AI i sundhedsvæsenet: Diagnosen er rigtig – behandlingen forkert

Jimenez-Solem stiller i Ugeskrift for Læger 2. marts 2026 et helt centralt spørgsmål: Hvor ville AI hjælpe patienterne mest? Hans diagnose af markedskræfternes skævvridning er rammende. Men hans konklusion, at ingen i Danmark arbejder systematisk med at identificere de kliniske behov, hvor AI kan skabe størst patientværdi, rammer forbi.

De seneste mange år har vi opbygget netop den type tværfaglige klinisk forankrede miljøer, som efterlyses.

Som radiolog er undertegnede (BSBR) den første til at anerkende, at vores speciale er massivt kommercielt repræsenteret i AI-udviklingen. FDA-tallene kan diskuteres i forhold til overførbarhed til den europæiske kontekst, men tendensen genkender vi. Netop derfor er radiologi et godt eksempel på, hvad der sker, når teknisk modenhed og kommerciel interesse driver udviklingen mere end kliniske behov.

Når Jimenez-Solem efterlyser en organisation, der kortlægger kliniske behov systematisk på tværs af specialer, patientgrupper og regioner, beskriver han præcist den opgave, som flere danske centre allerede arbejder med – endnu kun regionalt og uden nationalt mandat. Odense Universitetshospital og Syddansk Universitet har i fællesskab etableret tre forsknings- og innovationscentre – Centre for Clinical Artificial Intelligence (CAI-X), Centre for Innovative Medical Technology (CIMT) og Centre for Clinical Robotics (CCR), hvor klinikere definerer problemet, data scientists og ingeniører udvikler og vurderer, om teknologien overhovedet er det rette svar. Implementeringskonsulenter samt sundhedsøkonomer sikrer, at løsningen kan forankres sikkert i en klinisk hverdag.

Det afgørende er ikke blot centrenes eksistens, men den model, de er organiseret omkring. CAI-X bygger på en systematisk og formel kobling mellem klinikken fra Odense Universitetshospital og det Sundhedsvidenskabelige Fakultet på Syddansk Universitet og ingeniører og dataforskere fra bl.a. Mærsk Mc-Kinney Møller Institut og Institut for Matematik og Datalogi. Denne kobling er strukturelt forankret i fælles ledelse, fælles forskningsstrategier og fælles prioritering på tværs af kliniske specialer [1]. Dette underbygges af tilstedeværelsen af de tre forfattere til dette indlæg.

Et perspektiv, som kronikken ikke berører tilstrækkeligt, er implementeringsbarriererne: Selv teknisk modne løsninger »støder« på kliniske arbejdsgange, regulatoriske krav og organisatorisk kompleksitet. Regulatorisk godkendelse er ikke ensbetydende med klinisk validering. Og AI er ikke altid det rette svar – teknologien er ressourcekrævende at udvikle, validere og drifte, og gevinsten er langtfra garanteret. I CAI-X og CIMT er der udviklet en evalueringsramme, der vurderer, om den kliniske problemstilling er tilstrækkeligt belyst, og om AI er det bedst egnede redskab sammenlignet med f.eks. ændret arbejdsgange eller klassisk statistik, og om løsningen kan driftes fagligt, organisatorisk og økonomisk [2]. Det er i praksis en »svarmaskine« på Jimenez-Solems spørgsmål: Hvor vil AI hjælpe mest – og hvornår skal vi lade være?

Vi deler analysen af, at der mangler en national koordinerende funktion. Men der, hvor vi adskiller os, er i svaret på, hvordan den bør se ud. Implementering af AI er ikke en uniform øvelse. Den foregår i konkrete ambulatorier, afdelinger og kommuner med lokale arbejdsgange, IT-miljøer, patientgrupper og faglige kulturer. Og her lader den kliniske kontekst sig svært centralisere i én national organisation.

Det, der derimod kan centraliseres, er principperne for behovsidentifikation, metoderne til prioritering og kravene til dokumentation og evaluering.

I Danmark er vi allerede i gang. Vi har miljøer, metoder og erfaringer, der adresserer præcis den opgave, der efterlyses [3]. Derfor er næste skridt ikke at opbygge endnu en ny national organisation løsrevet fra klinikken, men at give de eksisterende klinisk forankrede centre – som CAI-X og Radiological Artificial Intelligence Testcenter i Region Hovedstaden – et klart nationalt mandat til at gennemføre systematiske behovsanalyser på tværs af specialer og regioner og anvende fælles evalueringsrammer til at vurdere, hvor AI giver mest patientværdi pr. investeret krone. Derved sikrer vi, at nye løsninger udvikles, afprøves og implementeres dér, hvor kliniske behov, den teknologisk egnethed og den organisatoriske virkelighed faktisk mødes.