Klinisk dokumentation har aldrig været en neutral handling. Strukturen af en patientjournal afspejler den kliniske logik bag den. For dyrlæger, der evaluerer AI-dokumentationsværktøjer i 2026, har dette princip reel betydning. Mange af de AI-assistenter, der nu markedsføres til dyrlægepraksisser, er bygget på rammer udviklet til human medicin: trænet på humane journalnotater, designet omkring enkeltpatientkonsultationer og kalibreret mod kliniske koder som ICD-10 (International Classification of Diseases, tiende revision) eller SNOMED CT (Systematised Nomenclature of Medicine Clinical Terms), som de anvendes i det humane sundhedsvæsen. De strukturelle forskelle mellem humane og veterinære journalnotater er ikke kosmetiske. De gennemsyrer logikken i, hvordan en konsultation dokumenteres, hvilke regulatoriske felter der skal registreres, og hvordan artsspecifik klinisk betydning kodes eller går tabt.

Hvordan journalnotater er struktureret i human medicin

Dokumentation i human medicin har over flere årtier konvergeret omkring et sæt fælles infrastrukturkomponenter. Konsultationer registreres i journalsystemer, der i stigende grad er interoperable, drevet i mange europæiske lande af regulatoriske krav og refusionsincitamenter. Klinisk kodning, der bruger ICD-10 til diagnoser og SNOMED CT til kliniske fund, er indlejret i faktureringsarbejdsgange, hvilket skaber et strukturelt incitament til at producere kodede, strukturerede data på behandlingsstedet.

Resultatet er et dokumentationsøkosystem med stærk standardisering i kernen: én patient pr. konsultation, et defineret sæt felter (hovedklage, anamnese, undersøgelse, vurdering, plan) og kodede output, der kan aggregeres, revideres og indgå i lægemiddelovervågningssystemer overvåget af organer som Det Europæiske Lægemiddelagentur. AI-dokumentationsværktøjer bygget til human medicin er trænet mod denne arkitektur. De forventer en enkelt kliniker, en enkelt patient, et konsultationsnotat i et genkendeligt format og et efterfølgende kodningskrav, der matcher etablerede taksonomier.

Hvordan veterinære journalnotater er struktureret anderledes

Veterinære journalnotater skal indeholde et lag af kontekstuel information, der ikke har nogen direkte ækvivalent i human medicin: art, race, aldersklasse, køn og reproduktionsstatus er ikke blot demografiske metadata. De er klinisk afgørende variable. En hvilepuls på 180 slag i minuttet betyder noget helt andet hos en kat end hos en hund, og noget andet igen hos en kanin. Lægemiddeldoseringer, referenceintervaller, differentialdiagnoser og endda den anatomiske terminologi, der bruges i undersøgelsesfund, varierer alt efter hvilket dyr, der vurderes.

Dette handler ikke blot om at tilføje et artsfelt til en ellers identisk formular. Den kliniske logik i journalen ændrer sig. Veterinære journalnotater benytter andre stilarter, ordvalg og diagnostisk terminologi end humane journalnotater, hvilket er bekræftet af forskning i naturlig sprogbehandling, der har forsøgt at anvende kodningsalgoritmer fra human medicin på veterinær tekst. De fritekstnotater, der udgør hovedparten af veterinære konsultationsnotater, har deres egen leksikalske struktur, en struktur der kræver specifik forståelse, før information kan udtrækkes pålideligt.

Ud over den individuelle konsultation skal veterinære journalnotater også rumme dokumentation på populationsniveau, herunder besætningssundhedsplaner, flokbehandlingsnotater og kuldvurderinger, som ikke har nogen strukturel ækvivalent i human medicin. Et enkelt besøg på en gård kan generere notater, der dækker snesevis eller hundreder af individuelle dyr, eller en enkelt notering på populationsniveau, der dækker en defineret gruppe. Den én-kliniker-til-én-patient-model, der ligger til grund for journalsystemer i human medicin, slår simpelthen ikke til.

Fraværet af en samlet europæisk veterinær kodningsstandard

En af de mest betydningsfulde strukturelle forskelle mellem humane og veterinære journalnotater er fraværet af en obligatorisk, harmoniseret klinisk kodningsstandard på tværs af europæisk veterinær praksis. Human medicin arbejder med ICD-10 som en næsten universel diagnostisk kodningsramme, med SNOMED CT i stigende grad indlejret i journalsystemer til kliniske fund. Veterinær medicin har ingen tilsvarende standard.

I praksis kan europæiske dyrlægeklinikker bruge VeNom-koder, SNOMED Veterinary-udvidelser eller de proprietære kodningssystemer, der er indbygget i deres praksisstyringssoftware, og disse sameksisterer uden harmonisering på tværs af klinikker, lande eller arter. En kerneårsag til denne fragmentering er strukturel: I human medicin skaber fakturerings- og refusionssystemet et direkte økonomisk incitament til at producere standardiserede kodede journalnotater. Veterinær medicin, med sine forholdsvis lave satser for kæledyrsforsikringsdækning, mangler denne drivkraft. Faktureringskoder findes i veterinære journalnotater, men er ikke standardiseret på tværs af hospitaler eller praksisser.

Den praktiske konsekvens er, at de fleste veterinære besøg registreres i fritekstnotater uden standarddiagnosekoder, i modsætning til humane epikriser, der rutinemæssigt kodes med ICD-10. Dette afspejler en anden økonomisk og regulatorisk kontekst snarere end en mangel i veterinær praksis. Det betyder dog, at AI-værktøjer designet til at arbejde med strukturerede, kodede input står over for et fundamentalt anderledes datamiljø, når de implementeres i veterinære sammenhænge.

Artsspecifik kompleksitet: hvorfor én skabelon ikke kan passe til alle

Dybden af artsspecifikke dokumentationskrav rækker langt ud over referenceintervaller. Anatomisk terminologi varierer mellem arter. De strukturer, der undersøges i en kanins gastrointestinale vurdering, en hests halthedsundersøgelse og en hunds ortopædiske udredning, er ikke blot variationer over en fælles skabelon. Artsspecifikke lægemiddelprotokoller, tilbageholdelsesperioder for fødevareproducerende dyr og de differentialdiagnoser, der er relevante for en præsenterende klage, kræver alle artsbevidst klinisk logik for at dokumentere nøjagtigt.

En smådyrskonsultation, et hestebesøg og et besøg hos et landbrugsdyr kan kræve helt forskellige felter, prompts og strukturerede sektioner. Veterinary Innovation Councils rapport fra 2025 om AI-skribentværktøjer identificerer veterinærspecifik jargon, arts- og tilstandsspecifik terminologi og farmakologisk nomenklatur som centrale nøjagtighedsudfordringer for AI-transskription – udfordringer, der ikke opstår i samme form i AI-værktøjer til human medicin.

Forskning, der anvender maskinlæring på store veterinære journalnotater, har vist, at race-, alders- og kønsprædispositioner for sygdom er indlejret i strukturen af veterinære journalnotater på måder, der kræver artsbevidst modellering for at fremkomme pålideligt. En sprogmodel, der er prætrænet på human klinisk tekst, vil ikke have internaliseret disse relationer. PetBERT, en sprogmodel prætrænet specifikt på veterinære datasæt, har vist en målbart stærkere forståelse af veterinær klinisk nomenklatur sammenlignet med generelle modeller. Dette er bevis for, at domænespecifik prætræning er nødvendig for pålidelig ydeevne, ikke valgfrit.

Multipatientaftaler og besætnings- og floknotater

Dokumentationen af multipatientaftaler udgør en strukturel udfordring, som AI-værktøjer til human medicin ikke har nogen færdig løsning på. En dyrlæge, der besøger en mælkekvægsbedrift, kan vurdere en kohorte af dyr under en besætningssundhedsplan, registrere behandlingsbeslutninger på populationsniveau og kun generere individuelle notater for dyr, der modtager specifikke interventioner. En smådyrspraksis kan se et kuld til første vaccinationer og generere flere sammenkædede notater fra en enkelt aftale.

Disse arbejdsgange kræver dokumentationslogik, der fundamentalt adskiller sig fra én-kliniker-til-én-patient-konsultationsmodellen. Veterinære journalsystemer er indlejret i praksisinformationsstyringssystemer (PIMS) frem for at eksistere som selvstændige produkter. Dette afspejler den operationelle virkelighed i veterinær praksis, hvor planlægning, dispensering, lagerstyring og journalnotater er integrerede funktioner. AI-værktøjer, der genererer notater til en enkelt konsultation og skubber dem til en enkelt patientjournal, er ikke arkitektonisk designet til dette miljø uden betydelig tilpasning.

Regulatoriske og juridiske dokumentationskrav, der er unikke for veterinær praksis

Veterinære journalnotater i Europa bærer et compliance-lag, der ikke har nogen analog i human medicinsk dokumentation. Centrale regulatoriske forpligtelser omfatter:

• Antimikrobielle receptudskrivningsnotater under EU-forordning 2019/6, som kræver, at dyrlæger fører optegnelser over alle antibiotikaordinationer, herunder art, indikation og mængde. Disse notater indgår i national og EU-niveau antimikrobiel resistensovervågning.

• Kaskadeforskrivningsdokumentation, påkrævet når et licenseret veterinært lægemiddel ikke er tilgængeligt, og et humant lægemiddelprodukt eller et ulicenseret præparat bruges i stedet. Den kliniske begrundelse og forskrivningsbeslutningen skal registreres.

• Fødevarekædeerklæringer for landbrugsdyr, der dokumenterer tilbageholdelsesperioder og bekræfter, at dyr er egnede til at indgå i fødevarekæden efter behandling.

• Kontrollerede lægemiddellogbøger, der føres under national lovgivning, som implementerer EU-direktiver om narkotiske og psykotrope stoffer.

Europæiske regulatorer, herunder Det Europæiske Lægemiddelagentur og UK Veterinary Medicines Directorate, anvender i stigende grad veterinære journaldata til lægemiddelovervågningsformål, en udvikling der skærper kravene til nøjagtig, struktureret registrering af lægemiddeleksponeringsdata. Et AI-dokumentationsværktøj, der ikke fremhæver disse felter, eller som begraver regulatoriske data i ustruktureret fritekst, skaber compliance-risiko frem for at reducere den.

Hvad man skal kigge efter, når man evaluerer AI-dokumentationsværktøjer som dyrlæge

Dyrlæger, der vurderer AI-dokumentationsværktøjer, bør anvende veterinærspecifikke evalueringskriterier frem for at læne sig op ad erfaringer fra human medicin. Relevante spørgsmål omfatter:

• Artsdækning: Understøtter værktøjet de arter, du behandler, herunder passende referenceintervaller, anatomisk terminologi og lægemiddelprotokoller? Et værktøj trænet primært på hunde- og kattenotater kan præstere dårligt til heste-, eksotiske eller landbrugsdyrkonsultationer.

• Kodningskompatibilitet: Genererer værktøjet koder, der er kompatible med dit praksisstyringssystem? Understøtter det VeNom, SNOMED Veterinary eller den kodningsramme, dit praksisinformationsstyringssystem bruger, eller genererer det koder, der kræver manuel afstemning?

• Håndtering af multipatientnotater: Kan værktøjet generere sammenkædede notater for flere dyr set i en enkelt aftale? Understøtter det dokumentation på populationsniveau for besætnings- eller floksundhedsplaner?

• Regulatoriske compliance-felter: Prompter værktøjet til antimikrobielle receptudskrivningsdata, kaskadeforskrivningsbegrundelse og fødevarekædeerklæringer, hvor det er relevant? Er disse felter struktureret til revisionsformål, eller kun registreret i fritekst?

• Integration med dit praksisinformationsstyringssystem: Integration af maskinlæringsklassifikatorer med eksisterende veterinære journalsystemer hæmmes ofte af legacy-systemers stivhed og begrænsede IT-ressourcer. Det er essentielt at forstå, hvordan et værktøj forbindes til din eksisterende infrastruktur, og hvilke manuelle trin der fortsat er nødvendige.

Ifølge en kommerciel undersøgelse fra Purina rapporterer 65 procent af dyrlæger i Europa, at deres administrative opgaver er fordoblet, og databeskyttelse nævnes konsekvent som en af de største bekymringer blandt dyrlæger, der tager AI-værktøjer i brug. Ethvert værktøj, der håndterer journalnotater, skal vurderes for overholdelse af GDPR (General Data Protection Regulation) og datalokationskrav, især for praksisser, der opererer i EU-medlemslande.

Hvordan god veterinær-tilpasset AI-dokumentation bør se ud

Et AI-dokumentationsværktøj, der er ægte tilpasset til veterinær brug, snarere end blot overfladisk rebrandet fra et humanmedicinsk produkt, bør demonstrere flere karakteristika:

• Artsbevidste skabeloner og prompts, der tilpasser felterne, terminologien og den kliniske logik, der præsenteres, baseret på den art, der dokumenteres. En kaninkonsultation bør ikke præsentere de samme standardfelter som et besøg hos kvæg.

• Understøttelse af notater på populationsniveau, så det er muligt at dokumentere besætnings- og floksundhedsplaner, batchbehandlinger og multipatientaftaler uden at skulle oprette et separat konsultationsnotat for hvert dyr.

• Kompatibilitet med europæiske veterinære praksisstyringssystemer, herunder de kodningsrammer, disse systemer bruger, frem for at kræve, at dyrlæger manuelt oversætter output.

• Struktureret registrering af regulatoriske felter, herunder antimikrobielle receptudskrivningsdata under EU-forordning 2019/6, kaskadeforskrivningsbegrundelse og fødevarekædeerklæringer. Disse felter bør promptes automatisk, hvor det er klinisk relevant.

• Prætræning eller finjustering på veterinær klinisk tekst. Finjusterede sprogmodeller anvendt på veterinære fritekstnotater har vist meningsfulde forbedringer i diagnostisk kodningsnøjagtighed i forhold til generelle modeller. En model, der ikke er trænet på veterinære kliniske narrativer, vil producere output, der kræver mere korrektion, ikke mindre.

Selv specialbyggede veterinære AI-værktøjer står over for reelle begrænsninger. Den ustrukturerede, fritekstbaserede natur af de fleste veterinære journalnotater betyder, at træningsdatakvaliteten varierer betydeligt på tværs af praksisser og systemer. Værktøjer, der præsterer godt på hunde- og kattenotater, generaliserer muligvis ikke til mindre repræsenterede arter. Ifølge en markedsanalyse fra Grand View Research fandt en undersøgelse fra 2019, at kun 44 procent af europæiske dyrlægeklinikker overhovedet brugte journalsystemer, hvilket betyder, at en betydelig del af professionen stadig er ved at opbygge den digitale infrastruktur, som AI-værktøjer kræver.

Formålsegnethed betyder mere end antallet af funktioner

Forskellene mellem veterinære og humane journalnotater er ikke mindre variationer, der kan løses ved at tilføje en artsdropdown til et eksisterende værktøj. De afspejler fundamentalt forskellige kliniske virkeligheder: multiarts-patientpopulationer med forskellige fysiologiske normer, dokumentationsarbejdsgange, der spænder over individuelle dyr og hele besætninger, regulatoriske forpligtelser specifikke for veterinær receptudskrivning og fødevarekædesikkerhed, samt et kodningslandskab uden de harmoniserede standarder, som AI-værktøjer til human medicin er bygget op omkring.

Et værktøj med en imponerende funktionsliste bygget til almen praksis kan stadig fejle i at registrere en kaskadeforskrivningsbegrundelse, fejlhåndtere et multipatientbesøg på en gård eller generere anatomisk ukorrekte notater for en art, det aldrig er blevet trænet på. For dyrlæger, der evaluerer AI-dokumentationsværktøjer, er det relevante benchmark ikke, om et værktøj fungerer godt i en praktiserende læges konsultation eller hospitalsafdeling. Det er, om det er blevet bygget, trænet og valideret mod de specifikke dokumentationskrav i veterinær praksis.

Ofte stillede spørgsmål

Hvorfor kan et AI-dokumentationsværktøj til human medicin ikke bruges i veterinær praksis?

AI-dokumentationsværktøjer bygget til human medicin er trænet på humane journalnotater, designet omkring enkeltpatientkonsultationer og kalibreret mod kodningsstandarder som ICD-10 (International Classification of Diseases, tiende revision) og SNOMED CT (Systematised Nomenclature of Medicine Clinical Terms). Veterinære journalnotater har en fundamentalt anderledes struktur: art, race, aldersklasse, køn og reproduktionsstatus er klinisk afgørende variable, ikke demografiske metadata. En sprogmodel prætrænet på human klinisk tekst vil ikke have internaliseret de artsspecifikke fysiologiske normer, anatomiske termer eller lægemiddelprotokoller, som veterinær dokumentation kræver.

Hvordan adskiller veterinære journalnotater sig strukturelt fra humane journalnotater?

Veterinære journalnotater skal tage højde for artsspecifik klinisk logik, dokumentation på populationsniveau såsom besætningssundhedsplaner og flokbehandlingsnotater samt regulatoriske felter uden ækvivalent i human medicin. Et enkelt besøg på en gård kan generere notater, der dækker snesevis af individuelle dyr, eller en enkelt notering på populationsniveau for en defineret gruppe. Den én-kliniker-til-én-patient-model, der understøtter design af journalsystemer i human medicin, fungerer ikke i veterinær praksis.

Er der en samlet klinisk kodningsstandard for veterinær praksis i Europa?

Nej. I modsætning til human medicin, som bruger ICD-10 som en næsten universel diagnostisk kodningsramme, har veterinær medicin ingen obligatorisk harmoniseret kodningsstandard på tværs af europæiske praksisser. Klinikker kan bruge VeNom-koder, SNOMED Veterinary-udvidelser eller proprietære kodningssystemer indbygget i deres praksisstyringssoftware, og disse sameksisterer uden harmonisering på tværs af klinikker, lande eller arter. Forskning bekræfter, at de fleste veterinære besøg registreres i fritekstnotater uden standarddiagnosekoder, hvilket skaber et fundamentalt anderledes datamiljø for AI-værktøjer designet til at arbejde med strukturerede, kodede input.

Hvilke regulatoriske dokumentationsforpligtelser er unikke for veterinær praksis i Europa?

Europæiske veterinære praksisser bærer compliance-forpligtelser, der ikke har nogen ækvivalent i human medicinsk dokumentation. Disse omfatter antimikrobielle receptudskrivningsnotater under EU-forordning 2019/6, som kræver notater over alle antibiotikaordinationer, herunder art, indikation og mængde. Dyrlæger skal også dokumentere kaskadeforskrivningsbeslutninger, når et licenseret veterinært lægemiddel ikke er tilgængeligt, og et humant lægemiddelprodukt bruges i stedet. For landbrugsdyr skal fødevarekædeerklæringer, der bekræfter tilbageholdelsesperioder, registreres. Kontrollerede lægemiddellogbøger kræves også under national lovgivning. Et AI-dokumentationsværktøj, der ikke fremhæver disse felter som strukturerede data, skaber compliance-risiko frem for at reducere den.

Hvorfor betyder artsspecifik terminologi noget for AI-dokumentationsnøjagtighed?

Veterinære journalnotater benytter andre stilarter, ordvalg og diagnostisk terminologi end humane journalnotater, hvilket er bekræftet af forskning i naturlig sprogbehandling. En hvilepuls på 180 slag i minuttet betyder noget helt andet hos en kat end hos en hund, og noget andet igen hos en kanin. Lægemiddeldoseringer, referenceintervaller, differentialdiagnoser og anatomisk terminologi varierer alt efter hvilken art, der vurderes. Veterinary Innovation Councils rapport fra 2025 om AI-skribentværktøjer identificerer veterinærspecifik jargon og arts- og tilstandsspecifik terminologi som centrale nøjagtighedsudfordringer, der ikke opstår i samme form i AI-værktøjer til human medicin.

Forbedrer domænespecifik prætræning på veterinære data AI-dokumentationsydeevnen?

Ja. PetBERT, en sprogmodel prætrænet specifikt på veterinære datasæt, har vist en målbart stærkere forståelse af veterinær klinisk nomenklatur sammenlignet med generelle modeller. Forskning, der anvender finjusterede sprogmodeller på veterinære fritekstnotater, har også vist meningsfulde forbedringer i diagnostisk kodningsnøjagtighed i forhold til generelle modeller. En model, der ikke er trænet på veterinære kliniske narrativer, vil producere output, der kræver mere korrektion, ikke mindre.

Hvordan bør AI-dokumentationsværktøjer håndtere multipatient- og besætnings- eller floknotater?

En dyrlæge, der besøger en mælkekvægsbedrift, kan vurdere en kohorte af dyr under en besætningssundhedsplan, registrere behandlingsbeslutninger på populationsniveau og kun generere individuelle notater for dyr, der modtager specifikke interventioner. En smådyrspraksis kan se et kuld til første vaccinationer og generere flere sammenkædede notater fra en enkelt aftale. AI-værktøjer, der genererer notater til en enkelt konsultation og skubber dem til en enkelt patientjournal, er ikke arkitektonisk designet til dette miljø uden betydelig tilpasning. Et ægte veterinær-tilpasset værktøj bør understøtte dokumentation på populationsniveau og gøre det muligt at sammenkæde notater for flere dyr set i en enkelt aftale.

Hvad bør dyrlæger tjekke, når de evaluerer et AI-dokumentationsværktøj?

Dyrlæger bør anvende veterinærspecifikke evalueringskriterier frem for at læne sig op ad erfaringer fra human medicin. Centrale spørgsmål omfatter: Understøtter værktøjet de arter, du behandler, med passende referenceintervaller og lægemiddelprotokoller? Genererer det koder, der er kompatible med dit praksisinformationsstyringssystem (PIMS)? Kan det generere sammenkædede notater for flere dyr i en enkelt aftale? Prompter det til antimikrobielle receptudskrivningsdata, kaskadeforskrivningsbegrundelse og fødevarekædeerklæringer som strukturerede felter? Og hvordan forbindes det til din eksisterende infrastruktur? Ethvert værktøj, der håndterer journalnotater, skal også vurderes for overholdelse af GDPR (General Data Protection Regulation) og datalokationskrav.

Hvad er begrænsningerne ved selv specialbyggede veterinære AI-dokumentationsværktøjer?

Selv specialbyggede veterinære AI-værktøjer står over for reelle begrænsninger. Den ustrukturerede, fritekstbaserede natur af de fleste veterinære journalnotater betyder, at træningsdatakvaliteten varierer betydeligt på tværs af praksisser og systemer. Værktøjer, der præsterer godt på hunde- og kattenotater, generaliserer muligvis ikke til mindre repræsenterede arter. En undersøgelse fra 2019 citeret i en markedsanalyse fra Grand View Research fandt, at kun 44 procent af europæiske dyrlægeklinikker overhovedet brugte journalsystemer, hvilket betyder, at en betydelig del af professionen stadig er ved at opbygge den digitale infrastruktur, som AI-værktøjer kræver. Integration af maskinlæringsklassifikatorer med eksisterende veterinære journalsystemer hæmmes også ofte af legacy-systemers stivhed og begrænsede IT-ressourcer.

Hvordan ser et ægte veterinær-tilpasset AI-dokumentationsværktøj ud?

Et ægte veterinær-tilpasset værktøj tilpasser sine felter, terminologi og kliniske logik baseret på den art, der dokumenteres, så en kaninkonsultation ikke præsenterer de samme standardfelter som et besøg hos kvæg. Det understøtter notater på populationsniveau for besætnings- og floksundhedsplaner. Det er kompatibelt med europæiske praksisinformationsstyringssystemer og de kodningsrammer, disse systemer bruger. Det prompter automatisk til regulatoriske felter, herunder antimikrobielle receptudskrivningsdata under EU-forordning 2019/6, kaskadeforskrivningsbegrundelse og fødevarekædeerklæringer. Og det er blevet prætrænet eller finjusteret på veterinær klinisk tekst, ikke blot omformuleret fra et humanmedicinsk produkt.