I den kliniske hverdag skal behandlere navigere i et stort antal faglige retningslinjer og behandlingsvejledninger. For især mindre erfarne klinikere kan det være nødvendigt løbende at slå op i vejledningerne for at sikre, at deres vurderinger og beslutninger følger gældende praksis.

Denne opslagsproces kan imidlertid være vanskelig at gennemføre hurtigt og korrekt, fordi kliniske beslutninger ofte skal træffes under tidspres – f.eks. i forbindelse med ambulante konsultationer. Det skaber risiko for, at patienterne ikke modtager en behandling, der lever fuldt ud op til de nødvendige kliniske anbefalinger.

De studerende skal derfor arbejde med følgende centrale udfordring:

Hvordan kan klinikere – særligt dem med mindre erfaring – understøttes i hurtigt, let og korrekt at anvende relevante behandlingsvejledninger gennem algoritme- og AI-baserede løsninger, så kvaliteten og sikkerheden i patientbehandlingen styrkes?

Baggrund

Baggrunden for casen er et kendt behov i klinisk praksis: Kliniske behandlingsvejledninger er ofte lange, teksttunge og rummer mange forskellige behandlingsmuligheder og vurderinger, som klinikeren skal foretage ud fra patientens oplysninger. Samtidig har klinikere ofte brug for hurtigt og sikkert at kunne finde frem til netop de behandlingsforslag, der er relevante i den konkrete situation. Det kan være svært med vejledninger, der primært er skrevet i løbende tekst og kræver tolkning og overblik.

I Steno Diabetes Center Copenhagen har vi afprøvet en Retrieval-Augmented Generation (RAG)-baseret chatbot, som kan hente information direkte fra behandlingsvejledninger om diabetes, når klinikeren stiller spørgsmål. Erfaringerne har været positive, men generativ AI kan give små variationer i svarene – også når samme spørgsmål stilles flere gange. Det udfordrer behovet for konsistente og fagligt sikre kliniske svar.

Derfor ønsker vi at undersøge, om symbolsk AI kan være med til at skabe større stabilitet og forudsigelighed i et klinisk beslutningsstøttesystem. Et centralt element i casen er netop at finde metoder til nemt og hurtigt at kunne oversætte tekstbaserede behandlingsvejledninger til strukturerede, regelstyrede modeller, f.eks. i form af behandlingsalgoritmer.

En mulig tilgang er at anvende Dynamic Condition Response (DCR) grafer til at modellere beslutningslogikken i behandlingsvejledningerne. DCR-grafer er blot én af flere potentielle metoder, men fælles for sådanne teknikker er idéen om at bygge en mere fast og gennemskuelig “motor”, som et AI-system kan anvende til at levere konsistente, transparente og fagligt sikre svar. Denne strukturerede “motor” kan bagefter bruges som fundament for et LLM-baseret interface, der giver klinikerne forståelige og handlingsorienterede svar.

Samtidig er det nødvendigt at se løsningen i en bredere teknisk sammenhæng, hvor der også indgår centrale IT-arkitektur-overvejelser, så et fremtidigt system kan fungere robust i praksis og understøtte de kliniske arbejdsgange på en sikker og effektiv måde.

Hvis det lykkes at udvikle en løsning, der kombinerer strukturerede beslutningsmodeller med AI-understøttelse, og som leverer stabile, ensartede og patientsikre svar, kan teknologien på sigt blive et værdifuldt redskab for klinikere – og potentielt integreres tættere med elektroniske patientjournalsystemer.