AI som gör journalsystem säkra igen – lärdomar av Cosmic

Det som händer efter ett journalsystemsbyte brukar vara förutsägbart: några veckor av irritation, lite fler klick än man vill erkänna och sedan stabilitet. Men när läkare i Dalarna öppet vädjar om att få tillbaka Takecare efter övergången till Cosmic är det ett tydligt tecken på något annat: det här handlar inte bara om ovana, utan om patientsäkerhet och produktionsförlust.

Jag tycker att debatten ofta hamnar fel. Antingen blir det ”bakåtsträvare som hatar förändring” eller ”IT-leverantörer som inte fattar vården”. Verkligheten är mer konkret: om ett system gör det lätt att missa avvikande provsvar eller till och med byta patient utan att användaren märker det, då är det inte en smaksak. Då är det en risk.

I vår serie ”AI för Svenska Vårdcentraler: Primärvård 4.0” tittar vi på hur AI kan förbättra vårdens vardagsprocesser: triage, tidsbokning, journaldokumentation och patientkommunikation. Cosmic-kritiken i Dalarna är ett skolboksexempel på varför AI inte ska vara en ”feature” på en powerpoint – utan ett verktyg som minskar friktion, fångar fel i tid och hjälper personalen att hinna med.

Varför ett journalsystem kan kännas som ett steg bakåt

Ett journalsystem blir ”dåligt” av en specifik anledning: det tvingar kliniskt arbete att anpassa sig efter mjukvaran, istället för tvärtom. När läkare beskriver Cosmic som opålitligt och fortfarande ”främmande” efter sex–sju veckor är det ofta en kombination av tre faktorer.

1) Kognitiv belastning slår hårt i klinisk vardag

Vården jobbar inte i lugn och ro. Den jobbar i avbrott, parallella spår och ständiga omprioriteringar. Varje extra klick och varje otydlig vy blir en mental kostnad. En sak som Takecare-användare ofta lyfter i efterhand är att systemet upplevdes ”snabbt i huvudet” – inte bara snabbt på skärmen.

Här är min tydliga ståndpunkt: användbarhet är en patientsäkerhetsfråga. Inte för att personalen ”blir sur”, utan för att stress + otydlighet ökar risken för misstag.

2) Dokumentationsskuld blir en akut risk

I rapporteringen från Dalarna nämns bland annat en stor mängd oskrivna journaluppgifter kopplade till diktat som inte hinner skrivas ut. Oavsett exakt siffra över tid är mekanismen välkänd: när dokumentationsflödet inte håller jämna steg med verkligheten uppstår journalfördröjning.

Konsekvensen är enkel:

• Uppföljningar missas.
• Ordinationer blir otydliga.
• Nästa vårdkontakt saknar kontext.

Det här drabbar särskilt primärvården, där kontinuitet och helhetsbild är centralt.

3) Brister i ”signalsystemet”: avvikelser måste lysa

Läkare i artikeln beskriver att avvikande provsvar kan vara lättare att missa om de inte markeras tydligt. Det låter som en detalj, men det är exakt så vården fungerar: systemet måste hjälpa hjärnan att hitta det viktiga snabbt.

En bra tumregel: om användaren behöver ”klicka fram” faran, så har designen redan förlorat.

De två farligaste riskerna – och hur AI kan motverka dem

När kritiken handlar om att systemet kan byta patient utan att användaren märker det och att avvikande provsvar riskerar att missas, då finns det två parallella behov: bättre UI/UX och automatiska skyddsräcken.

Patientsäkerhetsrisk 1: Fel patient-kontekst

Det mest praktiska AI-bidraget här är inte att ”diagnostisera”, utan att agera vakthund.

AI kan användas för att upptäcka kontekstskiften i realtid, till exempel:

• om användaren öppnar en ny patient men fortsätter skriva som om det vore föregående
• om texten innehåller namn, läkemedel eller diagnoser som inte matchar patientens historik
• om en ordination avviker kraftigt från patientens profil (ålder, njurfunktion, allergier)

Det här kan implementeras som lokala varningar i arbetsflödet, inte som popups som alla klickar bort. Tänk: en diskret men tydlig ”säkerhetsrad” som kräver aktiv bekräftelse vid hög risk.

En bra AI-varning är inte den som larmar ofta – utan den som larmar när det faktiskt gör skillnad.

Patientsäkerhetsrisk 2: Avvikande provsvar som drunknar

Här fungerar AI bättre som triagerare än som beslutsfattare. Systemet kan:

• prioritera provsvar efter klinisk risk (inte efter datum)
• gruppera ”sammanhörande avvikelser” (t.ex. CRP + LPK + temp) till en sammanhängande signal
• skapa en att-göra-lista som följer patientens vårdplan och påminner om uppföljning

I primärvården kan detta vara skillnaden mellan att fånga en försämring på dag 1 istället för dag 14.

”Ta tillbaka Takecare” är ett symptom – inte en strategi

När ett team vill backa till ett gammalt system är det lätt att tolka som nostalgi. Jag tolkar det som att man försöker återfå tre saker:

1. Förutsägbarhet (man vet var saker finns)
2. Tempo (man hinner mer per timme)
3. Trygghet (man litar på att det blir rätt)

Regioner sitter samtidigt fast i avtal, integrationer och juridik. I Dalarna beskrivs till exempel att Takecare bara kan användas i läsläge och att avtalet med nuvarande leverantör sätter ramar.

Det betyder att ”rulla tillbaka” ofta är svårt. Men det betyder inte att man ska acceptera läget.

Den rimliga vägen framåt är nästan alltid en kombination av:

• stabiliseringsplan (fixa de farliga felen först)
• processstöd (hur jobbar vi under övergången?)
• datadriven förbättring (mät friktion och risk)

Och här kommer AI in som ett praktiskt verktyg för att mäta och förbättra på riktigt.

Så använder vårdcentraler AI för att minska frustration i journalsystem

Det finns en seg idé om att AI i vården alltid måste vara ”stor” och kliniskt avancerad. Jag har sett motsatsen ge snabbast effekt: små AI-funktioner som minskar tidstjuvar.

AI-stöd som ger effekt inom 4–8 veckor

Här är exempel som brukar fungera i primärvård 4.0-sammanhang, utan att man behöver riva hela systemet:

1. AI för journaldokumentation

   • tal-till-text med medicinsk terminologi
   • automatisk struktur: status, bedömning, plan
   • förslag på relevanta ICD-/KVÅ-liknande kodstöd (beroende på lokala rutiner)

2. AI-sammanfattningar inför besök

   • ”senaste 12 månaderna på 30 sekunder”
   • markering av förändringar: nya läkemedel, nya diagnoser, uteblivna kontroller

3. AI för kvalitetssäkring av anteckningar

   • saknas uppföljning på prov?
   • saknas ordinationsorsak?
   • konflikt mellan allergi och läkemedel?

4. AI-styrd inkorg och provsvarshantering

   • riskprioritering
   • automatisk routing: ”till ansvarig läkare”, ”till sjuksköterska”, ”till administrativ åtgärd”

Poängen: man minskar variation och gör det lättare att göra rätt.

Mät det som faktiskt gör ont: ”click-to-care”

Om man vill förbättra användarupplevelsen i ett journalsystem räcker det inte att fråga ”känns det bättre?”. Mät istället:

• tid från provsvar till åtgärd (median + 90-percentil)
• antal klick för tre vanliga flöden (t.ex. UVI, hypertoniuppföljning, läkemedelsförnyelse)
• andel ärenden med återöppning (”jag hittade inte, fick börja om”)
• dokumentationsfördröjning: diktat/anteckning → signerad text

AI kan hjälpa till att analysera dessa mönster och peka ut var användarna fastnar. Det gör diskussionen mindre emotionell och mer lösningsorienterad.

”People also ask” i fikarummet: raka svar

Kan AI ersätta journalsystemet?

Nej. AI ska vara ett lager ovanpå: sammanfattar, varnar, prioriterar och föreslår – men journalen är fortfarande källan och den juridiska dokumentationen.

Är AI förenligt med sekretess och GDPR?

Ja, om man gör det rätt. Nyckeln är dataminimering, åtkomstkontroll, loggning och att välja rätt driftmodell (lokalt, privat moln eller annan kontrollerad miljö). För vårdcentraler är det ofta klokt att börja med funktioner som kräver mindre datadelning, som lokala kvalitetskontroller och strukturerad dokumentation.

Var ska man börja om personalen redan är trött?

Börja där irritationen är störst och risken är högst: provsvar, inkorg och dokumentation. Det ger snabb avlastning och bättre patientsäkerhet.

En praktisk plan för regioner och vårdcentraler efter ett systembyte

Om jag hade suttit med ansvar för en vårdcentral som nyss bytt journalsystem och fått kraftig kritik internt, hade jag drivit en 30-dagarsplan med tre spår:

1. Säkerhetsfix först

   • patientkontekst-låsning (tydlig patientindikator, bekräftelser vid skifte)
   • avvikelsemarkeringar i provsvar
   • snabba avvikelseprocesser i teamet (vem gör vad när något är rött?)

2. AI-pilot där den sparar tid varje dag

   • sammanfattning inför besök
   • strukturerad anteckning från diktat
   • riskprioritering i inkorg

3. Mätbar användarupplevelse

   • 5–7 konkreta mätetal
   • veckovis förbättringsmöte (30 min)
   • en tydlig backlog: ”fixa, förenkla, utbilda”

Det här gör att personalen ser att förbättring faktiskt händer – vilket ofta är halva problemet.

Vart vi är på väg: Primärvård 4.0 kräver trygg digital bas

När läkare vill ”spola” ett nytt system och gå tillbaka till ett gammalt är det pinsamt för digitaliseringsambitioner – men det är också nyttigt. Det avslöjar en obekväm sanning: teknik som inte fungerar i vardagen är inte modern, den är bara dyr.

AI kan inte trolla bort dålig produktdesign eller svaga införanden. Men AI kan göra två saker som vården behöver just nu: fånga risker tidigare och minska den administrativa friktionen som stjäl tid från patienter.

Om primärvården ska klara 2026 med fler äldre, fler kroniska sjukdomar och fortsatt kompetensbrist, då måste journalsystemen bli mer än en lagringsplats. De måste bli ett aktivt stöd. Frågan är inte om AI kommer in i journalsystemen – utan om vi väljer att använda den för att göra arbetet säkrare, eller bara för att lägga på ännu ett lager komplexitet.