Sykehus bruker ChatGPT som klinisk infrastruktur

Boston Children’s Hospital bruker OpenAI-teknologi som en intern AI-plattform på tvers av klinikk, forskning og administrasjon. Ifølge OpenAI har sykehuset fått mer enn 40 sjeldendiagnoser i saker som tidligere sto uten svar, spart rundt 60.000 timer i AI-støttede arbeidsflyter og frigjort mer enn 7 millioner dollar i arbeidskapasitet.

Tallene kommer fra OpenAI og Boston Children’s egen gjennomgang. De bør derfor leses som en leverandør- og kundecase, ikke som en uavhengig klinisk studie. Likevel er saken relevant. Den viser hvordan AI i helse raskt flytter seg fra enkeltstående piloter til felles infrastruktur, med governance, tilgangsstyring og måling som en del av selve løsningen.

Boston Children’s beskriver en utvikling mange norske helse- og omsorgsaktører kjenner igjen. Presset er todelt. På den ene siden vokser administrativ byrde, flaskehalser i drift og behovet for bedre utnyttelse av fagfolk. På den andre siden blir kliniske beslutninger mer informasjonsrike, særlig i sjeldne sykdommer der genetikk, fenotype, journaldata og medisinsk litteratur må kobles.

John Brownstein, Chief Innovation Officer ved Boston Children’s, formulerer problemet som menneskelige kognitive grenser, ikke mangel på innsats. Det er et presist skille. Helsevesenet mangler ikke data, dokumenter eller arbeidsvilje. Det mangler ofte tid, kapasitet og praktiske systemer som gjør informasjonen brukbar i riktig kontekst.

Sykehuset startet med konkrete bruksområder, blant annet dokumentasjon og oversettelse. OpenAI skriver at dette raskt viste begrensningen ved en fragmentert tilnærming. I stedet bygget Boston Children’s det de kaller et enterprise AI layer: et sikkert internt ChatGPT-miljø brukt av forskning, kliniske team og administrative funksjoner.

Det er kjernen i saken. Når AI blir en felles plattform, endres lederoppgaven. Spørsmålet er ikke lenger om én avdeling kan teste en chatbot. Spørsmålet er hvem som eier risikomodellen, hvilke data som kan brukes, hvilke oppgaver som er innenfor, hvordan effekten måles og når en kliniker eller leder må godkjenne resultatet.

OpenAI oppgir at mer enn en tredel av de ansatte ved Boston Children’s nå bruker AI i daglig arbeid. Bruken spenner fra forskning og klinisk beslutningsstøtte til fakturaflyt, dokumentutkast, koding, kohortbygging og kirurgisk planlegging. I forsyningskjeden håndterer AI ifølge saken mottak, ruting og svar på fakturaer. I operasjonsplanlegging analyseres kliniske notater og pasientenes behov for å utnytte operasjonskapasitet bedre.

Dette er ikke glamorøse demoer. Det er nettopp derfor de er viktige. Den store verdien i helse ligger ofte i små, gjentatte prosesser som binder opp knapp kompetanse. Hvis AI kan redusere friksjon i planlegging, dokumentasjon, saksflyt og analyse, kan gevinsten bli reell uten at systemet nødvendigvis tar medisinske beslutninger alene.

Den kliniske delen er mer sensitiv. Boston Children’s har utviklet det OpenAI omtaler som en «co-pilot geneticist». Systemet kombinerer genetisk informasjon, fenotypiske opplysninger, litteratursøk og AI-resonnering for å finne mulige diagnoser i sjeldne sykdommer. Ifølge saken har dette bidratt til mer enn 40 diagnoser som tidligere ikke var avklart, og til nye genmål og mulige behandlingsspor.

For norske helseledere er dette både interessant og krevende. Slike resultater peker mot et helsevesen der AI kan hjelpe spesialister med å finne mønstre ingen rekker å se manuelt. Samtidig er risikobildet tungt. Feil forslag kan gi feil utredning. Skjevheter i data kan gi ulik kvalitet. Manglende forklarbarhet kan gjøre det vanskelig å vurdere hvorfor systemet foreslår en retning. Personvern, journaltilgang og pasientsikkerhet må bygges inn før skala, ikke ryddes opp etterpå.

Derfor bør styringsmodellen være like konkret som teknologien. Et sykehus eller helseforetak som vurderer tilsvarende løsninger, må skille mellom administrativ automasjon, klinisk støtte og diagnostisk beslutningsstøtte. De tre kategoriene bør ha ulike krav til logging, dataminimering, godkjenning, validering og oppfølging. Det som er fornuftig for fakturaflyt, er ikke nødvendigvis fornuftig for sjeldendiagnostikk.

CIO og CISO må også behandle AI-laget som kritisk infrastruktur. Et internt ChatGPT-miljø med tilgang til interne data, kliniske notater eller forskningsmateriale er ikke et vanlig produktivitetsverktøy. Det krever rollebasert tilgang, sporbarhet, klare databehandleravtaler, kontroll på modellendringer og rutiner for hendelser. I europeisk sammenheng må løsningen også vurderes opp mot GDPR, helselovgivning, NIS2, DORA der relevant, og EU-regler for høyrisiko-AI når bruken treffer kliniske formål.

CFO-sporet er mer positivt, men bør ikke bli naivt. 60.000 sparte timer og 7 millioner dollar i frigjort kapasitet er sterke tall hvis de lar seg dokumentere i drift. Men AI-gevinster må måles brutto og netto. Lisenskostnader, integrasjon, opplæring, sikkerhet, evaluering, klinisk validering og endringsledelse må med. Gevinsten er ikke bare spart tid, men om tiden faktisk flyttes til pasientnært eller høyere verdiskapende arbeid.

Det viktigste signalet fra Boston Children’s er at AI-innføring i helse ikke bør organiseres som en samling lokale eksperimenter. Den bør organiseres som en kontrollert plattform med tydelige bruksområder, felles sikkerhetsmodell og klinisk forankring. Da kan man både få fart og redusere risiko.

For styrene er spørsmålet enkelt: vet vi hvor AI allerede brukes, hvilke pasient- eller driftsprosesser den påvirker, og hvordan vi måler både effekt og feil? Hvis svaret er uklart, er virksomheten allerede bakpå. Boston Children’s-saken viser ikke en ferdig oppskrift for Norge. Den viser at tempoet i helse-AI nå er høyt nok til at styringen må på plass før løsningene blir hverdagskritiske.

Kilder og medier

Primærkilde: OpenAI, "Boston Children’s uses AI to unlock new diagnoses", publisert 29. mai 2026: https://openai.com/index/boston-childrens-hospital Kildekreditering: OpenAI og Boston Children’s Hospital via OpenAI. Thumbnail: OpenAI Image 2 / hogby.ai.