KI som diagnostiker på akuttmottaket — et studie i Science
En ny studie publisert i Science denne uken vekker berettiget oppmerksomhet. Forskere fra Harvard, Stanford og Beth Israel Deaconess Medical Center i Boston har systematisk testet OpenAIs o1-preview – den første tekstbaserte modellen med innebygd trinnvis resonnering – mot både standardiserte kasuistikker og reelle akuttpasienter.
Studien evaluerte diagnostiske og behandlingsrelaterte resonneringsevner hos o1-serien ved å sammenligne den med hundrevis av leger og eldre KI-systemer, gjennom seks ulike eksperimenter – inkludert virkelige pasienter ved et større akuttmottak i Massachusetts.
Resultatene er slående. O1-modellen identifiserte riktig eller tilnærmet riktig diagnose i 67,1 % av tilfellene ved initial triagering, 72,4 % under legemøtet på akuttmottaket, og 81,6 % ved innleggelse på medisinsk avdeling eller intensivavdeling. Til sammenligning lå de to legene i studien på henholdsvis 55,3 % og 50,0 % ved initial triagering.
Her er det viktig å løfte frem en kontekstuell nyanse: leger på akuttmottaket har primært fokus på triagering, stabilisering og korrekte akutte tiltak – ikke nødvendigvis på å stille den mest presise endelige diagnosen. Det er i seg selv en spesialisert og krevende oppgave. At KI skårer høyere på differensialdiagnoser i en slik setting, betyr derfor ikke at den gjør legens faktiske jobb bedre – det betyr at den er god på akkurat det den ble testet på: å generere systematiske diagnostiske lister basert på journaltekst.
Referansegruppen på legesiden besto dessuten av kun to leger. Det er et spinkelt sammenligningsgrunnlag, og resultatene sier noe interessant om disse to legene i denne konteksten – men gir begrenset grunnlag for bredere generalisering.
Studien understreker da også selv at systemet ikke er klart til å erstatte menneskelig skjønn i reell klinisk praksis, og at klinisk medisin er «multifacettert og full av ikke-tekstbaserte inndata» – som pasientens stemme, kroppsspråk og billeddiagnostikk.
Det er nettopp her vi bør holde hodet kaldt. O1-preview ble testet på journaltekst alene. Den hørte ikke pasienten, så ikke ansiktsfargen, og fanget ikke den subtile uroen som erfarne klinikere gjenkjenner som magefølelse. Dette er ikke en bagatell – det er en kjernedimensjon i klinisk arbeid.
Likevel er funnene faglig viktige og oppløftende. KI var særlig sterk i den tidligste triageringsfasen, der det foreligger minst informasjon og beslutninger haster mest. Det er nettopp i slike øyeblikk at en rask, systematisk andreoppinion – uten kognitivt press – kan ha reell verdi som beslutningsstøtte for klinikeren.
Studien ble gjennomført med o1-preview i 2024, og bedre modeller er allerede tilgjengelige. Det er en påminnelse om hvor raskt feltet beveger seg – og at potensialet vi ser her sannsynligvis bare vil vokse.
Min konklusjon er at studien peker tydelig i retning av at avansert KI har et reelt potensial som beslutningsstøtte – særlig i tidlig diagnostisk fase og ved komplekse eller uklare presentasjoner. Ikke som en erstatning for klinisk skjønn, men som et verktøy som kan støtte legen der informasjonen er knapp og presset er størst. Det er akkurat den symbiosen vi bør jobbe mot.
Brodeur P et al. Performance of a large language model on the reasoning tasks of a physician. Science 2026. doi: 10.1126/science.adz4433