Når kunstig intelligens møter lav helsekompetanse – hva skjer da?
tirsdag 10. juni 2025
Vali er eksperter på helseprosjekter i Norge, spesielt innen helseteknologi og nye sykehus. Vårt mål er å forbedre helsetjenesten for pasientene ved å gjøre den tryggere, mer effektiv og bedre tilpasset deres behov. Vi har styrket vår kompetanse innen bruk av KI parallelt med utviklingen. Vår dyktige konsulent Maziar Hervani har nylig levert sin master i helseinformatikk, hvor han har dypdykket i bruk av språkmodeller og KI for å gjøre pasientinformasjon enklere å forstå. Her er et sammendrag:
Dette masterarbeidet har evaluert i hvilken grad store språkmodeller kan støtte nasjonale føringer om pasientsentrert helsetjeneste og økt helsekompetanse ved å gjøre komplisert medisinsk informasjon mer forståelig. Studien ble forankret i Helsedirektoratets mål om at alle pasienter skal ”bli sett og hørt – med ord de forstår” og i overordnede strategier for bruk av kunstig intelligens i norsk helsesektor. Manglende helsekompetanse i befolkningen, dokumentert ved at én av tre nordmenn ligger på et lavt nivå, ble identifisert som et sentralt problem som potensielt kan påføre både individer og helsesystemet betydelige kostnader.
En eksperimentell design ble valgt. Først ble 24 syntetiske legevaktsepikriser innen hjerte-, mage-/tarm- og øre-nese-hals-problematikk utarbeidet av legevaktsleger for å ivareta personvern og samtidig speile reelle kliniske forhold. Deretter ble epikrisene forenklet ved hjelp av GPT-4o, styrt av en iterativt utviklet instruksjon (prompt engineering) som spesifiserte åtte faste avsnitt og krav om forklaring av alle uunngåelige termer. Instruksjonen ble raffinert gjennom flere testrunder for å balansere lesbarhet og medisinsk presisjon.
For å samle vurderinger ble en skreddersydd web-applikasjon etablert med React/Next .js-frontend, MongoDB-database og en Fisher-Yates-basert algoritme som sikret tilfeldig, men jevn fordeling av dokumenter. Totalt ble 44 lekpersoner og 6 leger med akuttmedisinsk bakgrunn rekruttert via bekvemmelighetsutvalg. Deltakerne vurderte hver epikrise mot ti utsagn på en fempunkts Likert-skala, gruppert i forståelse, klarhet, brukervennlighet, opplevd trygghet og generell tilfredshet, mens ekspertene vektla medisinsk nøyaktighet og klinisk anvendbarhet.
Resultatene viste at forståeligheten steg signifikant: forenklede epikriser ble vurdert 1,94 poeng høyere enn originale dokumenter for utsagnet om medisinsk terminologi, og mer enn dobbelt så høyt for klarhet i språket. Tillit til informasjonen økte fra gjennomsnitt 3,13 til 4,55 når tekstene var forenklet, og vurderingene viste lavere spredning, noe som indikerer bred enighet om kvaliteten. Ekspertene bekreftet at medisinsk nøyaktighet i hovedsak ble bevart, men pekte på enkelte utfordringer knyttet til detaljrike hjerte-epikriser der presise tolkninger av spesialiserte målinger krever særlig tydelighet. Kvantitative analyser av ekspertscorer avdekket ingen systematisk tap av klinisk essensiell informasjon, men påpekte at modellene tidvis forkortet differensialdiagnostiske vurderinger.
Det konkluderes med at store språkmodeller styrt av målrettet instruksjonsutforming, kan forbedre pasienters forståelse, trygghet og tilfredshet uten å kompromittere medisinsk presisjon i for stor grad. Betydningen av dette vurderes som spesielt aktuell i en tid hvor helsesektoren gjennomgår en rask digital transformasjon, der kunstig intelligens forventes integrert i både elektroniske pasientjournalsystemer og pasientportaler.
Potensialet for tekstforenkling anses som et kjerneområde der KI kan bidra direkte til nasjonale mål om pasientsentrerte tjenester og styrket helsekompetanse. Gjennom en strategisk og evidensbasert tilnærming forventes KI-drevet tekstforenkling å bli en sentral komponent i fremtidens helse-IT-økosystem, til nytte for både pasienter og klinikere.