AI for klinikker og sundhedssektoren
Spørg en praktiserende læge, fysioterapeut, kiropraktor eller psykolog hvad der fylder mest efter sidste patient er gået hjem, og svaret er sjældent behandlingen. Det er journalnotaterne der skal skrives færdige, statusattesten til kommunen der har ligget i tre uger, henvisningerne der skal visiteres, og telefonen der ringede 40 gange i telefontiden mens sekretæren også skulle tage imod i receptionen. Administrationen æder typisk 30-40% af en behandlers arbejdsuge — tid der hverken skaber bedre behandling eller bedre bundlinje, men som journalføringspligten og afregningen kræver.
AI ændrer ikke behandlingen — den ændrer alt det udenom. Tale-til-tekst kombineret med sprogmodeller kan i dag omdanne en konsultation til et struktureret SOAP-notat med forslag til ydelseskoder, som behandleren blot skal læse igennem og godkende. En booking-assistent kan tage imod tidsbestillinger, ombookinger og de samme ti spørgsmål om priser, tilskud og forberedelse — døgnet rundt, uden telefonkø. Og attester, statusrapporter og epikriser kan få et solidt førsteudkast på sekunder i stedet for at hobe sig op. Fællesnævneren: AI laver udkastet, den autoriserede sundhedsperson godkender. Aldrig omvendt.
Men sundhedsdata er den strengest regulerede datakategori i Danmark. Helbredsoplysninger er særlige kategorier under GDPR artikel 9, tavshedspligten følger af sundhedsloven, og EU AI Act klassificerer visse sundhedsanvendelser som højrisiko. Det betyder ikke at AI er udelukket — det betyder at arkitekturen skal være ren fra dag ét: EU-region inference, databehandleraftale, ingen datalagring hos modeludbyderen, og patientsamtykke hvor det kræves. Det er præcis den slags arkitektur vi bygger.
Vores tilgang er at starte småt og måle ærligt: én use case, én behandler, fire uger. Vi tager tid på hvor mange minutter journal- eller attestarbejdet reelt falder, før noget rulles ud til hele klinikken. Virker det ikke målbart, skal I ikke betale for at skalere det.
Kender du det her?
Journalnotaterne bliver skrevet i frokostpausen eller efter sidste patient — og jo længere der går fra konsultationen, jo tyndere bliver notatet.
Telefonen gløder i telefontiden mandag morgen, og sekretæren skal både tage imod i receptionen, besvare opkald og håndtere e-konsultationer på samme tid.
Udeblivelser efterlader huller i behandlerkalenderen der aldrig bliver fyldt — og påmindelser sendes manuelt, hvis de overhovedet sendes.
Statusattester til kommunen og rapporter til forsikringsselskaber hober sig op, deadlines skrider, og udbetalinger til både klinik og patient forsinkes.
Indkomne henvisninger skal åbnes, læses og visiteres manuelt — og postkassen i journalsystemet flyder, så hastende tilfælde risikerer at vente i køen.
Patienterne stiller de samme spørgsmål igen og igen — ventetid, priser, tilskud fra "danmark", forberedelse til undersøgelsen — og hvert svar koster receptionen tid.
Løsninger vi bygger til branchen
Gennemtænkte, konkrete løsninger — fra problem til hvordan de bygges og hvad de typisk flytter.
AI-journalassistent: fra konsultation til godkendt SOAP-notat
Problemet
Dokumentationen stjæler behandlingstiden. En behandler bruger typisk 5-10 minutter pr. patient på at skrive notat — ofte forsinket til slut på dagen, hvor detaljerne er blegnet. Resultatet er både overarbejde og tyndere journaler end journalføringsbekendtgørelsen egentlig fortjener.
Løsningen
En løsning vi bygger til branchen: Med patientens samtykke optages konsultationen, og en dansk-optimeret tale-til-tekst-motor transkriberer den løbende. En sprogmodel strukturerer derefter samtalen i et SOAP-notat — eller klinikkens egen notatskabelon — og foreslår relevante ydelseskoder til afregningen. Behandleren får udkastet på skærmen umiddelbart efter konsultationen, retter de to-tre steder der skal justeres, og godkender. Først dér lægges notatet i journalsystemet, og lydoptagelsen slettes automatisk. Behandleren dikterer aldrig til en skærm — samtalen med patienten ER dokumentationen.
Sådan bygges den: Dansk tale-til-tekst + LLM med EU-region inference og zero data retention, samtykkeregistrering pr. patient, og integration til jeres journalsystem hvor der findes API — ellers et sikkert godkend-og-indsæt-flow ved siden af. Hostet i EU med fuld databehandleraftale.
📈 Typisk 5-10 minutter sparet pr. patient — for en behandler med 15-20 daglige konsultationer svarer det til 1-2 timer om dagen, og notaterne bliver skrevet samme time som konsultationen fandt sted.
AI-receptionist: booking og patientspørgsmål uden telefonkø
Problemet
Telefontiden er en flaskehals for både patienter og personale. Patienter der ikke kommer igennem, opgiver eller booker et andet sted, og sekretæren bruger størstedelen af dagen på opkald der handler om tidsbestilling, ombooking og de samme rutinespørgsmål.
Løsningen
Sådan bygger vi den: En AI-assistent på klinikkens hjemmeside — og efter behov på telefonen — tager imod tidsbestillinger døgnet rundt. Den kender jeres behandlere, behandlingstyper og varigheder, slår ledige tider op direkte i bookingsystemet og bekræfter aftalen med det samme. Den svarer på rutinespørgsmål om priser, tilskud, ventetider og forberedelse ud fra jeres eget materiale — og den finder aldrig på svar: Er den i tvivl, eller lyder henvendelsen klinisk (symptomer, forværring, akutte tilfælde), overleveres den straks til personalet med en klar besked om hvorfor. Om natten samler den bookinger og beskeder, så receptionen møder ind til en overskuelig liste i stedet for en fyldt telefonsvarer.
Sådan bygges den: Chat-widget (og evt. telefon-agent) bygget på en sprogmodel med RAG over jeres priser, behandlinger og praktiske info, integreret med jeres bookingsystem — fx EasyPractice eller journalsystemets kalender — via API. Klar eskalationsregel: klinisk indhold går altid til et menneske.
📈 Typisk håndteres 40-60% af henvendelserne uden at receptionen røres, og klinikken tager imod bookinger i de timer hvor patienterne faktisk sidder med telefonen — om aftenen.
Attest-fabrikken: udkast til statusattester og forsikringsrapporter
Problemet
Statusattester til kommunen, rapporter til forsikringsselskaber, epikriser og afslutningsnotater er lavstatus-arbejde med høje konsekvenser: De tager 20-45 minutter stykket, ligger altid nederst i bunken, og hver uges forsinkelse rammer patientens sagsbehandling og klinikkens likviditet.
Løsningen
En løsning vi bygger til branchen: Når en attest eller rapport skal skrives, udpeger behandleren de relevante journalnotater, og AI'en sammenfatter dem i modtagerens format — kommunens attestskabelon, forsikringsselskabets spørgeramme eller en klassisk epikrisestruktur. Udkastet citerer kun hvad der faktisk står i journalen; mangler der oplysninger for at kunne besvare et punkt, markeres det tydeligt i stedet for at blive udfyldt med gæt. Behandleren gennemgår, justerer det faglige skøn — som altid er behandlerens eget — og signerer. Det der før var en halv times skrivearbejde, bliver ti minutters gennemlæsning.
Sådan bygges den: Sprogmodel med RAG over de journalnotater behandleren selv udpeger til opgaven, plus et skabelonbibliotek for de attest- og rapporttyper klinikken oftest møder. EU-region inference, zero data retention og fuld sporbarhed for hvilke notater der indgik i hvilket udkast.
📈 Typisk halveres den administrative tid pr. attest eller rapport, og svartiden til kommune og forsikring falder fra uger til dage — hvilket også betyder hurtigere afregning.
Visiterings-assistent: henvisninger og indbakke under kontrol
Problemet
Indkomne henvisninger og e-konsultationer lander i én stor bunke, der skal åbnes og vurderes manuelt i den rækkefølge de kom ind. Det betyder at et hastende tilfælde kan ligge bag tyve rutinehenvendelser, og at visiteringen afhænger af hvem der tilfældigvis har tid til at tømme postkassen.
Løsningen
Sådan bygger vi den: AI'en læser hver indkommen henvisning og e-konsultation og for-sorterer den — behandlingstype, relevant behandler, og et forslag til hastegrad baseret på klinikkens egne visitationskriterier. Henvendelser med røde flag løftes øverst i bunken med en begrundelse, så visitator ser dem først. Til rutinespørgsmål i e-konsultationer foreslår systemet et svarudkast ud fra klinikkens standardsvar, som personalet kan godkende eller omskrive. Vigtigt: AI'en visiterer ikke selv — den sorterer og indstiller, og et menneske træffer hver eneste beslutning. Det er forskellen på et beslutningsstøtteværktøj og et højrisiko-system.
Sådan bygges den: Sprogmodel med RAG over klinikkens visitationskriterier og standardsvar, koblet på indbakken i jeres journalsystem hvor API eller eksport findes. Alle forslag logges med begrundelse, så I kan efterse hvordan systemet indstiller.
📈 Typisk falder visiteringstiden pr. henvisning markant, og — vigtigere — hastende tilfælde venter ikke længere bag rutinehenvendelser i køen.
Flere use cases
Journalnotater fra tale
Behandleren fører en almindelig samtale med patienten; AI transkriberer og strukturerer den i SOAP-format eller klinikkens egen skabelon, klar til godkendelse umiddelbart efter konsultationen.
📈 Typisk 5-10 minutter sparet pr. patient — og notater skrevet mens detaljerne er friske, ikke efter lukketid.
Booking og ombooking uden telefonkø
AI-assistent der booker, ombooker og besvarer spørgsmål om priser, tilskud og forberedelse direkte fra hjemmesiden — koblet på klinikkens kalender, døgnet rundt.
📈 Typisk 40-60% af henvendelserne håndteret uden receptionen — og bookinger også uden for telefontiden.
Intelligente påmindelser mod udeblivelser
Automatiske SMS-påmindelser med ét-kliks-bekræftelse og mulighed for selv at ombooke — og ledige tider tilbydes patienter på venteliste, så hullet i kalenderen fyldes.
📈 Udeblivelser falder typisk mærkbart, og aflyste tider bliver til behandlede patienter i stedet for tomme stole.
Visitering af henvisninger
Indkomne henvisninger læses, kategoriseres efter behandlingstype og foreslået hastegrad, og dirigeres til rette behandler — med et menneske der godkender hver beslutning.
📈 Kortere vej fra henvisning til første tid, og hastende tilfælde venter ikke bag rutinesager.
Patientinformation på rette læseniveau
AI genererer informationsark om behandlingsforløb, hjemmeøvelser og forberedelse ud fra klinikkens fagligt godkendte materiale — tilpasset patientens sprog og læseniveau.
📈 Patienter der forstår deres forløb, følger det bedre — og stiller færre opfølgende spørgsmål i telefonen.
Attest- og rapportudkast
Førsteudkast til statusattester, forsikringsrapporter og epikriser sammenfattet fra de journalnotater behandleren udpeger — struktureret efter modtagerens skabelon.
📈 Administrativ tid pr. attest typisk halveret, og hurtigere svar til kommune og forsikring.
ROI og forventninger
Hovedgevinsten i en klinik måles i timer, ikke kun kroner. En behandler der sparer 5-10 minutters dokumentation pr. patient, frigør typisk 5-10 timer om ugen — tid der enten bliver til 2-4 ekstra daglige patienttider eller, mindst lige så vigtigt, til at gå hjem til tiden. For en klinik med 4-5 behandlere taler vi typisk 25-50 frigjorte timer om ugen på tværs af journal, attester og reception. Regner man på kroner, ligger driftsomkostningen til AI typisk på nogle hundrede kroner pr. behandler pr. måned, mens den frigjorte tid — værdisat til klinikkens egen timepris eller ekstra ydelser — normalt tjener investeringen hjem på 2-4 måneder. Spændene er ærlige: Effekten afhænger af patientvolumen, hvor stor attest-byrden er, og hvor godt jeres booking- og journalsystem kan integreres.
Hvor man starter
- Vælg én use case og én behandler som pilot — journal-skrivning er typisk det bedste sted at starte, fordi effekten kan måles i minutter pr. patient
- Få compliance-fundamentet på plads FØR første patientdata sendes nogen steder: EU-region inference, databehandleraftale, zero data retention og samtykkeflow
- Kortlæg jeres systemlandskab — journalsystem, bookingsystem, indbakke — så integrationsmulighederne er kendte inden løsningen designes
- Mål før og efter i fire uger: minutter pr. notat, håndterede henvendelser, udeblivelsesprocent — og skalér kun det der beviseligt virker
Compliance og data
Sundhedsdata er den strengest regulerede datakategori i Danmark, og det skal arkitekturen afspejle. Helbredsoplysninger er særlige kategorier under GDPR artikel 9, og behandlingen kræver et klart retsgrundlag samt fuld databehandleraftale med enhver leverandør der ser data — inklusive AI-udbyderen. Vi bruger EU-region inference og zero data retention som ufravigeligt udgangspunkt. Dertil kommer sundhedslovens regler om tavshedspligt og videregivelse af helbredsoplysninger, journalføringsbekendtgørelsens krav til journalens indhold — hvor ansvaret altid ligger hos den autoriserede sundhedsperson, aldrig hos et AI-værktøj — og autorisationslovens pligter. Lydoptagelse af konsultationer kræver patientens samtykke og bør slettes straks efter transskription. EU AI Act klassificerer visse sundhedsanvendelser som højrisiko; de administrative anvendelser vi bygger (dokumentationsudkast, booking, sortering med menneskelig godkendelse) er bevidst designet så AI aldrig træffer kliniske beslutninger. Følg altid Datatilsynets vejledninger, og overvej certificerede sundheds-AI-leverandører til selve tale-til-journal-laget hvor det giver mening.
Ofte stillede spørgsmål
Må vi overhovedet sende patientdata til en AI-model?
Ja — hvis arkitekturen er rigtig. Helbredsoplysninger er særlige kategorier under GDPR artikel 9, så der kræves et klart retsgrundlag, en databehandleraftale med AI-udbyderen, EU-region inference og garanti for at data ikke gemmes eller bruges til træning (zero data retention). Lydoptagelse af konsultationer kræver desuden patientens samtykke. Det er præcis det fundament vi sætter op, før den første patientoplysning sendes nogen steder — og vi anbefaler altid en juridisk gennemgang som del af opstarten.
Hvem har ansvaret, hvis AI'en skriver noget forkert i journalen?
Det gør behandleren — og sådan skal det være. Journalføringspligten ligger hos den autoriserede sundhedsperson og kan ikke uddelegeres til software. Derfor er alt hvad vi bygger, designet som udkast-til-godkendelse: AI'en foreslår notatet, attesten eller visiteringen, og et menneske læser, retter og godkender, før noget bliver journal. AI'en er en effektiv sekretær, ikke en kollega med selvstændigt ansvar.
Mister patienterne det personlige, hvis en AI tager telefonen og skriver journalen?
Erfaringen peger på det modsatte. Journalassistenten betyder at behandleren kan se på patienten i stedet for skærmen under konsultationen, og booking-assistenten betyder at patienten faktisk kommer igennem — også kl. 21, hvor mange sidder med telefonen. AI'en overtager det administrative, aldrig det kliniske: Alt der lugter af symptomer, bekymring eller akut behov, sendes direkte til et menneske.
Vi bruger et bestemt journalsystem og bookingsystem — virker det sammen med dem?
Det afhænger af systemet, og det afklarer vi som noget af det første. Hvor der findes et API — som hos flere af de gængse booking- og journalsystemer i praksissektoren — integrerer vi direkte, så tider og notater lander automatisk. Hvor der ikke gør, bygger vi et sikkert godkend-og-indsæt-flow ved siden af, så gevinsten stadig hentes uden at I skal skifte system. Vi kræver aldrig at klinikken udskifter sit journalsystem for at komme i gang.
Hvad koster det, og hvornår tjener det sig hjem?
En pilot på én use case og én behandler er en afgrænset investering — se de aktuelle spænd på vores prisside. Driften ligger typisk på nogle hundrede kroner pr. behandler pr. måned i AI-forbrug. Regnestykket går op via tiden: Sparer en behandler 5-10 timer om ugen på journal og attester, er investeringen typisk tjent hjem på 2-4 måneder — og vi måler effekten i pilotperioden, så I ser tallene før I skalerer.
Relaterede guides
GDPR-kompatibel AI i danske SMB'er — det du faktisk skal have styr på
Praktisk guide til at implementere AI i en dansk virksomhed uden at krænke GDPR. EU AI Act, databehandleraftaler, EU-regioner, anonymisering — det hele her.
Sådan implementerer du en AI-chatbot i kundeservice (uden at den bliver pinlig)
Komplet guide til at bygge en kundeservice-bot der faktisk hjælper kunderne — fra valg af model til go-live og monitorering. Skrevet for danske virksomheder.
Vælg den rette LLM til din opgave: Claude vs GPT vs Gemini i 2026
Honest, opdateret sammenligning af de tre førende LLM-familier på de opgaver der betyder noget for danske virksomheder. Hvornår du vælger hvad, og hvornår du vælger en kombination.