Hvor nøjagtig er en AI-læge? De ærlige tal
Det ærlige svar: en AI-læge er nogenlunde lige så nøjagtig som en ikke-specialiseret læge ved almindelige problemer, men den halter tydeligt efter en ekspert. En stor metaanalyse fra 2025 i npj Digital Medicine anslog den selvstændige diagnostiske nøjagtighed for generativ AI til omkring 52%. En AI-læge online bør bedst betragtes som en velbelæst second opinion, ikke som en endelig dom.
En AI-læge er ikke en erstatning for en autoriseret læge og stiller ikke en diagnose. Ved medicinske nødsituationer ring 911. Nøjagtighedstallene nedenfor forklarer, hvad den er god til — og præcis hvor du stadig har brug for en rigtig læge.
Det korte svar: hvor nøjagtig en AI-læge egentlig er
Skræl markedsføringen væk, og billedet er enkelt: et generativt AI-diagnoseværktøj, brugt på egen hånd, rammer det rigtige svar lidt mere end halvdelen af tiden — og det ene tal skjuler enorm variation afhængigt af opgave, inputkvalitet og hvem det bliver sammenlignet med.
Ét tal at holde fast i: ~52%
Et systematisk review og en metaanalyse fra 2025 af 83 studier, offentliggjort i npj Digital Medicine, fandt, at generative AI-modeller når en samlet diagnostisk nøjagtighed på 52,1% (95% CI 47,0–57,1%), når de arbejder på egen hånd. Det lyder lavt, men det er et gennemsnit på tværs af lette og meget svære sager slået sammen — konteksten omkring tallet betyder mere end tallet selv.
Sammenlignet med en rigtig læge
Den samme metaanalyse fandt ingen statistisk signifikant forskel mellem AI og læger samlet set (p=0,10) og ingen signifikant forskel over for ikke-ekspert- eller yngre læger (p=0,93). Men AI klarede sig signifikant dårligere end ekspertlæger — med omkring 15,8 procentpoint (p=0,007). Med almindelige ord: en AI-symptomtjekker er sammenlignelig med en generalist, der lige er færdiguddannet, og tydeligt bagud i forhold til en specialist med års mønstergenkendelse — og at stille en AI-læge sammenlignet med en rigtig læge side om side viser, hvordan det gab bliver større, jo sværere sagen bliver.
Hvorfor nøjagtighedstallet svinger så meget
Enhver, der sammenligner overskrifter, vil bemærke vildt forskellige tal — 97% i ét studie, 40% i et andet. Den spredning skyldes mest en håndfuld variabler, der sjældent bliver nævnt i selve overskriften:
- Hvordan inputtet blev indsamlet — et struktureret klinisk journalblad kontra patientens egne ord
- Om “korrekt” betyder det ene topsvar eller hvilket som helst af top 3-5-forslagene
- Hvor almindelig eller sjælden den underliggende tilstand er
- Hvilken model og version der blev testet, og hvornår
- Om studiet målte diagnose, triage eller begge dele
Garbage in, garbage out: inputkvalitet er alt
I et JMIR-studie af 100 patienter på akutmodtagelsen nåede ChatGPT kørende på GPT-4 op på 97% korrekte-eller-delvist-korrekte diagnoser — men kun fordi den blev fodret med det samme lægekuraterede journalblad, som de behandlende læger brugte, komplet med vitalværdier, laboratorieprøver og kliniske noter. Givet kun en patients rå selvrapporterede symptomer falder samme slags models nøjagtighed til omkring 50% for et top-3-match. AI-diagnoseværktøjet er kun så godt som det, du fortæller det, og at forstå hvordan en AI-læge fungerer under motorhjelmen forklarer, hvorfor præcis den samme model kan svinge så meget alene på inputkvalitet.
Top-1 vs top-3: hvilket tal citerer de?
En påstand om “70-80% nøjagtig” betyder som regel, at det rigtige svar optræder et sted i AI-triageværktøjets tre øverste forslag, ikke at det navngav den rigtige tilstand først. Bed det samme system om et enkelt svar, og nøjagtigheden kan falde til 34-40%. Når du ser en nøjagtighedspåstand for en hvilken som helst AI-sundhedsassistent, så tjek, om den er top-1 eller top-3 — de er meget forskellige løfter, og udbydere har tendens til at føre an med det mere flatterende af dem.
| Måling | Typisk nøjagtighed | Hvad det betyder |
|---|---|---|
| Top-1 (enkelt bedste svar) | 34-40% | Korrekt diagnose navngivet først, ingen alternativer tilbudt |
| Top-3 (korrekt svar på shortlist) | 70-80% | Den rigtige tilstand optræder blandt 3 forslag |
| Lægekurateret input (fuldt journalblad) | Op til 97% | Fodret med de samme strukturerede data, en læge bruger |
| Kun patientens selvrapportering | ~50% (top-3) | Fodret med rå, ustrukturerede symptombeskrivelser |
Hvor en AI-læge er nøjagtig — og hvor den fejler
Diagnostisk nøjagtighed er ikke én færdighed; det er flere, og en AI-læge er langt bedre til nogle af dem end andre. At vide hvad der er hvad ændrer, hvordan du faktisk bør bruge værktøjet.
Stærk til triage. En AI-læge er mest pålidelig, når spørgsmålet er “hvor akut er det her,” ikke “hvad er det præcis.” At sortere et symptom i akut, hastende eller rutine er en snævrere, bedre defineret opgave end at nå frem til en endelig diagnose, og modeller har tendens til at gøre det mere konsistent.
Stærk ved almindelige, veldokumenterede gener. Ligetil, hyppigt sete problemer — den slags med rigelige træningsdata og klare symptommønstre — spiller op til et generativt AI-diagnoseværktøjs styrker.
Stærk i snævre, billedtunge specialer. I mønstergenkendelsesopgaver som dermatologi fandt en poolet analyse af prospektive studier af melanomdetektion, at AI alene når omkring 80,9% sensitivitet og 75,6% specificitet — sammenligneligt med uassisterede dermatologer — og stiger til omkring 91,9% sensitivitet og 83,7% specificitet, når AI assisterer en dermatolog frem for at erstatte en. Veldefinerede visuelle mønsterproblemer er tæt på værktøjets hjemmebane.
Svag ved komplekse, sjældne eller multisystemsager. Nøjagtigheden falder kraftigt, når symptomer overlapper på tværs af kropssystemer eller peger på en ualmindelig tilstand — netop dér, hvor en ekspertlæges dømmekraft betyder mest.
Svag på en måde, der er let at overse: selvsikker fejlagtighed. En AI-læge kan angive en forkert diagnose i flydende, beroligende sprog, uden nogen synlig forbehold, der signalerer tvivl. Et plausibelt lydende resultat er ikke det samme som et korrekt et, hvilket er præcis derfor et menneskeligt tjek stadig betyder noget.
Kan du stole på studierne? Læs det med småt
Selv de opmuntrende tal ovenfor kommer med forbehold, der er værd at kende, før du vægter dem.
I metaanalysen af 83 studier blev 63 af 83 studier — 76% — vurderet til høj risiko for bias, og forfatterne påpegede statistisk signifikant publikationsbias (p=0,045), hvilket betyder, at flatterende resultater sandsynligvis er overrepræsenteret i den offentliggjorte litteratur. Det overskriftsfangende 97%-resultat fra akutmodtagelsen kom fra et enkelt studie af blot 100 patienter, uden nogen forudplanlagt stikprøvestørrelsesberegning til at bekræfte, at fundet ville holde i stor skala.
| Begrænsning | Hvad data viser | Hvorfor det betyder noget |
|---|---|---|
| Risiko for bias | 63 af 83 studier (76%) vurderet høj risiko | Mange resultater kan være mere gunstige, end brug i den virkelige verden ville give |
| Publikationsbias | Statistisk signifikant (p=0,045) | Studier med skuffende resultater bliver mindre sandsynligt offentliggjort |
| Små stikprøver | Akutstudie baseret på 100 patienter | Ingen forudplanlagt stikprøvestørrelse til at bekræfte, at 97%-tallet generaliserer |
| Kurateret vs rå input | 97% (kurateret journalblad) vs ~50% (selvrapportering) | Samme models nøjagtighed svinger med cirka 47 point afhængigt af inputkvalitet |
Nogle tilbagevendende huller dukker op på tværs af denne forskning:
- De fleste studier tester AI mod tekstbaserede vignetter, ikke rodede samtaler fra den virkelige verden
- Få forsøg måler, hvad der sker efter et forkert AI-svar, dvs. efterfølgende skade
- Stikprøvestørrelser er ofte for små til at understøtte den tillid, overskriftstallet antyder
- Uafhængig replikation uden for det oprindelige forskerteam er stadig sjælden
Forfatterne til den metaanalyse var kontante omkring, hvad deres egne tal betyder:
Generative AI-modeller er endnu ikke pålidelige erstatninger for ekspertlæger, men kan fungere som værdifulde hjælpemidler i ikke-ekspertscenarier og som undervisningsværktøjer for lægestuderende.
npj Digital Medicine metaanalyse, 2025
Behandl overskrifternes nøjagtighedstal som optimistiske lofter, ikke som garantier. Et tal hentet fra et lille studie med høj risiko for bias er ikke det samme som et tal, der vil holde for dine specifikke symptomer.
Sådan bruger du en AI-læge sikkert i lyset af dens nøjagtighed
I lyset af tallene ovenfor er det smarte træk at matche værktøjet til det, det faktisk er godt til, frem for til det, det lyder til at kunne.
- Beskriv symptomer i detaljer, ikke i stikord. Nøjagtighed afhænger stærkt af inputkvalitet, så inkludér varighed, sværhedsgrad og eventuelle ændringer over tid.
- Læs triagevejledningen først. Vurdering af hastende karakter er, hvor en AI-symptomtjekker klarer sig mest pålideligt — vær opmærksom, hvis den markerer noget som hastende.
- Bed om top 3, ikke kun top 1. En shortlist af muligheder er mere ærlig end et enkelt selvsikkert lydende svar.
- Brug det til at forberede spørgsmål til en rigtig konsultation. At omdanne vag bekymring til en specifik liste af spørgsmål er en af værktøjets mest pålidelige anvendelser.
- Verificér alt, der betyder noget, med en autoriseret kliniker, især ved nye, alvorlige eller vedvarende symptomer.
- Eskalér straks, hvis symptomerne forværres — vent ikke på, at AI’en indhenter det.
- Betragt aldrig et enkelt AI-svar som endeligt. Kryds-tjek det mod, hvordan du faktisk har det, og mod professionel rådgivning.
Et AI-diagnoseværktøj har tendens til at være mest nyttigt til et bestemt sæt opgaver og mindst nyttigt til andre. Før du læner dig op ad et, hjælper det at vide, hvilken side af den linje din situation falder på:
- At forstå ukendte medicinske termer fra et prøvesvar eller et henvisningsbrev
- At vurdere, hvor akut et nyt symptom kan være
- At forberede en klar liste af spørgsmål før et lægebesøg
- At få generel sundhedsoplysning om en tilstand, du allerede har
- At vælge mellem et besøg samme dag, en planlagt konsultation eller afventende observation
Den fagfællebedømte konsensus er kontant: generativ AI er et værdifuldt hjælpemiddel i ikke-ekspertscenarier, ikke en pålidelig erstatning for en ekspertlæge. U.S. Food and Drug Administration sporer AI-aktiverede medicinske udstyr, der er godkendt til markedsføring, netop fordi uverificerede AI-output bærer en reel klinisk risiko — en påmindelse om, at regulatorer, ikke kun forskere, behandler dette nøjagtighedsgab som væsentligt.
Hvornår du bør droppe AI’en og se en rigtig læge
En AI-læge er ikke en erstatning for en autoriseret læge og stiller ikke en diagnose. Ved medicinske nødsituationer ring 911.
Ingen nøjagtighedsprocent — hverken 52% eller 97% under ideelle forhold — gør et AI-diagnoseværktøj sikkert at stole på ved et alvorligt, pludseligt eller forværrende symptom. Drop AI’en og gå direkte til en rigtig læge eller akutbehandling ved symptomer som:
- Brystsmerter eller tryk, eller vejrtrækningsbesvær
- En pludselig, kraftig hovedpine ulig nogen tidligere
- Ukontrolleret blødning eller en hurtigt forværrende skade
- Tegn på slagtilfælde — hængende ansigt, armsvaghed, sløret tale
- Ethvert symptom, der simpelthen føles som en nødsituation
Brug en AI-sundhedsassistent til at informere dig selv og organisere dine tanker, og lad så en autoriseret kliniker træffe den faktiske afgørelse.
