Klinisk beslutningsstøtte: hvad evidensen faktisk viser

Kliniske beslutningsstøtteværktøjer kan forbedre specifikke, veldefinerede processer i primærsektoren – bestilling af laboratorietest, antibiotikaforskrivning, risikovurdering for hjerte-kar-sygdom – men evidensen for, at de bredt reducerer diagnostiske fejlrater på tværs af hele spektret af præsentationer i europæisk almen praksis, er endnu ikke overbevisende.

Hvad klinisk beslutningsstøtte faktisk gør i en konsultation

Kliniske beslutningsstøtteværktøjer (KBS) er ikke én enkelt teknologi. I primærsektoren dækker de forslag til differentialdiagnoser, advarsler om røde flag, tjek af lægemiddelinteraktioner, vejledning om antibiotikaforskrivning, risikoberegning for hjerte-kar-sygdomme og støtte til beslutninger om henvisninger.

En vigtig sondring er forskellen mellem passiv og aktiv KBS. Passive systemer arbejder i baggrunden og tjekker recepter eller markerer abnorme resultater uden at afbryde konsultationsforløbet. Aktive systemer griber ind i realtid og tilbyder forslag under selve konsultationen. LINNEAUS-metaanalysen om computeriserede diagnostiske beslutningsstøttesystemer i primærsektoren viste, at dyb integration med journalsystemet og aktivering af støtten på det rigtige tidspunkt i klinikerens tankeproces er forudsætninger for effektivitet. Den konklusion gælder særligt for aktive systemer, fordi de kræver, at forslaget rammer klinikeren i det øjeblik, beslutningen endnu er åben.

Store sprogmodeller, kunstig intelligens-systemer trænet til at forstå og generere tekst, er kommet til for nylig som grundlag for KBS-værktøjer. De kan sammenfatte patienthistorik, aktuelle symptomer og klinisk kontekst for at generere prioriterede differentialdiagnoser eller foreslå næste skridt. Dette er et kvalitativt skift fra regelbaserede advarsler, og det rejser nye spørgsmål om pålidelighed, kalibrering og klinikertillid.

Hvorfor måling af diagnostiske fejl er metodologisk vanskeligt

Diagnostiske fejl opdages typisk bagudskuende. En overset diagnose bliver først synlig, når en patient forværres, eller en specialist stiller en anden diagnose. De fleste undersøgelser er derfor afhængige af stedfortrædende mål: passende henvisningsrater, tid til diagnose, korrekt antibiotikaforskrivning eller mønstre i bestilling af laboratorietest. Disse er legitime mål for den kliniske proces, men de er ikke det samme som bekræftede reduktioner i patientskade.

Randomiserede kontrollerede forsøg er sjældne og vanskelige at gennemføre, fordi klinikere ikke kan blindes for, om de bruger et KBS-værktøj. Et scoping review fra 2021 i International Journal of Environmental Research and Public Health konkluderede, at KBS-tilgange har vist forbedringer i en række medicinske sammenhænge, men at deres nytte specifikt inden for diagnostik forbliver uklar. LINNEAUS-metaanalysen gennemgik 1.970 studier og fandt kun 12, der var egnede til inklusion. Evidensgrundlaget er tyndt, ikke nødvendigvis fordi KBS-værktøjer ikke virker, men fordi den forskningsmæssige infrastruktur til at evaluere dem stringent i primærsektoren har haltet bagefter selve implementeringen.

Hvor evidensen er stærkest, og hvor den mangler

Korrekt bestilling af laboratorietest er et af de bedst undersøgte områder. ELMO-klyngerandomiserede forsøg, gennemført i belgisk primærsektor af KU Leuven og Ghent University, viste, at et KBS-system med ordresæt til 17 almindelige indikationer forbedrede korrekt bestilling og reducerede antallet af laboratorietest. Systemet var samtidig non-inferiort i forhold til sædvanlig pleje, hvad angår forekomsten af diagnostiske fejl. Det er det stærkeste europæiske randomiserede kontrollerede forsøg på området og giver reel tryghed om sikkerheden, selvom det ikke viser aktiv fejlreduktion. Kardiovaskulær risikostratificering og korrekt antibiotikaforskrivning har tilsvarende vist målbar procesforbedring i flere studier.

Vurdering af hjerterytme er et område i udvikling. En fransk undersøgelse blandt praktiserende læger om kunstig intelligens-assisteret EKG-fortolkning viste, at 72 procent ville bruge EKG'er hyppigere, hvis kunstig intelligens var tilgængelig til fortolkning, og at kunstig intelligens har demonstreret diagnostisk nøjagtighed på niveau med kardiologers. Bemærkelsesværdigt nok betragtede 57 procent af respondenterne kunstig intelligens som et diagnostisk hjælpemiddel snarere end et selvstændigt system.

Noget af den mest slående evidens fra den virkelige verden kommer fra et studie fra 2025 af Korom et al., gennemført i samarbejde med Penda Health på tværs af 39.849 patientbesøg på 15 klinikker i Nairobi. Klinikere, der brugte et LLM-baseret kunstig intelligens-konsultationsværktøj, lavede 16 procent færre diagnostiske fejl og 13 procent færre behandlingsfejl sammenlignet med klinikere uden adgang til værktøjet. Alle respondenter i klinikerspørgeskemaet svarede, at kunstig intelligens-konsultationsværktøjet forbedrede kvaliteten af den pleje, de leverede.

Et direkte modstridende resultat eksisterer imidlertid, og det vejer tungt. Et pragmatisk klyngerandomiseret forsøg testede ChatGPT-4o-assisteret klinisk beslutningsstøtte i kenyanske primærsektorfaciliteter og fandt, at systemet ikke signifikant reducerede behandlingssvigt efter 14 dage sammenlignet med sædvanlig pleje. Det er det mest stringente studiedesign, der er tilgængeligt, og den manglende effekt på et hårdt klinisk mål er en væsentlig modvægt til den observationelle evidens fra Penda-studiet. De to studier målte forskellige outcomes i forskellige sammenhænge med forskellige værktøjer, men tilsammen viser de, at evidensen langt fra er entydigt positiv.

For mange af de udifferentierede præsentationer, der kendetegner almen praksis, herunder træthed, mavesmerter og muskuloskeletale symptomer, er der ringe eller ingen fagfællebedømt evidens for, at KBS-værktøjer reducerer diagnostiske fejlrater. De tilstande, hvor evidensen er stærkest, er netop dem, hvor den diagnostiske opgave er mest struktureret og forudsigelig.

Hvorfor europæisk primærsektorkontekst ikke kan erstattes af andre sammenhænge

En betydelig del af evidensgrundlaget stammer fra amerikanske sundhedssystemer eller hospitalssammenhænge. I USA arbejder primærsektoren inden for et andet landskab af medicinske journalsystemer, med andre incitamentsstrukturer, dokumentationsnormer og patientpanelstørrelser. Hospitalsbaserede studier involverer typisk mere akutte og bedre definerede diagnostiske spørgsmål end de kroniske, multimorbide og udifferentierede præsentationer, der dominerer europæiske konsultationer. Studier fra lavressource-sammenhænge adskiller sig tilsvarende væsentligt fra NHS eller nordisk primærsektor, fordi forskellene handler om den grundlæggende diagnostiske infrastruktur, konsultationslængde og adgang til henvisninger.

ELMO-forsøget fra Belgien er fortsat et af de få højkvalitets europæiske randomiserede kontrollerede forsøg, der er gennemført specifikt i primærsektoren. LINNEAUS-metaanalysen, et europæisk samarbejde, opfordrede allerede i 2016 til mere standardiserede tilgange til vidensrepræsentation og dybere integration med medicinske journalsystemer. Den opfordring er ikke blevet fuldt imødekommet i det forløbne årti.

Konsultationslængde spiller også en rolle. En praktiserende læge med ti-minutters aftaler arbejder under andre begrænsninger end en kliniker i en studiesammenhæng. Værktøjer, der kræver yderligere dataindtastning, eller som præsenterer forslag på et tidspunkt i arbejdsgangen, hvor den kliniske beslutning reelt allerede er truffet, vil næppe ændre outcomes, uanset hvor nøjagtige de er i sig selv.

Når KBS-værktøjer ignoreres eller misbruges: det menneskelige faktorproblem

Et kvalitativt studie fra 2025 af klinikere i primærsektoren identificerede betydelige barrierer for implementering: klinikermodstand, organisatoriske godkendelsesprocesser, mangel på infrastruktur og utilstrækkelig formidling af evidens til slutbrugere. Klinikerne understregede, at værktøjer skal integreres med eksisterende medicinske journalsystemer og have en brugervenlig grænseflade, krav der ofte ikke opfyldes i praksis.

Advarselstræthed opstår, når KBS-systemer genererer hyppige advarsler med lav specificitet, og klinikere lærer at ignorere dem rutinemæssigt. Tilsidesættelsesraten sætter et reelt loft for enhver potentiel fordel. Det modsatte problem er automatiseringsbias, tendensen til at stole for meget på algoritmiske forslag og undervurdere sin egen kliniske vurdering. Begge problemer handler om måden, værktøjerne implementeres på, snarere end fejl i selve teknologien, og begge ses konsekvent i praksis.

Et rammepapir i Frontiers in Medicine om reduktion af fejldiagnoser i kunstig intelligens-drevet diagnostik konkluderer, at en koordineret tilgang på flere niveauer er nødvendig: robuste tekniske kontroller, klare etiske retningslinjer og veldefinerede ansvarsstrukturer. Den sammenhæng, et værktøj implementeres i, og den måde, det styres på, betyder lige så meget som den underliggende teknologi. At et scoping review fra 2025 om kunstig intelligens i ambulant primærsektor af 3.203 gennemgåede manuskripter kun fandt otte med kliniske forsøgsresultater, understreger præcis dette punkt: kløften mellem publicerede modeller og implementerede, evaluerede systemer er fortsat stor.

Hvad praktiserende læger bør spørge om, før de tager et værktøj i brug

Det ærlige resumé af den nuværende evidens er dette: KBS-værktøjer kan forbedre specifikke, veldefinerede kliniske processer i primærsektoren, men evidensen har endnu ikke fastslået, at de reducerer de samlede diagnostiske fejlrater i europæisk almen praksis generelt. At betragte dem som målrettede hjælpemidler til veldefinerede opgaver afspejler, hvad forskningen faktisk viser.

For praktiserende læger, der overvejer at tage et KBS-værktøj i brug, er følgende spørgsmål værd at stille til enhver leverandør eller implementeringsteam. Blev evidensen genereret i en europæisk primærsektorsammenhæng, og målte studierne outcomes på patientniveau eller kun på procesniveau? Hvad er raterne for tilsidesættelse af advarsler i praksis, og hvordan overvåger man advarselstræthed? Hvordan integreres værktøjet med det eksisterende medicinske journalsystem, og på hvilket tidspunkt i konsultationsforløbet griber det ind? Er værktøjet blevet uafhængigt valideret, eller stammer de understøttende studier primært fra udvikleren selv? Og er værktøjet klassificeret som medicinsk udstyr under den relevante regulatoriske ramme, herunder hvilken løbende overvågning efter markedsføring der er på plads?

Ofte stillede spørgsmål

▶ Reducerer kliniske beslutningsstøtteværktøjer diagnostiske fejl i almen praksis?

Evidensen understøtter brugen af disse værktøjer til afgrænsede opgaver som laboratorietestbestilling og antibiotikaforskrivning. For udifferentierede præsentationer, som udgør størstedelen af en praktiserende læges hverdag, er der endnu ingen overbevisende dokumentation for en bred reduktion i diagnostiske fejlrater.

▶ Hvad er forskellen mellem passiv og aktiv klinisk beslutningsstøtte?

Passive systemer arbejder uden at afbryde konsultationen, for eksempel ved at tjekke recepter i baggrunden. Aktive systemer griber ind i realtid med forslag under selve konsultationen. Timingen er afgørende: et forslag, der præsenteres efter at beslutningen reelt er truffet, ændrer næppe udfaldet, uanset hvor præcist det er.

▶ Hvilke kliniske områder har den stærkeste evidens for beslutningsstøtteværktøjer i primærsektoren?

Laboratorietestbestilling, antibiotikaforskrivning og kardiovaskulær risikostratificering er bedst dokumenteret. AI-assisteret EKG-fortolkning er et område i udvikling med lovende resultater. Udifferentierede tilstande som træthed, mavesmerter og muskuloskeletale symptomer er stort set uundersøgte, selv om de fylder mest i almen praksis.

▶ Hvorfor er det så vanskeligt at måle, om klinisk beslutningsstøtte reducerer diagnostiske fejl?

Diagnostiske fejl opdages bagudskuende, ofte uger eller måneder efter indekskonsultationen, når en patient forværres eller får en revideret diagnose. Det gør det svært at designe prospektive studier med hårde outcomes, og de fleste forsøg måler i stedet procesmarkører, som ikke bekræfter, at patientskade faktisk er undgået.

▶ Hvad er advarselstræthed, og hvordan påvirker det den virkelige effektivitet af disse værktøjer?

Tilsidesættelsesraten for advarsler sætter et reelt loft for enhver potentiel fordel. Når klinikere rutinemæssigt ignorerer advarsler med lav specificitet, kan nettoeffekten på klinisk ræsonnement blive negativ. Automatiseringsbias går i den modsatte retning og ses ligeledes konsekvent i praksis. Begge problemer opstår i implementeringen, ikke i selve teknologien.

▶ Gælder evidens fra amerikanske eller afrikanske sundhedssystemer for europæisk almen praksis?

Overførbarheden er begrænset. Hospitalsbaserede studier fra USA involverer mere akutte og veldefinerede diagnostiske spørgsmål end dem, der dominerer europæiske konsultationer. Studier fra lavressource-sammenhænge adskiller sig på baseline diagnostisk infrastruktur og konsultationslængde. ELMO-forsøget fra Belgien er fortsat et af de eneste højkvalitets europæiske RCT'er gennemført specifikt i primærsektoren.

▶ Hvilke spørgsmål bør en praktiserende læge stille, før de adopterer et klinisk beslutningsstøtteværktøj?

Spørg konkret: Hvem finansierede valideringsstudierne? Er værktøjet testet i en europæisk primærsektorkontekst? Hvad er tilsidesættelsesraten for advarsler i daglig brug? Og er der løbende overvågning efter markedsføring under den relevante regulatoriske ramme? Svar, der er vage på disse punkter, er et advarselstegn i sig selv.

▶ Hvordan ville god evidens for reduktion af diagnostiske fejl i primærsektoren se ud?

Et troværdigt studie ville randomisere på praksis- eller klyngeniveau i europæiske primærsektorpopulationer, måle verificeret diagnostisk nøjagtighed mod opfølgningsdata og rapportere advarselstilsidesættelsesrater for at bekræfte, at værktøjet faktisk blev brugt som forudsat. Opfølgningstiden skal være tilstrækkelig lang, da diagnostiske fejl ofte manifesterer sig måneder efter indekskonsultationen.

▶ Hvad fandt Penda Health-studiet, og hvordan bør dets resultater fortolkes?

Korom et al. (2025) fandt 16 procent færre diagnostiske fejl og 13 procent færre behandlingsfejl blandt klinikere, der brugte et LLM-baseret værktøj, på tværs af 39.849 besøg på 15 klinikker i Nairobi. Studiet er observationelt, og et RCT i en sammenlignelig sammenhæng fandt ingen signifikant effekt på hårde kliniske outcomes. De to studier målte forskellige outcomes med forskellige værktøjer, og ingen af dem er direkte overførbare til europæisk almen praksis.