Hvor ville AI hjælpe patienterne mest? Ingen ved det

Alle taler om kunstig intelligens (AI) i sundhedsvæsenet. Politikere lover digital transformation, investorer satser milliarder, og hospitalsledelser konkurrerer om at annoncere AI-projekter. Men midt i begejstringen er der et spørgsmål, som ingen besvarer systematisk: Hvor ville AI faktisk hjælpe patienterne mest?

Spørgsmålet kan virke banalt. Det er det ikke. I dag styres udviklingen af AI i sundhed af to kræfter: markedet og tilfældigheder. Kommercielle aktører udvikler produkter, hvor der er penge at tjene. Initiativrige klinikere bygger løsninger inden for deres eget felt. Resultatet er en massiv skævvridning.

Af alle godkendte AI-baserede medicinske enheder hos FDA udgør radiologi 76-81% [1]. Kardiologi følger med ca. 10%, neurologi med 3%. Det endokrine system, trods diabetes' globale sygdomsbyrde, optager 0,7%. Forklaringen er ikke, at radiologiske patienter har størst behov. Forklaringen er, at radiologi har store, standardiserede billeddata, der er velegnede til maskinlæring og en regulatorisk godkendelsesvej designet til trinvis produktudvikling. Af 736 unikke FDA-godkendte AI-enheder brugte 84,4% medicinske billeder som kernedata og kun 0,4% strukturerede data fra elektroniske patientjournaler [1], som er den datatype, der er mest relevant for almen medicin, kronisk sygdomshåndtering og folkesundhed.

Imens udgør psykiske lidelser 32% af de globale leveår med funktionsnedsættelse, den største enkeltfaktor i den globale sygdomsbyrde, men området er næsten fraværende blandt godkendte AI-enheder. Almen medicin håndterer størstedelen af patientkontakterne, men har praktisk talt ingen dedikeret AI-udvikling. Forebyggelse og rehabilitering forbliver kommercielt uattraktive trods enormt potentiale. Dynamikken er selvforstærkende: De data, der bruges til at træne AI, favoriserer individer, der allerede er i kontakt med sundhedsvæsenet, mens investeringer kanaliseres mod værktøjer, der øger kommercialisering snarere end forebyggelse.

Problemet forværres af, at kvaliteten af den AI, der udvikles, sjældent lever op til kliniske krav. Liu et al. gennemgik i Lancet Digital Health over 20.500 AI-studier inden for medicinsk billeddannelse og fandt, at færre end 1% opfyldte kvalitetskrav for klinisk ibrugtagning [2]. Op mod 80% af AI-projekter i sundhedsvæsenet når aldrig ud over pilotfasen. Markedet producerer altså massivt inden for et snævert felt, og selv der er kvaliteten utilstrækkelig.

I Danmark indviede man CAISA, Det Nationale Center for AI i Samfundet, i maj 2025 med 95,7 mio. kr. i statslig bevilling [3]. Centrets ti ledende forskere repræsenterer datalogi, statskundskab, antropologi og sprogteknologi. Ikke en eneste sundhedsforsker sidder i ledelsen. Som det er blevet påpeget i Uniavisen, brugte alle talere ved åbningen eksempler fra sundhedssektoren til at illustrere AI's potentiale, men sundhedsfaglige forskere var ingen steder at se [4]. CAISA beskriver sig selv som potentielt »AI's version af Statens Serum Institut«, men centrets forskningsnotater handler om chatbots i offentlig forvaltning og digital suverænitet, ikke om kliniske anvendelser.

Danmark mangler ikke AI-initiativer. Tværtimod. Den Digitale Taskforce for Kunstig Intelligens har afsat 267 mio. kr. til tre storskalaprojekter fra 2026: automatiseret dokumentation, digitale assistenter og borgervendte chatbots. Regionerne har etableret AI-netværk for erfaringsudveksling: TRAIN og RAIN. CAI-X ved Odense Universitetshospital arbejder med klinisk AI-implementering. Digital Sundhed Danmark forberedes som national infrastrukturorganisation. Pioneer Centre for AI bedriver grundforskning. Digitaliseringsstyrelsen har finansieret 40 signaturprojekter.

Men ingen af disse institutioner har til opgave at besvare det grundlæggende spørgsmål: Hvor i sundhedsvæsenet ville AI skabe størst værdi for patienterne? Taskforcen skalerer kendte løsninger. Netværkene udveksler erfaringer. CAI-X er bundet til ét hospital. CAISA beskæftiger sig med samfundsmæssig styring, ikke klinisk prioritering. Resultatet er mange parallelle spor uden fælles retning.

Observationen er ikke ny. Danish Comprehensive Cancer Center (DCCC) konstaterede i sin rapport om klinisk AI på kræftområdet, at der er behov for en samlet national strategi, der kobler behovskortlægning med konkret implementering [5]. Anbefalingen blev aldrig omsat til handling. Intet land har i øvrigt hidtil bygget det, Danmark mangler. NHS AI Lab i England blev kritiseret for skiftende mål og systemisk fejltilpasning. Sveriges Vårdkartan har kortlagt eksisterende AI-projekter, men ikke uopfyldt klinisk behov. Finlands Digi-HTA evaluerer AI-løsninger, men identificerer ikke, hvor nye bør udvikles. USA's CHAI-koalition standardiserer praksis, men prioriterer ikke klinisk.

Danmark har forudsætningerne for at gøre det som første land. CPR-systemet, nationale sundhedsregistre i verdensklasse, et universelt offentligt finansieret sundhedsvæsen, stærke traditioner for klinisk konsensus (DMCG'er) og den højeste andel af virksomheder med AI-anvendelse i EU (28% i 2024) skaber tilsammen optimale betingelser.

Den organisation, der mangler, er hverken et forskningscenter, et reguleringsorgan eller en infrastrukturenhed. Den skal have ét mandat: at kortlægge kliniske behov systematisk på tværs af alle specialer, patientgrupper og regioner og identificere, hvor AI ville skabe størst patientværdi pr. investeret krone, uafhængigt af kommercielt potentiale. Konkret bør organisationen samle klinikere, patienter og forskere i systematiske behovsanalyser inden for hvert klinisk domæne, etablere en prioriteringsmetodik, der vejer sygdomsbyrde, behandlingseffekt og implementerbarhed mod hinanden, udpege områder, hvor offentlig investering er nødvendig, fordi markedet ikke leverer, og fungere som bindeled mellem klinisk behov og AI-udviklingsmiljøer.

Parallellen til lægemiddelindustrien er slående. Før den amerikanske Orphan Drug Act i 1983 fandtes kun ti godkendte lægemidler til sjældne sygdomme, fordi markedet alene ikke kunne drive udviklingen. I dag står vi over for et tilsvarende markedssvigt i sundheds-AI: uden systematisk behovsidentifikation vil de kliniske områder, der har størst behov, men mindst kommerciel appel, forblive forsømt.

Uden denne organisation gentager vi et velkendt mønster: store investeringer, mange parallelle projekter og en fordeling af ressourcer, der styres af, hvad der er teknisk og kommercielt bekvemt, ikke af, hvad patienterne har brug for. Spørgsmålet »Hvor ville AI hjælpe mest?« fortjener et systematisk svar. Danmark kan levere det.