En LLM‑chattbot för att underlätta övergången från primärvård till specialistvård: en randomiserad kontrollerad studie

Varför en digital hjälpare i väntrummet spelar roll

Den som någon gång väntat i timmar för att träffa en upptagen sjukhusspecialist vet hur stressat det sista samtalet kan kännas. Den här studien ställer en enkel fråga med stora konsekvenser: skulle en artificiell intelligens‑chattbot kunna prata med patienter före besöket, samla deras berättelse och överlämna en tydlig sammanfattning till specialisterna—spara tid samtidigt som den faktiskt förbättrar den mänskliga sidan av vården? I två stora kinesiska sjukhus testade forskarna en patientinriktad stor språkmodell (LLM) kallad PreA för att se om en sådan digital hjälpare kunde få trånga mottagningar att fungera smidigare och kännas mer personliga, särskilt i resurssvaga miljöer.

Problemet med överfyllda kliniker

Hälsosystem världen över kämpar med en åldrande befolkning, människor som lever med flera kroniska tillstånd samtidigt och ojämn tillgång till primärvård. I Kina hoppar många patienter över lokala vårdcentraler och går direkt till stora sjukhus, vilket fyller specialistmottagningar med förstabesök. Specialister möter ofta patienter utan tidigare remissanteckningar, måste rekonstruera hela sjukdomshistorien på plats och har bara några minuter på sig. Resultatet blir långa väntelistor, korta möten och hög stress för både läkare och patienter. Enkla stoppgap som sjuksköterskebaserad triage hjälper, men sjuksköterskor har sällan tid eller utbildning för att samla detaljerade anamneser i varje fall.

Hur chattboten byggdes tillsammans med samhället

Teamet utvecklade PreA som en konversationsassistent särskilt utformad för gapet mellan att en patient anländer till sjukhuset och sätter sig hos en specialist. Istället för att huvudsakligen träna systemet på röriga lokala transkript—som kan bädda in stressade vanor och partiskhet—använde forskarna en samskapande process. Patienter, vårdgivare, samhällshälsovårdare, sjuksköterskor, primärvårdsläkare, specialister och sjukhusledare bidrog alla till hur chattboten skulle ställa frågor, vilken information den skulle samla och hur dess sammanfattningar skulle se ut. Chattboten fungerar på mobiltelefon, stödjer text eller röst, använder enkelt språk för personer med begränsad hälsolitteracitet och delar åtkomst med familjemedlemmar som hjälper äldre eller sjukare släktingar att navigera vården.

Sätta den digitala assistenten på prov

För att se om PreA fungerade i verkligheten genomförde teamet en randomiserad kontrollerad studie i 24 specialistområden vid två stora sjukhus i västra Kina. Mer än 2 000 vuxna som sökte specialistvård fördelades i tre grupper: använda PreA på egen hand före besöket; använda PreA med hjälp av personal; eller få sedvanlig vård utan chattbot. I PreA‑grupperna spenderade patienterna ungefär tre och en halv minut i samtal med systemet, som sedan producerade en strukturerad remissrapport om deras huvudsakliga besvär, medicinska historia, sannolika diagnoser och föreslagna tester. Specialisterna granskade snabbt denna rapport och träffade sedan patienterna som vanligt. Konsultationerna i endast PreA‑gruppen var 28,7 % kortare än i gruppen med sedvanlig vård, men läkare såg fler patienter per pass utan att väntetiderna ökade. Anmärkningsvärt nog var resultaten lika starka när patienter använde chattboten utan personalstöd, vilket antyder skalbarhet i upptagna mottagningar.

Kändes snabbare besök fortfarande mänskliga?

Kortare besök väcker ofta oro för kallare, mer mekanisk vård. Här hände motsatsen. Patienter och vårdgivare som använde PreA rapporterade att samtalen med deras läkare kändes enklare, att läkare verkade mer uppmärksamma och respektfulla, samt att de var mer nöjda med besöket och mer villiga att använda sådana verktyg igen. Specialister bedömde chattbotens remissrapporter som mycket mer hjälpsamma för att koordinera vården än de minimala anteckningar de vanligtvis får. Oberoende experter bedömde PreA:s sammanfattningar som mer fullständiga och kliniskt relevanta än många läkaranteckningar, delvis eftersom rutinmässig dokumentation i ansträngda kliniker ofta lämnar luckor. En analys av läkarnas egna anteckningar visade dock inga tecken på att de helt enkelt kopierade eller blint följde AI:s förslag, vilket mildrar farhågor om att automatiseringsbias skulle tyst styra beslut.

Varför sättet AI tränades på spelar roll

Forskarna undersökte också en djupare fråga: bör medicinsk AI helt enkelt spegla lokal praxis, eller hjälpa till att förbättra den? De jämförde den samskapade PreA med en version som ytterligare finjusterats på hundratals verkliga primärvårdssamtal från samma regioner. Den data‑anpassade versionen presterade sämre. Den speglade lokala genvägar, hoppade över viktiga frågor, missade nödvändiga tester och antog ibland en otrevlig ton—i praktiken förstärkande av befintliga svagheter. Däremot producerade den samskapade modellen, formad kring bästa praxis och samhälleliga prioriteringar, högre kvalitet i anamneser, diagnoser och testförslag i simulerade fall. Denna kontrast tyder på att involvera lokala intressenter i att styra modellbeteende kan vara säkrare och mer rättvist än att enbart mata en algoritm med rå lokaldialog.

Vad detta betyder för patienter och vårdsystem

För patienter är slutsatsen att ett kort samtal med en AI‑assistent före läkarbesöket kan göra det faktiska mötet tydligare, lugnare och mer fokuserat på det som betyder mest för dem. För överbelastade vårdsystem antyder PreA ett sätt att återerövra knappa specialistsresurser utan att offra den mänskliga kontakten i vårdens kärna. Istället för att ersätta kliniker tar chattboten på sig det rutinmässiga arbetet med informationsinsamling och dokumentation, vilket gör det möjligt för läkare att koncentrera sig på att lyssna, förklara och fatta nyanserade beslut. Även om större och mer diversifierade studier fortfarande behövs pekar denna prövning mot en framtid där noggrant samskapade chattbottar fungerar som förträdgårds‑guider—hjälper patienter att navigera komplexa sjukhus och hjälper kliniker att leverera mer patientcentrerad vård, även när varje minut räknas.

Citering: Tao, X., Zhou, S., Ding, K. et al. An LLM chatbot to facilitate primary-to-specialist care transitions: a randomized controlled trial. Nat Med 32, 934–942 (2026). https://doi.org/10.1038/s41591-025-04176-7

Nyckelord: AI inom vården, patientchattbottar, sjukhusflöde, remisser från primärvård, medicinsk samskapande