Et stort steg nærmere trygg og enkel anonymisering av journaldata

Anonymisering av pasientjournaler er et av de store hindrene for å kunne bruke helsedata til forskning i stor skala. Lovverk som GDPR og Helseregisterloven setter strenge krav – med god grunn – men konsekvensen er ofte at datadeling blir vanskelig, ressurskrevende og lite tilgjengelig for mindre forskningsmiljøer. Den nylig publiserte studien “Deidentifying Medical Documents with Local, Privacy-Preserving Large Language Models” i NEJM AI markerer derfor et viktig gjennombrudd.

Forskere ved TU Dresden har utviklet et verktøy kalt LLM-Anonymizer, som bruker åpne, lokalt kjørbare språkmodeller (LLMs) til å fjerne personidentifiserbar informasjon fra fritekst i medisinske dokumenter. Verktøyet er gratis, krever ingen programmeringskunnskap og kan kjøres på lokal maskinvare – altså en lavterskel-løsning med stor praktisk nytteverdi. Kildekoden er tilgjengelig på GitHub, og selve artikkelen kan leses her (betalingsmur).

Modellen som presterte best i studien – Llama-3 70B – klarte å anonymisere 99,24 % av personidentifiserende teksttegn. Den bommet på kun 0,76 %, og fjernet samtidig 2,43 % tekst som ikke var nødvendig å fjerne. Dette er imponerende tall, og langt bedre enn mange eksisterende kommersielle verktøy. Samtidig må det nevnes at modellen fortsatt feiler på enkelte punkter, særlig når det gjelder små feil i navn (f.eks. stavefeil i originale tekster), og det forekommer altså falske positiver – der informasjon som ikke er sensitiv, blir fjernet unødvendig.

Et viktig, men underdiskutert poeng i artikkelen, er faren for at tekst kan bli utilsiktet endret når man bruker språkmodeller. I jakten på å identifisere og fjerne sensitiv informasjon, risikerer man at betydningen av enkelte setninger endres. Det kan være et problem når tekstene skal brukes til forskningsformål der presisjon er avgjørende. Dette aspektet nevnes ikke eksplisitt i studien, men bør definitivt være et tema for videre forskning og forbedring av pipeline.

Likevel representerer dette et klart gjennombrudd. Et lokalt, åpent og effektivt anonymiseringsverktøy som fungerer godt uten behov for stor teknisk kompetanse, kan være et viktig steg mot mer tilgjengelig og rettferdig medisinsk forskning. Samtidig minner det oss om at selv de beste automatiserte løsningene fortsatt trenger manuell kontroll og kritisk vurdering – i hvert fall for nå.

Kunstig intelligens i allmennpraksis: Lavthengende frukt eller transformativ endring?

Et nylig dansk studie av Jørgensen et al. (2025) undersøker forutsetningene for kunstig intelligens (KI) i allmennpraksis gjennom intervjuer med fastleger. Studien identifiserer fire hovedbetingelser for at fastleger skal se nytteverdi i KI:

1. KI må begynne med lavthengende frukt – altså enkle, ikke-kritiske oppgaver.
2. KI må være meningsfull i fastlegens arbeid – den må løse reelle problemer i hverdagen.
3. Legens forhold til pasienten må opprettholdes – pasientinteraksjonen må ikke svekkes.
4. KI må være en fri, aktiv og integrert del av EPJ – den må fungere sømløst i eksisterende systemer.

Les hele studien her

Hva betyr dette i praksis?

Studien peker på at KI først bør anvendes på administrative og rutinemessige oppgaver – ikke som en direkte erstatter for medisinsk vurdering. Dette kan innebære automatisk dokumentasjon, støtte i kodingsarbeid eller organisering av konsultasjoner.

I Norge har vi allerede sett en lignende utvikling, spesielt med transkripsjonsteknologi i pasientjournaler. Basert på egne, upubliserte data ser vi at dette er til stor hjelp for leger som benytter det. Likevel reiser dette en viktig problemstilling: Hvordan påvirker denne teknologien legerollen og interaksjonen med pasientene?

KI som en transformativ kraft

Det er lett å betrakte ny teknologi som enten en mirakelløsning eller en trussel. Sannheten er at ingen banebrytende teknologi er utelukkende positiv eller negativ – den er transformativ. Den endrer grunnleggende hvordan vi arbeider, kommuniserer og samhandler med pasientene. Dersom vi ikke reflekterer over hvordan dette skjer, risikerer vi å innføre teknologi som utilsiktet svekker legerollen fremfor å styrke den.

Veien videre

For å sikre at KI blir et reelt gode for allmennmedisin, må vi kontinuerlig evaluere teknologiens påvirkning på pasientforholdet og legens autonomi. Danske fastleger har rett i at KI må være meningsfull og integrert – men vi må også være bevisste på at implementeringen ikke stopper der.

Det sentrale spørsmålet er ikke bare hva KI kan gjøre for oss, men hvordan det endrer oss som leger.

Når raskere ikke alltid er bedre: NLP og responstid i helsetjenesten

Den nylig publiserte artikkelen i NEJM AI diskuterer hvordan bruk av naturlig språkprosessering (NLP) i e-konsultasjoner kan redusere responstid i helsetjenesten. Dette er en spennende utvikling, men som med alle teknologiske fremskritt i medisinen, er det viktig med en kritisk vurdering av både fordeler og ulemper.

Les artikkelen her: NEJM AI

Responstid – en tveegget sverd

Fra min egen erfaring med e-konsultasjoner ser jeg at rask responstid ikke alltid er en fordel. På den ene siden er det positivt at pasienter får raskere svar, noe som kan redusere usikkerhet og øke tilfredshet. På den andre siden medfører lavere terskel for kontakt at flere mindre alvorlige henvendelser blir registrert – tilstander som kanskje ville gått over av seg selv. I allmennmedisin er tid ikke bare en flaskehals, men også et diagnostisk verktøy. Mange symptomer utvikler seg over tid, og en ukritisk akselerering av pasientflyten kan bidra til økt belastning på helsetjenesten uten at den medisinske gevinsten står i stil.

Fanger NLP opp de akutte tilfellene?

En annen bekymring er hvordan slike systemer håndterer hastegrad. Klarer NLP-algoritmene å fange opp pasienter med akutte tilstander som egentlig burde ringt 113? Feilprioritering kan potensielt ha alvorlige konsekvenser, og det er avgjørende å evaluere systemets evne til å identifisere kritiske tilstander. Artikkelen gir interessante data på responstid, men det er uklart hvordan kvaliteten på vurderingene påvirkes. Vi trenger grundige studier som ser på feilrater og kliniske utfall.

Rasekategorisering – en unødvendig skjevhet?

Til slutt en kommentar om studiens populasjonsdata. Tabell 1 viser igjen hvordan amerikanske studier kategoriserer pasienter etter rase. Dette er et kontroversielt tema, ettersom slike inndelinger ofte introduserer bias i analysen snarere enn å gi reell innsikt. Biologisk sett er de fleste sykdommer påvirket av genetikk, miljø og sosioøkonomiske faktorer heller enn de brede kategoriene som ofte benyttes i amerikansk forskning.

Avsluttende tanker

Samlet sett er NLP et lovende verktøy for å forbedre effektiviteten i helsetjenesten, men vi må stille de riktige spørsmålene:

• For hvem fungerer det best?
• Hva taper vi i prosessen?
• Hvordan sikrer vi at teknologi ikke forsterker eksisterende problemer i helsetjenesten?