Sjældne sygdomme er hver især usædvanlige, men tilsammen udgør de en af de største diagnostiske udfordringer i europæisk almen praksis. Med over 6.000 anerkendte sjældne sygdomme, der påvirker cirka 30 millioner mennesker i hele Europa, vil de fleste praktiserende læger kun sjældent eller aldrig møde størstedelen af disse tilstande. Alligevel forbliver primærsektoren det første kontaktpunkt for patienter, hvis symptomer endnu ikke har fået et navn, og ansvaret for den indledende mistanke falder direkte på den praktiserende læge. Kliniske beslutningsstøtteværktøjer er blevet en rutinemæssig funktion i dette miljø, men hvor godt de tjener patienter med sjældne sygdomspræsentationer, fortjener omhyggelig, evidensbaseret granskning.

Hvorfor sjældne sygdomme er en diagnostisk blindvinkel i almen praksis

Problemet er ikke manglende klinisk kompetence. Som British Journal of General Practice har bemærket, har praktiserende læger stor erfaring med at håndtere multisystemsygdomme, men kun få har ressourcerne til grundigt at undersøge sjældne tilstande. Mange rapporterer, at de bliver overvældede, når patienter møder op med detaljeret information om sygdomme, lægen aldrig har set før.

Den gennemsnitlige tid fra symptomdebut til bekræftet diagnose af en sjælden sygdom angives konsekvent som fem til seks år i Storbritannien og Europa, hvor halvdelen af patienterne får mindst én fejldiagnose undervejs. Denne forsinkelse er ikke primært et hospitalsproblem. Det er et problem i primærsektoren.

Patienter med sjældne sygdomme gennemgår typisk flere konsultationer hos deres praktiserende læge, før de når en specialist, der genkender tilstanden. Den diagnostiske odyssé, et begreb der nu er indlejret i litteraturen om sjældne sygdomme, begynder og går ofte i stå i almen praksis. Ikke fordi praktiserende læger er uopmærksomme, men fordi den kognitive struktur i klinisk mønstergenkendelse er kalibreret til hyppighed. Tilstande, som en kliniker aldrig har set, er næsten per definition sværere at overveje.

Hvordan kliniske beslutningsstøtteværktøjer trænes, og hvor det skaber huller

Kliniske beslutningsstøtteværktøjer genererer differentialdiagnoser ved at trække på træningsdata og diagnostisk logik, der er vægtet mod hyppige præsentationer. Dette er et rationelt designvalg: Værktøjer, der skal assistere i det bredeste spektrum af konsultationer, bør præstere godt på de tilstande, praktiserende læger oftest møder.

Konsekvensen er, at sjældne sygdomsforløb systematisk er underrepræsenterede – ikke på grund af bevidst udelukkelse, men på grund af et datafrekvensproblem. Tilstande, der sjældent optræder i træningsdatasæt, genererer svagt eller intet signal i frekvensvægtet differentiallogik.

En scoping review fra 2026 i International Journal of Medical Informatics kortlagde de teknologiske tilgange, der understøtter kliniske beslutningsstøttesystemer til diagnose af sjældne sygdomme. Reviewet identificerede fire hovedkategorier: informationssøgningssystemer, fænotypedrevet ræsonnement, ontologibaserede metoder og AI-baserede tilgange. Reviewet fandt, at implementeringen i rutinemæssig klinisk praksis fortsat er begrænset på tværs af alle fire kategorier, og at kløften mellem forskningsværktøjer og dem, der er tilgængelige i praksis, er betydelig.

SATURN-projektet i Tyskland udviklede en prototype til klinisk beslutningsstøtte specifikt til primærsektoren rettet mod uklare og sjældne sygdomspræsentationer. Kvalitativ evaluering viste, at selv specialbyggede værktøjer står over for betydelige brugbarhedsbarrierer. Disse omfattede manglende mulighed for at indtaste ikke-listede symptomer og fravær af direkte dataimport fra journalsystemer. Dette er ikke små forbedringer. Det er barrierer, der afgør, om et værktøj overhovedet bliver brugt.

Hvad litteraturen siger om fejldiagnoser af sjældne sygdomme i almen praksis

Evidensen for diagnostisk forsinkelse ved sjældne sygdomme er ensartet på tværs af europæiske sammenhænge. Diagnostiske odysséer på i gennemsnit fire til otte år rapporteres i litteraturen, selvom estimaterne varierer efter tilstand og land. Disse forsinkelser ledsages ofte af fejldiagnoser og unødvendige undersøgelser.

En Delphi-konsensusundersøgelse fra 2025 publiceret i Scientific Reports, der involverede 55 tværfaglige eksperter, identificerede nøgleårsagerne til forsinkelse: lav prævalens, begrænset bevidsthed blandt sundhedsprofessionelle i primærsektoren, heterogen klinisk præsentation og usædvanlige arvemønstre.

Den samme konsensus identificerede de præsentationstræk, der oftest er forbundet med oversete diagnoser af sjældne sygdomme:

• Familiehistorie med uforklarlig eller alvorlig sygdom

• Klynger af fødselsdefekter eller medfødte anomalier

• Usædvanlige præsentationer af ellers almindelige sygdomme

• Neuroudviklingsmæssige forsinkelser eller uforklarligt kognitivt fald

• Alvorlig patologi, der ikke står mål med den tilsyneladende årsag

Dette er ikke obskure signaler. Mange er synlige i journaler hos den praktiserende læge på tværs af flere konsultationer. Problemet er, at hver enkelt isoleret set kan synes at passe til en mere almindelig forklaring, og frekvensvægtede værktøjer vil konsekvent fremhæve den almindelige forklaring først.

Forskellen mellem frekvensvægtet og fænotypebaseret beslutningsstøtte

Forskellen mellem frekvensvægtet og fænotypebaseret differentiallogik er central for at forstå, hvordan kliniske beslutningsstøtteværktøjer præsterer ved sjældne sygdomspræsentationer.

Frekvensvægtede værktøjer rangerer diagnostiske forslag efter befolkningsprævalens. I en konsultation, hvor en 30-årig har træthed, ledsmerter og udslæt, vil et sådant værktøj typisk fremhæve anæmi, virussygdom eller reaktiv artritis før systemisk lupus erythematosus, fordi de første er mere almindelige. Det er passende for de fleste konsultationer, men bliver en strukturel begrænsning, når patientens symptomklynge faktisk passer bedre med en sjælden tilstand.

Fænotypebaseret differentiallogik tager en anden tilgang. I stedet for at rangere efter prævalens, kortlægger den den specifikke kombination af symptomer – fænotypen – mod sygdomsprofiler, uanset hvor hyppigt disse sygdomme forekommer i befolkningen. Denne tilgang er mere tilbøjelig til at fremhæve sjældne sygdomme, når det kliniske billede er atypisk.

Human Phenotype Ontology er det mest anvendte strukturerede ordforråd til dette formål. Det muliggør systematisk fænotype-til-sygdom-kortlægning på tværs af tusindvis af tilstande.

En undersøgelse fra 2026 i EBioMedicine evaluerede store sprogmodellers evne til at diagnosticere sjældne sygdomme på tværs af ti sprog, herunder engelsk, fransk, tysk, hollandsk, spansk og italiensk, ved hjælp af 4.917 kliniske vignetter baseret på Human Phenotype Ontology-data. GPT-4o placerede den korrekte diagnose blandt de tre øverste forslag i 27 procent af tilfældene på engelsk, med lignende resultater på tværs af europæiske sprog. En top-tre-nøjagtighed på 27 procent er ikke tilstrækkeligt til selvstændig klinisk anvendelse, men det viser, at fænotypestruktureret prompting kan fremhæve sjældne diagnoser, som frekvensvægtet logik ikke ville.

Hvordan førende europæiske kliniske beslutningsstøtteværktøjer tilgår dækning af sjældne sygdomme

Udvalget af kliniske beslutningsstøtteværktøjer tilgængelige i europæisk almen praksis er broget, og dækningen af sjældne sygdomme varierer betydeligt.

Orphanet, den europæiske referencedatabase for sjældne sygdomme, leverer den mest omfattende strukturerede ressource til nomenklatur, prævalensdata og kliniske beskrivelser af sjældne sygdomme. Værktøjer, der integrerer Orphanet-data eller krydshenviser til OMIM (Online Mendelian Inheritance in Man), har en strukturel fordel i at fremhæve sjældne sygdomme. Integration af disse databaser i værktøjer indlejret i journalsystemer i primærsektoren er dog fortsat inkonsekvent.

DxGPT, et GPT-4-baseret værktøj udviklet med diagnose af sjældne sygdomme som eksplicit designmål, genererer en rangeret, begrundet top-fem-differentialdiagnose specifikt beregnet til at modvirke kognitive bias i komplekse sager. Det er blevet evalueret i britiske og spanske kliniske sammenhænge.

Værktøjer som Ada Health, der i øjeblikket evalueres i en kvalitetsforbedringsundersøgelse på tværs af CUF Hospital Network i Portugal, benytter en symptomvurderingstilgang, som undersøgelsesprotokollen bemærker har potentiale til at hjælpe brugere med sjældne sygdomstilfælde, hvor rettidig diagnose fortsat er en stor udfordring.

DeepRare, beskrevet i et nyligt Nature-papir, repræsenterer den aktuelle forskningsfront. Det er et multi-agent-system, der integrerer mere end 40 specialiserede værktøjer og videnskilder. Det behandler fritekstbeskrivelser, strukturerede Human Phenotype Ontology-termer og genetiske resultater for at generere rangerede diagnostiske hypoteser med transparent ræsonnement. I Human Phenotype Ontology-baserede opgaver opnåede det stærke præstationsmålinger og overgik sammenlignelige metoder. Ekspertvurdering var enig i dets ræsonnement i et betydeligt flertal af tilfældene. DeepRare er endnu ikke indlejret i rutinemæssige arbejdsgange hos praktiserende læger, men det illustrerer det præstationsloft, som fænotypedrevne, vidensintegrerede tilgange kan nå.

Kløften mellem forskningsværktøjer som DeepRare og de værktøjer, der er tilgængelige i en typisk europæisk lægepraksis, er fortsat betydelig. Integration af primærsektordata i Tyskland er for eksempel udfordrende på grund af landespecifikke ordforråd og heterogene datastrukturer, hvilket begrænser selv veldesignede prototypers evne til at fungere i virkelige primærsektorindstillinger.

Røde flag-symptomklynger, som beslutningsstøtteværktøjer ofte overser

Argo Delphi-konsensus har opstillet et sæt kliniske røde flag, der bør udløse mistanke om sjælden sygdom i almen praksis. Dette er de mønstre, som frekvensvægtede værktøjer oftest vil rangere lavt eller helt overse:

• Multisysteminvolvering hos en ung patient, især når symptomer spænder over kardiovaskulære, neurologiske og bevægeapparatsystemer uden en samlende almindelig diagnose

• Uforklarlig træthed med atypiske komorbiditeter, især når standardundersøgelser er normale, og det kliniske billede ikke udvikler sig mod en anerkendt almindelig diagnose

• Tilbagevendende præsentationer uden konvergens, dvs. flere konsultationer for relaterede eller overlappende symptomer, der ikke er blevet løst til en klar diagnostisk kategori

• Uforholdsmæssig alvorlighed, hvor det kliniske forløb er mere alvorligt, end man ville forvente ud fra den tilsyneladende diagnose

• Positiv familiehistorie med uforklarlig alvorlig sygdom, især ved tilstande med autosomal recessiv eller X-bunden arvegang, der måske ikke er umiddelbart tydelig

Disse klynger har det til fælles, at hver især kan forklares med almindelige tilstande, men deres kombination – især over tid – bør føre til overvejelse af en sjælden sygdom i differentialdiagnosen. Et værktøj, der rangerer efter frekvens, vil konsekvent foreslå den almindelige forklaring først. Det vil ikke markere kombinationen som usædvanlig, medmindre det er eksplicit designet til det.

Sådan genkender du, når et værktøjs differential sandsynligvis er ufuldstændig

At genkende begrænsningerne ved et klinisk beslutningsstøtteværktøjs differential i realtid er i sig selv en klinisk færdighed. Flere indikatorer bør få en praktiserende læge til at forholde sig mere kritisk til et værktøjs output:

• Patientens alder og symptomvarighed passer ikke til de almindelige differentialer, der foreslås. Hvis et værktøj foreslår en diagnose, der er statistisk usandsynlig givet patientens alder, symptomvarighed eller tidligere undersøgelsesresultater, kan differentialen være forankret i frekvens frem for klinisk relevans.

• Tidligere undersøgelser har været normale. Når standardudredning for de foreslåede diagnoser har givet normale resultater, er differentialen ikke blevet bekræftet – den er blot ikke blevet udelukket. Det er ikke det samme som en diagnose.

• Præsentationen involverer flere organsystemer. Beslutningsstøtteværktøjer, der kun dækker ét system eller primært er trænet på enkeltspecialedata, er strukturelt dårligere til at fremhæve diagnoser, der kræver multisystem-mønstergenkendelse.

• Værktøjet returnerer et forslag med høj sikkerhed for en almindelig tilstand trods dårlig klinisk pasform. Høj sikkerhed i et frekvensvægtet værktøj afspejler prævalens, ikke nødvendigvis matchkvalitet. Værktøjstillid er ikke det samme som diagnostisk bekræftelse.

• Patienten er blevet set flere gange for de samme eller beslægtede symptomer. Kronicitet og gentagelse bør sænke tærsklen for at overveje sjælden sygdom, selv når hver enkelt konsultation synes at passe til en almindelig forklaring.

At et værktøj ikke nævner en diagnose, er ikke det samme som at udelukke den. Et klinisk beslutningsstøttesystem, der ikke lister en tilstand i sin differential, har ikke udelukket den – det har blot ikke genereret tilstrækkeligt signal til at fremhæve den, hvilket netop for sjældne sygdomme er det problem, disse værktøjer er mindst egnede til at løse.

Specialistnetværks og europæiske sjældne sygdomsregistres rolle

Når kliniske beslutningsstøtteværktøjer når deres grænser, leverer europæisk infrastruktur strukturerede veje til eskalering. European Reference Networks – 24 tematiske netværk, der forbinder specialistcentre på tværs af EU-medlemsstater – eksisterer for at levere ekspertvurdering af sjældne og komplekse tilstande. Netværkene dækker blandt andet neurologiske sygdomme, bindevævssygdomme, immundefekter og metaboliske tilstande.

Praktiserende læger kan i relevante tilfælde tage kontakt via nationale sjældne sygdomscentre eller gennem Advice and Guidance-veje for at få adgang til specialistvurdering uden at skulle lave en formel henvisning.

Nationale sjældne sygdomsregistre, hvor de findes, leverer epidemiologiske data, der kan sætte en klinisk præsentation i kontekst, især for tilstande med kendt geografisk eller etnisk ophobning. ERDERA, det europæiske partnerskab om forskning i sjældne sygdomme, lanceret i 2024 under Horizon Europe med et budget på cirka 380 millioner euro frem til 2031, skal blandt andet styrke denne datainfrastruktur.

Orphanet forbliver det mest tilgængelige referencepunkt for praktiserende læger, der søger information om en specifik mistænkt sjælden tilstand. Det leverer sygdomsresuméer, prævalensestimater, diagnostiske kriterier og links til specialistcentre – alt sammen uden krav om abonnement eller specialistadgang.

Hvordan god dækning af sjældne sygdomme ser ud i et klinisk beslutningsstøtteværktøj

For praktiserende læger og indkøbsansvarlige, der evaluerer kliniske beslutningsstøtteværktøjer, er kapacitet til sjældne sygdomme ikke en binær funktion. Den findes på et spektrum, og følgende kriterier giver en praktisk ramme for vurdering:

• Integration med validerede sjældne sygdomsdatabaser. Trækker værktøjet på Orphanet, Online Mendelian Inheritance in Man eller tilsvarende strukturerede videnskilder om sjældne sygdomme? Hvis ikke, er dets differentiallogik for sjældne sygdomme sandsynligvis begrænset til tilstande, der optræder i generelle kliniske træningsdata.

• Fænotypebaseret differentiallogik. Kortlægger værktøjet symptomkombinationer til sygdomsprofiler, eller rangerer det udelukkende efter befolkningsprævalens? Førstnævnte er en forudsætning for pålidelig præstation ved sjældne sygdomme.

• Gennemsigtighed om træningsdataomfang. Kan værktøjet eller dets dokumentation specificere, hvilke sygdomskategorier der er dækket, og hvilke der ikke er? Et værktøj, der ikke kan besvare dette spørgsmål, kan ikke evalueres for formålstjenlighed.

• Klare eskaleringsprompter. Markerer værktøjet, når en symptomklynge overskrider dets sikre område, eller når en henvisningsvej for sjælden sygdom bør overvejes? Højudbytte, lavvolumen-advarsler, der er sømløst integreret i den daglige arbejdsgang, identificeres i litteraturen som designstandarden for effektiv klinisk støtte til sjældne sygdomme.

• Flersproget konsistens. For værktøjer, der bruges på tværs af europæiske sundhedssystemer, bør præstation evalueres på tværs af de relevante kliniske sprog og ikke blot antages at være ækvivalent med præstation på engelsk.

Intet aktuelt tilgængeligt værktøj opfylder alle disse kriterier fuldt ud. De ikke-algoritmiske barrierer for implementering – herunder manglende implementeringsrammer og biologiske modellers begrænsninger i at indfange reel klinisk kompleksitet – forbliver betydelige. Kløften mellem forskningspræstation og rutinemæssig klinisk nytte er en anerkendt begrænsning på tværs af feltet.

Klinikerens rolle, når beslutningsstøtte når sine grænser

Kliniske beslutningsstøtteværktøjer er hjælpemidler til beslutningstagning. Ved sjældne sygdomspræsentationer betyder denne skelnen mere end i næsten enhver anden klinisk sammenhæng. Et værktøj, der præsterer godt på de mest almindelige præsentationer, kan præstere dårligt på de sjældneste – og sjældne sygdomme påvirker tilsammen millioner af patienter i hele Europa.

British Journal of General Practice har beskrevet praktiserende læger som havende stor ekspertise i at håndtere multisystemsygdomme – en ekspertise, intet nuværende klinisk beslutningsstøtteværktøj kan replikere. Longitudinel viden om en patient, kendskab til forløbet af deres symptomer over tid og den kliniske intuition, at noget ikke passer med en almindelig diagnose, er ikke egenskaber, der kan kodes i en differentialrangeringsalgoritme. De er resultatet af vedvarende klinisk relation og erfaren mønstergenkendelse.

Uddannelse, øget bevidsthed og brug af teknologi identificeres i Delphi-konsensus som komplementære veje til tidligere diagnose af sjældne sygdomme – ikke alternativer til klinisk dømmekraft, men støtte til den. At forstå, hvad et klinisk beslutningsstøtteværktøj kan og ikke kan, er ikke et teknisk spørgsmål. Det er en klinisk kompetence, og ved sjældne sygdomspræsentationer kan det være den vigtigste, en praktiserende læge bidrager med i konsultationen.

Ofte stillede spørgsmål

▶ Hvorfor tager det så lang tid at diagnosticere sjældne sygdomme i primærsektoren?

Den gennemsnitlige tid fra symptomdebut til bekræftet diagnose af en sjælden sygdom er fem til seks år i Storbritannien og Europa, hvor halvdelen af patienterne får mindst én fejldiagnose undervejs. Forsinkelsen er ikke primært et hospitalsproblem. Patienter med sjældne sygdomme gennemgår typisk flere konsultationer hos deres praktiserende læge, før de når en specialist, der genkender tilstanden. Kerneproblemet er, at klinisk mønstergenkendelse er kalibreret til hyppighed. Tilstande, som en kliniker aldrig har set, er sværere at overveje – selv når de kliniske signaler er til stede på tværs af flere besøg.

▶ Hvorfor overser kliniske beslutningsstøtteværktøjer diagnoser af sjældne sygdomme?

De fleste kliniske beslutningsstøtteværktøjer rangerer diagnostiske forslag efter befolkningsprævalens. Sjældne tilstande er systematisk underrepræsenterede i træningsdata – ikke på grund af bevidst udelukkelse, men på grund af et datafrekvensproblem. Tilstande, der sjældent optræder i træningsdatasæt, genererer svagt eller intet signal i frekvensvægtet differentiallogik. En scoping review fra 2026 i International Journal of Medical Informatics bekræftede, at implementering af beslutningsstøtte til sjældne sygdomme i rutinemæssig klinisk praksis fortsat er begrænset på tværs af alle fire hovedteknologiske tilgange.

▶ Hvad er forskellen mellem frekvensvægtet og fænotypebaseret klinisk beslutningsstøtte?

Frekvensvægtede værktøjer rangerer diagnostiske forslag efter, hvor almindelig en tilstand er i befolkningen. Fænotypebaserede værktøjer tager en anden tilgang: De kortlægger den specifikke kombination af symptomer mod sygdomsprofiler, uanset hvor hyppigt disse sygdomme forekommer. Det gør fænotypebaserede værktøjer mere tilbøjelige til at fremhæve sjældne sygdomme, når det kliniske billede er atypisk. Human Phenotype Ontology er det mest anvendte strukturerede ordforråd til dette formål og muliggør systematisk fænotype-til-sygdom-kortlægning på tværs af tusindvis af tilstande.

▶ Hvor præcist identificerer store sprogmodeller sjældne sygdomme?

En undersøgelse fra 2026 i EBioMedicine evaluerede store sprogmodellers evne til at diagnosticere sjældne sygdomme på tværs af ti sprog ved hjælp af 4.917 kliniske vignetter struktureret med Human Phenotype Ontology-data. GPT-4o placerede den korrekte diagnose blandt de tre øverste forslag i 27 procent af tilfældene på engelsk, med lignende resultater på tværs af europæiske sprog. Det tal er ikke tilstrækkeligt til selvstændig klinisk anvendelse, men det viser, at fænotypestruktureret prompting kan fremhæve sjældne diagnoser, som frekvensvægtet logik ikke ville.

▶ Hvilke røde flag-symptomklynger bør give mistanke om sjælden sygdom i almen praksis?

En Delphi-konsensusundersøgelse fra 2025 identificerede flere kliniske mønstre, der oftest er forbundet med oversete diagnoser af sjældne sygdomme: multisysteminvolvering hos en ung patient, uforklarlig træthed med atypiske komorbiditeter, hvor standardundersøgelser er normale, tilbagevendende præsentationer, der ikke er blevet løst til en klar diagnostisk kategori, uforholdsmæssig alvorlighed i forhold til den tilsyneladende diagnose og en positiv familiehistorie med uforklarlig alvorlig sygdom. Hver klynge kan i sig selv forklares med almindelige tilstande, men deres kombination over tid bør føre til overvejelse af en sjælden sygdom i differentialdiagnosen.

▶ Hvordan kan en praktiserende læge vurdere, hvornår et klinisk beslutningsstøtteværktøjs differential sandsynligvis er ufuldstændig?

Flere indikatorer bør føre til øget skepsis over for et værktøjs output. Disse omfatter en foreslået diagnose, der ikke passer til patientens alder eller symptomvarighed, tidligere undersøgelser med normale resultater, en præsentation, der involverer flere organsystemer, høj værktøjstillid til en almindelig tilstand trods dårlig klinisk pasform, og en patient, der er blevet set flere gange for de samme eller beslægtede symptomer. At et værktøj ikke nævner en diagnose, er ikke det samme som at udelukke den. Et klinisk beslutningsstøttesystem, der ikke lister en tilstand, har ikke udelukket den.

▶ Hvilke europæiske ressourcer findes til at støtte praktiserende læger, når klinisk beslutningsstøtte ikke rækker?

European Reference Networks – 24 tematiske netværk, der forbinder specialistcentre på tværs af EU-medlemsstater – leverer ekspertvurdering af sjældne og komplekse tilstande, herunder neurologiske sygdomme, bindevævssygdomme, immundefekter og metaboliske tilstande. Praktiserende læger kan tage kontakt via nationale sjældne sygdomscentre eller gennem Advice and Guidance-veje uden at skulle lave en formel henvisning. Orphanet, den europæiske referencedatabase for sjældne sygdomme, leverer sygdomsresuméer, prævalensestimater, diagnostiske kriterier og links til specialistcentre – uden krav om abonnement eller specialistadgang.

▶ Hvad bør praktiserende læger og indkøbsansvarlige kigge efter, når de vurderer et klinisk beslutningsstøtteværktøjs kapacitet til sjældne sygdomme?

Kapacitet til sjældne sygdomme i et klinisk beslutningsstøtteværktøj findes på et spektrum snarere end som en binær funktion. Nøglekriterier omfatter integration med validerede sjældne sygdomsdatabaser som Orphanet eller Online Mendelian Inheritance in Man, fænotypebaseret differentiallogik frem for udelukkende prævalensbaseret rangering, gennemsigtighed om træningsdataomfang, klare eskaleringsprompter, når en symptomklynge overskrider værktøjets sikre område, og konsistent præstation på tværs af relevante kliniske sprog for værktøjer, der bruges på tværs af europæiske sundhedssystemer. Intet aktuelt tilgængeligt værktøj opfylder alle disse kriterier fuldt ud.

▶ Hvad er DeepRare, og hvordan adskiller det sig fra værktøjer, der bruges i rutinemæssig praksis hos praktiserende læger?

DeepRare, beskrevet i et nyligt Nature-papir, er et multi-agent-system, der integrerer mere end 40 specialiserede værktøjer og videnskilder. Det behandler fritekstbeskrivelser, strukturerede Human Phenotype Ontology-termer og genetiske resultater for at generere rangerede diagnostiske hypoteser med transparent ræsonnement. I Human Phenotype Ontology-baserede opgaver opnåede det stærke præstationsmålinger, og ekspertvurdering var enig i dets ræsonnement i et betydeligt flertal af tilfældene. DeepRare er endnu ikke indlejret i rutinemæssige arbejdsgange hos praktiserende læger, men det illustrerer det præstationsloft, som fænotypedrevne, vidensintegrerede tilgange kan nå.

▶ Hvilken rolle spiller klinisk dømmekraft, når beslutningsstøtteværktøjer ikke slår til ved sjældne sygdomme?

Kliniske beslutningsstøtteværktøjer er hjælpemidler, ikke erstatninger for klinisk dømmekraft. Ved sjældne sygdomspræsentationer er longitudinel viden om en patient, kendskab til forløbet af deres symptomer over tid og den kliniske fornemmelse af, at noget ikke passer med en almindelig diagnose, ikke egenskaber, som en differentialrangeringsalgoritme kan replikere. En Delphi-konsensus fra 2025 identificerede uddannelse, øget bevidsthed og brug af teknologi som komplementære støtter til tidligere diagnose af sjældne sygdomme – ikke alternativer til klinisk dømmekraft. At forstå, hvad et klinisk beslutningsstøtteværktøj kan og ikke kan, er i sig selv en klinisk kompetence.