Klinikere i europeisk primær- og spesialisthelsetjeneste bruker AI-verktøy i direkte konsultasjoner, på visitter og i spesialistarbeidsflyter. Det som har endret seg, er ikke teknologiens ambisjon, men sammenløpet av forhold som gjør reell implementering mulig: regelverk har modnet, integrasjonen med journalsystemer har blitt dypere, og en kritisk masse av klinikere har beveget seg fra skepsis til selektiv, evidensbasert bruk.

Kjerneproblemet AI løser for klinikere

Den grunnleggende driveren for AI-innføring i kliniske settinger er ikke teknologisk nyvinning, men en arbeidskraftkrise som kommer til uttrykk gjennom dokumentasjonsbyrde. Studier har funnet at leger kan bruke opptil halvparten eller mer av arbeidsdagen sin på oppgaver i journalsystemet, et mønster som forsterker kognitiv belastning (den mentale innsatsen som kreves for å prosessere og handle på informasjon), svekker kvaliteten på pasientinteraksjonen og akselererer utbrenthet.

I Storbritannia er presset strukturelt. Mangel på allmennleger, økende ventelister og den administrative tyngden av NHS' dokumentasjonskrav har skapt et system der klinikere rutinemessig fullfører notater etter arbeidstid. De ofrer tid som ellers ville gått til hvile, refleksjon eller pasienter. Begrepet «administrativ byrde» har blitt en samlebetegnelse for et fenomen som i praksis er et klinisk sikkerhetsproblem like mye som et velværeproblem.

Det europeiske bildet er likt. Det første øyeblikksbildet fra Verdens helseorganisasjon (WHO)/Europa av AI i helsevesenet på tvers av alle 27 EU-medlemsstater identifiserte opplæringsgap i arbeidsstyrken og styring som prioriterte områder, nettopp fordi etterspørselen etter AI-verktøy har overgått infrastrukturen for å støtte dem på en ansvarlig måte. Problemet AI blir bedt om å løse, er reelt, målbart og presserende. Derfor er det verktøyene som adresserer dokumentasjonsbyrden direkte, som får mest oppmerksomhet.

Ambient stemmeteknologi og AI-medisinske assistenter: skiftet bort fra tastaturet

Den mest betydningsfulle kategorien av AI-verktøy i klinisk praksis akkurat nå er ambient stemmeteknologi (AVT), som refererer til systemer som lytter til en naturlig klinisk samtale og genererer strukturerte kliniske notater i sanntid, uten at klinikeren må stoppe opp for å skrive. Klinikeren snakker til pasienten. AI-assistenten jobber i bakgrunnen.

Dette er et tydelig brudd med tidligere tale-til-tekst-verktøy, som krevde diktering snarere enn samtale og produserte rå transkripsjoner som fortsatt trengte betydelig redigering. Ambient stemmeteknologi forstår klinisk kontekst, skiller klinisk relevant innhold fra samtalestøy, og produserer utkast til notater som er klare for gjennomgang snarere enn rekonstruksjon.

Implementeringsbanen reflekterer reell klinisk verdi. Leger og klinikker over hele Europa bruker AI-verktøy til å håndtere notatskriving og henvisninger, med det eksplisitte målet å gjenopprette pasientrettet tid. I Storbritannia er kommersielle AI-skriveassistentprodukter allerede i bruk i NHS-partnerpiloter, der Medicines and Healthcare products Regulatory Agency (MHRA) klassifiserer dem som programvare som medisinsk utstyr – en klassifisering som signaliserer regulatorisk alvor.

Klinikere rapporterer konsekvent den samme effekten på konsultasjonsdynamikken: øyekontakt erstatter skjermtid, og interaksjonen vender tilbake til noe nærmere sin tiltenkte form. Hvorvidt dette oversettes til målbare forbedringer i pasientutfall, er fortsatt et aktivt forskningsområde, men data om klinikererfaringer akkumuleres.

Klinisk dokumentasjon: fra transkripsjon til strukturert, kodet output

Forskjellen mellom et verktøy som bare registrerer og et som forstår klinisk kontekst, avgjør om outputen er nyttig eller bare råmateriale for videre arbeid. Ledende AI-medisinske assistenter i 2026 transkriberer ikke bare. De produserer strukturerte notater, foreslår kliniske koder (SNOMED, ICD), og kan fylle ut journalsystemfelt automatisk.

Dette er viktig av flere grunner. Strukturert, kodet output muliggjør videre klinisk bruk: revisjon, folkehelsesanalyse, henvisningsgenerering og fakturering. Et notat som er velskrevet prosa, men ustrukturert, er fortsatt en dokumentasjonsbyrde som bare er forskjøvet snarere enn redusert. Verktøyene som får gjennomslag, er de som lukker sløyfen mellom den talte konsultasjonen og den kodede, arkiverte journalen.

En tverrsnittsevaluering publisert i Annals of Internal Medicine sammenlignet kvaliteten på AI-genererte kliniske notater med menneskeskapte notater i primærhelsetjenesten, og fant at ambient AI-skriveassistenter kan redusere administrativ dokumentasjonsbyrde. Studien fremhevet også at tidligere evalueringer hadde vært leverandørspesifikke, og at uavhengig kvalitetsvurdering fortsatt er viktig.

En studie utført ved et nederlandsk universitetssykehus vurderte et journalsystemintegrert stort språkmodell-verktøy (LLM), altså et AI-system trent på store mengder tekst for å generere og oppsummere skriftlig innhold, for utskrivningssammendrag. Funnene viste at AI kan redusere administrativ byrde ved generering av utskrivningssammendrag, men forfatterne bemerket at robust validering av fullautomatiserte systemer i virkelig praksis fortsatt er begrenset – et ærlig signal om at teknologien er kapabel, men ennå ikke opererer uten meningsfullt klinisk tilsyn.

AI-verktøy på tvers av omsorgssettinger: primærhelsetjeneste, spesialisthelsetjeneste og utover

Brukstilfellene for AI-verktøy varierer betydelig etter setting, og evidensgrunnlaget er ujevnt fordelt mellom dem. Primærhelsetjenesten har det mest utviklede evidensgrunnlaget, delvis fordi konsultasjonsstrukturen (én kliniker, én pasient, ett definert møte) passer godt med det ambient stemmeteknologi gjør best.

Primærhelsetjeneste

Allmennleger bruker AI-assistenter til å generere konsultasjonsnotater, utkast til pasientbrev og redusere dokumentasjon etter arbeidstid. Tiden spart per konsultasjon er beskjeden i absolutte termer, men betydelig i sum over en full klinisk dag.

Spesialisthelsetjeneste

Sykehusteam begynner å bruke AI-verktøy på visitter, der dokumentasjonskravene er høyere og den kliniske kompleksiteten større. Utskrivningssammendrag er et spesielt fokus (et dokument som er tidkrevende å produsere, klinisk viktig og strukturelt konsistent nok til å egne seg for AI-generering).

Spesialistomsorg

Henvisningsutkast, polikliniske brev og spesialitetsspesifikke maler er fremvoksende brukstilfeller. Utfordringen her er nøyaktighet på tvers av spesialiteter. Et verktøy trent primært på data fra allmennpraksis kan prestere dårligere innen dermatologi eller psykiatri uten spesialitetsspesifikk validering.

Fjern- og virtuelle konsultasjoner

AI-verktøy som fungerer fra lyd- eller videoinput utvider seg naturlig til telehelsesettinger, der fraværet av et delt fysisk rom historisk har gjort dokumentasjon vanskeligere. Stanford–Harvard State of Clinical AI-rapporten identifiserte primærhelsetjeneste og klinisk beslutningsstøtte som områdene med mest aktiv forskning i 2025, med fjernomsorg som et vekstområde.

Advice & Guidance og henvisningsarbeidsflyter: AI reduserer friksjon mellom omsorgsnivåer

En av de mindre synlige, men klinisk betydningsfulle anvendelsene av AI-verktøy er i arbeidsflyten mellom omsorgsnivåer. Disse inkluderer Advice & Guidance (A&G)-utvekslinger, der allmennleger søker klinisk innspill fra spesialister uten en formell henvisning, og henvisningsbrevene som initierer forløp i spesialisthelsetjenesten.

Disse arbeidsflytene er for tiden en kilde til betydelig friksjon. En allmennlege som utarbeider en henvisning, må syntetisere pasienthistorie, formulere det kliniske spørsmålet og presentere det i et format som en spesialist raskt kan handle på. Gjort dårlig resulterer dette i avvisning, forespørsler om mer informasjon eller forsinket omsorg. Gjort godt krever det tid som ofte ikke er tilgjengelig.

AI-verktøy begynner å bistå med begge ender av denne prosessen: hjelpe allmennleger med å utarbeide strukturerte, komplette henvisninger, og hjelpe spesialister med å svare på A&G-forespørsler med mindre administrativt arbeid. Potensialet for å redusere frem og tilbake som forsinker pasientomsorg er reelt, selv om evidensgrunnlaget for denne spesifikke anvendelsen er svakere enn for konsultasjonsdokumentasjon.

Klinisk beslutningsstøtte: der AI assisterer vurdering uten å erstatte den

Klinisk beslutningsstøtte (CDS) i 2026 betyr noe mer spesifikt enn et pop-up-varsel. Det betyr AI-verktøy som henter frem relevant pasienthistorie på omsorgspunktet, flagger risikofaktorer som ellers kunne blitt oversett i en tidspresset konsultasjon, og foreslår neste steg basert på kliniske retningslinjer og pasientens journal.

Forskjellen mellom å støtte og å automatisere er avgjørende her. Et risikostratifisert rammeverk publisert i BMJ Health Care Informatics adresserer LLM-integrasjon i klinisk praksis direkte, dekker dokumentasjon, beslutningsstøtte og pasientkommunikasjon, og foreslår en strukturert tilnærming til å håndtere risikoene ved modellnøyaktighet, datapersonvern og regulatorisk ansvar. Rammeverket reflekterer en konsensus i litteraturen: AI assisterer klinisk vurdering, den erstatter den ikke.

Forskning på passive kliniske beslutningsstøtteverktøy i pediatrisk intensivbehandling, inkludert notatskrivingsstøtte, ordresett og laboratorievarsler, fant at adopsjon og utbredelse av disse verktøyene varierer betydelig etter kontekst. Utformingen av verktøyet (om det er avbrytende eller passivt) påvirker hvordan klinikere engasjerer seg med det. Dette er en nyttig påminnelse om at effektiviteten til CDS ikke bare handler om algoritmisk nøyaktighet, men også om arbeidsflytintegrasjon.

Klinisk ansvarlighet forblir hos klinikeren. Dette er ikke et forbehold, men et designprinsipp. Verktøyene som får regulatorisk godkjenning og klinisk tillit, er de som er bygget på denne premissen.

Regulatoriske og sikkerhetsmessige rammeverk som styrer AI-verktøy i klinisk praksis

For klinikere og kliniske ledere som evaluerer AI-verktøy, er det regulatoriske landskapet en grunnlinje, ikke en bonus. I Europa er de relevante rammeverkene:

• Medical Device Regulation (MDR): AI-verktøy som påvirker kliniske beslutninger, klassifiseres som medisinsk utstyr under EU MDR og må oppfylle samsvarskrav før utrulling i kliniske settinger.

• AI Act: I kraft siden august 2024, klassifiserer EU AI Act AI-systemer brukt i medisinske kontekster som høyrisiko, og krever transparens, menneskelig tilsyn og løpende overvåking.

• European Health Data Space (EHDS): EHDS trådte i kraft i 2025 og styrer hvordan helsedata deles og brukes på tvers av EU-medlemsstater, med direkte implikasjoner for AI-verktøy som prosesserer pasientdata.

• General Data Protection Regulation (GDPR) og dataresidency: Verktøy som prosesserer pasientdata må overholde GDPR. Dataresidency-krav, som dekker hvor data lagres og behandles, er et anskaffelsesspørsmål med kliniske styringsimplikasjoner.

• ISO 27001: Informasjonssikkerhetssertifisering som i økende grad er en grunnleggende forventning for kliniske AI-leverandører.

I Storbritannia klassifiserer MHRA AI-skriveassistentverktøy som programvare som medisinsk utstyr, og NHS England har utstedt informasjonsstyringsveiledning for deres bruk. Overholdelse av disse rammeverkene er ikke en differensiator blant leverandører – det er minimumsgrensen for vurdering.

Hva klinikere faktisk trenger for å evaluere et AI-verktøy

Kriteriene som betyr noe for en kliniker eller klinisk leder som evaluerer et AI-verktøy, skiller seg fra de på en anskaffelsessjekkliste. I praksis er dette spørsmålene som er verdt å stille:

• Integrerer det med journalsystemet som allerede er i bruk? Et verktøy som krever parallell dokumentasjon eller manuell dataoverføring, legger til byrde snarere enn å redusere den. Integrasjon med journalsystemet er en praktisk begrensning som eliminerer mange alternativer tidlig.

• Har det blitt validert i den relevante spesialiteten? Et verktøy som presterer godt i allmennpraksis, kan ikke nødvendigvis prestere til samme standard innen psykiatri, dermatologi eller pediatri. Spesialitetsspesifikk validering bør etterspørres, ikke tas for gitt.

• Hva er nøyaktighetsprofilen, og hvordan håndteres feil? Den randomiserte kontrollerte UCLA-studien fant at AI-genererte notater av og til inneholdt klinisk signifikante unøyaktigheter, noe som understreker behovet for aktivt legetilsyn. Å forstå feilraten og gjennomgangsprosessen er essensielt.

• Hva er datasikkerhets- og personvernholdningen? Hvor prosesseres pasientdata? Hvem har tilgang? Hvor lenge beholdes de? Dette er ikke bare IT-spørsmål, men kliniske styringsspørsmål.

• Er det evidens for reell klinisk validering, ikke bare leverandørpåstander? Fagfellevurderte studier, uavhengige evalueringer og NHS- eller tilsvarende helsesystempiloter veier tyngre enn markedsføringsmateriell.

• Passer det den faktiske arbeidsflyten? Et verktøy som krever atferdsendring fra hver kliniker i en praksis, er et endringsprosjekt, ikke en programvareutrulling. De beste verktøyene reduserer friksjon – de introduserer ikke nye former for den.

Den målbare effekten: hva evidensen viser så langt

Evidensgrunnlaget for AI-verktøy i klinisk praksis vokser, og signalene er gjennomgående positive. Kvaliteten og omfanget av evidens varierer imidlertid, og det er verdt å være presis på hva som er demonstrert, og hva som fortsatt er et lovende signal.

Om utbrenthetsreduksjon

En multisenter kvalitetsforbedringsstudie av 263 leger på tvers av seks helsesystemer fant at etter 30 dager med en ambient AI-skriveassistent, falt klinikerutbrenthet fra 51,9 prosent til 38,8 prosent, med forbedringer i kognitiv belastning, dokumentasjon etter arbeidstid og pasientoppmerksomhet. En studie på tvers av Emory Healthcare og Mass General Brigham fant en 21,2 prosent absolutt reduksjon i utbrenthetsprevalens ved 84 dager. Dette er betydelige effekter, selv om begge studiene ble utført i spesifikke helsesystemkontekster og kanskje ikke generaliserer fullt ut.

Om dokumentasjonskvalitet

En scoping-gjennomgang av AI-talegjenkjenning for klinisk dokumentasjon bekreftet at AI-baserte verktøy kan redusere klinikerens arbeidsbyrde, samtidig som det ble bemerket at nøyaktighet og pålitelighet varierer mellom verktøy og kliniske kontekster.

Om kognitiv belastning

Den randomiserte kontrollerte UCLA-studien fant beskjedne, men målbare forbedringer i utbrenthetsskårer, kognitiv arbeidsbyrde og arbeidsutmattelse, sammen med det viktige forbeholdet at AI-genererte notater krever aktivt tilsyn.

Der evidensen er svakere

Langtidsutfall, effekter på pasientsikkerhet og ytelse på tvers av hele spekteret av kliniske spesialiteter forblir områder der evidensgrunnlaget fortsatt utvikler seg. En systematisk gjennomgang av AIs innvirkning på journalsystemrelatert utbrenthet fant konsistente signaler på tvers av studier fra 2019 til 2025, men bemerket den metodologiske variasjonen som begrenser direkte sammenligning. Retningen på evidensen er klar. Størrelsen og holdbarheten av effekter i stor skala er ennå ikke fullt etablert.

Hva som kommer: retningen klinisk AI beveger seg i

De mest sannsynlige utviklingene i klinisk AI på kort sikt er utvidelser av det som allerede fungerer, ikke avvik fra det.

Dypere journalsystemintegrasjon

Verktøy som for tiden genererer notater ved siden av journalsystemer, beveger seg mot innfødt integrasjon, fyller ut strukturerte felt, utløser arbeidsflyter og reduserer antallet systemer en kliniker må forholde seg til. European Health Data Space vil akselerere interoperabilitetskrav på tvers av EU-medlemsstater.

Ekspansjon inn i flere spesialiteter

Verktøyene med bredest utrulling i dag er generalistiske. Spesialitetsspesifikke modeller, trent på språket, kodingskonvensjonene og de kliniske mønstrene til dermatologi, psykiatri, onkologi og andre, er under utvikling, med varierende grad av validering.

AI-innfødte operativsystemer for kliniske arbeidsflyter

Plattformer der AI ikke er et påmontert verktøy, men den underliggende infrastrukturen som dokumentasjon, beslutningsstøtte, henvisninger og pasientkommunikasjon håndteres gjennom, representerer den langsiktige retningen. Dette er et betydelig arkitektonisk skifte fra dagens modell, der AI-verktøy legges til eksisterende systemer.

Styring og arbeidsstyrkeberedskap

Vil forme tempoet i adopsjon like mye som teknologien selv. WHO/Europa-rapporten identifiserte opplæringsgap som et prioritert funn, et signal om at den begrensende faktoren i mange helsesystemer ikke er tilgjengeligheten av verktøy, men kapasiteten til å rulle dem ut sikkert og effektivt.

AI som infrastruktur, ikke innovasjonsteater

Rammen som gir mest mening for hvor klinisk AI står i 2026, er infrastruktur, ikke innovasjon. Journalsystemer ble en gang beskrevet som ny teknologi. Nå er de det umerkelige grunnlaget for klinisk praksis. AI-verktøy følger en lignende bane: fra nyvinning, via omstridt adopsjon, til punktet der deres fravær vil være det unormale.

European Society of Medicine bemerker at AIs reelle kliniske anvendelser nå spenner over diagnostikk, dokumentasjon, legemiddelresponsprediksjon og styring – en bredde som reflekterer integrasjon snarere enn eksperimentering. Stanford–Harvard-rapporten dokumenterer både boomen i klinisk AI-forskning og risikoene ved overavhengighet, en kombinasjon som reflekterer modenhet i samtalen.

For klinikere er den praktiske implikasjonen enkel: Spørsmålet er ikke lenger om AI-verktøy vil bli en del av klinisk praksis, men hvilke verktøy, evaluert mot hvilken evidens, med hvilken styring på plass. Å engasjere seg kritisk med det spørsmålet nå, snarere enn å vente til teknologien er standard før man undersøker den, er utgangspunktet for informert og sikker adopsjon.

Ofte stilte spørsmål

▶ Hvilket problem løser AI-verktøy faktisk for klinikere?

Den primære driveren er dokumentasjonsbyrde. Forskning viser at leger bruker mer enn halvparten av arbeidsdagen sin på journalsystemoppgaver. Dette forsterker kognitiv belastning (den mentale innsatsen som kreves for å prosessere og handle på informasjon), reduserer kvaliteten på pasientinteraksjonen og akselererer utbrenthet. AI-verktøy som reduserer tiden brukt på klinisk dokumentasjon, adresserer et problem som både er et velværeproblem og en klinisk sikkerhetsbekymring.

▶ Hva er ambient stemmeteknologi og hvordan skiller den seg fra eldre tale-til-tekst-verktøy?

Ambient stemmeteknologi (AVT) refererer til systemer som lytter til en naturlig klinisk samtale og genererer strukturerte kliniske notater i sanntid, uten at klinikeren må stoppe opp for å skrive. Tidligere tale-til-tekst-verktøy krevde diktering snarere enn samtale og produserte rå transkripsjoner som fortsatt trengte betydelig redigering. Ambient stemmeteknologi forstår klinisk kontekst, skiller klinisk relevant innhold fra samtalestøy, og produserer utkast til notater som er klare for gjennomgang.

▶ Transkriberer AI-genererte kliniske notater bare tale, eller produserer de strukturert, kodet output?

Ledende AI-medisinske assistenter i 2026 går utover transkripsjon. De produserer strukturerte notater, foreslår kliniske koder som SNOMED og ICD, og kan fylle ut journalsystemfelt automatisk. Dette er viktig fordi strukturert, kodet output muliggjør videre klinisk bruk, inkludert revisjon, henvisningsgenerering og fakturering. Et velskrevet, men ustrukturert notat forskyver dokumentasjonsbyrden snarere enn å redusere den.

▶ Hvilke omsorgssettinger brukes AI-verktøy i?

AI-verktøy er i bruk på tvers av primærhelsetjeneste, spesialisthelsetjeneste, spesialistomsorg og fjern- eller virtuelle konsultasjoner. Allmennleger bruker dem til å generere konsultasjonsnotater og utkast til pasientbrev. Sykehusteam anvender dem på visitter og til utskrivningssammendrag. Henvisningsutkast og spesialitetsspesifikke maler er fremvoksende i spesialistsettinger. Fjernomsorg er identifisert som et vekstområde i Stanford–Harvard State of Clinical AI-rapporten.

▶ Hva viser evidensen om AI-verktøy som reduserer klinikerutbrenthet?

En multisenter kvalitetsforbedringsstudie av 263 leger på tvers av seks helsesystemer fant at etter 30 dager med en ambient AI-skriveassistent, falt klinikerutbrenthet fra 51,9 prosent til 38,8 prosent. En separat studie på tvers av Emory Healthcare og Mass General Brigham fant en 21,2 prosent absolutt reduksjon i utbrenthetsprevalens ved 84 dager. Begge studiene ble utført i spesifikke helsesystemkontekster og generaliserer kanskje ikke fullt ut til alle settinger.

▶ Hvilke regulatoriske rammeverk styrer AI-verktøy brukt i klinisk praksis i Europa?

Flere rammeverk gjelder. EU Medical Device Regulation (MDR) klassifiserer AI-verktøy som påvirker kliniske beslutninger som medisinsk utstyr, og krever samsvar før utrulling. EU AI Act, i kraft siden august 2024, klassifiserer AI-systemer brukt i medisinske kontekster som høyrisiko, og krever transparens, menneskelig tilsyn og løpende overvåking. European Health Data Space (EHDS), som trådte i kraft i 2025, styrer hvordan helsedata deles på tvers av EU-medlemsstater. General Data Protection Regulation (GDPR) og dataresidency-krav gjelder også for ethvert verktøy som prosesserer pasientdata. I Storbritannia klassifiserer Medicines and Healthcare products Regulatory Agency (MHRA) AI-skriveassistentverktøy som programvare som medisinsk utstyr.

▶ Hva bør klinikere spørre om når de evaluerer et AI-verktøy?

Artikkelen identifiserer seks praktiske spørsmål: om verktøyet integrerer med journalsystemet som allerede er i bruk, om det har blitt validert i den relevante spesialiteten, hva nøyaktighetsprofilen er og hvordan feil håndteres, hva datasikkerhets- og personvernholdningen er (inkludert hvor pasientdata prosesseres og lagres), om det finnes uavhengig klinisk validering utover leverandørpåstander, og om verktøyet passer den faktiske arbeidsflyten uten å kreve betydelig atferdsendring fra klinikere.

▶ Skifter klinisk ansvarlighet til AI når disse verktøyene brukes?

Nei. Klinisk ansvarlighet forblir hos klinikeren. Artikkelen beskriver dette ikke som et forbehold, men som et designprinsipp. Et risikostratifisert rammeverk publisert i BMJ Health Care Informatics foreslår at AI assisterer klinisk vurdering snarere enn å erstatte den. Den randomiserte kontrollerte UCLA-studien fant også at AI-genererte notater av og til inneholdt klinisk signifikante unøyaktigheter, noe som forsterker behovet for aktivt legetilsyn av enhver AI-generert output.

▶ Hvor er evidensen på AI-verktøy fortsatt begrenset?

Langtidsutfall, effekter på pasientsikkerhet og ytelse på tvers av hele spekteret av kliniske spesialiteter forblir områder der evidensgrunnlaget fortsatt utvikler seg. En systematisk gjennomgang av AIs innvirkning på journalsystemrelatert utbrenthet fant konsistente signaler på tvers av studier fra 2019 til 2025, men bemerket metodologisk variasjon som begrenser direkte sammenligning. Retningen på evidensen er gjennomgående positiv. Størrelsen og holdbarheten av effekter i stor skala er ennå ikke fullt etablert.

▶ Hva er den sannsynlige retningen for AI-verktøy i klinisk praksis på kort sikt?

Artikkelen identifiserer fire sannsynlige utviklinger på kort sikt. For det første, dypere integrasjon med journalsystemer, der man går fra å generere notater ved siden av eksisterende systemer til å fylle ut strukturerte felt direkte og utløse arbeidsflyter. For det andre, ekspansjon inn i flere spesialiteter, med modeller trent på språket og kodingskonvensjonene til felt som dermatologi og psykiatri. For det tredje, utviklingen av AI-innfødte operativsystemer for kliniske arbeidsflyter, der AI er den underliggende infrastrukturen snarere enn et påmontert verktøy. For det fjerde, styring og arbeidsstyrkeberedskap, som WHO/Europa-rapporten identifiserer som en begrensende faktor i mange helsesystemer.