmer, der vil bruge det, frem for at stole på valideringsdata indsamlet på standardiserede optagelser.

▶ Hvordan håndterer AI-dokumentationsværktøjer kodeskift, hvor klinikere blander sprog midt i konsultationen?

De fleste nuværende værktøjer håndterer kodeskift dårligt og reagerer på én af to måder: enten skifter værktøjet helt til det dominerende sprog og udelader indhold talt på minoritetssproget, eller det forsøger at transskribere begge sprog, men indfører systematiske fejl ved overgangene. Begge udfald er uacceptable i klinisk dokumentation.

▶ Er flersproget klinisk dokumentation bare et oversættelsesproblem?

Nej. Forskning i tosprogede spanske og catalanske primærsektornotater viste, at kombinerede tosprogede træningsdata gav bedre resultater end sprogspecifikke data alene. Et værktøj valideret på rent spansk vil fejle i en catalansk-spansk praksis, selv hvis begge sprog er opført som understøttede.

▶ Hvilke spørgsmål bør klinikere stille leverandører, når de evaluerer et AI-dokumentationsværktøj til en flersproget praksis?

Bed om ordfehlrate for ASR på målsproget sammenlignet med engelsk, og spørg specifikt til den regionale variant din praksis bruger. Bed om kliniske kodningsnøjagtighedsdata for SNOMED CT og ICD på målsproget. Et rødt flag er, hvis leverandøren kun kan fremvise engelsksprogede valideringsstudier eller præsenterer nøjagtighed som ét samlet tal på tværs af alle understøttede sprog.

▶ Hvad er GDPR-implikationerne ved at bruge AI-dokumentationsværktøjer, der behandler ikke-engelsk lyd?

GDPR gælder uanset sprog. Et praktisk punkt, der ofte overses: værktøjer, der behandler ikke-engelsk lyd gennem anden infrastruktur end engelsk lyd, kan have inkonsistente politikker for, hvor data opbevares. Verificer eksplicit datalokation for hvert sprog din praksis bruger, ikke kun for det primære sprog.

▶ Hvilke nøjagtighedsbenchmarks indikerer, at et AI-dokumentationsværktøj er egnet til klinisk brug på et ikke-engelsk sprog?

Tre minimumstærskler bør kræves: ASR-ordfehlrate under 10 til 15 procent for det specifikke sprog og den dialekt, der bruges i praksis, klinisk terminologigenkendelse over 80 procent for de mest almindelige diagnostiske termer på målsproget, og ICD- eller SNOMED-kodningsnøjagtighed sammenlignelig med det samme værktøjs præstation på engelsk.

▶ Hvilke ændringer er nødvendige, før AI-dokumentationsværktøjer kan betragtes som pålideligt sikre på tværs af flersproget europæisk primærsektor?

Mere forskelligartede træningsdata og dialektbevidst modeludvikling er forudsætninger, men ingen af delene vil ske i tilstrækkeligt omfang uden klinisk validering som et regulatorisk krav. Et BMJ-politikpapir argumenterer for, at leverandører uden regulatorisk pres har begrænset kommercielt incitament til at investere i validering for mindre sprogmarkeder, uanset hvor gode de underliggende modeller bliver.