Dr. Marco V. Benavides Sánchez. Medmultilingua.com
Tänk om den bästa diagnosen ibland är att erkänna att det ännu inte finns någon diagnos?
Det kan låta kontraintuitivt, men det är precis vad erfarna läkare gör varje dag: de vet när det är klokare att avvakta än att agera. För första gången har en artificiell intelligens lärt sig att göra samma sak.
Problemet som länge ignorerades
Traditionella medicinska algoritmer fungerar ofta som strömbrytare: på eller av, sjuk eller frisk, effektiv eller ineffektiv. Men varje kliniker vet att den medicinska verkligheten sällan är binär. En patient kan förbättras, försämras, stabiliseras och därefter försämras igen. Medicin utspelar sig över tid – inte i ett ögonblick.
Här ligger den grundläggande bristen: vi har tvingat artificiell intelligens att fatta omedelbara beslut i en verklighet som kräver kliniskt tålamod.
Revolutionen med tre alternativ
Ett forskarteam har nyligen publicerat en studie i Artificial Intelligence in Medicine som utmanar detta synsätt (Jin et al., 2026). Deras förslag är enkelt, men radikalt: ge AI ett tredje alternativ.
I stället för att klassificera en behandling som ”fungerar” eller ”fungerar inte”, kan algoritmen säga:
”Avvakta – mer information behövs.”
Denna osäkerhetszon är välbekant för kliniskt verksamma läkare. Det är här erfarenhet och omdöme spelar störst roll, och där förhastade beslut kan innebära risk för patienten.
Man kan säga att AI-systemet har lärt sig en av medicinens svåraste färdigheter: att tvivla på ett konstruktivt sätt.
När ånger blir en vetenskap
Den verkliga innovationen ligger i hur besluten fattas. Forskarna har integrerat ett oväntat koncept: ångerteori, hämtad från beteendeekonomin.
Algoritmen beräknar inte bara risken för ett felaktigt beslut, utan även kostnaden av att ha agerat för tidigt när det hade varit bättre att vänta. Det speglar exakt det resonemang som många läkare gör i praktiken:
”Borde vi ha gett behandlingen ytterligare 48 timmar innan vi ändrade strategin?”
Ångerteorin utvecklades ursprungligen för att förstå ekonomiska beslut (Loomes & Sugden, 1982), men visar sig vara högst relevant i klinisk medicin. Både på finansmarknaden och i vården kan konsekvenserna av förhastade beslut bli betydande.
Ofullständiga data – verkliga beslut
Systemet är utformat för klinisk vardag, inte för idealiserade laboratoriemiljöer. Det tar höjd för att medicinska data i praktiken:
- anländer stegvis och vid olika tidpunkter
- kombinerar kvantitativa värden med kvalitativa observationer
- sällan är perfekt balanserade mellan behandlingsgrupper
- förändras vid varje patientbesök
För att hantera denna komplexitet utvecklade forskarna en multigranulär modell som grupperar patienter utifrån behandling och följer deras utveckling över tid. Resultatet är beslutsregler som anpassas dynamiskt under den terapeutiska processen.
Reumatoid artrit – ett kliniskt stresstest
Metoden testades på verkliga patientdata från personer med reumatoid artrit – en sjukdom där sjukdomsförloppet ofta är oförutsägbart och där behandlingsjusteringar är en central del av vården.
Resultaten var tydliga: modellen överträffade andra AI-baserade metoder både vad gäller precision och klinisk tolkbarhet. Viktigast av allt var dock att systemet visade sig vara praktiskt användbart för behandlingsrekommendationer – ett steg närmare visionen om precisionsmedicin.
Framtidens AI är inte allvetande – den är eftertänksam
Detta arbete markerar ett paradigmskifte i hur vi bör förstå medicinsk AI. Under lång tid har målet varit att skapa system som alltid ger ett säkert svar. Men kanske är den verkliga innovationen att skapa system som vet när de inte bör vara säkra.
Som den växande forskningen om AI i vården påpekar (Topol, 2019), är de bästa algoritmerna inte de som alltid svarar – utan de som förstår när deras svar verkligen spelar roll.
I en tid då automatisering ofta ses som ett självändamål, påminner detta arbete oss om något grundläggande i medicinen:
den bästa vården är inte alltid den snabbaste, utan den klokaste.
Och klokskap, visar det sig, går att programmera.
Referenser
- Jin, Y., Sun, B., Zhan, J., & Chu, X. (2026). Regret theory-based clinical efficacy evaluation method with three-way decision. Artificial Intelligence in Medicine, 172, 103333.
- Loomes, G., & Sugden, R. (1982). Regret theory: An alternative theory of rational choice under uncertainty. The Economic Journal, 92(368), 805–824. https://doi.org/10.2307/2232669
- Topol, E. J. (2019). High-performance medicine: The convergence of human and artificial intelligence. Nature Medicine, 25(1), 44–56. https://doi.org/10.1038/s41591-018-0300-7
- Yao, Y. (2010). Three-way decisions with probabilistic rough sets. Information Sciences, 180(3), 341–353. https://doi.org/10.1016/j.ins.2009.09.021
#ArtificialIntelligence #Medicine #Surgery #Medmultilingua
Lämna ett svar