AI i helsesektoren: Norske prosjekter i front

🤖 Artikkelen er utarbeidet ved hjelp av kunstig intelligens (ChatGPT) og kan inneholde feil.

Kunstig intelligens (KI) er i ferd med å endre hvordan vi forebygger, diagnostiserer og behandler sykdom i Norge. Presset på helsetjenestene øker, samtidig som vi har knapphet på helsepersonell og behov for mer treffsikre, likeverdige tjenester. I denne artikkelen gir vi en oppdatert oversikt over de viktigste utviklingstrekkene og AI-prosjektene i norsk helse – med vekt på hva som faktisk skjer i klinikken, hva som ligger i forskningsfronten, og hvilke grep som må til for at AI helse Norge skal bli trygt og nyttig for pasienter og fagfolk.

Myndighetene har de siste årene konkretisert retningen for trygg innføring av KI. Helsedirektoratet publiserte i 2025 både en felles KI-plan for helse- og omsorgstjenestene og en risikorapport om store språkmodeller i helsesektoren, med anbefalinger om tilpasning til norske forhold, styring av risiko, og prioriterte bruksområder som klinisk dokumentasjon, beslutningsstøtte og pasientkommunikasjon.

Status i 2025: Fra pilot til produksjon

Flere norske miljøer har gått fra pilotprosjekter til reell klinisk bruk. Oslo universitetssykehus meldte i februar 2025 at den første KI-modellen for radiologisk vurdering ble testet som del av klinisk produksjon ved Klinikk for radiologi og nukleærmedisin – et viktig steg på vei mot bredere, trygg implementering i sykehusdrift (OUS: KI i radiologisk vurdering).

Innen kreftscreening har Norge vært langt fremme med KI-støttet mammografi. Studier fra Kreftregisteret/BreastScreen Norway viser at kommersielle KI-systemer (f.eks. Transpara) kan identifisere en svært høy andel av krefttilfeller og støtte radiologers tolkning – særlig hos kvinner med høy brysttetthet (AI i BreastScreen Norway (2023), Tetthet og KI-ytelse (2024)). Dette peker mot mer treffsikre og likeverdige screeningløp – med forbehold om lokal validering og kvalitetskontroll.

Norske flaggskip – prosjekter som driver utviklingen

1) Midt-Norge: Digital patologi, KI-hub og persontilpasset kreftbehandling

Helse Midt-Norge og St. Olavs hospital/NTNU har de siste årene satset tungt på KI i patologi og onkologi. Prosjektet AICAN utvikler KI-modeller basert på digitale vevsprøver for bryst- og lungekreft, med mål om mer persontilpasset behandling. Programvaren FastPathology gjør modellene tilgjengelige for forskere og klinikere (Helse Midt: KI mot kreft, Dagens Medisin om AICAN). I 2025 ble det også lansert planer om en felles KI-helsehub i Midt-Norge for å samle kompetanse, akselerere implementering og støtte klinikkene når KI-løsninger tas i bruk (St. Olav: KI-satsing).

2) Helse Vest/Helse Bergen: Radiologi, patologi og e-helse

I vest har flere initiativ beveget seg fra forskning til implementering. Helse Bergen rapporterer om AI supported services for image diagnostics (ASIS) og oppfølging av prosjekter for KI-støtte i patologi (Helse Bergen – forskningsnyheter, Helse Vest: oppfølgingsprosjekter). I tillegg utvikles og evalueres digitale behandlingsløp i psykisk helsevern, hvor KI kan brukes for å forutsi hvem som risikerer å avbryte nettbasert behandling slik at oppfølging kan målrettes (Forhelse: eMeistring/AI).

3) Radiologi nasjonalt: Fra retningslinjer til praksis

Regionene har kartlagt behov og tilrettelegging for KI i radiologi – blant annet gjennom prosjekter som peker på infrastruktur, arbeidsflyt og kvalitetssikring som suksessfaktorer for å lykkes (Helse Nord: KI i radiologi (rapport)). Resultatet ser vi i nye piloter og gradvis innfasing i klinikk – fra OUS til flere helseforetak.

4) Språkmodeller og journalnære oppgaver

Store språkmodeller (LLM) kan forenkle journalarbeid, triage og pasientkommunikasjon – hvis de tilpasses norske språk- og personvernkrav. Helsedirektoratets analyser peker på at norsktilpassede modeller, styring av risiko og tydelig rolleavklaring er nøkkelfaktorer før bred innføring (Store språkmodellar i helsetenesta og tilpasning til norske forhold).

Hva betyr dette for pasienter og helsepersonell?

• Raskere og mer treffsikre diagnoser: KI-støtte i radiologi og patologi kan peke ut mistenkelige funn, prioritere saker og bidra til jevnere kvalitet. Mammografi-forskningen viser at KI kan fange opp tilfeller som ellers overses – forutsatt god kvalitetssikring (BreastScreen-studier).
• Avlastning i dokumentasjon: Språkmodeller kan foreslå strukturerte notater, utkast til epikriser og standardiserte brev – men må brukes med tydelig menneskelig kontroll og sporbarhet (Helsedirektoratet LLM-rapport).
• Mer persontilpasset behandling: I kreftfeltet brukes KI til å koble vevsbilder, genomikk og kliniske data for bedre prognoser og behandlingsvalg (Helse Midt).
• Bedre pasientopplevelse: KI kan justere språk og forklare komplekse begreper, samt forutsi hvem som trenger tettere oppfølging i digitale behandlingsløp (Forhelse).

Utfordringer: kvalitet, etikk og styring

AI i helsetjenesten må være trygg. Det betyr dokumentert klinisk nytte, robuste evalueringer, og at helsepersonell beholder ansvaret for beslutninger. De største risikopunktene er:

• Hallusinasjoner og bias: Språkmodeller kan presentere plausible, men gale svar; bilde-KI kan trenes på datasett som ikke representerer norske pasienter godt nok.
• Personvern og datadeling: Journalnære bruksområder krever meget strenge krav til tilgang, logging og norske/Europeiske skytjenester. Helsedirektoratet anbefaler stegvis innføring, med klare risikoreduserende tiltak (Felles KI-plan).
• Kompetanse og kapasitet: Kliniske miljøer trenger tid og støtte for å teste, validere og drifte KI i praksis – samt klare avtaler om vedlikehold og ansvar.

Slik bygger vi «AI helse Norge» – fem konkrete byggesteiner

1. Validering i norsk klinikk: Hver modell må testes på lokale data og arbeidsflyter (f.eks. OUS-piloten for radiologi). Dokumentasjon av gevinst og risiko må være etterprøvbar (OUS).
2. Norsktilpassede språkmodeller: Journal, epikrise og pasientkommunikasjon krever LLM-er som håndterer norsk språk, terminologi og personvern (Store språkmodellar).
3. Åpne, reproduserbare verktøy i forskningen: Initiativ som FastPathology og publisering av metoder/datasett styrker kvalitet og tempo (Helse Midt).
4. Støttesentre og «KI-hub-er» i regionene: Felles kompetanse- og støttefunksjoner hjelper klinikkene fra pilot til drift (St. Olav).
5. Kompetanseheving for helsepersonell: Praktisk opplæring i tolkning, feilkilder og ansvar er avgjørende – i utdanning og etterutdanning.

Veien videre

Norge har sterke fagmiljøer, gode registre og en tydelig offentlig retning. De neste årene handler om å gå fra enkeltprosjekter til helhetlig, trygg drift – med måling av effekt for pasienter og helsepersonell. Lykkes vi med lokal validering, robuste dataavtaler og kompetanse i klinikken, kan AI helse Norge gi mer presis diagnostikk, bedre pasientopplevelser og smartere bruk av knappe ressurser.