Klinisk dokumentation i almen praksis har altid været en balancegang. Det narrative notat indfanger usikkerhed, kontekst og nuancer med klinikerens egne ord. Men i takt med at lægepraksisser møder et stigende krav om at levere præcise, kodede data til nationale registre, Quality and Outcomes Frameworks (QOF) og dashboards for integrerede sundhedssystemer (ICS), underminerer det samme narrative notat kvaliteten af befolkningssundhedsdata i stor skala. Kløften mellem, hvordan klinikere dokumenterer behandling, og hvad rapporteringssystemer faktisk kan læse, er ikke blot en mindre teknisk udfordring. Det er et strukturelt problem med målbare konsekvenser for sygdomsregistre, ressourcefordeling og sundhedslighed.

Hvad ustruktureret fritekstdokumentation betyder i praksis

Ved konsultationer hos praktiserende læger er fritekstnotater narrative indtastninger skrevet direkte ind i journalsystemet på klinikerens eget sprog, i modsætning til strukturerede, kodede felter, der tildeler standardiserede identifikatorer til diagnoser, symptomer, medicin og resultater. En praktiserende læge kan for eksempel skrive: "Patienten rapporterer at føle sig nedtrykt, søvn forstyrret, appetit reduceret — sandsynligvis depression, diskuteret afventende holdning" i et notatfelt. Den indtastning er klinisk meningsfuld. For et rapporteringssystem er den usynlig.

Fritekst er fortsat den dominerende form for klinisk dokumentation i primærsektoren af gode grunde. Det er hurtigere end at navigere i strukturerede skabeloner under en ti minutters konsultation. Det imødekommer klinisk usikkerhed: tilstande, der er mistænkt, men ikke bekræftet, symptomer, der endnu ikke passer ind i en diagnostisk kategori, eller patientrapporterede oplevelser, der ikke lader sig indfange af standardiserede etiketter. Det bevarer den relationelle dimension af en konsultation på en måde, som en rullemenu ikke kan. Over 80 procent af digitale sundhedsdata er ustrukturerede, og primærsektoren er ingen undtagelse.

Sådan fungerer befolkningssundhedsrapportering i lægepraksisser

Befolkningssundhedsrapportering i almen praksis afhænger næsten udelukkende af strukturerede, maskinlæsbare data. Når en kliniker tildeler en SNOMED CT-kode (Systematized Nomenclature of Medicine Clinical Terms, et standardiseret medicinsk nomenklatursystem) til en diagnose eller et klinisk fund under eller efter en konsultation, registreres denne kode i journalsystemet på en måde, der kan udtrækkes, samles og rapporteres. Sygdomsregistre for tilstande som diabetes, hypertension, kronisk obstruktiv lungesygdom og alvorlig psykisk sygdom bygger på disse kodede indtastninger. QOF-indikatorer beregnes ud fra dem. ICS-dashboards og planlægningsværktøjer for integrerede sundhedsbestyrelser (ICB) trækker data fra dem.

Nationale revisionsprogrammer, herunder National Diabetes Audit og Primary Care Network (PCN) dashboard-metrikker, der bruges af NHS England, er afhængige af det samme strukturerede datalag. Det samme gælder de risikostratificeringsværktøjer, som ICB'er bruger til at identificere grupper med særlige behov og dirigere ressourcer mod underbetjente befolkningsgrupper. Ingen af disse systemer kan søge i et fritekst-narrativ. Journalnotater skrevet i fritekst kan ikke let oversættes til strukturerede datafelter, hvilket resulterer i manglende information om symptomer, eksponeringer og resultater — en direkte barriere for overvågning på befolkningsniveau.

Hvor fritekstnotater bryder rapporteringskæden

Fejlpunkterne er specifikke og veldokumenterede. Når en kliniker registrerer en ny diagnose i et konsultationsnotat uden at tildele en tilsvarende SNOMED CT-kode, fremgår diagnosen ikke af sygdomsregistret. Når en risikofaktor som rygerstatus, alkoholforbrug eller familiehistorie med hjerte-kar-sygdom kun dokumenteres i narrativ tekst, tælles den ikke med i de strukturerede felter, der driver QOF-indikatorer eller risikoscorer. Når et resultat som en henvisningsbeslutning eller en medicinændring beskrives i fritekst i stedet for kodet, går det tabt for enhver efterfølgende rapportering.

Forskning, der bruger 2,9 millioner patientjournaler fra en hollandsk lægepraksis-database, har kvantitativt vist, at strukturerede koder og ustrukturerede journalnotater supplerer hinanden i høj grad, snarere end at være overflødige. De fleste begreber, der registreres i én datatype, findes ikke i den anden. Depressionskonsultationer viste sig at være stærkt afhængige af ustrukturerede data, med relativt få begreber fanget i strukturerede koder alene. Det betyder, at for hele kliniske områder kan de data, der ligger til grund for befolkningssundhedsrapporter, være systematisk ufuldstændige.

En systematisk gennemgang af 43 britiske undersøgelser, der bruger klinisk fritekst, viste, at undersøgelser, der inkluderer fritekstdata, havde forbedret nøjagtighed sammenlignet med dem, der udelukkende er baseret på strukturerede koder. Den fandt også, at fritekstdata rutinemæssigt fjernes, før journaler gøres tilgængelige til forskning, hvilket efterlader en betydelig kilde til befolkningssundhedsviden uudnyttet. Gennemgangen fremhævede, at britiske lægepraksisnotater og psykiatriske journaler er særligt afhængige af fritekst-narrativer.

Problemet gælder også, hvordan nye diagnoser kommer ind i journalen. Nye diagnoser registreres ofte kun i breve arkiveret under administrative koder såsom "brev fra specialist" i stedet for under den relevante diagnostiske kode. Den kliniske information er til stede i journalsystemet, men den er gemt på en placering og i et format, som rapporteringssystemer ikke kan tilgå.

En undersøgelse, der sammenligner diagnostiske koder med natural language processing (NLP, en AI-teknik til analyse af naturligt sprog) af fritekstjournalnotater i primærsektoren, fandt væsentligt forskellige prævalensestimater afhængigt af, hvilken datakilde der blev brugt. De kodede data undervurderede systematisk antallet af tilfælde. Anvendt i en befolkningssundhedskontekst betyder det, at sygdomsregistre, der udelukkende bygger på strukturerede koder, rutinemæssigt vil undervurdere den reelle prævalens, og graden af undervurdering vil variere efter tilstand, kliniker og praksis.

De reelle konsekvenser for lægepraksisser og ICB'er

De efterfølgende effekter mærkes på flere niveauer samtidigt. På praksisniveau reducerer ufuldstændige sygdomsregistre antallet af patienter, der er berettiget til QOF-opnåelse, hvilket kan sænke de samlede opnåelsesscorer og den tilhørende indkomst. Hvis patienter med en relevant diagnose kun registreres i fritekst og ikke i sygdomsregistret, falder de uden for nævneren, der bruges til at beregne QOF-præstation, selvom den kliniske behandling er leveret korrekt.

På ICB-niveau er konsekvenserne mere diffuse, men potentielt endnu mere betydningsfulde. Risikostratificeringsværktøjer, der tildeler patienter til kategorier med høje, mellemstore eller lave behov, afhænger af fuldstændige kodede data. Skæve eller ufuldstændige strukturerede data fører til unøjagtig befolkningsrisikostratificering og dermed til ressourceallokeringsbeslutninger, der ikke afspejler det faktiske befolkningsbehov. Grupper, der burde prioriteres til målrettede indsatser — herunder personer med udiagnosticerede langvarige tilstande, dem med flere komorbiditeter eller dem fra samfund med historisk lavere rater af kodet diagnose — vises måske slet ikke i dataene.

Sociale determinanter for sundhed og livskvalitetsmålinger registreres sjældent i strukturerede journalfelter, men dokumenteres i stedet, hvis overhovedet, i fritekstnotater. Dette skaber et særligt problem for overvågning af sundhedsulighed. Hvis de data, der bruges til at identificere underbetjente befolkningsgrupper, er koncentreret i et format, som rapporteringssystemer ikke kan læse, forbliver disse grupper usynlige for planlægningsprocesser, hvilket forværrer eksisterende ulighed frem for at afhjælpe den.

Sygdomsregistre og vurderinger af behandlingskvalitet, der bruger journaler, vil være misvisende, hvis fritekstinformation ikke tages i betragtning — et fund, der er blevet bekræftet på tværs af flere kliniske områder, herunder geriatriske syndromer og postoperative resultater, der næsten udelukkende dokumenteres i narrative notater.

Hvorfor klinikere som udgangspunkt bruger fritekst

Udbredelsen af fritekstdokumentation er ikke primært et adfærdsproblem. Det er et systemdesignproblem.

Strukturerede skabeloner og kodningsgrænseflader i de fleste journalsystemer er ikke designet til tempoet og de kognitive krav i en konsultation hos en praktiserende læge. At navigere i rullemenuer, søge efter den korrekte SNOMED CT-kode og udfylde strukturerede felter tager tid, der ikke er til rådighed i en standardaftale. Klinisk usikkerhed, stigma, tidspres og mangelfuld klinikertræning i kodning er alle dokumenterede årsager til, at strukturerede felter forbliver ufuldstændige, selv når klinikere forstår deres betydning.

Dokumentationsbyrden i primærsektoren er reel og veldokumenteret. At bede klinikere vælge mellem at give fuld opmærksomhed til patienten foran sig og sikre, at notaterne er korrekt kodet, er ikke en rimelig forventning. Systemer, der ser dette som et compliance-problem frem for et arbejdsgangsproblem, vil næppe skabe varig forbedring.

Manuel kodning af fritekst kliniske data er både tidskrævende og omkostningstung, og den kognitive belastning ved nøjagtig klinisk kodning under eller umiddelbart efter en konsultation er betydelig. Fritekst er ikke en løsning — for mange klinikere er det den eneste realistiske mulighed med de nuværende værktøjer.

Hvordan ambient voice-teknologi og AI-assistenter ændrer billedet

Den strukturelle spænding mellem dokumentationshastighed og datakvalitet er ikke uundgåelig. Ambient voice-teknologi (AVT, en teknologi der bruger kunstig intelligens til at lytte til en konsultation i realtid og generere både narrative notater og strukturerede kliniske data samtidigt) ændrer forudsætningerne for denne balance.

I stedet for at kræve, at klinikeren vælger mellem at skrive et fyldestgørende notat og tildele den korrekte kode, kan en AI-medhjælper, der bruger AVT, gøre begge dele i baggrunden. Klinikeren gennemfører konsultationen, som de plejer. Assistenten lytter, genererer et udkast til journalnotat og fremhæver foreslåede SNOMED CT-koder til gennemgang. Klinikeren gennemser og godkender — en proces, der tager sekunder i stedet for minutter og ikke forstyrrer selve konsultationen.

Denne tilgang adresserer grundårsagen til overafhængighed af fritekst: at struktureret dokumentation i dag kræver mere tid og kognitiv indsats end narrativ dokumentation. Nye metoder til at forbedre den strukturerede indsamling af kliniske data er nødvendige for at muliggøre brugen af rutinemæssigt indsamlede kliniske data til patientfænotypning og befolkningssundhedsrapportering. AVT-baserede AI-assistenter er blandt de mest praktiske måder at implementere dette på i primærsektoren.

Automatiseret klassificering af ustrukturerede fritekstdata fra primærsektoren til estimering af sygdomsprævalens er teknisk muligt, men at anvende det retrospektivt på eksisterende journaler er ressourcekrævende. Den mere effektive løsning er at forhindre datagabet i at opstå ved at understøtte struktureret indsamling på konsultationstidspunktet.

Hvordan god dokumentation ser ud: strukturerede notater uden at bremse behandlingen

En dokumentationsarbejdsgang, der reelt understøtter befolkningssundhedsrapportering, har flere kendetegn:

• Automatiske kodeforslag fremhævet efter konsultationen, baseret på det, der blev sagt under aftalen, uden at klinikeren skal søge efter koder manuelt under eller efter mødet

• Strukturerede data indsamlet i baggrunden, så sygdomsregisterposter, QOF-relevante indikatorer og henvisningsbeslutninger registreres i maskinlæsbart format uden ekstra klinikerinput

• Skabeloner udfyldt uden manuel dataindtastning, hvor konsultationstranskriptionen bruges til at forudfylde strukturerede felter, der ellers ville være tomme eller udfyldt i fritekst

• Journalsystem-integration på datalaget, så strukturerede output flyder direkte ind i de relevante felter i det kliniske system i stedet for at kræve et separat dokumentationstrin

Forskellen mellem denne tilgang og tidligere bolt-on kodningsværktøjer er markant. Tidligere kodningsværktøjer krævede, at klinikere skulle bruge en separat grænseflade, søge efter koder manuelt eller gennemgå lange lister over forslag genereret ud fra faktureringsdata snarere end klinisk indhold. AI-native løsninger, der arbejder ud fra konsultationstranskriptionen og fremhæver et lille antal kodeforslag med høj sikkerhed i kontekst, er meningsfuldt anderledes i forhold til arbejdsgang.

Kombinationen af strukturerede og ustrukturerede journaldata giver konsekvent mere nøjagtig patientidentifikation og befolkningssundhedsindsigt end nogen af datatyperne alene. Målet med AI-assisteret dokumentation er ikke at eliminere fritekstnotater, som har reel klinisk værdi, men at sikre, at det strukturerede datalag udfyldes konsekvent og nøjagtigt sammen med dem.

Nøgleovervejelser ved evaluering af AI-dokumentationsværktøjer til lægepraksisser

For sundhedsbeslutningstagere, der vurderer AI-dokumentationsværktøjer i forbindelse med befolkningssundhedsrapportering, er flere kriterier særligt relevante.

Nøjagtighed af SNOMED CT-kodeforslag. Den kliniske værdi af en AI-assistent afhænger af nøjagtigheden og specificiteten af dens kodningsforslag. Værktøjer bør evalueres på baggrund af reelle primærsektorkonsultationsdata med gennemsigtighed om falsk positive og falsk negative rater for klinisk vigtige koder.

Journalsystem-integrationsdybde. Et værktøj, der genererer strukturerede output i et proprietært format i stedet for at skrive direkte til de relevante strukturerede felter i praksissens journalsystem, løser ikke befolkningssundhedsrapporteringsproblemet. Integration på datalaget — ikke kun grænsefladelaget — er den relevante standard.

Datasikkerhed og databeskyttelse. Konsultationsdata fra praktiserende læger er blandt de mest følsomme personoplysninger, der behandles i nogen sektor. Værktøjer skal overholde britisk General Data Protection Regulation (GDPR, den europæiske databeskyttelsesforordning) med klar dokumentation af datalokation, databehandleraftaler og adgangskontroller. ISO 27001-certificering (den internationale standard for informationssikkerhedsledelse) bør som minimum forventes.

Klassificering som medicinsk udstyr. AI-værktøjer, der påvirker kliniske dokumentations- og kodningsbeslutninger, kan klassificeres som medicinsk udstyr under britisk Medical Device Regulation (MDR, den britiske forordning om medicinsk udstyr). Praksisser og ICB'er bør bekræfte den regulatoriske status for ethvert værktøj under evaluering og forstå, hvilke kliniske sikkerhedsforpligtelser denne klassificering medfører.

Dokumentation for reel ydeevne i primærsektoren. Peer-reviewed dokumentation eller som minimum uafhængigt validerede ydeevnedata fra britiske primærsektorindstillinger bør være tilgængelige før udrulning i stor skala. Ydeevne i specialiseret sundhedsvæsen eller amerikanske sundhedssystemer forudsiger ikke pålideligt ydeevne i britisk almen praksis.

Dokumentationskvalitet er et befolkningssundhedsspørgsmål

Kvaliteten af befolkningssundhedsdata hænger uløseligt sammen med, hvordan klinikere dokumenterer individuelle konsultationer. Hver fritekstindtastning, der indeholder et klinisk vigtigt fund — som en ny diagnose, en ukontrolleret risikofaktor eller en forværret kronisk tilstand — men ikke ledsages af en struktureret kode, udgør et hul i de data, der ligger til grund for sygdomsregistre, QOF-beregninger og ICB-planlægningsværktøjer.

Dette er ikke et problem, der kan løses ved blot at bede klinikere kode mere omhyggeligt. Dokumentationsbyrden i primærsektoren er allerede betydelig, og at lægge yderligere opgaver oveni er hverken bæredygtigt eller effektivt. Den praktiske vej frem er at ændre forholdet mellem konsultation og dokumentation ved at bruge AI-assistance, så struktureret dataindsamling sker som et biprodukt af klinisk behandling — ikke som en ekstra opgave oveni.

Prædiktive modeller, der bruger både strukturerede data og ustrukturerede narrative notater, overgår konsekvent dem, der kun bruger én af datatyperne. Det samme gælder for befolkningssundhedsrapportering: det mest nøjagtige og fuldstændige billede af befolkningssundhed opstår, når strukturerede og ustrukturerede data indsamles sammen, konsekvent, på behandlingstidspunktet. At opnå dette, i stor skala, på tværs af en lægepraksis eller en ICB, er en af de mest betydningsfulde infrastrukturbeslutninger, sundhedsbeslutningstagere kan træffe i dag.

Ofte stillede spørgsmål

▶ Hvorfor forårsager fritekst klinisk dokumentation problemer for befolkningssundhedsrapportering

Befolkningssundhedsrapportering afhænger af strukturerede, maskinlæsbare data. Når en kliniker registrerer en diagnose eller risikofaktor i et narrativt notat uden at tildele en tilsvarende SNOMED CT-kode (Systematized Nomenclature of Medicine Clinical Terms, et standardiseret medicinsk nomenklatursystem), er denne information usynlig for sygdomsregistre, Quality and Outcomes Framework-beregninger og dashboards for integrerede sundhedssystemer. Den kliniske detalje findes i journalen, men rapporteringssystemer kan ikke læse den.

▶ Hvor stor en andel af kliniske data i primærsektoren er ustrukturerede

Forskning tyder på, at over 80 procent af digitale sundhedsdata er ustrukturerede, og primærsektoren er ingen undtagelse. Fritekstnotater er den dominerende form for klinisk dokumentation i lægepraksisser, hvilket betyder, at en betydelig del af klinisk meningsfuld information aldrig når ind i det strukturerede datalag, der fodrer rapporteringssystemer.

▶ Hvad er de praktiske konsekvenser for lægepraksisser, når dokumentationen er ufuldstændig

På praksisniveau betyder ufuldstændige sygdomsregistre tabte Quality and Outcomes Framework-point og tabt indkomst. Hvis en diagnose kun registreres i fritekst, vil patienten ikke fremgå af det relevante register, og praksis kan ikke gøre krav på de tilhørende betalinger, selvom den kliniske behandling er leveret. På ICB-niveau fører skæve strukturerede data til unøjagtig risikostratificering og ressourceallokering, der ikke afspejler det faktiske befolkningsbehov.

▶ Hvorfor bruger klinikere som udgangspunkt fritekstnotater i stedet for struktureret kodning

Udbredelsen af fritekstdokumentation er et systemdesignproblem, ikke et adfærdsproblem. At navigere i rullemenuer og søge efter den korrekte SNOMED CT-kode tager tid, der ikke er til rådighed i en standard ti minutters konsultation. Klinisk usikkerhed, stigma, tidspres og begrænset træning i kodning er alle dokumenterede årsager til, at strukturerede felter forbliver ufuldstændige. For mange klinikere er fritekst den eneste realistiske mulighed med de nuværende værktøjer.

▶ Hvilke kliniske områder er mest påvirket af afhængighed af fritekstdokumentation

Forskning, der bruger 2,9 millioner patientjournaler fra en hollandsk lægepraksis-database, viste, at depressionskonsultationer næsten udelukkende er afhængige af ustrukturerede data. En systematisk gennemgang af 43 britiske undersøgelser fandt, at britiske lægepraksisnotater og psykiatriske journaler er særligt afhængige af fritekst-narrativer. Sociale determinanter for sundhed og livskvalitetsmålinger registreres også sjældent i strukturerede felter, hvilket skaber særlige udfordringer for overvågning af sundhedsulighed.

▶ Hvordan hjælper ambient voice-teknologi med struktureret klinisk dokumentation

Ambient voice-teknologi (AVT, en teknologi der bruger kunstig intelligens til at lytte til en konsultation i realtid) genererer både et narrativt notat og foreslåede SNOMED CT-koder samtidigt. Klinikeren gennemfører konsultationen som normalt. AI-assistenten udarbejder notatet og fremhæver kodeforslag til gennemgang — en proces, der tager sekunder og ikke forstyrrer aftalen. Det betyder, at struktureret dataindsamling sker sammen med konsultationen i stedet for som en separat opgave bagefter.

▶ Betyder brug af AI-assistance, at fritekstnotater fjernes fra journaler

Nej. Målet med AI-assisteret dokumentation er ikke at fjerne fritekstnotater, som har reel klinisk værdi. Forskning viser konsekvent, at kombinationen af strukturerede og ustrukturerede data giver mere nøjagtig patientidentifikation og befolkningssundhedsindsigt end nogen af datatyperne alene. Målet er at sikre, at det strukturerede datalag udfyldes konsekvent og nøjagtigt sammen med narrative notater — ikke at erstatte det ene med det andet.

▶ Hvad skal lægepraksisser og integrerede sundhedsbestyrelser kigge efter, når de evaluerer AI-dokumentationsværktøjer

Nøglekriterier inkluderer nøjagtigheden af SNOMED CT-kodeforslag, dybden af integration med praksissens journalsystem og overholdelse af britisk General Data Protection Regulation (GDPR, den europæiske databeskyttelsesforordning), herunder klar datalokation og adgangskontroller. ISO 27001-certificering (den internationale standard for informationssikkerhedsledelse) bør som minimum forventes. Praksisser bør også bekræfte, om et værktøj er klassificeret som medicinsk udstyr under britisk Medical Device Regulation (MDR, den britiske forordning om medicinsk udstyr), og se efter uafhængigt validerede ydeevnedata fra britiske primærsektorindstillinger specifikt.

▶ Hvordan påvirker ufuldstændige strukturerede data sundhedslighed

Risikostratificeringsværktøjer, der identificerer grupper med særlige behov, afhænger af fuldstændige kodede data. Når klinisk vigtig information kun findes i fritekstnotater, risikerer samfund med historisk lavere rater af kodet diagnose slet ikke at fremgå af planlægningsdata. Sociale determinanter for sundhed registreres sjældent i strukturerede felter, så de befolkningsgrupper, der har størst behov for målrettede indsatser, kan forblive usynlige for de processer, der er designet til at nå dem.

▶ Er automatiseret kodning af eksisterende fritekstjournaler en praktisk løsning

Automatiseret klassificering af ustrukturerede fritekstdata ved hjælp af natural language processing (NLP, en AI-teknik til analyse af naturligt sprog) er teknisk mulig, men at bruge det retrospektivt på eksisterende journaler er ressourcekrævende. Forskning viser også, at fritekstdata ofte fjernes, før journaler gøres tilgængelige til analyse, hvilket begrænser, hvad retrospektive værktøjer kan tilgå. Den mere effektive tilgang er at forhindre datagabet i at opstå ved at understøtte struktureret indsamling på konsultationstidspunktet.