AI-dokumentasjonsverktøy på tvers av europeiske språk

AI-dokumentasjonsverktøy i europeisk primærhelsetjeneste møter en flerspråklig virkelighet de færreste er utviklet for. Ytelseshullene som oppstår er ikke bare praktiske ulemper. De utgjør potensielle pasientsikkerhetsrisikoer som klinikere må forstå før de ruller ut slike verktøy.

Hvordan feil oppstår og forsterkes i to lag

De fleste AI-dokumentasjonsverktøy kombinerer to distinkte komponenter: automatisk talegjenkjenning (ASR), som konverterer tale til tekst, og en stor språkmodell (LLM) eller et naturlig språkbehandlingslag (NLP), som omformer den transkriberte teksten til strukturert klinisk dokumentasjon.

Feil forsterkes gjennom begge lagene. Hvis ASR-laget feiltolker et ord, særlig et klinisk begrep uttalt med regional aksent, får NLP-laget feil input og kan generere et notat som virker plausibelt, men er klinisk ukorrekt. Klinikere som vurderer slike verktøy bør derfor ikke bare spørre «støtter det dette språket?», men «hvor i prosessen svikter det, og på hvilken måte?»

Hvorfor noen europeiske språk er bedre støttet enn andre

Den grunnleggende årsaken til ytelsesforskjellene er ubalanse i treningsdata. Store språkmodeller og ASR-systemer er i hovedsak trent på engelskspråklige datasett. Når en modell har sett milliarder av engelske kliniske dokumenter, men bare millioner eller hundretusener av tilsvarende tekster på nederlandsk, rumensk eller gresk, vil ytelsen på disse språkene være strukturelt svakere. Forskning publisert i Scientific Reports i 2025 bekreftet dette, med særlig hardt rammede underrepresenterte språk i domenespesifikke oppgaver som medisinsk oppsummering.

Engelsk er best støttet med god margin. Spansk, fransk og tysk er rimelig representert, men har hull i klinisk vokabular. Nederlandsk, portugisisk og italiensk har moderat støtte med merkbare hull i spesialistterminologi. Klinikere som praktiserer på mindre representerte europeiske språk, bør verifisere grunnleggende nøyaktighet for ethvert AI-dokumentasjonsverktøy på egen hånd.

Forutsigbare feiltyper etter språkfamilie

Språkfamiliestruktur skaper forutsigbare feiltyper som klinikere kan lære seg å gjenkjenne.

Tysk og nederlandsk gjør omfattende bruk av sammensatte substantiv. Et begrep som Herzinsuffizienz (hjertesvikt) eller Bluthochdruck (høyt blodtrykk) må gjenkjennes som én klinisk enhet. AI-verktøy uten tilstrekkelig eksponering for tyskspråklig klinisk tekst deler ofte opp eller feiltolker slike sammensatte ord, og resultatet er notater som utelater eller fordreier diagnosen.

Romanske språk tildeler grammatisk kjønn til medisinsk terminologi, og klinisk betydning kan endres ved feil bøyning. Regional variasjon er også betydelig: den samme tilstanden kan beskrives med ulike foretrukne termer i Frankrike versus Belgia, eller i Spania versus Latin-Amerika. Forskning på tospråklige spanske og katalanske primærhelsenotater viste at felles gjenkjenning og ICD-10-kobling av diagnoser i ikke-standard tospråklige notater er et særskilt og krevende problem.

Polsk og tsjekkisk har komplekse bøyningssystemer der ordendelser endres basert på kasus, kjønn og tall. Ett klinisk begrep kan forekomme i seks eller flere former i løpet av én konsultasjon. Flerspråklige pålitelighetsevalueringer av LLM-er i helsevesenet peker på mangelen på pålitelige evalueringer i flerspråklige kliniske miljøer som en kritisk barriere; referansebenchmarken dekker 15 språk, men inkluderer ikke polsk, tsjekkisk eller slovakisk.

Dialekter, aksenter og kodebytting

Selv innenfor ett offisielt støttet språk kan dialektvariasjon redusere ASR-nøyaktigheten betydelig. Et verktøy validert for standardnederlandsk kan underprestere i en flamsk fastlegepraksis i Gent. Sveitsertysk skiller seg så mye fra standardtysk at mange ASR-systemer trent på Hochdeutsch ikke klarer å transkribere det pålitelig. En gjennomgang fra ADAPT Centre ved Dublin City University slår fast at flytende output i en standard språkvariant ikke garanterer akseptabel ytelse på tvers av hele dialektspekteret, og peker dessuten på at effektivitetsgevinster fra AI-språkverktøy kan skjule feil, svekke sporbarhet og forskyve ansvar mellom klinikere og helsesystemer.

Aksent fra ikke-morsmålstalende er en beslektet utfordring. En rumenskfødt fastlege som praktiserer i Irland og dokumenterer på engelsk, kan oppleve merkbart lavere ASR-nøyaktighet enn en morsmålstalende som bruker samme verktøy. Dette har direkte konsekvenser for praksiser med internasjonalt utdannede klinikere, som utgjør en betydelig andel av arbeidsstyrken i primærhelsetjenesten i EU og Storbritannia.

Kodebytting, det vil si å veksle mellom to eller flere språk i én samtale, er vanlig i flerspråklige kliniske settinger, men er et av de dårligst håndterte scenariene. En kliniker i Luxembourg kan dokumentere på fransk, bruke latinske anatomiske termer, engelske legemiddelnavn og sporadiske tyske fraser. For de fleste verktøy i dag fører kodebytting mellom et ressurssterkt og et ressursfattig språk til én av to feiltyper: enten går verktøyet helt over til det dominerende språket og utelater innhold på minoritetsspråket, eller det forsøker å transkribere begge, men introduserer systematiske feil ved overgangene. Begge utfallene er problematiske i klinisk dokumentasjon der manglende eller fordreid informasjon kan påvirke pasientsikkerheten direkte.

Klinisk terminologi på tvers av språk er mer enn et oversettelsesproblem

En vanlig antakelse er at flerspråklig klinisk dokumentasjon primært er et oversettelsesproblem, at et AI-verktøy ganske enkelt trenger å matche talte termer til engelske ekvivalenter før standard klinisk koding brukes. Den antakelsen stemmer ikke.

SNOMED CT, det mest brukte systemet for klinisk terminologi, har offisielle oversettelser på flere europeiske språk, men dekningen er ujevn. Klinikere bruker ofte uformelle, forkortede eller lokalt foretrukne termer som ikke har direkte kobling til noen standardisert kode. Et AI-verktøy trent på engelske kliniske datasett kan korrekt gjenkjenne «heart failure» og koble det til riktig SNOMED CT-kode, men mislykkes når begrepet uttales på polsk, gresk eller finsk, selv om verktøyet nominelt «støtter» disse språkene. Forskning på ICD-10-koding i tospråklige spanske og katalanske primærhelsenotater viste at kombinerte tospråklige treningsdata, snarere enn språkspesifikke data alene, ga best generalisering på tvers av kontekster. Det funnet understreker at praksiser ikke kan stole på leverandørers generelle språkstøttepåstander for noe ikke-engelsk europeisk språk.

Hva klinikere bør kreve av leverandører før utrulling

Klinikere og praksisadministratorer bør gå utover leverandørers markedsføringspåstander og stille konkrete, verifiserbare spørsmål. En kommentar fra 2025 om AI-skribenter i helsevesenet påpeker at de fleste eksisterende evalueringer stammer fra småskala, kortvarige pilotstudier med teknologipositive deltakere, en begrensning som gjelder særlig for evalueringer på ikke-engelske språk.

Be om språkspesifikke valideringsdata: på hvilke språk er verktøyet validert, hva var ordfeilraten for ASR på målspråket, og er valideringen utført på ekte klinisk tale eller kun på studioopptak? Undersøk om verktøyet er testet på den spesifikke regionale varianten som brukes i din praksis, enten det er flamsk nederlandsk, sveitsertysk eller katalansk. Spør konkret om verktøyets evne til å håndtere kodebytting. Be også om kliniske kodingsnøyaktighetsdata spesifikke for ditt språk. Et verktøy kan ha akseptabel transkripsjonsnøyaktighet, men likevel feile i å generere korrekte SNOMED CT- eller ICD-koder.

Røde flagg inkluderer leverandører som kun viser til engelskspråklige valideringsstudier, presenterer nøyaktighet som ett tall for alle støttede språk, eller beskriver dialekt- og kodebyttingsytelse kun kvalitativt uten nøyaktighetsdata. EuropeMedQA-studieprotokollen foreslår et flerspråklig medisinsk eksamensdatasett for Italia, Frankrike, Spania og Portugal som et tidlig strukturert rammeverk for å sammenligne LLM-ytelse, men god ytelse på standardiserte eksamensspørsmål sier lite om ytelsen på ekte klinisk tale. Klinikere bør ikke la seg berolige av slike tall alene.

GDPR og regulatoriske krav for flerspråklige AI-verktøy i EU

Lydopptak av kliniske konsultasjoner på ethvert språk er sensitive helsedata etter artikkel 9 i personvernforordningen (GDPR). Praksiser bør verifisere hvor lyddata behandles og lagres. Noen verktøy sender lyd til skyinfrastruktur utenfor EU, noe som krever egnede sikkerhetstiltak etter kapittel V i GDPR. Verktøy som behandler ikke-engelsk lyd gjennom annen infrastruktur enn engelsk lyd, kan ha inkonsistente løsninger for datalagring. Medisinsk utstyrsforordning (MDR)-status er også relevant: AI-dokumentasjonsverktøy som genererer kliniske output, kan klassifiseres som medisinsk utstyr, noe som påvirker hvilke språk og kliniske kontekster som er formelt validert.

Hva som må endres

Det flerspråklige ytelseshullet er ikke uløselig, men det håndteres foreløpig utilstrekkelig. Tre endringer er nødvendige.

Treningsdatasettene må bli mer mangfoldige. Dominansen av engelskspråklige data gjenspeiler historiske forsknings- og kommersielle prioriteringer, ikke den faktiske fordelingen av klinisk aktivitet i Europa. ADAPT Centres gjennomgang fra 2026 argumenterer for at dette krever ansvarlig sosioteknisk design og tettere samarbeid mellom fagmiljøene innen naturlig språkbehandling, klinisk praksis og politikk, ikke bare bedre modeller.

Modellutviklingen må bli dialektbevisst. Standard språkvarianter er utilstrekkelig som grunnlag for klinisk AI-validering; modeller må testes og finjusteres på de regionale variantene som faktisk brukes i klinisk praksis. Klinisk validering bør dessuten bli et regulatorisk krav. En policyartikkel i BMJ etterlyser regelbaserte rammeverk som krever at AI-språkverktøy i helsevesenet dokumenterer klinisk sikkerhet på tvers av språkene og kontekstene de tas i bruk. Uten slikt regulatorisk press har leverandører begrenset kommersiell insentiv til å investere i validering for mindre språkmarkeder, og det er der problemet sitter fast.

For klinikere som praktiserer i flerspråklige europeiske miljøer i dag er den praktiske konklusjonen klar: språkstøtte oppført på en leverandørs nettside er ikke det samme som validert klinisk ytelse. Å stille de rette spørsmålene og identifisere røde flagg før utrulling er den mest pålitelige beskyttelsen mot de sammensatte feilene flerspråklige AI-dokumentasjonsverktøy kan introdusere i kliniske journaler.

Ofte stilte spørsmål

▶ Hvorfor presterer AI-dokumentasjonsverktøy forskjellig på tvers av europeiske språk?

Ubalansen i treningsdata er årsaken. Engelskspråklige datasett dominerer, og det gir strukturelt svakere ytelse på språk med færre kliniske trekningstekster. Feilen forsterkes i to lag: ASR-laget transkriberer feil, og NLP-laget bygger videre på den feilen og produserer notater som virker plausible, men er klinisk ukorrekte.

▶ Hvilke europeiske språk er best og minst støttet av kliniske AI-dokumentasjonsverktøy?

Engelsk leder klart. Spansk, fransk og tysk følger, men med hull i klinisk vokabular. Nederlandsk, portugisisk og italiensk har moderat støtte. Polsk, rumensk, gresk, tsjekkisk, ungarsk, finsk, katalansk, walisisk og maltesisk er typisk underrepresentert. For disse språkene må klinikere verifisere nøyaktighet selv, gjerne med egne testopptak fra praksisen.

▶ Hvilke spesifikke dokumentasjonsfeil bør klinikere forvente med germanske og slaviske språk?

På tysk og nederlandsk segmenteres eller utelates sammensatte substantiv som Herzinsuffizienz. På polsk og tsjekkisk kan ett klinisk begrep forekomme i seks eller flere bøyde former i én konsultasjon. Et praktisk tiltak er å lage en liste over de vanligste diagnosetermene i praksisen og teste verktøyet systematisk mot disse formene før utrulling.

▶ Påvirker dialekt og aksent AI-dokumentasjonsnøyaktigheten?

Ja. Et verktøy validert for standardnederlandsk kan underprestere i en flamsk praksis, og sveitsertysk skaper problemer for systemer trent på Hochdeutsch. Klinikere med utenlandsk aksent opplever lavere transkripsjonsnøyaktighet enn morsmålstalende på samme verktøy. Be leverandøren om valideringsdata spesifikt for din regionale variant og din kliniske aksent.

▶ Hvordan håndterer AI-dokumentasjonsverktøy kodebytting, der klinikere blander språk midt i konsultasjonen?

De fleste verktøy håndterer dette dårlig og havner i ett av to spor: de ignorerer minoritetsspråket og utelater innhold, eller de transkriberer begge språk med systematiske feil ved overgangene. Klinikere i flerspråklige praksiser bør teste kodebytting eksplisitt under piloten og dokumentere feilfrekvensen før full utrulling.

▶ Er flerspråklig klinisk dokumentasjon bare et oversettelsesproblem?

Oversettelse er bare én del av utfordringen. SNOMED CT-dekningen er ujevn på tvers av europeiske språk, og klinikere bruker lokalt foretrukne termer uten direkte kobling til standardiserte koder. Forskning på spanske og katalanske primærhelsenotater viste at kombinerte tospråklige treningsdata ga bedre generalisering enn språkspesifikke data alene.

▶ Hvilke spørsmål bør klinikere stille leverandører når de evaluerer et AI-dokumentasjonsverktøy for en flerspråklig praksis?

Krev språkspesifikke valideringsdata med ordfeilrate for ASR på målspråket, ikke bare for engelsk. Spør om verktøyet er testet på din regionale variant, om det er testet på ekte klinisk tale fremfor studioopptak, og om klinisk kodingsnøyaktighet for SNOMED CT og ICD er dokumentert separat for målspråket.

▶ Hva er GDPR-implikasjonene av å bruke AI-dokumentasjonsverktøy som behandler ikke-engelsk lyd?

Lydopptak på ethvert språk er sensitive helsedata etter artikkel 9 i GDPR. Noen verktøy ruter ikke-engelsk lyd gjennom annen skyinfrastruktur enn engelsk lyd, noe som kan gi inkonsistente overføringssikkerhetstiltak. Spør leverandøren eksplisitt om infrastrukturen varierer etter språk, og verifiser at databehandleravtalen dekker alle språk praksisen bruker.

▶ Hvilke nøyaktighetsreferanseverdier indikerer at et AI-dokumentasjonsverktøy er egnet for klinisk bruk på et ikke-engelsk språk?

Minimumstersklene basert på nåværende evidens er ASR-ordfeilrate under 10 til 15 prosent for aktuelt språk og dialekt, klinisk terminologigjenkjenning over 80 prosent for vanlige diagnosetermer, og ICD- eller SNOMED-kodingsnøyaktighet på nivå med det verktøyet oppnår på engelsk. Leverandører som kun oppgir ett samlet nøyaktighetstall for alle støttede språk, oppfyller ikke disse kravene.

▶ Hvilke endringer er nødvendige før AI-dokumentasjonsverktøy kan anses som pålitelig sikre på tvers av flerspråklig europeisk primærhelsetjeneste?

Tre endringer er nødvendige: mer mangfoldige treningsdatasett for underrepresenterte språk, dialektbevisst modellutvikling som dekker regionale varianter brukt i klinisk praksis, og klinisk validering som regulatorisk krav. En policyartikkel i BMJ etterlyser regelbaserte rammeverk for nettopp dette. Uten slikt press har leverandører liten kommersiell grunn til å prioritere mindre språkmarkeder.