Teknologiske fokusområder

Et sundhedsvæsen under pres har brug for løsninger, der tager fra frem for at lægge til. Derfor spørger vi altid, hvor data og modeller reelt kan frigøre tid, korte et forløb ned eller lette en beslutning. Løsningerne udvikles og afprøves sammen med de klinikere, der skal bruge dem, så de passer ind i praksis og skaber værdi for både patienter og personale.

AI-agenter og RAG

Sprogmodeller kan læse og sammenfatte store mængder tekst, men de er kun nyttige i klinikken, hvis svarene kan stoles på. Med RAG (Retrieval-Augmented Generation) henter modellen sin viden fra pålidelige og opdaterede kilder som retningslinjer, faglitteratur eller journaldata, så det bliver muligt at spore, hvor et svar stammer fra. AI-agenter kan udføre opgaver i flere trin og selv fremsøge, sammenstille og klargøre den information, en kliniker ellers skulle bruge tid på at finde frem. Vi bruger både store og små modeller. En klar tendens går mod at dele en opgave op i mindre trin, så mindre modeller kan løse den lige så præcist som en stor, men med mindre regnekraft og på kortere tid. Det gør løsningerne mere bæredygtige at drive og kan køres direkte på regionens data-sikre servere.

Computer vision

Computer vision gør det muligt at analysere billeder automatisk, fra røntgen og skanninger til optagelser fra kikkertundersøgelser, og pege på det, der kræver en fagpersons opmærksomhed. I et screeningsforløb kan en algoritme gennemgå store mængder billeder for tidlige tegn på kræft og markere de fund, en speciallæge bør se nærmere på. Det erstatter ikke det kliniske skøn, men understøtter det. Lægen bevarer vurderingen, mens teknologien sorterer fra og fremhæver. Når sygdom opdages tidligere, stiger chancen for helbredende behandling, og den tid, der ellers går med rutinegennemgange, kan bruges dér, hvor et menneskeligt blik virkelig gør en forskel.

Predictive analytics og data fusion

Mange forløb kunne forbedres, hvis man kunne se en forværring komme, før den sker. Ved at sammenstille data fra forskellige kilder, for eksempel journal, målinger i hjemmet og laboratoriesvar, kan vi beregne risiko og forudsige, hvordan et forløb udvikler sig. Det er kernen i data fusion: hver datakilde fortæller kun en del af historien, men samlet giver de et mere fuldstændigt billede. For patienter med kroniske sygdomme betyder det, at indsatsen kan skifte fra reaktiv til proaktiv og sættes ind i tide. Det kan forebygge indlæggelser, give patienten mere tryghed i hverdagen og lade personalet prioritere dem, der har mest brug for hjælp lige nu.

Sprogteknologi og automatiseret dokumentation

Dokumentation fylder en stor del af klinikernes arbejdsdag. Sprogteknologi kan lette den byrde ved at strukturere fritekst, udtrække relevante oplysninger fra journalen eller udarbejde udkast til notater, som klinikeren derefter godkender. Den samme teknologi kan møde patienterne direkte, for eksempel når en chatbot besvarer almindelige spørgsmål før eller efter en undersøgelse og guider patienten det rette sted hen. Begge dele trækker i samme retning, nemlig mindre tid brugt på administration og mere tid til mødet mellem patient og kliniker.

Ansvarlig implementering og validering

En lovende model er langtfra det samme som en løsning, der kan bruges i klinikken. Vejen dertil kræver grundig validering, løbende overvågning og styr på de regulatoriske krav, og den kræver, at man vurderer, om teknologien overhovedet skaber værdi i den konkrete kliniske sammenhæng. Vi arbejder med systematiske rammer for netop den vurdering, så beslutningstagere kan gennemskue konsekvenserne, før en teknologi tages i brug. Kun løsninger, der er sikre, robuste og retfærdige for alle patientgrupper, hører hjemme tæt på patienten.