Medicinsk Assistance & Dokumentation

Medicinsk assistance og dokumentation dækker brug af sprogmodeller som støtte til sundhedsfagligt tekstarbejde. Det er journalnotater, epikriser, udskrivningsresuméer, forslag til diagnosekoder, litteratursøgning og udkast til patientinformation. Fællesnævneren er, at et menneske med fagligt ansvar læser og godkender output, før det får konsekvenser.

Grænsen mod nabo-use-cases går ved autonomi og formål. En model, der omskriver en konsultation til et struktureret notat, ligger inden for. En model, der selvstændigt fastsætter diagnose, dosis eller behandlingsforløb, hører til en anden kategori og reguleres som medicinsk udstyr.

Patientvendte chatbots hører også hjemme et andet sted. Når der ikke sidder en kliniker mellem model og modtager, ændrer risikoprofilen sig fundamentalt, og både designkrav og dokumentationskrav bliver anderledes.

En typisk dokumentationsløsning består af fire led. Først optagelse og transskription af samtalen med en ASR-model, gerne med speaker diarisation. Derefter en sprogmodel, der omsætter den rå transskription til et struktureret notat efter en fast skabelon. Til sidst en review-flade, hvor klinikeren ser forslaget side om side med kilden og retter, før noget skrives til journalsystemet.

Til kodning og litteraturarbejde kommer et retrieval-led ind. Modellen får ikke lov til at genkalde ICD-10-koder eller retningslinjer fra vægten, men slår op i en kontrolleret kilde og vælger blandt de kandidater, opslaget returnerer. Det er den samme RAG-mekanik som andre steder, men med et snævrere og bedre vedligeholdt indeks.

Kvaliteten afgøres mest af tre ting. Hvor rent inputtet er, hvor stramt skabelonen er defineret, og hvor let det er for klinikeren at se, hvad der er belæg for. Modelvalget betyder mindre end de fleste antager. Claude Sonnet 5 er ofte tilstrækkelig til rutinenotater i høj volumen, mens Claude Opus 5 eller GPT-5.6 Sol giver mere robuste sammenfatninger af lange, komplekse forløb.

Den alvorligste fejltype er ikke tydelig vrøvl, men plausibel udfyldning. Når en skabelon har et felt til allergier eller aktuel medicin, og samtalen ikke nævner emnet, har modellen en tilbøjelighed til at skrive noget alligevel. Negationer er en beslægtet svaghed: "ingen brystsmerter" bliver til "brystsmerter" oftere end fejlraten på almindelig tekst antyder.

Fejl fra transskriptionen forplanter sig usynligt. Præparatnavne, enheder og tal er præcis det, ASR-modeller er dårligst til, og sprogmodellen normaliserer gerne en forkert dosis til noget, der ser rimeligt ud. Uden mulighed for at høre lyden igen eller se den rå tekst kan klinikeren ikke fange det.

Automation bias er reelt og målbart. Et velformuleret notat bliver læst mindre kritisk end et rodet, og godkendelsestrykket bliver rutine efter få uger. Det er derfor review-fladen betyder mere for patientsikkerheden end modellens benchmark-score.

Endelig er evaluering svær, fordi der ikke findes ét korrekt notat. To erfarne læger skriver forskelligt om samme konsultation, og det gør det vanskeligt at måle, om systemet bliver bedre eller bare mere ensartet.

Helbredsoplysninger er særlige kategorier efter GDPR artikel 9, og behandling kræver et selvstændigt hjemmelsgrundlag. I praksis betyder det databehandleraftale med leverandøren, dokumenteret behandlingsgrundlag og en konsekvensanalyse, før første patient bliver berørt.

Placering af data er ikke et teknisk detaljespørgsmål. Kører modellen uden for EU, skal overførselsgrundlaget kunne holde, og mange danske regioner og kommuner vælger derfor EU-hostede endpoints eller lokal drift.

Selve klassificeringen af løsningen fortjener tidlig afklaring. Ren dokumentationsstøtte falder normalt uden for MDR, mens noget, der præsenteres som beslutningsstøtte, hurtigt kan blive til medicinsk udstyr med krav om CE-mærkning. Formuleringen i brugerfladen kan i sig selv flytte produktet fra den ene kategori til den anden.