Kunstig intelligens og samvalg: Fra dyade til triade i fremtidens helsevesen?

For helsepersonell med interesse for samvalg byr KI både muligheter for persontilpasset behandling, men også store etiske og relasjonelle utfordringer. Her er en gjennomgang og kritisk analyse av fem studier fra 2025 og 2026 som utforsker skjæringspunktet mellom KI og samvalg. 

1. KI og samvalg: En systematisk oversikt 

AI and shared decision-making: a systematic review (Giorgetti et al., 2026) 

Sammendrag 

Denne systematiske oversikten evaluerte 66 studier for å vurdere forholdet mellom KI-systemer og samvalgsprosessen. Forskningen tyder på at KI kan gi økt effektivitet i klinisk arbeid, støtte oppfølgingen av kroniske sykdommer og også fungere som et beslutningsstøtte-verktøy som ser behandlingsalternativer opp mot pasientens verdier.  

Samtidig identifiserer studien betydelig risiko, spesielt knyttet til kommunikasjonssvikt, manglende hensyn til pasientens preferanser og fravær av brukermedvirkning (co-design) i utviklingen av systemene. Den velkjente "black-box"-problematikken (ugjennomsiktige algoritmer) trekkes frem som en stor trussel mot tillit og god kommunikasjon. 

Kritisk analyse 

Studien gir en bred presentasjon av feltet, men avdekker at mesteparten av litteraturen fortsatt er konseptuell. Den kritiske svakheten i dagens KI-utvikling er at samvalg sjelden er et integrert mål i designfasen av nye KI-verktøy. Gjennomgangen viser at selv om KI kan avlaste klinikere, kreves det spesifikk opplæring av helsepersonell for at frigjort tid faktisk skal kunne oversettes til mer empatisk pasientkommunikasjon, fremfor at algoritmer utilsiktet innfører en ny "datamaskinen vet best"-paternalisme. 

2. Et konseptuelt rammeverk for KI-støttet samvalg (AI-SDM) 

AI-Supported Shared Decision-Making (AI-SDM): Conceptual Framework (As'ad et al., 2025) 

Sammendrag 

Artikkelen introduserer "AI-SDM", et teoretisk rammeverk som redefinerer samvalg fra en topersoners-interaksjon (lege-pasient) til «triadisk overveielse» (lege-pasient-KI). Forfatterne skiller skarpt mellom KI-forklarbarhet, som viser hvordan en algoritme fungerer, beregnet på teknisk personell, og KI-resonnering, som forklarer hvorfor en anbefaling er relevant for pasientens kliniske kontekst. Ved å bruke prediktive modeller og generativ KI, kan en gjennom rammeverket omforme rådata til et persontilpasset, narrativt rasjonale. KI posisjoneres her som en "resonnerings-fasilitator" som støtter dialogen, uten å erstatte menneskelig skjønn. 

Kritisk analyse 

Studien gir et innovativt og sårt tiltenkttrengt konseptuelt bidrag som adresserer problemet med at teknisk transparens i KI ikke er nok for klinisk praksis – forklaringene må også være meningsfulle for pasienten. Svakheten ligger i at modellen ennå ikke er empirisk validert i stor skala. Integreringen av et slikt komplekst, flermodell-system i en travel klinisk hverdag, for eksempel i journalsystemer, vil kreve massiv innsats. Spørsmålene rundt det juridiske ansvaret ved motstridende KI-anbefalinger er heller ikke løst.  

3. Helsepersonells perspektiver på KI i psykisk helsevern for unge voksne 

Healthcare Professionals' perspectives on AI-driven decision support in young adult mental health... (Auf et al., 2025) 

Sammendrag  

Denne kvalitative studien fra Sverige utforsker hvordan 15 helsearbeidere ser på bruken av KI-basert beslutningsstøtte i psykisk helsevern for unge voksne, analysert opp mot 23 etablerte bestanddeler i samvalg. Deltakerne anerkjente KI sitt potensiale for å forbedre tidlig oppdagelse, gi mer helhetlige triagerings-vurderinger, og skreddersy psykoedukasjon. Bekymringene var imidlertid sterke knyttet til at KI kan mistolke ikke-verbale signaler, føre til overdiagnostisering og at tilliten og den terapeutiske alliansen kan svekkes hvis den menneskelige faktoren reduseres. 

Kritisk analyse 

Studien er relevant fordi den fanger grasrotperspektivet til de som faktisk skal bruke verktøyene. Den understreker samtidig en kritisk spenning i psykiatrien: Mens KI kan effektivisere informasjonsoverføring og ressursbruk, er den relasjonelle og menneskelige kontakten ofte selve kjernen i behandlingen. Frykten for tap av klinisk autonomi og pasientens opplevelse av å "ikke bli sett" av en maskin, viser at KI i psykisk helsevern må implementeres med ekstrem varsomhet for å beskytte pasientsikkerhet og allianse. 

4. Pasienters oppfatning av KI i egenbehandling av diabetes 

Patient Perceptions of Artificial Intelligence in Diabetes Self-Management... (Martini et al., 2026) 

Sammendrag

Denne tverrsnittsstudien kartla holdningene til 48 voksne med diabetes på New Zealand. Resultatene viste en tydelig oppgavespesifikk preferanse: Pasientene foretrakk KI til datadrevne oppgaver som innsamling, sporing og tolkning av helsedata. For oppgaver som krevde klinisk skjønn, valg av behandling og personlig refleksjon, var menneskelig helsepersonell langt å foretrekke. Studien fant at pasienter med en sterk relasjon og tillit til sin behandler, var mindre villige til å overlate klinisk sensitive oppgaver til KI. 

Kritisk analyse 

Studien gir empirisk støtte for at pasienter ikke anser KI som en altomfattende erstatning for legen, men snarere som et asymmetrisk verktøy som er best egnet for strukturert datahåndtering. Analysen er begrenset av et lite, og trolig mer digitalt modent utvalg pasienter (N=48). Funnene fremhever at helsepersonell strategisk bør delegere backend-dataanalyse til KI, men aktivt skjerme den mellommenneskelige samtalen om mål og verdier, hvor relasjonell tillit er uerstattelig. 

 5. Store språkmodeller (LLM) og samvalg i en kinesisk helsekontekst 

Research progress and implications of the application of large language model in shared decision-making in China's healthcare field (Li et al., 2025) 

Sammendrag 

Artikkelen vurderer bruken av store språkmodeller (LLM) for å fremme samvalg i det kinesiske helsevesenet. Implementering av samvalg i Kina hindres av ekstremt kort konsultasjonstid, stor forskjell i kunnskapsnivået mellom lege og pasient, og en kultur der beslutninger ofte tas av familien i fellesskap heller enn av pasienten alene.  

LLM-er viser stort potensial for å bygge bro over disse gapene ved å trekke ut og integrere klinisk informasjon, forenkle medisinsk terminologi for pasienten, og analysere emosjonelle signaler. Utfordringene er imidlertid betydelige, særlig modellens evne til å forstå tradisjonell kinesisk medisin (TCM) og å tilpasse seg en familiesentrert beslutningsmodell. 

Kritisk analyse 

Studien illustrerer at KI-verktøy ikke er kulturelt nøytrale. Vestlige LLM-er basert på individualistisk autonomi vil kunne feile i kulturer der autonomien er relasjonell og familiebasert. Analysen understreker at for at KI skal lykkes med å fasilitere samvalg globalt, må teknologien trenes opp på lokale, kulturelle kunnskapsgrafer og designes for å inkludere pårørende i den digitale beslutningsstøtten. 

Sammenfatning: KI som en triadisk partner i samvalg 

Samlet tegner disse fem studiene et bilde av fremtidens samvalg: Vi kan være på vei fra en dyadisk (behandler-pasient) til en triadisk (behandler-pasient-KI) relasjon.  

Studiene er samstemte om at KI har et enormt potensial for å styrke pasientens autonomi. KI kan fungere som en utrettelig analytiker som prosesserer store mengder data, for eksempel blodsukkermålinger, genererer skreddersydd og lettfattelig pasientinformasjon, og frigjør tid for klinikeren.  

Samtidig fremheves flere kritiske trusler. Den største faren er at "black-box"-algoritmer og manglende integrering av pasientens verdier med kunnskapsgrunnlaget skaper en ny form for digital paternalisme, der "datamaskinen vet best". Studiene viser at pasienter og helsepersonell har en oppgavespesifikk tilnærming til KI: De ønsker teknologien velkommen for objektiv datahåndtering og risikostratifisering, men krever at menneskelig helsepersonell beholder ansvaret for kontekstuelle kliniske vurderinger, personlig refleksjon og den empatiske, emosjonelle støtten. 

For helsepersonell med interesse for samvalg er konklusjonen klar: KI skal ikke erstatte det kliniske skjønnet, men fungere som en "resonnerings-fasilitator". Suksess krever at fremtidige KI-systemer samutvikles (co-designes) med sluttbrukerne, at teknologien tilpasses lokale kulturelle normer, og at transparensen i systemene forbedres. Helsepersonell må i fremtiden besitte KI-kompetanse for kritisk å kunne vurdere algoritmenes resultater og oversette dem til meningsfull dialog, slik at den terapeutiske alliansen og pasientens verdier forblir kjernen i alle helsebeslutninger. 

Artikkelen er skrevet med støtte av KI-verktøyene NotebookLM, Gemini Pro Research og Perplexity Pro.