Händelseanalys- och lärandesystem med artificiell intelligens för att förbättra patientsäkerhet och vårdkvalitet

Varför smartare genomgångar av incidenter spelar roll för patienter

Bakom varje säker cancerbehandling finns ett osynligt lager av kontroller, dubbelkontroller och lärande från nära‑missar. Strålbehandling är mycket exakt, men dess komplexa, team‑baserade arbetsflöden lämnar utrymme för små misstag som kan få stora konsekvenser. Sjukhusen samlar redan in tusentals rapporter om nära‑missar och mindre störningar, men att gå igenom dessa berättelser manuellt är långsamt och inkonsekvent. Den här artikeln beskriver ett nytt system baserat på artificiell intelligens som hjälper experter att snabbt analysera incidentrapporter, upptäcka dolda mönster i hur och varför saker går fel och omvandla den kunskapen till säkrare vård.

Från mänskliga berättelser till systematiskt lärande

När något ovanligt inträffar under en strålbehandling — till exempel en förvirrande instruktion, en försening eller en nära‑miss — skriver vårdpersonalen en narrativ rapport med egna ord. Traditionellt läser kvalitets‑ och säkerhetsteam varje berättelse, avgör vad som gick fel och kartlägger det enligt en människofaktorsram kallad HFACS, som bryter ner bidragande orsaker från frontlinjens misstag till djupare organisatoriska problem. Denna metod är kraftfull men tidsödande, särskilt i stressade cancercentrum där tusentals incidenter loggas, de flesta utan skada men ändå fyllda av lärdomar. Det nya systemet för incidentanalys och lärande med artificiell intelligens (AI‑ILS) syftar till att stödja dessa team genom att automatisera stora delar av klassificeringsarbetet samtidigt som expertgranskning bevaras.

Rensa och klargöra incidenternas språk

Innan en algoritm kan förstå en incidentberättelse måste texten både vara säker att dela och tydlig i betydelsen. AI‑ILS tar först bort personuppgifter — såsom namn, datum och journalnummer — med hjälp av specialiserade språkmodeller tränade att känna igen känslig information i medicinsk text. Därefter utvidgas medicinska förkortningar och lokal jargong till klarare uttryck, så att akronymer som "DIBH" eller yrkesspecifika förkortningar tolkas korrekt. Denna tvåstegsberedning gör rapporterna anonyma och lättare för huvudmodellen att förstå, samtidigt som den ursprungliga strukturen och avsikten i berättelsen bevaras, vilket är avgörande för att korrekt bedöma vad som gick fel.

Lära en AI att se djupare orsaker

I systemets kärna finns en stor språkmodell finjusterad på 1 548 noggrant konstruerade exempelrapporter. Ett tvärvetenskapligt team — inklusive fysiker, sjuksköterskor, terapeuter, dosimetrister och läkare — skrev dessa exempel för att täcka ett brett spektrum av problem över HFACS fyra nivåer: osäkra handlingar, förutsättningar (som bemanning eller miljö), tillsyn och bredare organisatoriska faktorer. Modellen tränades i fyra parallella grenar, en för varje nivå, med ett tillagt alternativ "inget av ovanstående" för att undvika att pressa in varje berättelse i en olämplig kategori. Efter finjusteringen förbättrades modellens prestation dramatiskt: dess förmåga att skilja rätt från fel etiketter (mätt med standardmått för noggrannhet och korrelation) gick från ungefär slumpnivå till stark överensstämmelse med expertbedömningar.

Testning av systemet i verkliga kliniker

Forskarna tillämpade sedan AI‑ILS på 350 verkliga incidentrapporter från ett stort cancercentrums interna säkerhetsdatabas. Genom att jämföra dess klassificeringar med erfarna medicinska fysikers bedömningar fann de cirka 79 % strikt överensstämmelse och nästan 88 % överensstämmelse när tveksamma fall räknades som "möjligen acceptabla". Systemet arbetade mycket snabbare än människor: det kunde helt bearbeta och klassificera en incident på cirka fem sekunder, medan granskare behövde omkring två och en halv minut per fall. Ett enkelt chattliknande gränssnitt låter kliniker se hur AI:n tolkade en rapport, ställa följdfrågor och bättre förstå varför en viss orsak föreslogs, vilket gör verktyget till en partner snarare än en svart låda.

Vad detta innebär för säkrare vård

Denna studie tyder på att ett noggrant anpassat AI‑system pålitligt kan stödja experter i att förstå stora mängder säkerhetsrapporter och frigöra tid för djupare utredning och åtgärder. I stället för att ersätta mänskligt omdöme organiserar och standardiserar AI‑ILS incidentmönster över frontlinjefel, arbetsförhållanden, tillsyn och organisatoriska rutiner. Med bredare användning och större, multicenter‑datamängder skulle liknande verktyg kunna hjälpa sjukhus att gå från reaktiva åtgärder efter att något gått fel till proaktiva, datadrivna förbättringar i hur vård levereras — i tysthet minska förebyggbar skada och göra komplexa behandlingar som strålbehandling säkrare för patienter överallt.

Citering: Jinia, A.J., Chapman, K., Liu, S. et al. Artificial intelligence-based incident analysis and learning system to enhance patient safety and improve treatment quality. npj Digit. Med. 9, 254 (2026). https://doi.org/10.1038/s41746-026-02390-2

Nyckelord: patientsäkerhet, strålbehandling, incidentrapportering, artificiell intelligens, människofaktorer