Vol. 25 No. 44 (2026): Artificial Intelligence and health
Originalartikler

AI som beslutningsstøtte til fraktur i skadestuen? Billeddiagnostik, tidslighed og patientforløb i afprøvningen af fraktur-AI

PDF (Dansk)
  • Michal Frumer,
  • Maja Hojer Bruun,
  • Christina Egelund Antonsen
Michal Frumer
Regionshospitalet Horsens
DOI: https://doi.org/10.7146/tfss.v25i44.156610

Published 2026-06-26

Keywords

  • billeddiagnostik,
  • patientforløb,
  • fraktur-AI,
  • AI-systemer

How to Cite

Frumer, M., Bruun, M. H., & Antonsen, C. E. (2026). AI som beslutningsstøtte til fraktur i skadestuen? Billeddiagnostik, tidslighed og patientforløb i afprøvningen af fraktur-AI. Tidsskrift for Forskning I Sygdom Og Samfund - Journal of Research in Sickness and Society, 25(44), 48–75. https://doi.org/10.7146/tfss.v25i44.156610

Copyright (c) 2026 Michal Frumer, Maja Hojer Bruun, Christina Egelund Antonsen

Creative Commons License

This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License.

Abstract

Denne artikel undersøger afprøvningen af artificial intelligence (AI) i to danske skadestuer, hvor såkaldt fraktur-AI markerer mulige knoglebrud og ledskred på røntgenbilleder af blandt andet arme og ben. Baseret på etnografisk feltarbejde og interviews analyserer vi, hvordan AI som beslutningsstøtte praktiseres, fortolkes og anvendes i den kliniske hverdag. Vi argumenterer for, at fraktur-AI ikke blot er et teknisk redskab, men en del af et socioteknisk system, hvor teknologiens betydning og anvendelse formes af skadestuens tidslige logikker, organisatoriske rytmer og politiske forventninger. Analysen identificerer tre centrale tidsligheder i samspillet mellem AI og klinisk praksis: punktuering af tid, hvor diagnostiske processer forenkles til en binær vurdering af brud/ikke-brud; tempo, hvor AI legitimeres gennem forestillinger om effektivitet og optimering af ventetid; og AI-som-løfte, hvor forventninger til fremtiden bliver betydningsbærende trods manglende nutidig evidens.
Empirisk bidrager artiklen med indsigt i, hvordan AI-teknologier i praksis påvirker diagnostiske arbejdsgange og formes af og indgår i eksisterende faglige, organisatoriske og politiske interesser. Teoretisk argumenterer vi for, at AI som beslutningsstøtte adskiller sig fra tidligere algoritmiske styringsredskaber ved at mangle forankring i proces og klinisk kontekst, hvilket udfordrer selve forståelsen af beslutningsstøtte. Hermed tilbyder vi et analytisk blik på AI som en teknologi, der gør fremtiden styrende for nutidens praksisser og skaber nye former for organisatorisk og professionel autoritet i sundhedsvæsenet.

PDF (Dansk)

References

  1. Albinus, N.-B. (2022). Mangel på specialiserede radiologer driver væksten hos TMC. https://dagensmedicin.dk/mangel-paa-specialiserede-radiologer-driver-vaeksten-hos-tmc/
  2. Anichini, G., Natali, C., & Cabitza, F. (2024). Invisible to Machines: Designing AI that Supports Vision Work in Radiology. Computer Supported Cooperative Work (CSCW), 33(4), 993-1036. https://doi.org/10.1007/s10606-024-09491-0
  3. Berg, M. (1997). Rationalizing Medical Work: Decision-Support Techniques and Medical Practices. MIT Press.
  4. Bowker, G. C. & Star, S. L. (1999). Sorting things out: Classification and its consequences. MIT Press.
  5. Brown, N., & Michael, M. (2003). A Sociology of Expectations: Retrospecting Prospects and Prospecting Retrospects. Technology Analysis & Strategic Management, 15(1), 3-18. https://doi.org/10.1080/0953732032000046024
  6. Bruun, M. H., Antonsen, C. E., & Frumer, M. (2026, under udgivelse). The Role of AI in Clinical Learning: Revealing Tensions Between Patient Flow and Competence Development. I L. Smirnova & I. Engeness (red.), Sociocultural Perspectives on AI-Enhanced Learning. Springer.
  7. Dansk Selskab for Patientsikkerhed. (2015). Sikkert Patientflow – Erfaringer fra et forbedringsprojekt. https://patientsikkerhed.dk/projekter/sikkert-patientflow/
  8. Dansk Selskab for Patientsikkerhed. (2023). Digital sundhedsfaglig behandling – pligter og ansvar. En guide til sundheds-faglige behandlingssteder. https://stps.dk/udgivelser/2023/okt/guide-om-digital-sundhedsfaglig-behandling
  9. Danske Regioner. (2025). 40,6 mio. kr. til at brede kunstig intelligens-løsninger ud til flere dele af landet. https://www.regioner.dk/services/nyheder/2025/februar/40-6-mio-kr-til-at-brede-kunstig-intelligens-loesninger-ud-til-flere-dele-af-landet/
  10. Digitaliseringsministeriet. (2025). Mere tid til det vigtige. Målbillede for udrulning og anvendelse af kunstig intelligens i den offentlige sektor. https://www.digmin.dk/digitalisering/publikationer/2025/mere-tid-til-det-vigtige-maalbillede-for-udrulning-og-anvendelse-af-kunstig-intelligens-i-den-offentlige-sektor
  11. Frumer, M. (2023). “Keeping an Eye on It”: Infrastructures of Lung Cancer Uncertainty and Certainty. In R. S. Andersen & M. L. Tørring (Eds.), Cancer Entangled: Anticipation, Acceleration, and the Danish State. Rutgers University Press.
  12. Hammersley, M. & Atkinson, P. (2019). Ethnography: Principles in Practice. Routledge.
  13. Hoeyer, K. (2023). Data Paradoxes: The Politics of Intensified Data Sourcing in Contemporary Healthcare. MIT Press.
  14. Huisman, M., Ranschaert, E., Parker, W., et al. (2021). An international survey on AI in radiology in 1041 radiologists and radiology residents part 2: expectations, hurdles to implementation, and education. European Radiology, 31(11), 8797-8806. https://doi.org/10.1007/s00330-021-07782-4
  15. Justesen, L. & Plesner, U. (2025). Digitalisering og usynligt arbejde. Hans Reitzels Forlag.
  16. Katal, S., York, B., & Gholamrezanezhad, A. (2024). AI in radiology: From promise to practice − A guide to effective integration. European Journal of Radiology, 181, 111798. https://doi.org/https://doi.org/10.1016/j.ejrad.2024.111798
  17. Khalifa, M., & Albadawy, M. (2024). AI in diagnostic imaging: Revolutionising accuracy and efficiency. Computer Methods and Programs in Biomedicine Update, 5, 100146. https://doi.org/https://doi.org/10.1016/j.cmpbup.2024.100146
  18. Kidwai, A. S. (2023). The new radiology landscape: Teleradiology and AI. https://www.solventum.com/en-us/home/health-information-technology/resources-education/blog/2023/5/the-new-radiology-landscape-teleradiology-and-ai/
  19. Kristensen, D. B. (2025). Professor: Brystkræftscreening med AI giver hurtigere resultater, men det øger risikoen for fejl. https://www.altinget.dk/digital/artikel/professor-brystkraeftscreening-med-ai-giver-hurtigere-resultater-men-det-oeger-risikoen-for-fejl
  20. Lebovitz, S., Lifshitz-Assaf, H., & Levina, N. (2022). To Engage or Not to Engage with AI for Critical Judgments: How Professionals Deal with Opacity When Using AI for Medical Diagnosis. Organization Science, 33(1), 126-148. https://doi.org/10.1287/orsc.2021.1549
  21. Lombi, L., & Rossero, E. (2024). How artificial intelligence is reshaping the autonomy and boundary work of radiologists. A qualitative study. Sociology of Health & Illness, 46(2), 200-218. https://doi.org/https://doi.org/10.1111/1467-9566.13702
  22. McCollough, C. H., & Rajiah, P. S. (2023). Milestones in CT: Past, Present, and Future. Radiology, 309(1), e230803. https://doi.org/10.1148/radiol.230803
  23. Nisgaard, A., & Nielsen, S. A. (2025). Kan du finde fejlen på billedet? AI kan - og det kan få betydning for din næste tur på skadestuen. https://www.dr.dk/nyheder/viden/teknologi/kan-du-finde-fejlen-paa-billedet-ai-kan-og-det-kan-faa-betydning-din-naeste
  24. Olsen, T. L., Martensen, M. M., Yding, H., & Futtrup, L. R. (2023). Minister vil bruge kunstig intelligens og rollebytte til at løse mangel på radiologer og radiografer. https://www.dr.dk/nyheder/indland/minister-vil-bruge-kunstig-intelligens-og-rollebytte-til-loese-mangel-paa-radiologer
  25. Pesapane, F., Codari, M., & Sardanelli, F. (2018). Artificial intelligence in medical imaging: threat or opportunity? Radiologists again at the forefront of innovation in medicine. European Radiology Experimental, 2(1), 35. https://doi.org/10.1186/s41747-018-0061-6
  26. Pfaffenberger, B. (1992). Social Anthropology of Technology. Annual Review of Anthropology, Vol 21: 491-516. https://doi.org/https://doi.org/10.1146/annurev.an.21.100192.002423
  27. Redaktionen. (2024). Kunstig intelligens sænker ventetid og fejlrate på nordjyske skadestuer. https://sundhedspolitisktidsskrift.dk/nyheder/behandlinger/8611-kunstig-intelligens-saenker-ventetid-og-fejlrate-pa-skadestuer.html
  28. Regeringen. (2019). National strategi for kunstig intelligens. https://regeringen.dk/nyheder/2019/national-strategi-for-kunstig-intelligens/
  29. Regeringen. (2024). Strategisk indsats for kunstig intelligens. https://www.digmin.dk/digitalisering/publikationer/2024/strategisk-indsats-for-kunstig-intelligens-et-styrket-fundament-for-ansvarlig-udvikling-og-anvendelse-af-kunstig-intelligens-i-danmark
  30. Region Nordjylland. (2023). Kunstig intelligens afgør røntgenbilleder og giver mindre kø på skadestuen. https://rn.dk/service/nyhedsbase-rn/2023/06/kunstig-intelligens-afgoer-roentgenbilleder-og-giver-mindre-koe-paa-skadestuen
  31. Saunders, B. F. (2008). CT Suite: The Work of Diagnosis in the Age of Noninvasive Cutting. Duke University Press.
  32. Seaver, N. (2017). Algorithms as culture: Some tactics for the ethnography of algorithmic systems. Big Data & Society, 4(2), 2053951717738104. https://doi.org/10.1177/2053951717738104
  33. Star, S. L. (1999). The Ethnography of Infrastructure. American Behavioral Scientist, 43(3), 377-391. https://doi.org/10.1177/00027649921955326
  34. Star, S. L. & Strauss, A. (1999). Layers of Silence, Arenas of Voice: The Ecology of Visible and Invisible Work. Computer Supported Cooperative Work (CSCW), 8(1-2), 9-30. https://doi.org/10.1023/A:1008651105359
  35. Stevens, M., Wehrens, R., & de Bont, A. (2018). Conceptualizations of Big Data and their epistemological claims in healthcare: A discourse analysis. Big Data & Society, 5(2). https://doi.org/10.1177/2053951718816727
  36. Suchman, L. (1987). Plans and Situated Actions. The problem of human-machine communication. Cambridge University Press.
  37. Timmermans, S., & Berg, M. (2003). The gold standard: the challenge of evidence-based medicine and standardization in health care. Temple University Press.
  38. Topol, Eric J. (2019). Deep Medicine : How Artificial Intelligence Can Make Healthcare Human Again. Basic Books.
  39. Tutton, R. (2011). Promising pessimism: Reading the futures to be avoided in biotech. Social Studies of Science, 41(3), 411-429. https://doi.org/10.1177/0306312710397398
  40. Tørring, M. L. (2023). The Waiting Time Paradox: Intensifying Public Discourses on the Vital Character of Cancer Waiting Times. In R. S. Andersen & M. L. Tørring (Eds.), Cancer Entangled: Anticipation, Acceleration, and the Danish State (pp. 23-41). Rutgers University Press.
  41. US Food & Drug Administration. (2025). Artificial Intelligence and Machine Learning (AI/ML)-Enabled Medical Devices. https://www.fda.gov/medical-devices/software-medical-device-samd/artificial-intelligence-and-machine-learning-aiml-enabled-medical-devices
  42. Watson, A., & Wozniak-O’Connor, V. (2025). The promise of artificial intelligence in health: Portrayals of emerging healthcare technologies. Sociology of Health & Illness, 47(1), e13840. https://doi.org/https://doi.org/10.1111/1467-9566.13840
  43. Witten, P. (2024). Kunstig intelligens på skadestuen: Ventetiden reduceret med 60 minutter. https://nordjyske.dk/nyheder/nordjylland/har-du-braekket-benet-saadan-har-skadestuen-mindsket-ventetiden/4792228