Dr. Marco V. Benavides Sánchez.
Tänk dig att du fått ett recept som ser ut så här:
“Metoprolol 50 mg c/12 h vo x 7d + amoxicillin 500 mg ttt vo q8h x 10d”
Är det verkligen tydligt vad som ska tas, hur ofta och under hur lång tid? Och vad gäller om receptet innehåller förkortningar, handskrivna anteckningar eller till och med namn på läkemedel som bara används i vissa länder (exempelvis i Sverige)? Denna blandning av olika format och språk kan bli ett säkerhetsproblem – både för patienten och för vårdgivaren.
I en ny studie publicerad 2025 i Artificial Intelligence in Medicine undersöker Natthanaphop Isaradech med kollegor hur AI kan hjälpa till. Med hjälp av stora språkmodeller (Large Language Models, LLM), i synnerhet ChatGPT 3.5, har de lyckats strukturera och förklara på ett mycket tydligare sätt vad recepten säger – och därmed förenkla hela processen.
Problemet: otydliga recept i vårdens domän
I svenska digitala journalsystem (EHR) sparas många läkemedelsordinationer fortfarande som text utan struktur. Detta innebär flera risker:
- Tolkningsproblematik: Förkortningar som “c/12 h” (var 12:e timme) eller symbolen “x” kan missförstås — särskilt om mottagaren inte är van vid dem.
- Variabilitet mellan enheter: I Sverige har vi ofta ett tydligare system för förkortningar, men variationer finns ändå – särskilt vid internationella samarbeten.
- Risk för felmedicinering: Bristande tydlighet kan få allvarliga konsekvenser.
Att automatiskt utvinna detaljer som läkemedelsnamn, dosering, administrationssätt och behandlingslängd är därför av mycket stort värde för att förbättra patientsäkerheten och informationsflödet.
Genomförande: två AI-verktyg med tydlig nytta
Forskarna använde två metoder med sin AI:
- Named Entity Recognition (NER)
– Här ska AI:n identifiera medicinens namn, dos, administrationsväg, frekvens, behandlingslängd osv. - Text Expansion (EX)
– Modellen omvandlar förkortningar till fullständiga instruktioner: från “t.ex.” till “tas per oralt varannan timme under 10 dagar”.
De testade både “zero-shot” (ingen exempeldata) och “few-shot” (få exempel), och använde 100 manuellt annoterade preskriptionstexter. Genom precision, recall och F1-score utvärderades AI:ns förmåga – och resultaten var överraskande bra.
Resultaten: en succé som öppnar dörrar
- NER-prestanda: Med en väl utformad prompt nådde modellen en stark F1-score på 0,94 – vilket innebär snabb, korrekt identifiering av all relevant information.
- EX-prestanda: Med few-shot-optimering nåddes en F1-score på 0,87, vilket är långt över det som brukar klassas som ”bra” inom språkteknologi.
En extra bonus: few-shot-strategin tydligt minskade antalet fel (“AI-hallucinations”) – något som alltid måste undvikas inom vården. Modellerna dök upp med felaktig information, men med exempel blev de mycket säkrare.
Dessutom jämförde forskarna ChatGPT 3.5 med nyare modeller – som ChatGPT 4o, Gemini 2.0 Flash, MedLM‑1.5‑Large och DeepSeekV3 – och såg att flera av dessa presterade ännu bättre, särskilt inom NER och EX.
Varför det spelar roll – även i Sverige
- Ökad patientsäkerhet
Tydliga ordinationer minskar risken för misstolkningar och felmedicinering – något som gynnar hela vårdkedjan. - Effektivisering av vårdprocesser
Digitala rutiner kan bli snabbare, när AI automatiskt tolkar och strukturerar recept – i stället för att en sjuksköterska eller farmaceut måste ringa tillbaka för förtydliganden. - Nationell standardisering
Tolkade och strukturerade data kan lättare delas över organisationsgränser – kommun, landsting och privata kliniker. - Framtida forskningsmöjligheter
Med mer data i strukturerad form kan AI övervaka läkemedelsanvändning, följa biverkningar och identifiera nya behandlingsmönster.
Etiska och tekniska aspekter att beakta
- Sekretess och GDPR:
Journaldata är extra känsliga. AI-lösningar måste uppfylla höga krav på anonymisering, dataskydd och patientintegritet. - AI:s “hallucinationer”:
Modellen måste vara extremt pålitlig – det räcker inte med att den fungerar bra 9 av 10 gånger. Något så kritiskt som fel dos eller fel läkemedel kan vara livsfarligt. - Behov av mänsklig granskning:
AI:n är ett stöd, inte ett beslutande verktyg. En läkare eller farmaceut måste alltid ha sista ordet – särskilt vid äldre patienter, pediatriska fall eller patienter med flera samtidiga sjukdomar. - Modeller måste uppdateras:
Nya ordböcker, läkemedel och protokoll ständigt utvecklas. AI:n måste därför uppdateras löpande för att fungera säkert och korrekt.
Vägen framåt: från teori till praktik i svensk vård
- Pilotprojekt i klinisk miljö:
Testa i utvalda vårdcentraler eller på akuten där många korta förkortningar förekommer. Utvärdera hur mycket tid som sparas, samt hur ofta patientdialog behövs. - Utökning av användningsscenario:
AI:n kan tränas att göra mer – som att föreslå ICD-10-klassificering, Alara-/ATC-koder eller kontrollera interaktion med andra läkemedel. - Specialisering mot vårdområden:
Modeller som BioBERT, MedLM och DeepSeek är redan inriktade på medicinsk text. Dessa kan komplettera de generella grundmodellerna (GPT-serier) och fungera som expertnätverk i vårt system. - Nationellt samarbete:
Sveriges E-hälsomyndighet kan driva arbetet vidare, standardisera AI-implementationen och säkerställa att alla regioner följer samma etiska och tekniska riktlinjer.
Slutsats
Studien visar på en spännande framtid där AI aktivt bidrar till tryggare och mer effektiv vård. Genom att ge tydliga och strukturerade instruktioner från textrecept som traditionellt är inkonsekventa och svårtydda, finns möjlighet att:
- Minska felmedicinering
- Öka patientsäkerheten
- Frigöra värdefull tid för vårdpersonal
- Skapa förutsättningar för utbildning och forskning
Med svenskt perspektiv kan denna teknik bidra till att stärka vår ambition om en jämlik, digitaliserad och patientsäker vård – där varje patient får rätt medicin i rätt tid, varje gång.
Referenser
- Isaradech, N., Riedel, A., Sirikul, W., Kreuzthaler, M., & Schulz, S. (2025). Zero‑ and few‑shot Named Entity Recognition and Text Expansion in medication prescriptions using large language models. Artificial Intelligence in Medicine, 103165. https://doi.org/10.1016/j.artmed.2025.103165
#ArtificialIntelligence #Medicine #Surgery #Medmultilingua
Lämna ett svar