Diagnostiske fejl er et af de mest konsekvensrige og mindst synlige problemer i primærsektoren. Praktiserende læger på tværs af europæiske sundhedssystemer håndterer en ekstraordinær bredde af udifferentierede præsentationer, ofte inden for begrænsede konsultationstider og med begrænset adgang til specialistvurdering. Resultatet er et miljø, hvor diagnostiske fejl både er forståelige og samlet set betydelige. Estimaterne varierer, men nogle undersøgelser tyder på, at en væsentlig andel af diagnostiske fejl i primærsektoren kan forebygges med avancerede beslutningsstøttesystemer. Hvis blot tilnærmelsesvis korrekte, repræsenterer disse tal en betydelig og håndterbar byrde. Kliniske beslutningsstøtteværktøjer har tiltrukket stigende interesse som et teknologisk svar. Evidensen bag dem er dog mere kompleks, end leverandørernes påstande typisk antyder.

Hvad gør kliniske beslutningsstøtteværktøjer i en konsultation hos en praktiserende læge?

Klinisk beslutningsstøtte (CDS) er ikke én enkelt teknologi. I primærsektoren omfatter det en bred vifte af funktioner: differentialdiagnostiske forslag, der fremhæver tilstande, som en kliniker måske ikke har overvejet, advarsler om røde flag, der signalerer potentiel alvorlig sygdom, tjek af lægemiddelinteraktioner, vejledning om antibiotikaforskrivning, risikoberegningsværktøjer til kardiovaskulære sygdomme og beslutningsstøtte til henvisninger.

En vigtig sondring, der former, hvordan evidens bør fortolkes, er forskellen mellem passiv og aktiv CDS. Passive systemer opererer i baggrunden, tjekker recepter for interaktioner og markerer abnorme resultater uden at afbryde konsultationsforløbet. Aktive systemer griber ind i realtid og tilbyder forslag under selve den kliniske konsultation.

De to tilgange giver forskellige evidensprofiler, forskellige implementeringsudfordringer og forskellige risici. LINNEAUS-metaanalysen om computeriserede diagnostiske beslutningsstøttesystemer i primærsektoren identificerede, at dyb integration med journalsystemet og aktivering af støtte på relevante tidspunkter i den kognitive arbejdsgang er forudsætninger for effektivitet. Denne konklusion gælder især for aktive systemer.

Værktøjer baseret på store sprogmodeller (LLM) er kommet på banen for nylig. Store sprogmodeller kan sammenfatte patienthistorik, aktuelle symptomer og klinisk kontekst for at generere prioriterede differentialdiagnoser eller foreslå næste skridt. Disse repræsenterer et kvalitativt skift fra regelbaserede advarsler, men de rejser også nye spørgsmål om pålidelighed, kalibrering og klinikertillid.

Hvordan måler forskere reduktion af diagnostiske fejl?

Før vi ser på, hvad evidensen viser, er det værd at forstå, hvorfor måling af reduktion af diagnostiske fejl er metodologisk vanskeligt, og hvorfor praktiserende læger bør tilgå publicerede effektstørrelser med forsigtighed.

Diagnostiske fejl identificeres typisk retrospektivt. En overset diagnose bliver først synlig, når en patient forværres, vender tilbage med forværrede symptomer eller får stillet en anden diagnose af en specialist. Dette gør prospektiv måling udfordrende.

De fleste undersøgelser er derfor afhængige af proxy-outcomes: passende henvisningsrater, tid til diagnose, korrekt antibiotikaforskrivning eller mønstre i laboratorietestbestilling. Disse er legitime mål for klinisk proces, men de er ikke det samme som bekræftede reduktioner i patientskade fra oversete diagnoser.

Studiedesigns varierer også enormt. Randomiserede kontrollerede forsøg på dette område er sjældne og vanskelige at gennemføre. Klinikere kan ikke let blindes for, om de bruger et CDS-værktøj, og klyngerandomisering introducerer sine egne forstyrrende faktorer. Observationsstudier og revisionsdata dominerer litteraturen, hvilket begrænser muligheden for at drage sikre kausale konklusioner.

Et scoping review fra 2021 i International Journal of Environmental Research and Public Health konkluderede, at selvom CDS-tilgange har vist sig at forbedre kvaliteten af pleje i en række medicinske sammenhænge, forbliver deres anvendelighed specifikt i det diagnostiske domæne uklar. LINNEAUS-metaanalysen screenede 1.970 studier og fandt kun 12 egnede til inklusion. Evidensgrundlaget er tyndt, ikke fordi CDS-værktøjer nødvendigvis fejler, men fordi forskningsinfrastrukturen til at evaluere dem stringent i primærsektoren har haltet bagefter deres implementering.

Hvor er evidensen stærkest?

På trods af disse metodologiske forbehold er der områder, hvor CDS-værktøjer viser et konsistent og troværdigt signal i primærsektoren.

Korrekt bestilling af laboratorietest er et af de bedst undersøgte områder. ELMO-klyngerandomiserede forsøg, gennemført i belgisk primærsektor af KU Leuven og Ghent University, fandt, at et CDS-system, der brugte ordresæt til 17 almindelige indikationer, forbedrede korrekt bestilling og reducerede antallet af laboratorietest, samtidig med at det var non-inferiort i forhold til sædvanlig pleje, når det gælder forekomsten af diagnostiske fejl. Dette er et højkvalitets europæisk randomiseret kontrolleret forsøg (RCT), der giver reel tryghed om sikkerheden, selvom det ikke viser aktiv fejlreduktion.

Kardiovaskulær risikostratificering er et andet område, hvor strukturerede CDS-værktøjer har vist målbar procesforbedring, primært fordi beslutningsopgaven er veldefineret og beregnelig. Tilsvarende har korrekt antibiotikaforskrivning, et stort fokusområde i europæisk primærsektor, vist sig at forbedres med CDS-forslag i flere studier, selvom mekanismen er adfærdsmæssig snarere end strengt diagnostisk.

Vurdering af hjerterytme er et område i udvikling. En fransk undersøgelse blandt praktiserende læger om AI-assisteret elektrokardiogram (EKG)-fortolkning fandt, at 72 procent af de praktiserende læger rapporterede, at de ville bruge EKG'er hyppigere, hvis AI var tilgængelig til fortolkning, og at AI har demonstreret diagnostisk nøjagtighed i EKG-analyse svarende til kardiologers. Bemærkelsesværdigt betragtede 57 procent af respondenterne AI som et diagnostisk hjælpemiddel snarere end et autonomt system, hvilket afspejler, hvordan de fleste klinikere tilgår CDS-værktøjer i praksis.

Kollektiv diagnostisk ræsonnering tilbyder et supplerende perspektiv. Et studie fra 2024 i Medical Decision Making viste, at aggregering af uafhængige diagnoser fra praktiserende læger væsentligt forbedrer diagnostisk nøjagtighed, og at kombinationen af denne tilgang med et beslutningsstøttesystem gav yderligere gevinster. Flertalsreglen, hvor alle uafhængige diagnoser vægtes lige, præsterede væsentligt bedre end gennemsnitlig individuel nøjagtighed blandt praktiserende læger, med en effekt, der steg med gruppestørrelsen.

Måske 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 AI Consult-værktøj, lavede 16 procent færre diagnostiske fejl og 13 procent færre behandlingsfejl sammenlignet med dem uden adgang. I absolutte tal blev værktøjet vurderet til at kunne forhindre diagnostiske fejl i 22.000 besøg og behandlingsfejl i 29.000 besøg årligt på dette enkelte sundhedsnetværk. Alle respondenter i klinikerspørgeskemaet sagde, at AI Consult forbedrede kvaliteten af den pleje, de leverede, hvor 75 procent beskrev effekten som væsentlig.

Hvor er evidensen svag, inkonsistent eller manglende?

Penda Health-resultaterne er bemærkelsesværdige, men de kræver omhyggelig kontekstualisering. Et direkte modstridende resultat fra et studie af højere kvalitet eksisterer også.

Et pragmatisk klyngerandomiseret forsøg testede ChatGPT-4o-assisteret klinisk beslutningsstøtte i kenyanske primærsektorfaciliteter og fandt, at det ikke signifikant reducerede 14-dages behandlingssvigt sammenlignet med sædvanlig pleje. Dette er det mest stringente studiedesign tilgængeligt, et peer-reviewed RCT, og dets manglende effekt på et hårdt klinisk outcome er en væsentlig modvægt til den observationelle evidens fra Penda-studiet.

De to studier er ikke nødvendigvis i konflikt (de målte forskellige outcomes i forskellige sammenhænge med forskellige værktøjer), men sammen illustrerer de, at evidensen ikke entydigt er positiv.

Det kvalitative studie fra 2025 af klinikere i primærsektoren fandt, at selvom talrige studier har demonstreret forbedringer i procesrelaterede outcomes såsom øgede screeningsrater og reduceret ufuldstændig bestilling, har færre studier evalueret og rapporteret patientudfald. Dette gab mellem procesforbedring og påviselig patientgavn er et tilbagevendende tema i litteraturen.

Advarselstræthed er en veldokumenteret mekanisme, hvorved effektivitet demonstreret i kontrollerede sammenhænge ikke nødvendigvis oversættes til effektivitet i praksis. Når CDS-systemer genererer hyppige advarsler med lav specificitet, lærer klinikere at tilsidesætte dem rutinemæssigt. Tilsidesættelsesraten bliver et loft for enhver potentiel fordel, og i nogle sammenhænge kan nettoeffekten på klinisk ræsonnement være negativ.

Der er også betydelige huller efter tilstand og speciale. For mange af de udifferentierede præsentationer, der definerer almen praksis, herunder træthed, mavesmerter og muskuloskeletale symptomer, er der ringe eller ingen peer-reviewed evidens for, at CDS-værktøjer reducerer diagnostiske fejlrater. De tilstande, hvor evidensen er stærkest (kardiovaskulær risiko, antibiotikaforskrivning, laboratoriebestilling), er netop dem, hvor den diagnostiske opgave er mest struktureret og beregnelig. De mere komplekse, kognitivt krævende præsentationer i hjertet af praktiserende lægers arbejde forbliver stort set ustuderede.

Den europæiske primærsektorkontekst: hvorfor sammenhæng betyder noget

En betydelig andel af evidensgrundlaget for CDS-værktøjer i primærsektoren stammer fra amerikanske sundhedssystemer eller hospitalssammenhænge, og ingen af dem kan direkte overføres til europæisk almen praksis.

I USA opererer primærsektoren inden for et andet journalsystemlandskab med andre incitamentsstrukturer, dokumentationsnormer og patientpanelstørrelser. Hospitalsbaserede studier involverer typisk mere akutte, bedre definerede diagnostiske spørgsmål end de kroniske, multimorbide og udifferentierede præsentationer, der dominerer europæiske konsultationer hos praktiserende læger.

Studier gennemført i lavressource-sammenhænge, herunder Penda Health-studiet i Kenya og Nature Medicine-forsøget, involverer kliniske miljøer, der adskiller sig væsentligt fra NHS eller nordisk primærsektor med hensyn til baseline diagnostisk infrastruktur, konsultationslængde og adgang til henvisningsmuligheder.

ELMO-forsøget fra Belgien er fortsat et af de få højkvalitets europæiske RCT'er gennemført specifikt i primærsektoren, og dets fokus på laboratoriebestilling snarere end diagnostisk nøjagtighed i sig selv begrænser, hvad der kan udledes. LINNEAUS-metaanalysen, et europæisk samarbejde, opfordrede til mere standardiserede, beregnelige tilgange til vidensrepræsentation og dybere journalsystemintegration og bemærkede, at ingen af betingelserne konsekvent var opfyldt i de gennemgåede studier. Denne observation, gjort i 2016, er ikke blevet fuldt adresseret i det forløbne årti.

Konsultationslængde har også betydning. En praktiserende læge, der arbejder med ti-minutters aftaler, står over for andre begrænsninger end en kliniker i en studiesammenhæng med mere tid til at engagere sig med en CDS-grænseflade. Værktøjer, der kræver yderligere dataindtastning, eller som fremhæver forslag på et tidspunkt i arbejdsgangen, hvor den kliniske beslutning reelt allerede er truffet, vil næppe ændre outcomes, uanset deres underliggende nøjagtighed.

Det menneskelige faktorproblem: når CDS-værktøjer ignoreres eller misbruges

Effektiviteten af ethvert CDS-værktøj afhænger af, om og hvordan klinikere bruger det. Det kvalitative studie fra 2025 af klinikere i primærsektoren identificerede betydelige barrierer for implementering: klinikermodstand, organisatoriske godkendelsesprocesser, mangel på infrastruktur og utilstrækkelig evidens for effektivitet kommunikeret til slutbrugere. Klinikere understregede, at værktøjer skal integreres med eksisterende journalsystemer og tilbyde en brugervenlig grænseflade, krav der ofte ikke opfyldes i praksis.

Automatiseringsbias, tendensen til at stole for meget på algoritmiske forslag og undervurdere klinisk dømmekraft, er en dokumenteret risiko, der går i den modsatte retning af advarselstræthed. Hvor advarselstræthed fører til underbrug, fører automatiseringsbias til ukritisk overbrug. Begge repræsenterer implementeringsfejl snarere end iboende egenskaber ved værktøjerne, men begge observeres konsekvent i praksis.

Frontiers in Medicine-rammepapiret om reduktion af fejldiagnoser i AI-drevet diagnostik konkluderer, at en koordineret, multidimensionel tilgang er essentiel, hvor robuste tekniske kontroller, klare etiske retningslinjer og definerede ansvarsstrukturer indgår. Dette er ikke en kritik af et specifikt værktøj, men afspejler den bredere konklusion, at implementeringskontekst og governance betyder lige så meget som den underliggende teknologi.

Et scoping review fra 2025 om AI i ambulant primærsektor fandt, at de fleste studier forbliver i udviklingsfasen med minimal implementering i praksis ud over ambient scribing og klinisk beslutningsstøtte. Af 3.203 screenede manuskripter rapporterede kun otte kliniske forsøgsresultater. Gabet mellem publicerede modeller og implementerede, evaluerede systemer er fortsat stort.

Hvordan ville god evidens faktisk se ud?

Givet de metodologiske begrænsninger beskrevet ovenfor, er det værd at være specifik om, hvilket studiedesign der ville give en praktiserende læge rimelig tillid til, at et CDS-værktøj reducerer diagnostiske fejl i deres sammenhæng.

Det minimum troværdige evidensgrundlag ville omfatte:

• Prospektivt design: outcomes målt før og efter værktøjsimplementering i sammenlignelige populationer, ideelt set med randomisering på praksis- eller klyngeniveau

• Europæiske primærsektorpopulationer: ikke amerikanske sundhedssystemer, ikke hospitalssammenhænge, ikke lavressource-miljøer med forskellig baseline-infrastruktur

• Bekræftede diagnostiske outcomes: ikke proxy-mål såsom henvisningsrater eller testbestillingsmønstre, men verificeret diagnostisk nøjagtighed mod opfølgningsdata

• Uafhængig validering: resultater ikke finansieret eller gennemført udelukkende af værktøjsudvikleren

• Rapporterede tilsidesættelsesrater og data om advarselstræthed: for at bekræfte, at værktøjet faktisk blev brugt på den måde, studiet antager

• Tilstrækkelig opfølgning: diagnostiske fejl manifesterer sig ofte uger eller måneder efter indekskonsultationen. Kortsigtede outcome-vinduer overser en væsentlig andel af relevante hændelser

Den automatiserede metode til detektion af diagnostiske uoverensstemmelser valideret i schweiziske skadestuer, som opnåede area under the curve (AUC)-værdier på 0,94 til 0,95 som screeningsværktøj for diagnostiske fejl, tilbyder én model for, hvordan retrospektiv fejlidentifikation kunne operationaliseres i stor skala. Anvendelse af lignende metoder på primærsektorens revisionsdata kunne væsentligt styrke evidensgrundlaget, selvom dette stadig er et forskningsgab snarere end en etableret praksis.

Hvad kan praktiserende læger med rimelighed forvente af klinisk beslutningsstøtte i dag?

Det ærlige resumé af den nuværende evidens er dette: CDS-værktøjer kan forbedre specifikke, veldefinerede kliniske processer i primærsektoren, herunder laboratorietestbestilling, antibiotikaforskrivning, kardiovaskulær risikostratificering og potentielt vurdering af hjerterytme. I disse områder er evidensen troværdig og i nogle tilfælde baseret på højkvalitets europæiske RCT'er.

Hvad evidensen endnu ikke har fastslået, er, at CDS-værktøjer reducerer overordnede diagnostiske fejlrater i generel europæisk primærsektor. De studier, der viser de største effekter (Penda Health-observationsstudiet), er gennemført i andre sundhedssammenhænge og bruger proxy- eller selvrapporterede outcomes. Det højest kvalitets-RCT tilgængeligt (Nature Medicine-klyngerandomiserede forsøg) fandt ingen signifikant reduktion i hårde kliniske outcomes. De grundlæggende systematiske reviews identificerer kun en håndfuld studier, der opfylder kvalitetstærskler, og opfordrer til mere stringent metodologi.

For praktiserende læger, der overvejer, om de skal tage et CDS-værktøj i brug eller anbefale det, er følgende spørgsmål værd at stille til enhver leverandør eller implementeringsteam:

• Hvad er evidensgrundlaget, og blev det genereret i en europæisk primærsektorsammenhæng?

• Blev outcomes målt på patientniveau eller kun på procesniveau?

• Hvad er advarselstilsidesættelsesraterne i implementering i praksis, og hvordan overvåges advarselstræthed?

• Hvordan integreres værktøjet med det eksisterende journalsystem, og på hvilket tidspunkt i konsultationsarbejdsgangen griber det ind?

• Er værktøjet blevet uafhængigt valideret, eller kommer de understøttende studier primært fra udvikleren?

• Er værktøjet klassificeret som medicinsk udstyr under den relevante regulatoriske ramme, og hvilken post-market-overvågning er på plads?

CDS-værktøjer har bestemt værdi i primærsektoren. Evidensen for specifikke anvendelser er reel. Men påstanden om, at de bredt reducerer diagnostiske fejl på tværs af hele spektret af præsentationer, en praktiserende læge møder, er endnu ikke understøttet af den tilgængelige evidens. At betragte dem som målrettede hjælpemidler til veldefinerede opgaver snarere end generelle løsninger på diagnostisk usikkerhed afspejler, hvad forskningen faktisk viser.

Ofte stillede spørgsmål

▶ Reducerer kliniske beslutningsstøtteværktøjer diagnostiske fejl i almen praksis?

Evidensen er blandet. Nogle studier viser målbare forbedringer i specifikke kliniske processer, såsom laboratorietestbestilling og antibiotikaforskrivning, men intet højkvalitets europæisk randomiseret kontrolleret forsøg har endnu demonstreret en bred reduktion i diagnostiske fejlrater på tværs af hele spektret af præsentationer, en praktiserende læge møder. Det mest stringente RCT tilgængeligt, et klyngerandomiseret forsøg med ChatGPT-4o-assisteret beslutningsstøtte i kenyansk primærsektor, fandt ingen signifikant reduktion i hårde kliniske outcomes. Evidensen understøtter brugen af disse værktøjer som målrettede hjælpemidler til veldefinerede opgaver snarere end som generelle løsninger på diagnostisk usikkerhed.

▶ Hvad er forskellen mellem passiv og aktiv klinisk beslutningsstøtte?

Passive kliniske beslutningsstøttesystemer (CDS) opererer i baggrunden, tjekker recepter for lægemiddelinteraktioner eller markerer abnorme resultater uden at afbryde konsultationen. Aktive systemer griber ind i realtid under den kliniske konsultation og tilbyder differentialdiagnostiske forslag eller advarsler om røde flag. De to tilgange giver forskellige evidensprofiler og forskellige implementeringsudfordringer. Forskning tyder på, at dyb integration med journalsystemet og aktivering af støtte på det rigtige tidspunkt i klinikerens kognitive arbejdsgang er forudsætninger for, at aktiv CDS kan være effektiv.

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

Den stærkeste evidens dækker korrekt laboratorietestbestilling, antibiotikaforskrivning og kardiovaskulær risikostratificering. ELMO-klyngerandomiserede forsøg, gennemført i belgisk primærsektor, fandt, at et CDS-system forbedrede korrekt laboratorietestbestilling og var non-inferiort i forhold til sædvanlig pleje med hensyn til forekomsten af diagnostiske fejl. Vurdering af hjerterytme er et område i udvikling: en fransk undersøgelse blandt praktiserende læger fandt, at AI-assisteret EKG-fortolkning demonstrerede diagnostisk nøjagtighed svarende til kardiologers, og 72 procent af de praktiserende læger sagde, at de ville bruge EKG'er hyppigere, hvis AI-fortolkning var tilgængelig.

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

Diagnostiske fejl identificeres typisk retrospektivt og bliver først synlige, når en patient forværres eller får stillet en anden diagnose senere. Dette gør prospektiv måling vanskelig. De fleste studier er afhængige af proxy-outcomes såsom henvisningsrater eller testbestillingsmønstre snarere end bekræftede reduktioner i patientskade. Randomiserede kontrollerede forsøg er sjældne, fordi klinikere ikke kan blindes for, om de bruger et CDS-værktøj. LINNEAUS-metaanalysen screenede 1.970 studier og fandt kun 12 egnede til inklusion, hvilket viser, hvor tyndt evidensgrundlaget fortsat er.

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

Advarselstræthed opstår, når CDS-systemer genererer hyppige advarsler med lav specificitet, og klinikere lærer at tilsidesætte dem rutinemæssigt. Tilsidesættelsesraten bliver et loft for enhver potentiel fordel. I nogle sammenhænge kan nettoeffekten på klinisk ræsonnement være negativ. Det går i den modsatte retning af automatiseringsbias, som er tendensen til at stole for meget på algoritmiske forslag og undervurdere klinisk dømmekraft. Begge repræsenterer implementeringsfejl snarere end iboende fejl i værktøjerne, men begge observeres konsekvent i praksis.

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

Ikke direkte. En betydelig andel af CDS-evidensgrundlaget kommer fra amerikanske sundhedssystemer eller hospitalssammenhænge, som involverer andre journalsystemlandskaber, incitamentsstrukturer og patientpanelstørrelser. Studier fra lavressource-sammenhænge, herunder Penda Health-studiet i Kenya, involverer kliniske miljøer, der adskiller sig væsentligt fra NHS eller nordisk primærsektor med hensyn til baseline diagnostisk infrastruktur, konsultationslængde og adgang til henvisningsmuligheder. ELMO-forsøget fra Belgien er fortsat et af de få højkvalitets europæiske RCT'er gennemført specifikt i primærsektoren.

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

Det er værd at spørge, om evidensen blev genereret i en europæisk primærsektorsammenhæng, og om outcomes blev målt på patientniveau eller kun på procesniveau. Du bør også spørge, hvad advarselstilsidesættelsesraterne er i implementering i praksis, hvordan værktøjet integreres med det eksisterende journalsystem, og på hvilket tidspunkt i konsultationsarbejdsgangen det griber ind. At tjekke, om værktøjet er blevet uafhængigt valideret snarere end studeret udelukkende af udvikleren, og om det er klassificeret som medicinsk udstyr under den relevante regulatoriske ramme, er også vigtige skridt.

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

Troværdig evidens ville kræve et prospektivt design med randomisering på praksis- eller klyngeniveau, gennemført i europæiske primærsektorpopulationer snarere end hospitals- eller lavressource-sammenhænge. Outcomes skulle være verificeret diagnostisk nøjagtighed mod opfølgningsdata, ikke proxy-mål såsom henvisningsrater. Studierne skulle have uafhængig validering, rapporterede advarselstilsidesættelsesrater for at bekræfte, at værktøjet faktisk blev brugt som antaget, og tilstrækkelig opfølgningstid, da diagnostiske fejl ofte manifesterer sig uger eller måneder efter indekskonsultationen.

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

Et studie fra 2025 af Korom et al., gennemført på tværs af 39.849 patientbesøg på 15 klinikker i Nairobi, fandt, at klinikere, der brugte et LLM-baseret AI Consult-værktøj, lavede 16 procent færre diagnostiske fejl og 13 procent færre behandlingsfejl sammenlignet med dem uden adgang. Alle respondenter i klinikerspørgeskemaet sagde, at værktøjet forbedrede kvaliteten af den pleje, de leverede. Studiet er dog observationelt snarere end randomiseret, og det blev gennemført i et klinisk miljø, der adskiller sig væsentligt fra europæisk almen praksis. Et direkte modstridende resultat eksisterer fra et RCT af højere kvalitet i en sammenlignelig sammenhæng, som ikke fandt nogen signifikant reduktion i hårde kliniske outcomes.