AI för anamnes provas på olika håll i vården. Nu har läkaren och doktoranden Helge Brandberg vid Danderyds sjukhus ihop med kolleger publicerat en första studie där preliminära resultat tyder på att verktyget CLEOS fångar upp så mycket i anamnesen att färre prover behöver tas på de patienter som fått pröva det i en läsplatta i väntrummet.
AI för anamnes av hjärtpatienter i stor studie
Med AI kan man få en mycket noggrann anamnes. Patientens tid i väntrummet utnyttjas väl och alla relevanta frågor är besvarade redan inför mötet med en läkare.

Helge Brandberg ser många fördelar med AI-anamnesen. Foto: Marianne Lagerbielke, Danderyds sjukhus.
Någonting är fel
Du är inloggad som prenumerant hos förlaget Pauser Media, men nånting är fel. På din profilsida ser du vilka av våra produkter som du har tillgång till. Skulle uppgifterna inte stämma på din profilsida – vänligen kontakta vår kundtjänst.
Kvalitetsvård.se premium
Läs vidare – starta din prenumeration
Redan prenumerant? Logga in och läs vidare.
– Det är lite back to basics. Med ett blodprov, EKG och en noggrann anamnes, som ju ofta är svår att hinna med i intervjuform för läkaren, kan man klara sig utan en del av de undersökningar som annars genomförs. Det kan till exempel vara vissa stresstester av hjärtat eller datortomografi av kranskärlen som inte behövs när man får svaren genom CLEOS. Idag förlitar vi oss lite för mycket på olika tester, som ofta dessutom är dyra och utsätter patienten för onödig risk, säger han till Kvalitetsvård.
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
