Personaliseret AI: Læring fra Brugerrettelser

Baggrund

Læger bruger i gennemsnit to timer foran skærmen for hver time med patienten. Denne dokumentationsbyrde er en væsentlig faktor i den stigende udbrændthed blandt klinisk personale.

AI-assisteret dokumentation kan reducere denne byrde - men kun hvis outputtet matcher den enkelte læges dokumentationsstil. Ellers erstattes skrivearbejdet blot af redigeringsarbejde.

Dette projekt undersøger, om et system kan lære disse præferencer implicit - fra observeret adfærd - frem for at kræve eksplicit konfiguration.

Forskningsspørgsmål

Projektet adresserer tre centrale spørgsmål:

• RQ1: Kan et system måle redigeringsadfærd tilstrækkeligt præcist til at detektere individuelle præferencer?
• RQ2: Reducerer personaliserede AI-udkast den efterfølgende redigeringsmængde over tid?
• RQ3: Er en hybrid tilgang (eksplicit konfiguration + implicit læring) mere effektiv end begge alene?

Metode

Systemet analyserer anonymiserede redigeringer af AI-genererede journaludkast for at identificere gentagende præferencer. Disse falder typisk i kategorier som:

• Foretrukne forkortelser og terminologi
• Strukturelle præferencer (punktform vs. prosa)
• Detaljeringsniveau og tonalitet
• Systematiske ordvalg (generisk vs. handelsnavn)

Identificerede præferencer anvendes til at tilpasse fremtidige AI-genereringer. Systemets effektivitet måles på reduktion i redigeringsomfang over tid.

Privacy by Design

En central udfordring er at lære præferencer uden at kompromittere patientdata. Projektet adresserer dette gennem en arkitektonisk adskillelse:

• Abstraktion: Kun stilistiske mønstre gemmes - aldrig konkret patientindhold
• Tidsbegrænsning: Rå konsultationsdata slettes automatisk inden for 24 timer
• Transparens: Brugere kan inspicere og slette alle lærte præferencer

Denne tilgang muliggør personalisering uden at persistere følsomme sundhedsdata.

Hvad vi lærte

Den fulde evaluering blev gennemført som et blindt klinisk pilotforsøg med praktiserende læger. De vigtigste fund:

• Klinikere foretrak personaliserede udkast - i en blindet sammenligning mellem den generiske og den personaliserede version valgte lægerne konsekvent den, der var lært fra deres egne rettelser.
• Læger har forskellige “dokumentationsdialekter” - én læge udfoldede konsekvent AI-udkast med ekstra kontekst, en anden komprimerede dem til telegrafisk form. Begge er fagligt korrekte. Én generisk AI kan ikke ramme dem alle.
• Personaliseringen er fuldt sletbar - alle lærte præferencer kan fjernes med ét klik. GDPR Art. 17 (retten til at blive glemt) er bygget ind i arkitekturen, ikke et politisk løfte.

Projektstatus

Samarbejde

Projektet gennemføres som et industri-universitetssamarbejde:

• DTU Compute - Akademisk vejledning og metodologisk review
• DokuDok - Produktionsinfrastruktur og klinisk deployment
• Praktiserende læger - Pilotevaluering og domæneekspertise