Europæiske kommunale sundhedstjenester står over for et stigende administrativt pres. Sundhedspersonale i kommunerne bruger en stadig større del af deres arbejdsdag på dokumentation frem for direkte patientkontakt. Samtidig skal kommunerne levere mere struktureret rapportering på befolkningsniveau, håndtere mangel på arbejdskraft og modernisere offentlige tjenester uden at forstyrre de arbejdsgange, der holder de kommunale programmer kørende. AI-assisterede dokumentationsværktøjer er kommet ind i dette miljø som en mulig løsning. For kommunale sundhedsadministratorer ligger beslutningen om at evaluere eller afprøve et sådant værktøj i krydsfeltet mellem udbudsret, databeskyttelsesregler, ny AI-lovgivning, regler for medicinsk udstyr og klinisk ledelse. Hver af disse har sine egne krav, tidsplaner og interne interessenter. Denne artikel beskriver, hvad administratorer skal vide, før de går i gang.

Hvad gør AI-assisterede dokumentationsværktøjer i en folkesundhedskontekst

AI-assisterede dokumentationsværktøjer, også kaldet AI-medicinske assistenter eller ambient dokumentationsværktøjer, optager talte kliniske møder og omdanner dem til strukturerede journalnotater. I praksis gennemfører en kommunal sundhedsmedarbejder et patientbesøg som normalt. Værktøjet lytter, transskriberer og genererer et udkast til et notat. Klinikeren gennemgår og godkender det, før det indgår i journalsystemet.

I en kommunal folkesundhedskontekst adskiller dette sig væsentligt fra, hvordan lignende værktøjer fungerer i lægepraksis eller på hospitalsafdelinger. Kommunale sundhedsprogrammer er typisk på befolkningsniveau og ikke-akutte. De omfatter hjemmesygeplejebesøg, opfølgning på mental sundhed, rehabiliteringsforløb, sundhedsplejerskeaftaler og håndtering af kroniske sygdomme i lokalsamfundet. Dokumentationskravene har en tendens til at være omfattende, gentagne i struktur og fordelt på en arbejdsstyrke, der ofte arbejder på tværs af flere lokationer uden fast administrativ støtte.

Den praktiske værdi i denne sammenhæng er tidsbesparelse. Et seks ugers pilotprojekt i Farsund Kommune, Norge, hvor tyve medarbejdere på tværs af tre plejeteams deltog, viste, at den samlede daglige dokumentationstid faldt fra cirka tre timer til ti til femten minutter. Værktøjet blev testet i faktiske patientsamtaler på tværs af kommunale sundhedsindstillinger.

En separat storskalaundersøgelse på tværs af Capio/Ramsay Santé-faciliteter i Sverige, der evaluerede en AI-medicinsk assistent på baggrund af 375.000 journalnotater, fandt konsekvente reduktioner i selvrapporteret dokumentationstid på tværs af flere plejeniveauer. Undersøgelsen var præregistreret og fulgte SQUIRE-rapporteringsretningslinjerne.

Disse værktøjer diagnosticerer ikke, ordinerer ikke og genererer ikke kliniske anbefalinger. De transskriberer og strukturerer, hvad en kliniker siger og gør under et møde. Denne skelnen har direkte regulatoriske konsekvenser.

EU AI-loven: hvilken risikoklassifikation gælder for folkesundhedsdokumentationsværktøjer

EU AI-loven trådte i kraft i august 2024 og indfører et lagdelt risikoklassifikationssystem for AI-systemer, der implementeres i EU. Det er afgørende at forstå, hvor et dokumentationsværktøj placerer sig inden for denne ramme, da klassifikationen bestemmer de forpligtelser, der gælder både for leverandøren og den implementerende organisation.

Loven skelner mellem højrisiko-AI-systemer og dem, der udgør lavere eller minimal risiko. Højrisikosystemer inden for sundhedsvæsenet er primært defineret som dem, der bruges til diagnose, behandlingsbeslutninger eller klinisk beslutningsstøtte, som direkte påvirker patientplejen. Et AI-system, der genererer kliniske anbefalinger, markerer diagnoser eller understøtter ordination, vil sandsynligvis falde inden for højrisikokategorien og skal opfylde overensstemmelseskrav før implementering.

Et dokumentationsværktøj, der optager og strukturerer kliniske møder uden at generere kliniske anbefalinger, har en anden status. Dets primære funktion er administrativ: konvertering af tale til struktureret tekst til klinikergennemgang. Administratorer bør bekræfte med leverandører, om deres værktøj er vurderet under EU AI-loven, og hvilken risikoklassifikation der gælder. Anmod om EU AI-lovens overensstemmelsesdokumentation. Hvor en leverandør hævder en lavere risikoklassifikation, bør administratorer bede om en skriftlig begrundelse og verificere, at værktøjet ikke indeholder beslutningsstøttefunktioner, der ville ændre dets klassifikation.

Loven indfører også gennemsigtighedsforpligtelser. Hvor AI-systemer interagerer med personer, herunder patienter, skal disse informeres. Selv i en dokumentationskontekst har dette betydning for, hvordan kommuner informerer patienter om, hvilken teknologi der anvendes under deres aftaler.

GDPR-forpligtelser, der gælder før, under og efter pilotprojekt

Sundhedsdata er særlige kategorier af data i henhold til artikel 9 i den generelle databeskyttelsesforordning (GDPR). Behandling kræver ikke kun et lovligt grundlag i henhold til artikel 6, men også en yderligere betingelse i henhold til artikel 9, oftest eksplicit samtykke eller behandling, der er nødvendig for levering af sundheds- eller socialomsorg i henhold til artikel 9(2)(h). Kommunale folkesundhedsorganer skal fastlægge, hvilket grundlag der gælder for deres specifikke program, og dokumentere beslutningen, før et pilotprojekt påbegyndes.

De vigtigste GDPR-forpligtelser, administratorer bør adressere på hvert trin af et pilotprojekt:

• Før pilotprojekt: Gennemfør en konsekvensanalyse vedrørende databeskyttelse (DPIA). I henhold til artikel 35 i GDPR er en DPIA obligatorisk, når behandling sandsynligvis vil medføre høj risiko for enkeltpersoner. Behandling af særlige kategorier af sundhedsdata ved brug af ny teknologi opfylder denne tærskel. DPIA'en skal identificere risici, vurdere nødvendigheden og proportionaliteten af behandlingen og dokumentere de trufne foranstaltninger.

• Under pilotprojekt: Anvend principper om dataminimering. Værktøjet bør kun behandle de data, der er nødvendige. Administratorer bør sikre, at lydoptagelser ikke opbevares længere end nødvendigt for transskription, og at leverandøren ikke bruger patientdata til modeltræning uden eksplicit tilladelse.

• Efter pilotprojekt og ved implementering: Oprethold registre over behandlingsaktiviteter i henhold til artikel 30, sikr at datasubjekters rettigheder kan udøves (herunder adgang og sletning), og gennemgå databehandleraftalen med leverandøren.

Databehandleraftalen mellem kommunen og leverandøren er et kontraktkrav i henhold til artikel 28 i GDPR. Den skal specificere emnet, varigheden, arten og formålet med behandlingen, typen af persondata og kategorier af datasubjekter samt forpligtelser og rettigheder for den dataansvarlige. Administratorer bør ikke igangsætte et pilotprojekt uden en underskrevet databehandleraftale.

Datalokation og suverænitet: hvad europæiske kommuner skal bekræfte

For de fleste europæiske folkesundhedsorganer er behandling af sundhedsdata uden for EU/EØS ikke tilladt i henhold til deres nationale databeskyttelsesregler, uanset hvad GDPR teknisk set tillader gennem overførselsmekanismer. Flere EU-medlemsstater har national lovgivning, der stiller strengere krav end GDPR, og mange kommunale udbudspolitikker kræver eksplicit bekræftelse af EU-datalokation.

Før et pilotprojekt bør administratorer indhente skriftlig bekræftelse fra leverandøren om følgende:

• Hvor lyddata behandles (serverplacering ved transskriptionstidspunktet)

• Hvor strukturerede notater opbevares, og hvor længe

• Om der er involveret underdatabehandlere, og hvor disse er placeret

• Om nogen data på noget tidspunkt overføres uden for EU/EØS, herunder til modeltræning eller kvalitetssikring

Det europæiske sundhedsdatarum (EHDS), som trådte i kraft i 2025, indfører yderligere infrastruktur til grænseoverskridende brug af sundhedsdata i EU. Administratorer bør følge, hvordan EHDS interagerer med nationale datalokationskrav, efterhånden som implementeringen skrider frem, især for kommuner, der driver grænseoverskridende sundhedsprogrammer.

Leverandører med base i eller som anvender infrastruktur i USA, Storbritannien eller andre ikke-EØS-lande bør specificere den juridiske overførselsmekanisme, der anvendes (fx standardkontraktbestemmelser), og bekræfte, at ingen sundhedsdata behandles på servere uden for EØS som en del af den normale drift.

Forordning om medicinsk udstyr: hvornår gælder den for dokumentationsværktøjer

EU's forordning om medicinsk udstyr (MDR) gælder for software, der er beregnet til et medicinsk formål, herunder diagnose, forebyggelse, overvågning, forudsigelse, prognose, behandling eller lindring af sygdom. Om et AI-dokumentationsværktøj falder ind under MDR afhænger af, hvad softwaren faktisk gør – ikke hvad den markedsføres som.

Et værktøj, hvis eneste funktion er at transskribere og strukturere kliniske møder uden at generere output, der påvirker kliniske beslutninger, betragtes generelt ikke som medicinsk udstyr i henhold til MDR. Hvis et værktøj derimod indeholder funktioner som markering af kliniske abnormiteter, forslag til diagnoser eller anvisning af behandlingsovervejelser, kan disse funktioner bringe det ind under MDR.

Administratorer bør:

• Bede leverandører om at levere en skriftlig MDR-klassifikationsbegrundelse

• Verificere, om værktøjet har et CE-mærke som medicinsk udstyr, og i så fald under hvilken klassifikation

• Bekræfte, at eventuel CE-mærkning gælder for den version af værktøjet, der afprøves, ikke en tidligere version

• Kontrollere, om leverandøren har et kvalitetsstyringssystem certificeret til ISO 13485, som kræves for producenter af medicinsk udstyr

MedRxiv-undersøgelsen, der evaluerede Tandem AI-medicinsk assistent på tværs af svenske sundhedsfaciliteter, er bemærkelsesværdig, fordi det evaluerede værktøj var CE-mærket – et datapunkt, der er relevant for administratorer, som vurderer, hvordan leverandørcertificering ser ud i praksis for denne type værktøj.

Offentlige udbudsregler og hvordan de former evalueringsprocessen

AI-dokumentationsværktøjer, der indkøbes af europæiske kommunale folkesundhedsorganer, er underlagt EU's offentlige udbudsregler i henhold til direktiv 2014/24/EU. Direktivet gælder over definerede økonomiske tærskler. For offentlige organer på sub-centralt niveau er den nuværende tærskel for tjenesteydelseskontrakter €215.000 (ekskl. moms), selvom dette tal revideres hvert andet år af Europa-Kommissionen og bør verificeres i forhold til den seneste kommissionsdelegerede forordning. Kontrakter over denne tærskel kræver en formel udbudsprocedure offentliggjort i Den Europæiske Unions Tidende.

Under tærsklen har kommunerne større fleksibilitet, men nationale udbudsregler gælder stadig og varierer fra medlemsstat til medlemsstat. I praksis bør selv indkøb under tærsklen af AI-værktøjer følge en dokumenteret konkurrencedygtig proces for at opfylde revisionskrav og demonstrere værdi for pengene.

Når der udarbejdes tekniske specifikationer for et AI-dokumentationsværktøj, bør administratorer undgå krav, der er så snævre, at de reelt kun beskriver én leverandørs produkt, da dette er forbudt ifølge direktivet. I stedet bør specifikationer beskrive funktionelle krav (fx realtidstransskription på det relevante sprog, struktureret output kompatibelt med det eksisterende journalsystem, EU-datalokation) og overensstemmelseskrav (fx GDPR-overholdelse, EU AI-lovens overensstemmelsesdokumentation, ISO 27001-certificering).

Kontraktvilkår bør omfatte:

• Klare dataejerskabsbestemmelser, der bekræfter, at alle patientdata og genererede notater forbliver kommunens eller den relevante sundhedsmyndigheds ejendom

• Exitbestemmelser, der giver kommunen mulighed for at hente sine data og overgå til en alternativ leverandør uden uforholdsmæssige omkostninger eller teknisk lock-in

• Revisionsrettigheder, der gør det muligt for kommunen at verificere overholdelse af databehandlingsforpligtelser i kontraktperioden

OECD har bemærket, at de fleste EU-sundhedssystemer mangler dedikerede refusionsstrukturer for AI-værktøjer, og har fremhævet kollektive indkøbsmodeller, såsom fem hollandske hospitaler, der samler ressourcer for at evaluere AI-systemer, som en mekanisme til retfærdig implementering. Kommuner, der overvejer fælles udbud med nabokommuner eller regionale sundhedsorganer, bør vurdere, om denne model kan reducere evalueringsomkostninger og styrke forhandlingspositionen.

De praktiske spørgsmål, administratorer stiller før pilotprojekt

Baseret på dokumenterede evalueringer og udbudsvejledninger omfatter de operationelle og ledelsesmæssige spørgsmål, der oftest rejses, før et pilotprojekt godkendes:

• Hvem ejer outputdataene? De strukturerede notater, der genereres af værktøjet, er kliniske journaler. Ejerskab og forvaltning skal fremgå tydeligt af kontrakten.

• Hvad sker der, hvis værktøjet laver en fejl? Klinikeren, der gennemgår og godkender notatet, bevarer det kliniske og juridiske ansvar. Administratorer bør sikre, at dette er eksplicit i leverandøraftalen, og at værktøjet ikke præsenterer output på en måde, der kan mindske klinikerens opmærksomhed under gennemgang.

• Hvordan håndteres patientsamtykke? Patienter skal informeres om, at et AI-værktøj er til stede under deres aftale. Administratorer skal have en klar, dokumenteret proces til at indhente og registrere denne information.

• Hvordan håndteres medarbejdersamtykke? Medarbejdere, hvis stemmer optages af værktøjet, er også datasubjekter. Deres rettigheder i henhold til GDPR gælder, og deres samtykke eller et andet lovligt grundlag skal være på plads.

• Hvilke revisionsspor er påkrævet? Klinisk ledelse kræver, at det er muligt at rekonstruere, hvad der skete under et møde, og hvem der godkendte det resulterende notat. Administratorer bør bekræfte, hvilke logfiler værktøjet opretholder, og hvor længe de opbevares.

• Hvordan interagerer værktøjet med det eksisterende journalsystem? Integrationskrav varierer betydeligt. Nogle værktøjer eksporterer struktureret tekst, der skal importeres manuelt, andre integrerer direkte via API. Integrationsmodellen påvirker både arbejdsgang og datasikkerhedsvurdering.

En peer-reviewed undersøgelse, der undersøger indkøb af sundhedsteknologi i svenske kommuner, fandt, at struktureret brug af evidens i indkøbs- og evalueringsbeslutninger er inkonsekvent, og at eksisterende national vejledning er utilstrækkelig til at støtte kommuner i at træffe velinformerede beslutninger. Denne konklusion understreger vigtigheden af at opbygge intern evalueringskapacitet frem for udelukkende at stole på leverandørens evidens.

Sådan struktureres et lavrisikopilotprojekt i et kommunalt sundhedsprogram

Et velafgrænset pilotprojekt reducerer regulatorisk eksponering, skaber brugbar evidens og danner grundlag for en forsvarlig implementeringsbeslutning. Følgende elementer kendetegner et lavrisiko-pilotdesign:

• Defineret omfang: Begræns pilotprojektet til et specifikt plejeteam, program eller sted. Et enkelt kommunalt sygeplejeteam eller et opfølgningsprogram for mental sundhed er mere overskueligt end en kommunedækkende udrulning.

• Defineret varighed: Seks til tolv uger er tilstrækkeligt til at generere meningsfulde data om dokumentationstid, medarbejderoplevelse og notatkvalitet. Farsund Kommune-pilotprojektet varede seks uger og gav klare, kvantificerbare resultater.

• Forudaftalte succeskriterier: Definer på forhånd, hvordan et vellykket pilotprojekt ser ud. Relevante målinger omfatter dokumentationstid pr. besøg, medarbejderrapporterede brugbarhedsscorer, fejlrater i genererede notater og patientfeedback om oplevelsen af at have værktøjet til stede.

• Ledelsesmæssige godkendelser: Før pilotprojektet begynder, skal der indhentes skriftlig godkendelse fra databeskyttelsesrådgiveren (DPIA gennemført), indkøbslederen (kontrakt og databehandleraftale på plads) og den kliniske leder (klinisk ledelsesramme aftalt). Dokumentér disse godkendelser.

• Medarbejderuddannelse: Sikr, at alle deltagende medarbejdere forstår, hvordan værktøjet fungerer, hvad deres gennemgangsansvar er, og hvordan man rapporterer fejl eller bekymringer. WHO/Europa-rapporten om AI i sundhedsvæsenet, den første omfattende gennemgang på tværs af alle 27 EU-medlemsstater, identificerer arbejdsstyrkeuddannelse og AI-kompetencer som blandt de vigtigste faktorer for vellykket AI-implementering.

• Patientkommunikation: Forbered en klar forklaring på almindeligt sprog til patienter om værktøjets tilstedeværelse og formål. Dette bør være tilgængeligt på de sprog, der tales af patientgruppen.

• Exitplan: Definer, hvad der sker med data, notater og adgangsrettigheder, hvis pilotprojektet afbrydes, eller leverandørforholdet ophører før fuld implementering.

Leverandørvurdering: hvad man skal kigge efter ud over salgstalen

Følgende egenskaber bør verificeres uafhængigt og ikke blot accepteres på baggrund af markedsføringsmateriale:

• ISO 27001-certificering: Dette er den internationale standard for informationssikkerhedsstyring. Anmod om det aktuelle certifikat, og verificér, at det dækker de systemer, der bruges til at behandle sundhedsdata.

• GDPR-databehandleraftale: Denne skal være på plads, før nogen data deles. Gennemgå den i forhold til artikel 28-kravene, og sikr, at den afspejler de faktiske behandlingsaktiviteter.

• EU AI-lovens overensstemmelsesdokumentation: Bed om leverandørens skriftlige risikoklassifikationsvurdering og eventuel overensstemmelsesdokumentation, der kræves under deres klassifikationsniveau.

• Status for medicinsk udstyr: Hvis værktøjet har et CE-mærke som medicinsk udstyr, skal du anmode om overensstemmelseserklæringen og verificere det bemyndigede organ, der er involveret.

• Bekræftelse af datalokation: Indhent skriftlig bekræftelse af, hvor data behandles og opbevares på hvert trin, herunder underdatabehandlere.

• Gennemsigtighed i modeltræning: Spørg eksplicit, om patientdata fra din implementering vil blive brugt til at træne eller finjustere modellen. Hvis ja, hvad er det juridiske grundlag, og kan du fravælge det?

• Evidens fra sammenlignelige indstillinger: Anmod om referencer eller publiceret evidens fra implementeringer i offentlig sektor eller kommunale sundhedsindstillinger i Europa. Peer-reviewed eller præregistrerede undersøgelser vægter højere end interne casestudier.

• Sprogkapacitet: Bekræft, at værktøjet fungerer nøjagtigt på det/de specifikke sprog, der bruges af dit kliniske personale, herunder regionale dialekter eller klinisk terminologi, der er specifik for dit nationale sundhedssystem.

Et crossover-randomiseret kontrolleret forsøg, der evaluerer AI-assisteret klinisk kodning i Sverige og Norge, udført af det norske center for e-sundhedsforskning, giver en nyttig metodologisk reference til stringent evalueringsdesign, selvom det bør bemærkes, at vurdering af klinisk kodning adskiller sig fra evaluering af ambient dokumentationsværktøjer. Administratorer kan bruge forsøgets metodologi som benchmark, når de vurderer kvaliteten af den evidens, leverandører præsenterer for deres specifikke use case.

En begrænsning i den nuværende evidensbase er værd at bemærke: De fleste publicerede evalueringer af AI-dokumentationsværktøjer bygger på selvrapporterede resultater såsom oplevede tidsbesparelser eller brugbarhedsscorer. Objektiv måling af dokumentationskvalitet, fejlrater og efterfølgende kliniske resultater er fortsat begrænset. Administratorer bør vægte leverandørens påstande derefter og, hvor det er muligt, indarbejde objektiv måling i deres eget pilotdesign.

Opbygning af den interne case: tilpasning af indkøbs-, juridiske og kliniske teams

AI-dokumentationsværktøjer befinder sig i krydsfeltet mellem mindst fire regulatoriske rammer (GDPR, EU AI-loven, MDR og offentlig udbudsret) og kræver typisk godkendelse fra mindst tre interne funktioner: indkøb, juridisk/databeskyttelse og klinisk ledelse. I kommunale sammenhænge arbejder disse funktioner ikke nødvendigvis sammen til daglig, og hver kan have forskellige primære bekymringer.

En praktisk tilgang til intern tilpasning indebærer:

• Start med databeskyttelsesrådgiveren. DPIA er en forudsætning for ethvert pilotprojekt, der involverer særlige kategorier af sundhedsdata. At inddrage databeskyttelsesrådgiveren tidligt, før leverandørvalg, undgår den hyppige situation, hvor en foretrukken leverandør identificeres og derefter ikke lever op til databeskyttelseskravene.

• Formuler den kliniske case i operationelle termer. Kliniske ledere er mere tilbøjelige til at engagere sig i et forslag, der handler om reduktion af dokumentationsbyrde og tidsbesparelse, end et der fokuserer på teknologiadoption. Evidensen fra Farsund og den svenske multi-site-undersøgelse giver konkrete tal, der kan understøtte denne dialog.

• Giv indkøb den regulatoriske kontekst, de har brug for. Indkøbsteams er måske ikke bekendt med EU AI-loven eller MDR. At give et klart overblik over, hvilke forpligtelser der gælder, og hvilke der er leverandørens ansvar versus kommunens, hjælper indkøb med at skrive specifikationer og evaluere tilbud korrekt.

• Dokumenter hver beslutning. I et reguleret udbudsmiljø er revisionssporet vigtigt. Hver beslutning (om at fortsætte, om at pause, om at udelukke en leverandør) bør dokumenteres med en begrundelse.

Norges nationale AI-plan for sundhedsvæsenet, ledet af det norske sundhedsdirektorat, sigter eksplicit mod at skalere AI på tværs af både kommunale og specialiserede plejeindstillinger og inkluderer virkelige implementeringer såsom Vestre Viken Health Trusts AI-udrulning, der betjener 22 kommuner og cirka 500.000 mennesker. Denne nationale satsning giver et nyttigt referencepunkt for kommunale administratorer, der ønsker at opbygge intern opbakning til evaluering. Det viser, at AI-dokumentationsværktøjer tages alvorligt på politisk niveau og ikke blot betragtes som eksperimentelle.

Hvordan god evaluering ser ud: nye standarder på tværs af Europa

På tværs af Europa er tilgangen til evaluering af AI-dokumentationsværktøjer i folkesundhedsindstillinger stadig under udvikling. Der findes ingen entydig standard, men flere rammer og initiativer former, hvordan god evaluering bør se ud.

Europa-Kommissionens SHAIPED-projekt, lanceret i marts 2025, afprøver AI-modeludvikling og validering ved hjælp af HealthData@EU-infrastrukturen. Dette grænseoverskridende initiativ bygger fælles infrastruktur til evaluering af AI i sundhedsvæsenet i stor skala, hvilket er relevant for kommuner, der ønsker at tilpasse deres evalueringstilgange til nye EU-standarder.

WHO/Europa-rapporten offentliggjort i april 2026, baseret på data indsamlet fra alle 27 EU-medlemsstater mellem juni 2024 og marts 2025, fandt, at 81 procent af medlemsstaterne aktivt involverer interessenter i AI-styring, og at flertallet allerede implementerer AI-værktøjer i kliniske indstillinger. Rapporten peger på behovet for strukturerede evalueringsrammer og styrkelse af arbejdsstyrkens AI-kompetencer som prioriteter på tværs af regionen.

For kommunale administratorer er evalueringsrammer tilgængelige, men endnu ikke standardiserede. De mest troværdige tilgange har flere fællestræk:

• Præregistrering af evalueringsprotokoller (som i den svenske multi-site scribe-undersøgelse)

• Anvendelse af validerede brugbarhedsinstrumenter sammen med tidsbaserede målinger

• Inklusion af patientoplevelsesdata, ikke kun medarbejderoplevelse

• Uafhængig eller tredjepartsgennemgang af leverandørens evidens

• Gennemsigtig rapportering af negative fund eller begrænsninger sammen med positive resultater

Det open source Berta-dokumentationsværktøj, implementeret på tværs af 105 by- og landfaciliteter af 198 akutlæger mellem november 2024 og juli 2025, repræsenterer en model for gennemsigtig evaluering. Dets udviklings- og implementeringsmetodologi er offentligt dokumenteret, hvilket muliggør ekstern kontrol. Selvom open source-værktøjer giver deres egne ledelsesmæssige overvejelser, tilbyder gennemsigtigheden i deres evalueringsmetode et nyttigt referencepunkt.

Administratorer, der udvikler deres egne evalueringsrammer, bør også følge vejledning fra deres nationale sundhedsmyndigheder og databeskyttelsestilsyn, som begge i stigende grad offentliggør AI-specifik vejledning. Det regulatoriske miljø er i bevægelse: Hvad der er bedste praksis i midten af 2026, kan blive erstattet af formel vejledning inden for de næste tolv til atten måneder. Evalueringsrammer bør designes, så de kan tilpasses denne udvikling.

Ofte stillede spørgsmål

Hvad gør AI-assisterede dokumentationsværktøjer faktisk under et kommunalt sundhedsbesøg

Et AI-assisteret dokumentationsværktøj lytter til et patientbesøg, transskriberer mødet og genererer et udkast til et journalnotat. Klinikeren gennemgår og godkender notatet, før det indgår i journalsystemet. Værktøjet diagnosticerer ikke, ordinerer ikke og genererer ikke kliniske anbefalinger. Dets funktion er administrativ: konvertering af tale til struktureret tekst til klinikergennemgang.

Hvilken evidens findes der for tidsbesparelser i kommunale folkesundhedsindstillinger

Et seks ugers pilotprojekt i Farsund Kommune, Norge, hvor tyve medarbejdere på tværs af tre plejeteams deltog, viste, at den samlede daglige dokumentationstid faldt fra cirka tre timer til ti til femten minutter. En separat storskalaundersøgelse på tværs af Capio/Ramsay Santé-faciliteter i Sverige, der evaluerede en AI-medicinsk assistent på baggrund af 375.000 journalnotater, fandt konsekvente reduktioner i selvrapporteret dokumentationstid på tværs af flere plejeniveauer. Undersøgelsen var præregistreret og fulgte SQUIRE-rapporteringsretningslinjerne. De fleste publicerede evalueringer bygger på selvrapporterede resultater, så administratorer bør indarbejde objektiv måling i deres eget pilotdesign, hvor det er muligt.

Klassificerer EU AI-loven dokumentationsværktøjer som højrisiko

EU's lov om kunstig intelligens, som trådte i kraft i august 2024, klassificerer AI-systemer, der bruges til diagnose, behandlingsbeslutninger eller klinisk beslutningsstøtte, som højrisiko. Et dokumentationsværktøj, hvis eneste funktion er at transskribere og strukturere kliniske møder uden at generere kliniske anbefalinger, har en anden status. Administratorer bør bede leverandører om en skriftlig risikoklassifikationsbegrundelse og verificere, at værktøjet ikke indeholder beslutningsstøttefunktioner, der ville ændre dets klassifikation til højrisiko.

Hvilke GDPR-forpligtelser gælder, før et pilotprojekt begynder

Sundhedsdata er særlige kategorier af data i henhold til artikel 9 i den generelle databeskyttelsesforordning. Før ethvert pilotprojekt skal kommuner gennemføre en konsekvensanalyse vedrørende databeskyttelse, som er obligatorisk i henhold til artikel 35, når behandling af særlige kategorier af sundhedsdata ved brug af ny teknologi finder sted. En underskrevet databehandleraftale med leverandøren, påkrævet i henhold til artikel 28, skal også være på plads, før nogen data deles. Administratorer bør fastlægge det lovlige grundlag for behandling og dokumentere beslutningen, før pilotprojektet starter.

Hvordan bekræfter kommuner, at patientdata forbliver inden for EU

Administratorer bør indhente skriftlig bekræftelse fra leverandøren om, hvor lyddata behandles ved transskription, hvor strukturerede notater opbevares og hvor længe, om der er involveret underdatabehandlere og hvor de er placeret, samt om nogen data overføres uden for EU eller Det Europæiske Økonomiske Samarbejdsområde på noget tidspunkt, herunder til modeltræning eller kvalitetssikring. Leverandører, der bruger infrastruktur uden for EØS, bør specificere den juridiske overførselsmekanisme, fx standardkontraktbestemmelser.

Hvornår gælder EU's forordning om medicinsk udstyr for et AI-dokumentationsværktøj

EU's forordning om medicinsk udstyr gælder for software, der er beregnet til et medicinsk formål, herunder diagnose, overvågning eller behandling. Et værktøj, hvis eneste funktion er at transskribere og strukturere kliniske møder uden at generere output, der påvirker kliniske beslutninger, betragtes generelt ikke som medicinsk udstyr. Hvis et værktøj indeholder funktioner som markering af kliniske abnormiteter eller forslag til diagnoser, kan disse funktioner bringe det ind under forordningen. Administratorer bør bede leverandører om en skriftlig begrundelse for klassifikation i henhold til forordningen om medicinsk udstyr og verificere, om værktøjet har et CE-mærke som medicinsk udstyr.

Hvilke udbudsregler gælder, når en kommune køber et AI-dokumentationsværktøj

AI-dokumentationsværktøjer, der indkøbes af europæiske kommunale folkesundhedsorganer, er underlagt EU's offentlige udbudsregler i henhold til direktiv 2014/24/EU. For sub-centrale offentlige organer er den nuværende tærskel for tjenesteydelseskontrakter €215.000 ekskl. moms, selvom dette tal revideres periodisk og bør verificeres i forhold til den seneste kommissionsdelegerede forordning. Kontrakter over denne tærskel kræver en formel udbudsprocedure. Under tærsklen gælder nationale udbudsregler stadig. Tekniske specifikationer bør beskrive funktionelle og overensstemmelseskrav frem for at pege på et enkelt leverandørprodukt, hvilket er forbudt ifølge direktivet.

Hvem er ansvarlig, hvis et AI-genereret journalnotat indeholder en fejl

Klinikeren, der gennemgår og godkender notatet, bevarer det kliniske og juridiske ansvar. Administratorer bør sikre, at dette er eksplicit i leverandøraftalen, og at værktøjet ikke præsenterer output på en måde, der kan mindske klinikerens opmærksomhed under gennemgang. Revisionssporet, herunder logfiler over, hvem der godkendte hvert notat og hvornår, bør bekræftes med leverandøren, før pilotprojektet starter.

Hvordan bør en kommune strukturere et lavrisikopilotprojekt

Et velafgrænset pilotprojekt begrænser omfanget til et specifikt plejeteam eller sted, varer seks til tolv uger og definerer succeskriterier på forhånd. Relevante målinger omfatter dokumentationstid pr. besøg, medarbejderrapporterede brugbarhedsscorer, fejlrater i genererede notater og patientfeedback. Før pilotprojektet begynder, skal der foreligge skriftlig godkendelse fra databeskyttelsesrådgiveren, indkøbslederen og den kliniske leder. Medarbejderuddannelse, en klar patientkommunikationsproces og en dokumenteret exitplan bør alle være på plads, før nogen data behandles.

Hvad bør administratorer verificere uafhængigt, når de vurderer en leverandør

Administratorer bør verificere ISO 27001-certificering og sikre, at dens anvendelsesområde dækker de systemer, der bruges til at behandle sundhedsdata. De bør gennemgå databehandleraftalen i forhold til artikel 28-krav, anmode om EU AI-lovens overensstemmelsesdokumentation og bekræfte status for medicinsk udstyr, hvis et CE-mærke hævdes. Skriftlig bekræftelse af datalokation på hvert trin af behandlingen, herunder underdatabehandlere, er essentiel. Administratorer bør også spørge eksplicit, om patientdata vil blive brugt til at træne eller finjustere modellen, og anmode om evidens fra implementeringer i sammenlignelige europæiske offentlige sektorindstillinger.