Klinikere i europæisk primær- og sekundærsektor bruger AI-værktøjer under livekonsultationer, på stuegang og i specialiserede arbejdsgange. Det, der har ændret sig, er ikke teknologiens ambition, men samspillet af betingelser, der gør reel implementering mulig: lovgivningsmæssige rammer er modnet, integrationen med journalsystemer er blevet dybere, og en kritisk masse af klinikere er gået fra skepsis til selektiv, evidensbaseret brug.

Det centrale problem, AI løser for klinikere

Den grundlæggende drivkraft bag AI-adoption i kliniske sammenhænge er ikke teknologisk nyhed. Det er en arbejdsstyrkekrise, der manifesterer sig som dokumentationsbyrde. Undersøgelser viser, at læger kan bruge op til halvdelen eller mere af deres arbejdsdag på opgaver i journalsystemet. Dette mønster øger den kognitive belastning, forringer kvaliteten af patientinteraktionen og accelererer udbrændthed.

I Storbritannien er presset strukturelt. Mangel på praktiserende læger, voksende ventelister og den administrative vægt af NHS' dokumentationskrav har skabt et system, hvor klinikere rutinemæssigt færdiggør journalnotater efter arbejdstid. De ofrer tid, der ellers ville gå til hvile, refleksion eller patientkontakt. Udtrykket "adminbyrde" er blevet en betegnelse for et fænomen, der i praksis er et klinisk sikkerhedsproblem lige så meget som et trivselsproblem.

Det europæiske billede er ensartet. Den første rapport fra Verdenssundhedsorganisationen (WHO) Europa om AI i sundhedsvæsenet på tværs af alle 27 EU-medlemsstater identificerede mangler i arbejdsstyrkens træning og governance som prioriteter, netop fordi efterspørgslen efter AI-værktøjer har overhalet den infrastruktur, der kan understøtte dem ansvarligt. Det problem, AI bliver bedt om at løse, er reelt, målbart og presserende.

Ambient Voice Technology og AI-medicinske assistenter: skiftet væk fra tastaturet

Den mest betydningsfulde kategori af AI-værktøjer i klinisk praksis lige nu er Ambient Voice Technology (AVT), som refererer til systemer, der lytter til en naturlig klinisk samtale og genererer strukturerede journalnotater i realtid, uden at klinikeren skal stoppe op for at skrive. Klinikeren taler med patienten. AI-assistenten arbejder i baggrunden.

Dette er et markant brud med tidligere tale-til-tekst-værktøjer, som krævede diktering frem for samtale og producerede rå transskriptioner, der stadig krævede betydelig redigering. Ambient Voice Technology forstår klinisk kontekst, skelner klinisk relevant indhold fra samtalestøj og producerer udkast til journalnotater, der er klar til gennemgang frem for rekonstruktion.

Adoptionskurven afspejler ægte klinisk værdi. Læger og klinikker i Europa bruger AI-værktøjer til at håndtere notatskrivning og henvisninger med det eksplicitte mål at genvinde patientvendt tid. I Storbritannien er kommercielle AI Scribe-produkter allerede i brug i NHS-partnerpilotprojekter, hvor Medicines and Healthcare products Regulatory Agency (MHRA) klassificerer dem som software som medicinsk udstyr – en klassifikation, der signalerer regulatorisk seriøsitet.

Klinikere rapporterer konsekvent den samme effekt på konsultationsdynamikken: øjenkontakt erstatter skærmtid, og interaktionen vender tilbage til noget, der minder om den tilsigtede form. Om dette omsættes til målbare forbedringer i patientresultater, er stadig et aktivt forskningsområde, men data om klinikeroplevelsen akkumuleres.

Klinisk dokumentation: fra transskription til struktureret, kodet output

Forskellen mellem et værktøj, der blot optager, og et, der forstår klinisk kontekst, afgør, om outputtet er brugbart eller blot råmateriale til yderligere arbejde. Førende AI-medicinske assistenter i 2026 transskriberer ikke blot. De producerer strukturerede journalnotater, foreslår kliniske koder (SNOMED, ICD) og kan automatisk udfylde felter i journalsystemet.

Dette er vigtigt af flere grunde. Struktureret, kodet output muliggør videre klinisk brug: audit, folkesundhedsanalyse, henvisningsgenerering og fakturering. Et notat, der er velskrevet prosa, men ustruktureret, er stadig en dokumentationsbyrde, der blot er flyttet frem for reduceret. De værktøjer, der vinder indpas, er dem, der lukker hullet mellem den talte konsultation og det kodede, arkiverede journalnotat.

En tværsnitsundersøgelse publiceret i Annals of Internal Medicine sammenlignede kvaliteten af AI-genererede journalnotater med menneskeskrevne journalnotater i primærsektoren og fandt, at ambient AI-skribenter kan reducere den administrative dokumentationsbyrde. Undersøgelsen fremhævede også, at tidligere evalueringer havde været leverandørspecifikke, og at uafhængig kvalitetsvurdering fortsat er vigtig.

En undersøgelse udført på et hollandsk universitetshospital vurderede et journalsystem-integreret large language model (LLM)-værktøj til epikriser. Resultaterne viste, at AI kan reducere administrativ byrde ved generering af epikriser, men forfatterne bemærkede, at robust validering af fuldt automatiserede systemer i praksis stadig er begrænset – et ærligt signal om, at teknologien er kapabel, men endnu ikke fungerer uden meningsfuldt klinisk tilsyn.

AI-værktøjer på tværs af plejeindstillinger: primærsektor, sekundærsektor og videre

Anvendelsestilfældene for AI-værktøjer varierer betydeligt afhængigt af konteksten, og evidensbasen er ujævnt fordelt. Primærsektoren har den mest udviklede evidens, delvist fordi konsultationsstrukturen matcher det, Ambient Voice Technology gør bedst.

Primærsektor

Praktiserende læger bruger AI-assistenter til at generere konsultationsnotater, udarbejde patientbreve og reducere dokumentation efter arbejdstid. Den tid, der spares pr. konsultation, er beskeden i absolutte tal, men betydelig samlet set over en fuld klinisk dag.

Sekundærsektor

Hospitalsteams begynder at bruge AI-værktøjer på stuegang, hvor dokumentationskravene er højere, og den kliniske kompleksitet større. Epikriser er et særligt fokusområde. De er tidskrævende at producere, klinisk vigtige og strukturelt konsistente nok til at egne sig til AI-generering.

Specialiseret pleje

Udarbejdelse af henvisninger, ambulante breve og specialespecifikke skabeloner er nye anvendelsestilfælde. Udfordringen her er nøjagtighed på tværs af specialer. Et værktøj, der primært er trænet på data fra almen praksis, kan præstere mindre godt inden for dermatologi eller psykiatri uden specialespecifik validering.

Fjern- og videokonsultationer

AI-værktøjer, der arbejder ud fra lyd- eller videoinput, udvider sig naturligt til telesundhedsindstillinger, hvor fraværet af et delt fysisk rum historisk har gjort dokumentation sværere. Stanford–Harvard State of Clinical AI-rapporten identificerede primærsektoren og klinisk beslutningsstøtte som de områder med mest aktiv forskning i 2025, med fjernpleje som et vækstområde.

Advice & Guidance og henvisningsarbejdsgange: AI reducerer friktionen mellem plejeniveauer

En af de mindre synlige, men klinisk betydningsfulde anvendelser af AI-værktøjer er i de arbejdsgange, der ligger mellem plejeniveauer. Disse inkluderer Advice & Guidance (A&G)-udvekslinger, hvor praktiserende læger søger klinisk input fra specialister uden en formel henvisning, samt de henvisningsbreve, der igangsætter sekundære plejeforløb.

Disse arbejdsgange er i øjeblikket en kilde til betydelig friktion. En praktiserende læge, der udarbejder en henvisning, skal syntetisere patienthistorie, formulere det kliniske spørgsmål og præsentere det i et format, som en specialist hurtigt kan handle på. Gøres det dårligt, resulterer det i afvisning, anmodninger om mere information eller forsinket pleje. Gøres det godt, kræver det tid, der ofte ikke er til rådighed.

AI-værktøjer begynder at assistere i begge ender af denne proces: hjælpe praktiserende læger med at udarbejde strukturerede, komplette henvisninger og hjælpe specialister med at reagere på A&G-anmodninger med mindre administrativt arbejde. Potentialet for at reducere den frem og tilbage, der forsinker patientpleje, er reelt, selvom evidensbasen for denne specifikke anvendelse er tyndere end for konsultationsdokumentation.

Klinisk beslutningsstøtte: hvor AI assisterer dømmekraft uden at erstatte den

Klinisk beslutningsstøtte (CDS) i 2026 betyder noget mere specifikt end en pop-up-advarsel. Det betyder AI-værktøjer, der fremhæver relevant patienthistorie på plejestedet, markerer risikofaktorer, der ellers kunne blive overset i en tidspresset konsultation, og foreslår næste skridt baseret på kliniske retningslinjer og patientens journal.

Forskellen mellem understøttelse og automatisering er afgørende her. En risikostratificeret ramme publiceret i BMJ Health Care Informatics adresserer LLM-integration i klinisk praksis direkte, dækkende dokumentation, beslutningsstøtte og patientkommunikation, og foreslår en struktureret tilgang til at håndtere risici ved modelnøjagtighed, databeskyttelse og regulatorisk ansvar. Rammen afspejler en konsensus i litteraturen: AI assisterer klinisk dømmekraft. Den erstatter den ikke.

Forskning i passive kliniske beslutningsstøtteværktøjer i pædiatrisk intensivpleje, herunder støtte til notatskrivning, ordresæt og markering af laboratorieresultater, fandt, at adoption og udbredelse af disse værktøjer varierer betydeligt efter kontekst. Designet af værktøjet påvirker, hvordan klinikere engagerer sig med det. Dette er en nyttig påmindelse om, at effektiviteten af CDS ikke kun handler om algoritmisk nøjagtighed, men også om integration i arbejdsgangene.

Klinisk ansvar forbliver hos klinikeren. Dette er ikke et forbehold, men et designprincip. De værktøjer, der opnår regulatorisk godkendelse og klinisk tillid, er dem, der er bygget på denne præmis.

Regulatoriske og sikkerhedsrammer, der styrer AI-værktøjer i klinisk praksis

For klinikere og kliniske ledere, der evaluerer AI-værktøjer, er det regulatoriske landskab en forudsætning, ikke en bonus. I Europa er de relevante rammer:

• Medical Device Regulation (MDR): AI-værktøjer, der påvirker kliniske beslutninger, klassificeres som medicinsk udstyr under EU MDR og skal opfylde overensstemmelseskrav før implementering i kliniske sammenhænge.

• AI Act: I kraft siden august 2024 klassificerer EU AI Act AI-systemer, der bruges i medicinske sammenhænge, som højrisiko, hvilket kræver gennemsigtighed, menneskeligt tilsyn og løbende overvågning.

• European Health Data Space (EHDS): EHDS trådte i kraft i 2025 og regulerer, hvordan sundhedsdata deles og bruges på tværs af EU-medlemsstater, med direkte betydning for AI-værktøjer, der behandler patientdata.

• General Data Protection Regulation (GDPR) og datalokation: Værktøjer, der behandler patientdata, skal overholde GDPR, og krav til datalokation er et indkøbsrelateret spørgsmål med kliniske governance-implikationer.

• ISO 27001: Informationssikkerhedscertificering, der i stigende grad er en grundlæggende forventning til kliniske AI-leverandører.

I Storbritannien klassificerer MHRA AI Scribe-værktøjer som software som medicinsk udstyr, og NHS England har udstedt informationsstyringsvejledning til deres brug. Overholdelse af disse rammer er ikke en konkurrencefordel blandt leverandører – det er minimumskravet for overvejelse.

Hvad klinikere faktisk har brug for at evaluere et AI-værktøj

De kriterier, der betyder noget for en kliniker eller klinisk leder, der evaluerer et AI-værktøj, adskiller sig fra dem på en indkøbstjekliste. I praksis er de spørgsmål, der er værd at stille:

• Integrerer det med det journalsystem, der allerede er i brug? Et værktøj, der kræver parallel dokumentation eller manuel dataoverførsel, tilføjer byrde frem for at reducere den. Integration med journalsystemet er en praktisk begrænsning, der eliminerer mange muligheder tidligt.

• Er det blevet valideret i det relevante speciale? Et værktøj, der præsterer godt i almen praksis, præsterer måske ikke til samme standard inden for psykiatri, dermatologi eller pædiatri. Specialespecifik valideringsevidens bør efterspørges, ikke antages.

• Hvad er nøjagtighedsprofilen, og hvordan håndteres fejl? UCLA's randomiserede kontrollerede forsøg fandt, at AI-genererede journalnotater lejlighedsvis indeholdt klinisk signifikante unøjagtigheder, hvilket understreger behovet for aktivt lægetilsyn. At forstå fejlraten og gennemgangsarbejdsgangen er essentielt.

• Hvad er datasikkerheds- og databeskyttelsesniveauet? Hvor behandles patientdata? Hvem har adgang? Hvor længe opbevares de? Dette er ikke kun IT-spørgsmål, men også spørgsmål om klinisk governance.

• Er der evidens for reel klinisk validering, ikke kun leverandørpåstande? Peer-reviewede undersøgelser, uafhængige evalueringer og NHS- eller tilsvarende sundhedssystempilotprojekter vejer tungere end marketingmaterialer.

• Passer det til den faktiske arbejdsgang? Et værktøj, der kræver adfærdsændring fra hver kliniker i en praksis, er et forandringsledelsesprojekt, ikke en softwareimplementering. De bedste værktøjer reducerer friktion – de introducerer ikke nye former for den.

Den målbare effekt: hvad evidensen viser indtil videre

Evidensbasen for AI-værktøjer i klinisk praksis vokser, og signalerne er overvejende positive. Kvaliteten og omfanget af evidensen varierer dog, og det er værd at være præcis om, hvad der er blevet dokumenteret, og hvad der stadig blot er et lovende signal.

Om reduktion af udbrændthed

En multicenter-kvalitetsforbedringsundersøgelse af 263 læger på tværs af seks sundhedssystemer fandt, at efter 30 dage med en ambient AI-skribent faldt klinikerudbrændthed fra 51,9 procent til 38,8 procent, med forbedringer i kognitiv belastning, dokumentation efter arbejdstid og patientopmærksomhed. En undersøgelse på tværs af Emory Healthcare og Mass General Brigham fandt en 21,2 procent absolut reduktion i udbrændthedsprævalens ved 84 dage. Dette er betydelige effekter, selvom begge undersøgelser blev udført i specifikke sundhedssystemkontekster og måske ikke kan generaliseres direkte.

Om dokumentationskvalitet

En scoping-gennemgang af AI-talegenkendelse til klinisk dokumentation bekræftede, at AI-baserede værktøjer kan reducere klinikeres arbejdsbyrde, men bemærkede også, at nøjagtighed og pålidelighed varierer på tværs af værktøjer og kliniske kontekster.

Om kognitiv belastning

UCLA's randomiserede kontrollerede forsøg fandt beskedne, men målbare forbedringer i udbrændthedsscorer, kognitiv arbejdsbyrde og arbejdsudmattelse, sammen med det vigtige forbehold, at AI-genererede journalnotater kræver aktivt tilsyn.

Hvor evidensen er tyndere

Langsigtede resultater, effekter på patientsikkerhed og præstation på tværs af hele spektret af kliniske specialer forbliver områder, hvor evidensbasen stadig udvikler sig. En systematisk gennemgang af AI's indvirkning på journalsystem-relateret udbrændthed fandt konsistente signaler på tværs af undersøgelser fra 2019 til 2025, men bemærkede metodologisk variation, der begrænser direkte sammenligning. Retningen af evidensen er klar. Størrelsen og holdbarheden af effekter i stor skala er endnu ikke fuldt fastlagt.

Hvad der kommer: den retning, AI i klinisk praksis bevæger sig

De mest sandsynlige nærliggende udviklinger i klinisk AI er udvidelser af det, der allerede virker – ikke afvigelser fra det.

Dybere journalsystemintegration

Værktøjer, der i øjeblikket genererer journalnotater ved siden af journalsystemer, bevæger sig mod native integration, udfylder strukturerede felter, udløser arbejdsgange og reducerer antallet af systemer, en kliniker skal interagere med. European Health Data Space vil accelerere interoperabilitetskrav på tværs af EU-medlemsstater.

Udvidelse til flere specialer

De værktøjer med den bredeste udbredelse i dag er generalistiske. Specialespecifikke modeller, trænet på sproget, kodningskonventioner og kliniske mønstre inden for dermatologi, psykiatri, onkologi og andre områder, er under udvikling med varierende niveauer af valideringsevidens.

AI-native operativsystemer til kliniske arbejdsgange

Platforme, hvor AI ikke er et påhængsværktøj, men den underliggende infrastruktur, hvorigennem dokumentation, beslutningsstøtte, henvisninger og patientkommunikation håndteres, repræsenterer den langsigtede retning. Dette er et betydeligt arkitektonisk skift fra den nuværende model, hvor AI-værktøjer tilføjes til eksisterende systemer.

Governance og arbejdsstyrkens parathed

Vil forme adoptionshastigheden lige så meget som selve teknologien. WHO Europa-rapporten identificerede træningshuller som et prioritetsfund – et signal om, at den begrænsende faktor i mange sundhedssystemer ikke er tilgængeligheden af værktøjer, men kapaciteten til at implementere dem sikkert og effektivt.

AI som infrastruktur, ikke innovationsteater

Den ramme, der giver mest mening for, hvor klinisk AI befinder sig i 2026, er infrastruktur – ikke innovation. Journalsystemer blev engang betragtet som ny teknologi. De er nu det umærkelige fundament for klinisk praksis. AI-værktøjer følger en lignende udvikling, fra nyhed, gennem omstridt adoption, mod det punkt, hvor deres fravær vil være det unormale.

European Society of Medicine bemærker, at AI's reelle kliniske anvendelser nu spænder over diagnostik, dokumentation, forudsigelse af lægemiddelrespons og governance – en bredde, der afspejler integration frem for eksperimentering. Stanford–Harvard-rapporten dokumenterer både boomet i klinisk AI-forskning og risiciene ved overafhængighed – en kombination, der afspejler samtalens modenhed.

For klinikere er den praktiske implikation ligetil. Spørgsmålet er ikke længere, om AI-værktøjer vil blive en del af klinisk praksis, men hvilke værktøjer, evalueret mod hvilken evidens, med hvilken governance på plads. At engagere sig kritisk i det spørgsmål nu, frem for at vente med at undersøge teknologien, indtil den bliver standard, er udgangspunktet for informeret, sikker adoption.

Ofte stillede spørgsmål

▶ Hvilket problem løser AI-værktøjer faktisk for klinikere

Den primære drivkraft er dokumentationsbyrde. Forskning viser, at læger bruger mere end halvdelen af deres arbejdsdag på opgaver i journalsystemet. Dette øger den kognitive belastning, forringer kvaliteten af patientinteraktionen og accelererer udbrændthed. AI-værktøjer, der reducerer tiden brugt på klinisk dokumentation, adresserer et problem, der både er et trivselsspørgsmål og et klinisk sikkerhedsproblem.

▶ Hvad er Ambient Voice Technology, og hvordan adskiller det sig fra ældre tale-til-tekst-værktøjer

Ambient Voice Technology (AVT) refererer til systemer, der lytter til en naturlig klinisk samtale og genererer strukturerede journalnotater i realtid, uden at klinikeren skal stoppe op for at skrive. Tidligere tale-til-tekst-værktøjer krævede diktering frem for samtale og producerede rå transskriptioner, der stadig krævede betydelig redigering. Ambient Voice Technology forstår klinisk kontekst, skelner klinisk relevant indhold fra samtalestøj og producerer udkast til journalnotater, der er klar til gennemgang.

▶ Transskriberer AI-genererede journalnotater bare tale, eller producerer de struktureret, kodet output

Førende AI-medicinske assistenter i 2026 går ud over transskription. De producerer strukturerede journalnotater, foreslår kliniske koder såsom SNOMED og ICD og kan automatisk udfylde felter i journalsystemet. Dette er vigtigt, fordi struktureret, kodet output muliggør videre klinisk brug, herunder audit, henvisningsgenerering og fakturering. Et velskrevet, men ustruktureret notat flytter blot dokumentationsbyrden frem for at reducere den.

▶ Hvilke plejeindstillinger bruges AI-værktøjer i

AI-værktøjer er i brug i primærsektor, sekundærsektor, specialiseret pleje samt fjern- og videokonsultationer. Praktiserende læger bruger dem til at generere konsultationsnotater og udarbejde patientbreve. Hospitalsteams anvender dem til stuegang og epikriser. Udarbejdelse af henvisninger og specialespecifikke skabeloner er nye i specialiserede indstillinger. Fjernpleje identificeres som et vækstområde i Stanford–Harvard State of Clinical AI-rapporten.

▶ Hvad viser evidensen om AI-værktøjer, der reducerer klinikerudbrændthed

En multicenter-kvalitetsforbedringsundersøgelse af 263 læger på tværs af seks sundhedssystemer fandt, at efter 30 dage med en ambient AI-skribent faldt klinikerudbrændthed fra 51,9 procent til 38,8 procent. En separat undersøgelse på tværs af Emory Healthcare og Mass General Brigham fandt en 21,2 procent absolut reduktion i udbrændthedsprævalens ved 84 dage. Begge undersøgelser blev udført i specifikke sundhedssystemkontekster og kan ikke nødvendigvis generaliseres til alle indstillinger.

▶ Hvilke regulatoriske rammer styrer AI-værktøjer, der bruges i klinisk praksis i Europa

Flere rammer gælder. EU Medical Device Regulation (MDR) klassificerer AI-værktøjer, der påvirker kliniske beslutninger, som medicinsk udstyr, hvilket kræver overensstemmelse før implementering. EU AI Act, i kraft siden august 2024, klassificerer AI-systemer, der bruges i medicinske sammenhænge, som højrisiko, hvilket kræver gennemsigtighed, menneskeligt tilsyn og løbende overvågning. European Health Data Space (EHDS), som trådte i kraft i 2025, regulerer, hvordan sundhedsdata deles på tværs af EU-medlemsstater. General Data Protection Regulation (GDPR) og krav til datalokation gælder også for ethvert værktøj, der behandler patientdata. I Storbritannien klassificerer Medicines and Healthcare products Regulatory Agency (MHRA) AI Scribe-værktøjer som software som medicinsk udstyr.

▶ Hvad skal klinikere spørge om, når de evaluerer et AI-værktøj

Artiklen identificerer seks praktiske spørgsmål: om værktøjet integrerer med det journalsystem, der allerede er i brug, om det er blevet valideret i det relevante speciale, hvad nøjagtighedsprofilen er, og hvordan fejl håndteres, hvad datasikkerheds- og databeskyttelsesniveauet er, herunder hvor patientdata behandles og opbevares, om der er uafhængig klinisk valideringsevidens ud over leverandørpåstande, og om værktøjet passer til den faktiske arbejdsgang uden at kræve betydelig adfærdsændring fra klinikere.

▶ Skifter klinisk ansvar til AI'en, når disse værktøjer bruges

Nej. Klinisk ansvar forbliver hos klinikeren. Artiklen beskriver dette ikke som et forbehold, men som et designprincip. En risikostratificeret ramme publiceret i BMJ Health Care Informatics foreslår, at AI assisterer klinisk dømmekraft frem for at erstatte den. UCLA's randomiserede kontrollerede forsøg fandt også, at AI-genererede journalnotater lejlighedsvis indeholdt klinisk signifikante unøjagtigheder, hvilket forstærker behovet for aktivt lægetilsyn af ethvert AI-genereret output.

▶ Hvor er evidensen om AI-værktøjer stadig begrænset

Langsigtede resultater, effekter på patientsikkerhed og præstation på tværs af hele spektret af kliniske specialer forbliver områder, hvor evidensbasen stadig udvikler sig. En systematisk gennemgang af AI's indvirkning på journalsystem-relateret udbrændthed fandt konsistente signaler på tværs af undersøgelser fra 2019 til 2025, men bemærkede metodologisk variation, der begrænser direkte sammenligning. Retningen af evidensen er overvejende positiv. Størrelsen og holdbarheden af effekter i stor skala er endnu ikke fuldt fastlagt.

▶ Hvad er den sandsynlige retning for AI-værktøjer i klinisk praksis på kort sigt

Artiklen identificerer fire sandsynlige nærliggende udviklinger. For det første dybere integration med journalsystemer, hvor man går fra at generere journalnotater ved siden af eksisterende systemer til at udfylde strukturerede felter og udløse arbejdsgange direkte. For det andet udvidelse til flere specialer med modeller trænet på sproget og kodningskonventioner inden for områder som dermatologi og psykiatri. For det tredje udviklingen af AI-native operativsystemer til kliniske arbejdsgange, hvor AI er den underliggende infrastruktur frem for et påhængsværktøj. For det fjerde governance og arbejdsstyrkens parathed, som WHO Europa-rapporten identificerer som en begrænsende faktor i mange sundhedssystemer.