Diagnostiske feil er et av de mest alvorlige og minst synlige problemene i primærhelsetjenesten. Fastleger håndterer en ekstraordinær bredde av udifferensierte presentasjoner, ofte innenfor begrensede konsultasjonstider og med begrenset tilgang til spesialistuttalelser. Resultatet er et miljø der diagnostiske feil både er forståelige og, samlet sett, betydelige. Noen studier antyder at en betydelig andel av diagnostiske feil i primærhelsetjenesten kan forebygges med avanserte beslutningsstøttesystemer. På denne bakgrunnen har kliniske beslutningsstøtteverktøy vakt økende interesse som en teknologisk løsning. Dokumentasjonen bak dem er imidlertid mer sammensatt enn det leverandørpåstander typisk antyder.

Hva kliniske beslutningsstøtteverktøy faktisk gjør i en fastlegekonsultasjon

Klinisk beslutningsstøtte (CDS) er ikke én enkelt teknologi. I primærhelsetjenesten omfatter det et bredt spekter av funksjoner: differensialdiagnostiske hint som fremhever tilstander en kliniker kanskje ikke har vurdert, røde flagg-varsler som signaliserer potensiell alvorlig sykdom, kontroller av legemiddelinteraksjoner, veiledning for antibiotikaforskrivning, kalkulatorer for kardiovaskulær risikovurdering og beslutningsstøtte for henvisning.

Et kritisk skille som former hvordan dokumentasjon bør tolkes, er forskjellen mellom passiv og aktiv CDS. Passive systemer opererer i bakgrunnen, sjekker resepter for interaksjoner og flagger unormale resultater uten å avbryte konsultasjonsflyten. Aktive systemer griper inn i sanntid og tilbyr forslag under selve den kliniske konsultasjonen.

Disse to modusene gir ulike dokumentasjonsprofiler, ulike implementeringsutfordringer og ulike risikoer. LINNEAUS-metaoversikten om datastyrt diagnostisk beslutningsstøtte i primærhelsetjenesten identifiserte at dyp integrasjon med journalsystemet og utløsing av støtte på passende punkter i den kognitive arbeidsflyten er forutsetninger for effektivitet. Dette funnet gjelder langt mer for aktive enn for passive systemer.

Nylig har verktøy basert på store språkmodeller (LLM) kommet inn i bildet. Store språkmodeller kan sammenstille pasienthistorie, nåværende symptomer og klinisk kontekst for å generere rangerte differensialdiagnoser eller foreslå neste steg. Disse representerer et kvalitativt skifte fra regelbaserte varsler, men de introduserer også nye spørsmål om pålitelighet, kalibrering og klinikertillit.

Hvordan forskere måler reduksjon av diagnostiske feil

Før vi vurderer hva dokumentasjonen viser, er det verdt å forstå hvorfor måling av reduksjon av diagnostiske feil er metodologisk vanskelig, og hvorfor fastleger bør tilnærme seg publiserte effektstørrelser med forsiktighet.

Diagnostiske feil identifiseres typisk retrospektivt: en oversett diagnose blir synlig først når en pasient forverres, kommer tilbake med forverrede symptomer eller mottar en annen diagnose fra en spesialist. Dette gjør prospektiv måling utfordrende. De fleste studier baserer seg derfor på indirekte utfall: passende henvisningsrater, tid til diagnose, hensiktsmessighet i antibiotikaforskrivning eller mønstre for laboratoriebestilling.

Dette er legitime mål på klinisk prosess, men de er ikke det samme som bekreftede reduksjoner i pasientskade fra oversette diagnoser. Studiedesign varierer også enormt. Randomiserte kontrollerte studier på dette området er sjeldne og vanskelige å gjennomføre.

Klinikere kan ikke enkelt blindes for om de bruker et CDS-verktøy, og klyngerandomisering introduserer egne konfunderende faktorer. Observasjonsstudier og revisjonsdata dominerer litteraturen, noe som begrenser muligheten for å trekke sikre konklusjoner om årsakssammenhenger. En kartleggingsoversikt fra 2021 i International Journal of Environmental Research and Public Health konkluderte med at selv om CDS-verktøy har vist seg å forbedre kvaliteten på omsorgen i en rekke medisinske settinger, forblir deres nytte spesifikt i det diagnostiske domenet uklar.

LINNEAUS-metaoversikten screenet 1 970 studier og fant bare 12 egnet for inklusjon. Dokumentasjonsgrunnlaget er tynt, ikke fordi CDS-verktøy nødvendigvis feiler, men fordi forskningsinfrastrukturen for å evaluere dem grundig i primærhelsetjenesten har ligget etter deres utbredelse.

Hvor dokumentasjonen er sterkest: spesifikke tilstander og bruksområder

Til tross for disse metodologiske forbeholdene finnes det områder der CDS-verktøy viser et konsistent og troverdig signal i primærhelsetjenesten.

Hensiktsmessighet i laboratoriebestilling er et av de mest grundig studerte områdene. ELMO-klyngerandomiserte studien, gjennomført på tvers av belgisk primærhelsetjeneste av KU Leuven og Ghent University, fant at et CDS-system som brukte bestillingssett for 17 vanlige indikasjoner, forbedret hensiktsmessigheten og reduserte volumet av laboratoriebestillinger, samtidig som det ikke var dårligere enn vanlig praksis når det gjelder forekomst av diagnostiske feil. Dette er en høykvalitets europeisk randomisert kontrollert studie (RCT) som gir reell trygghet om sikkerhet, selv om den ikke demonstrerer aktiv feilreduksjon.

Kardiovaskulær risikovurdering er et annet område der strukturerte CDS-verktøy har vist målbar prosessforbedring, hovedsakelig fordi beslutningsoppgaven er veldefinert og kalkulerbar. Tilsvarende har hensiktsmessighet i antibiotikaforskrivning, en stor bekymring i europeisk primærhelsetjeneste, vist seg å forbedres med CDS-hint i flere studier, selv om mekanismen er atferdsmessig snarere enn strengt diagnostisk.

Vurdering av hjerterytme er et fremvoksende område. En fransk fastlegeundersøkelse om AI-assistert elektrokardiogram (EKG)-tolkning fant at 72 prosent av fastlegene rapporterte at de ville bruke EKG oftere hvis AI var tilgjengelig for tolkning, og at AI har vist diagnostisk nøyaktighet i EKG-analyse tilsvarende kardiologers. Bemerkelsesverdig så 57 prosent av respondentene på AI som et diagnostisk hjelpemiddel snarere enn et autonomt system, en innramming som reflekterer hvordan de fleste klinikere tilnærmer seg CDS-verktøy i praksis.

Kollektiv diagnostisk resonnering tilbyr et komplementært perspektiv. En studie fra 2024 i Medical Decision Making viste at aggregering av uavhengige fastlegediagnoser betydelig forbedrer diagnostisk nøyaktighet, og at kombinasjon av denne tilnærmingen med et beslutningsstøttesystem ga ytterligere gevinster. Flertallsregelen, som veier alle uavhengige diagnoser likt, presterte betydelig bedre enn gjennomsnittlig individuell fastlegenøyaktighet, med effekten økende med gruppestørrelse.

Kanskje den mest slående dokumentasjonen fra den virkelige verden kommer fra en studie fra 2025 av Korom et al., gjennomført i samarbeid med Penda Health på tvers av 39 849 pasientbesøk ved 15 klinikker i Nairobi. Klinikere som brukte et LLM-basert AI Consult-verktøy, gjorde 16 prosent færre diagnostiske feil og 13 prosent færre behandlingsfeil sammenlignet med de uten tilgang.

I absolutte tall ble verktøyet anslått å avverge diagnostiske feil i 22 000 besøk og behandlingsfeil i 29 000 besøk årlig ved det enkelte helsenettet. Alle respondentene i klinikerundersøkelsen sa at AI Consult forbedret kvaliteten på omsorgen de leverte, med 75 prosent som beskrev effekten som betydelig.

Hvor dokumentasjonen er svak, inkonsistent eller mangler

Funnene fra Penda Health er slående, men de krever nøye kontekstualisering. Et direkte motstridende resultat fra en studie av høyere kvalitet finnes også.

En pragmatisk klyngerandomisert studie testet ChatGPT-4o-assistert klinisk beslutningsstøtte i kenyanske primærhelsetjenestefasiliteter og fant at det ikke betydelig reduserte 14-dagers behandlingssvikt sammenlignet med vanlig praksis. Dette er det mest grundige studiedesignet tilgjengelig, en fagfellevurdert RCT, og dens nullresultat på et hardt klinisk utfall er et betydelig motargument til den observasjonelle dokumentasjonen fra Penda-studien.

De to studiene er ikke nødvendigvis i konflikt (de målte ulike utfall, i ulike settinger, med ulike verktøy), men sammen illustrerer de at dokumentasjonen ikke er entydig positiv.

Mer generelt fant den kvalitative studien fra 2025 av primærhelsetjenesteklinikere at selv om mange studier har vist forbedringer i prosessrelaterte utfall som økte screeningrater og redusert ufullstendig bestilling, har færre studier evaluert og rapportert pasientutfall. Dette gapet mellom prosessforbedring og påviselig pasientnytte er et tilbakevendende tema i litteraturen.

Varselutmattelse er en veldokumentert mekanisme der effekt vist i kontrollerte settinger ikke klarer å oversettes til effektivitet i den virkelige verden. Når CDS-systemer genererer hyppige varsler med lav spesifisitet, lærer klinikere å overstyre dem av vane. Overstyringsraten blir et tak på enhver potensiell fordel, og i noen settinger kan nettoeffekten på klinisk resonnering være negativ.

Det er også betydelige hull etter tilstand og spesialitet. For mange av de udifferensierte presentasjonene som definerer allmennpraksis, inkludert tretthet, magesmerter og muskel- og skjelettsymptomer, finnes det lite eller ingen fagfellevurdert dokumentasjon på at CDS-verktøy reduserer diagnostiske feilrater.

Tilstandene der dokumentasjonen er sterkest (kardiovaskulær risiko, antibiotikaforskrivning, laboratoriebestilling) er nettopp de der den diagnostiske oppgaven er mest strukturert og kalkulerbar. De mer uoversiktlige, kognitivt krevende presentasjonene i kjernen av fastlegearbeidet forblir i stor grad ustudert.

Den europeiske primærhelsetjenestekonteksten: hvorfor setting betyr noe

En betydelig andel av dokumentasjonsgrunnlaget for CDS-verktøy i primærhelsetjenesten stammer fra amerikanske helsesystemer eller sykehussettinger, og ingen av disse kan direkte overføres til europeisk allmennpraksis.

I USA opererer primærhelsetjenesten innenfor et annet journalsystemlandskap, med ulike insentivstrukturer, ulike dokumentasjonsnormer og ulike pasientpanelstørrelser. Sykehusbaserte studier involverer typisk mer akutte, bedre definerte diagnostiske spørsmål enn de kroniske, multimorbide og udifferensierte presentasjonene som dominerer europeiske fastlegekonsultasjoner.

Studier gjennomført i settinger med lavere ressurser, inkludert Penda Health-studien i Kenya og Nature Medicine-studien, involverer kliniske miljøer som skiller seg betydelig fra NHS eller nordisk primærhelsetjeneste når det gjelder grunnleggende diagnostisk infrastruktur, konsultasjonslengde og tilgang til henvisningsveier.

ELMO-studien fra Belgia forblir en av få høykvalitets europeiske RCT-er gjennomført spesifikt i primærhelsetjenesten, og dens fokus på laboratoriebestilling snarere enn diagnostisk nøyaktighet i seg selv begrenser hva som kan utledes. LINNEAUS-metaoversikten, et europeisk samarbeid, etterlyste mer standardiserte, kalkulerbare tilnærminger til kunnskapsrepresentasjon og dypere journalsystemintegrasjon, og bemerket at ingen av betingelsene var konsistent oppfylt i de gjennomgåtte studiene. Den observasjonen, gjort i 2016, har ikke blitt fullt ut adressert i tiåret siden.

Konsultasjonslengde har også betydning. En fastlege som opererer med ti minutters avtaler, møter andre begrensninger enn en kliniker i en studiesetting med mer tid til å bruke et CDS-grensesnitt. Verktøy som krever ytterligere dataregistrering, eller som fremhever forslag på et punkt i arbeidsflyten når den kliniske beslutningen i praksis allerede er tatt, vil neppe endre utfall uavhengig av deres underliggende nøyaktighet.

Menneskelige faktorproblemer: når CDS-verktøy ignoreres eller misbrukes

Effektiviteten til ethvert CDS-verktøy er begrenset av om og hvordan klinikere bruker det. Den kvalitative studien fra 2025 av primærhelsetjenesteklinikere identifiserte betydelige barrierer for innføring: klinikermotstand, organisatoriske godkjenningsprosesser, mangel på infrastruktur og utilstrekkelig dokumentasjon på effektivitet kommunisert til sluttbrukere.

Klinikere understreket at verktøy må integreres med eksisterende journalsystemer og presentere et brukervennlig grensesnitt, krav som ofte ikke er oppfylt i praksis.

Automatiseringsbias, tendensen til å stole for mye på algoritmiske forslag og undervurdere klinisk skjønn, er en dokumentert risiko som går i motsatt retning av varselutmattelse. Der varselutmattelse fører til underbruk, fører automatiseringsbias til ukritisk overbruk. Begge representerer implementeringssvikt snarere enn iboende egenskaper ved verktøyene, men begge observeres jevnlig i virkelige settinger.

Frontiers in Medicine-rammeverkpapiret om reduksjon av feildiagnostisering i AI-drevet diagnostikk konkluderer med at en koordinert, flerdimensjonal tilnærming er essensiell, som integrerer robuste tekniske kontroller, klare etiske retningslinjer og definerte ansvarsstrukturer. Dette er ikke en kritikk av noe spesifikt verktøy, men reflekterer det bredere funnet at utplasseringskontekst og styring betyr like mye som den underliggende teknologien.

En kartleggingsoversikt fra 2025 om AI i poliklinisk primærhelsetjeneste fant at de fleste studier fortsatt er i utviklingsfasen, med minimal implementering i den virkelige verden utover ambient skriving og klinisk beslutningsstøtte. Av 3 203 manuskripter screenet rapporterte bare åtte kliniske studieresultater. Gapet mellom publiserte modeller og utplasserte, evaluerte systemer forblir stort.

Hvordan god dokumentasjon faktisk ville sett ut

Gitt de metodologiske begrensningene beskrevet ovenfor, er det verdt å være spesifikk om hvilket studiedesign som ville gi en fastlege rimelig tillit til at et CDS-verktøy reduserer diagnostiske feil i deres setting.

Det minste troverdige dokumentasjonsgrunnlaget ville inkludere:

• Prospektivt design: utfall målt før og etter verktøyutplassering i sammenlignbare populasjoner, ideelt med randomisering på praksis- eller klyngenivå

• Europeiske primærhelsetjenestepopulasjoner: ikke amerikanske helsesystemer, ikke sykehussettinger, ikke miljøer med lavere ressurser og ulik grunnleggende infrastruktur

• Bekreftede diagnostiske utfall: ikke indirekte mål som henvisningsrater eller testbestillingsmønstre, men verifisert diagnostisk nøyaktighet mot oppfølgingsdata

• Uavhengig validering: resultater ikke finansiert eller gjennomført utelukkende av verktøyutvikleren

• Rapporterte overstyringsrater og varselutmattelsesdata: for å bekrefte at verktøyet faktisk ble brukt på måten studien antar

• Tilstrekkelig oppfølging: diagnostiske feil manifesterer seg ofte uker eller måneder etter indekskonsultasjonen. Kortsiktige utfallsvinduer fanger opp bare en andel av relevante hendelser

Den automatiserte diagnostiske diskrepansdeteksjonsmetoden validert i sveitsiske akuttmottak, som oppnådde AUC-verdier (area under the curve) på 0,94 til 0,95 som et screeningverktøy for diagnostiske feil, tilbyr én modell for hvordan retrospektiv feilidentifikasjon kunne operasjonaliseres i stor skala. Anvendelse av lignende metoder på primærhelsetjenestens revisjonsdata kunne betydelig forbedre dokumentasjonsgrunnlaget, selv om dette fortsatt er et forskningshull snarere enn en etablert praksis.

Hva fastleger med rimelighet bør forvente av klinisk beslutningsstøtte i dag

Det ærlige sammendraget av den nåværende dokumentasjonen er dette: CDS-verktøy kan forbedre spesifikke, veldefinerte kliniske prosesser i primærhelsetjenesten, inkludert laboratoriebestilling, antibiotikaforskrivning, kardiovaskulær risikovurdering og potensielt vurdering av hjerterytme. I disse områdene er dokumentasjonen troverdig og, i noen tilfeller, basert på høykvalitets europeiske RCT-er.

Det dokumentasjonen ennå ikke har etablert, er at CDS-verktøy reduserer overordnede diagnostiske feilrater i generell europeisk primærhelsetjeneste. Studiene som viser de største effektene (Penda Health-observasjonsstudien) er gjennomført i andre helsekontekster og bruker indirekte eller selvrapporterte utfall. Den høyest rangerte RCT-en tilgjengelig (Nature Medicine-klyngerandomiserte studien) fant ingen betydelig reduksjon i harde kliniske utfall.

De grunnleggende systematiske oversiktene identifiserer bare en håndfull studier som oppfyller kvalitetsterskler og etterlyser mer grundig metodologi.

For fastleger som vurderer om de skal ta i bruk eller anbefale et CDS-verktøy, er følgende spørsmål verdt å stille til enhver leverandør eller implementeringsteam:

• Hva er dokumentasjonsgrunnlaget, og ble det generert i en europeisk primærhelsetjenestesetting?

• Ble utfall målt på pasientnivå, eller bare på prosessnivå?

• Hva er varseloverstyringsraten i faktisk bruk, og hvordan overvåkes varselutmattelse?

• Hvordan integreres verktøyet med det eksisterende journalsystemet, og på hvilket punkt i konsultasjonsarbeidsflyten griper det inn?

• Har verktøyet blitt uavhengig validert, eller kommer de støttende studiene primært fra utvikleren?

• Er verktøyet klassifisert som medisinsk utstyr under det relevante reguleringsrammeverket, og hvilken overvåking etter markedsføring er på plass?

CDS-verktøy har en verdi i primærhelsetjenesten. Dokumentasjonen for spesifikke anvendelser er reell. Men påstanden om at de reduserer diagnostiske feil bredt, på tvers av hele spekteret av presentasjoner en fastlege møter, støttes ennå ikke av tilgjengelig dokumentasjon. Å behandle dem som målrettede hjelpemidler for veldefinerte oppgaver, snarere enn generelle løsninger på diagnostisk usikkerhet, reflekterer hva forskningen faktisk viser.

Ofte stilte spørsmål

▶ Reduserer kliniske beslutningsstøtteverktøy faktisk diagnostiske feil i allmennpraksis?

Dokumentasjonen er blandet. Noen studier viser målbare forbedringer i spesifikke kliniske prosesser, som laboratoriebestilling og antibiotikaforskrivning, men ingen høykvalitets europeisk randomisert kontrollert studie har ennå vist en bred reduksjon i diagnostiske feilrater på tvers av hele spekteret av presentasjoner en fastlege møter. Den mest grundige RCT-en tilgjengelig, en klyngerandomisert studie av ChatGPT-4o-assistert beslutningsstøtte i kenyansk primærhelsetjeneste, fant ingen betydelig reduksjon i harde kliniske utfall. Dokumentasjonen støtter bruk av disse verktøyene som målrettede hjelpemidler for veldefinerte oppgaver snarere enn som generelle løsninger på diagnostisk usikkerhet.

▶ Hva er forskjellen mellom passiv og aktiv klinisk beslutningsstøtte?

Passive kliniske beslutningsstøttesystemer (CDS) opererer i bakgrunnen, sjekker resepter for legemiddelinteraksjoner eller flagger unormale resultater uten å avbryte konsultasjonen. Aktive systemer griper inn i sanntid under den kliniske konsultasjonen og tilbyr differensialdiagnostiske hint eller røde flagg-varsler. De to modusene gir ulike dokumentasjonsprofiler og ulike implementeringsutfordringer. Forskning antyder at dyp integrasjon med journalsystemet og utløsing av støtte på riktig punkt i klinikerens kognitive arbeidsflyt er forutsetninger for at aktiv CDS skal være effektiv.

▶ Hvilke kliniske områder har den sterkeste dokumentasjonen for beslutningsstøtteverktøy i primærhelsetjenesten?

Den sterkeste dokumentasjonen gjelder hensiktsmessighet i laboratoriebestilling, antibiotikaforskrivning og kardiovaskulær risikovurdering. ELMO-klyngerandomiserte studien, gjennomført på tvers av belgisk primærhelsetjeneste, fant at et CDS-system forbedret hensiktsmessigheten av laboratoriebestilling og ikke var dårligere enn vanlig praksis når det gjelder forekomst av diagnostiske feil. Vurdering av hjerterytme er et fremvoksende område: en fransk fastlegeundersøkelse fant at AI-assistert EKG-tolkning viste diagnostisk nøyaktighet tilsvarende kardiologers, og 72 prosent av fastlegene sa de ville bruke EKG oftere hvis AI-tolkning var tilgjengelig.

▶ Hvorfor er det så vanskelig å måle om klinisk beslutningsstøtte reduserer diagnostiske feil?

Diagnostiske feil identifiseres typisk retrospektivt og blir synlige først når en pasient forverres eller mottar en annen diagnose senere. Dette gjør prospektiv måling vanskelig. De fleste studier baserer seg på indirekte utfall som henvisningsrater eller testbestillingsmønstre snarere enn bekreftede reduksjoner i pasientskade. Randomiserte kontrollerte studier er sjeldne fordi klinikere ikke kan blindes for om de bruker et CDS-verktøy. LINNEAUS-metaoversikten screenet 1 970 studier og fant bare 12 egnet for inklusjon, noe som reflekterer hvor tynt dokumentasjonsgrunnlaget fortsatt er.

▶ Hva er varselutmattelse, og hvordan påvirker det den virkelige effektiviteten til disse verktøyene?

Varselutmattelse oppstår når CDS-systemer genererer hyppige varsler med lav spesifisitet, og klinikere lærer å overstyre dem av vane. Overstyringsraten blir et tak på enhver potensiell fordel. I noen settinger kan nettoeffekten på klinisk resonnering være negativ. Det går i motsatt retning av automatiseringsbias, som er tendensen til å stole for mye på algoritmiske forslag og undervurdere klinisk skjønn. Begge representerer implementeringssvikt snarere enn iboende feil ved verktøyene, men begge observeres jevnlig i virkelige settinger.

▶ Gjelder dokumentasjon fra amerikanske eller afrikanske helsesystemer for europeisk allmennpraksis?

Ikke direkte. En betydelig andel av CDS-dokumentasjonsgrunnlaget kommer fra amerikanske helsesystemer eller sykehussettinger, som involverer ulike journalsystemlandskap, insentivstrukturer og pasientpanelstørrelser. Studier fra settinger med lavere ressurser, inkludert Penda Health-studien i Kenya, involverer kliniske miljøer som skiller seg betydelig fra NHS eller nordisk primærhelsetjeneste når det gjelder grunnleggende diagnostisk infrastruktur, konsultasjonslengde og tilgang til henvisningsveier. ELMO-studien fra Belgia forblir en av få høykvalitets europeiske RCT-er gjennomført spesifikt i primærhelsetjenesten.

▶ Hvilke spørsmål bør en fastlege stille før de tar i bruk et klinisk beslutningsstøtteverktøy?

Det er verdt å spørre om dokumentasjonen ble generert i en europeisk primærhelsetjenestesetting, og om utfall ble målt på pasientnivå eller bare på prosessnivå. Du bør også spørre hva varseloverstyringsraten er i faktisk bruk, hvordan verktøyet integreres med det eksisterende journalsystemet, og på hvilket punkt i konsultasjonsarbeidsflyten det griper inn. Å sjekke om verktøyet har blitt uavhengig validert, snarere enn studert utelukkende av utvikleren, og om det er klassifisert som medisinsk utstyr under det relevante reguleringsrammeverket, er også viktige steg.

▶ Hvordan ville god dokumentasjon for reduksjon av diagnostiske feil i primærhelsetjenesten faktisk sett ut?

Troverdig dokumentasjon ville kreve et prospektivt design med randomisering på praksis- eller klyngenivå, gjennomført i europeiske primærhelsetjenestepopulasjoner snarere enn sykehus- eller settinger med lavere ressurser. Utfall ville måtte være verifisert diagnostisk nøyaktighet mot oppfølgingsdata, ikke indirekte mål som henvisningsrater. Studiene ville trenge uavhengig validering, rapporterte varseloverstyringsrater for å bekrefte at verktøyet faktisk ble brukt som antatt, og tilstrekkelig oppfølgingstid, siden diagnostiske feil ofte manifesterer seg uker eller måneder etter indekskonsultasjonen.

▶ Hva fant Penda Health-studien, og hvordan bør resultatene tolkes?

En studie fra 2025 av Korom et al., gjennomført på tvers av 39 849 pasientbesøk ved 15 klinikker i Nairobi, fant at klinikere som brukte et LLM-basert AI Consult-verktøy, gjorde 16 prosent færre diagnostiske feil og 13 prosent færre behandlingsfeil sammenlignet med de uten tilgang. Alle respondentene i klinikerundersøkelsen sa at verktøyet forbedret kvaliteten på omsorgen de leverte. Imidlertid er studien observasjonell snarere enn randomisert, og den ble gjennomført i et klinisk miljø som skiller seg betydelig fra europeisk allmennpraksis. Et direkte motstridende resultat finnes fra en RCT av høyere kvalitet i en sammenlignbar setting, som ikke fant noen betydelig reduksjon i harde kliniske utfall.