Årg. 25 Nr. 44 (2026): Kunstig Intelligens og sundhed
Introduktionsartikler

Kunstig Intelligens og sundhed: En introduktion

  • Claus Bossen,
  • Maja Hojer Bruun,
  • Sune Hannibal Holm
DOI: https://doi.org/10.7146/tfss.v25i44.168732

Publiceret 2026-06-26

Nøgleord

  • Kunstig intelligens,
  • Sundhed,
  • AI-systemer

Citation/Eksport

Bossen, C., Bruun, M. H., & Holm, S. H. (2026). Kunstig Intelligens og sundhed: En introduktion. Tidsskrift for Forskning I Sygdom Og Samfund, 25(44), 5–18. https://doi.org/10.7146/tfss.v25i44.168732

Copyright (c) 2026 Claus Bossen, Maja Hojer Bruun, Sune Hannibal Holm

Creative Commons License

Dette værk er under følgende licens Creative Commons Navngivelse –Ikke-kommerciel (by-nc).

Resumé

Det er næppe undgået nogens opmærksomhed, at kunstig intelligens – eller Artificial Intelligence (AI) – er kommet til det danske sundhedsvæsen. Kunstig intelligens er siden 2010’erne gået ind i sin ‘tredje sommer’, og det er sidenhen kun blevet varmere. Den første varme interesse – heraf metaforen ‘sommer’ – kom i årene lige efter Anden Verdenskrig, men efter en ti års tid kølnedes interessen, da feltet syntes at stå i stampe og gik ind i en ‘vinter’-periode. Større computerkraft førte til den anden sommer fra midt-1970’erne til midt-1980’erne igen efterfulgt af en vinter, hvor interessen for kunstig intelligens var minimal (Kautz, 2022). Den tredje sommer startede først i forskningskredse og store IT-firmaer (Meta, Google, m.fl.) efterfulgt af store private investeringer og offentlige forskningsbevillinger. De store sprogmodeller (Large Language Models) udvikledes i 2010’erne med
BERT, ChatGPT 1 og 2, BART og Llama m.fl., og er blevet mere og mere avancerede. Det store gennembrud for kunstig intelligens i offentligheden kom med lan-ceringen i 2022 af frit tilgængelige platforme for såkaldte generative systemer såsom ChatGPT, der producerer tekst, og Dall-E, der producerer billeder. I løbet af ganske få år er kunstig intelligens kommet ind i mange forskellige aspekter af vores arbejds- og fritidsliv. Visioner om, hvordan kunstig intelligens kan forbedre stort set alle områder af vores samfund, lanceres vedvarende med stor entusiasme.

Referencer

  1. Amann, J., Vetter, D., Blomberg, S. N., Christensen, H. C., Coffee, M., Gerke, S., et al. (2022). To explain or not to explain? —Artificial intelligence explainability in clinical decision support systems. PLOS Digital Health, 1(2), e0000016. https://doi.org/10.1371/journal.pdig.0000016
  2. Angwin, J., Larson, J., Mattu, S., & Kirchner, L. (2016). Machine bias: There’s software used across the country to predict future criminals and it’s biased against blacks. ProPublica. https://www.propublica.org/article/machine-bias-risk-assessments-in-criminal-sentencing
  3. Barredo Arrieta, A., Díaz-Rodríguez, N., Del Ser, J., Bennetot, A., Tabik, S., Barbado, A., Garcia, S., Gil-Lopez, S., Molina, D., Benjamins, R., Chatila, R., & Herrera, F. (2020). Explainable Artificial Intelligence (XAI): Concepts, taxonomies, opportunities and challenges toward responsible AI. Information Fusion, 58, 82–115. https://doi.org/10.1016/j.inffus.2019.12.012
  4. Barley, S. R. (1986). Technology as an occasion for structuring: Evidence from observations of CT scanners and the social order of radiology departments. Administrative Science Quarterly, 31(1), 78–108. https://doi.org/10.2307/2392767
  5. Cresswell, K., Williams, R., Dungey, S., Anderson, S., Bernabeu, M. O., Mozaffar, H., Yang, X., Sai, V., Bea, S., & Eason, S. (2025). A mixed methods formative evaluation of the United Kingdom National Health Service Artificial Intelligence Lab. Digital Medicine, 8(1), 448. https://doi.org/10.1038/s41746-025-01835-2
  6. Danske Regioner. (2024). Udspil: Om kunstig intelligens. Vi skal skabe et godt og effektivt sundhedsvæsen ved brug af kunstig intelligens.
  7. Deloitte. (2024). Evaluering af AI-signaturprojekter. Digitaliseringsstyrelsen, Kommunernes Landsforening og Danske Regioner.
  8. Den Europæiske Union. (2024). Europa-Parlamentets og Rådets Forordning om harmoniserede regler for kunstig intelligens og om ændring af forordning (EF) nr. 300/2008, (EU) nr. 167/2013, (EU) nr. 168/2013, (EU) 2018/858, (EU) 2018/1139 og (EU) 2019/2144 samt direktiv 2014/90/EU, (EU) 2016/797 og (EU) 2020/1828 (forordningen om kunstig intelligens). https://eur-lex.europa.eu/legal-content/DA/TXT/?uri=CELEX:32024R1689
  9. Digitaliseringsstyrelsen. (2019). National strategi for kunstig intelligens. https://digst.dk/media/19302/national_strategi_for_kunstig_intelligens_final.pdf
  10. Europa-Kommissionen. (2025). Forslag til Europa-Parlamentets og Rådets Forordning om ændring af forordning (EU) 2024/1689 og (EU) 2018/1139 for så vidt angår forenkling af gennemførelsen af harmoniserede regler om kunstig intelligens (digital omnibus om kunstig intelligens).
  11. Ghassemi, M., Oakden-Rayner, L., & Beam, A. (2021). The false hope of current approaches to explainable artificial intelligence in health care. The Lancet Digital Health, 3(11), e745–e750. https://doi.org/10.1016/S2589-7500(21)00208-9
  12. High-Level Expert Group on Artificial Intelligence. (2019). Ethics guidelines for trustworthy AI. European Commission. https://ec.europa.eu/futurium/en/ai-alliance-consultation.1.html
  13. Hoeyer, K. (2023). Data paradoxes: The politics of intensified data sourcing in contemporary healthcare. MIT Press.
  14. Holm, S. (2023). On the justified use of AI decision support in evidence-based medicine: Validity, explainability, and responsibility. Cambridge Quarterly of Healthcare Ethics, 33(3), 1–7. https://doi.org/10.1017/S0963180123000324
  15. Jensen, V. V. (2025). Forsker: Skal AI transformere sundhedsvæsenet, må vi se ud over tidsbesparelser. Altinget. https://www.altinget.dk/digital/artikel/forsker-skal-ai-trans
  16. formere-sundhedsvaesenet-maa-vi-se-ud-over-tidsbesparelser
  17. Kautz, H. (2022). The third AI summer. AI Magazine, 43(1), 105–125. https://doi.org/10.1002/aaai.12036
  18. Kristensen, D. B. (2025, January 15). Professor: Brystkræftscreening med AI giver hurtigere resultater, men det øger risikoen for fejl. Altinget. https://www.altinget.dk/digital/artikel/professor-brystkraeftscreening-med-ai-giver-hurtigere-resultater-men-det-oeger-risikoen-for-fejl
  19. Latour, B. (1999). Pandora’s hope: Essays on the reality of science studies. Harvard University Press.
  20. Lauritzen, A. D., Rodríguez-Ruiz, A., von Euler-Chelpin, M. C., Lynge, E., Vejborg, I., Nielsen, M., & Lillholm, M. (2022). An artificial intelligence–based mammography screening protocol for breast cancer: Outcome and radiologist workload. Radiology, 304(1), 41–49. https://doi.org/10.1148/radiol.210948
  21. Obermeyer, Z., Powers, B., Vogeli, C., & Mullainathan, S. (2019). Dissecting racial bias in an algorithm used to manage the health of populations. Science, 366(6464), 447–453. https://doi.org/10.1126/science.aax2342
  22. Perez, C. C. (2019). Invisible women: Data bias in a world designed for men. Abrams Press.
  23. Regeringen, KL og Danske Regioner. (2025). Mere tid til det vigtige. Målbillede for udrulning og anvendelse af kunstig intelligens i den offentlige sektor.
  24. Rosen, A. W., Ose, I., Gögenur, M., Andersen, L. P. K., Bojesen, R. D., Vogelsang, R. P., & Gögenur, I. (2025). Clinical implementation of an AI-based prediction model for decision support for patients undergoing colorectal cancer surgery. Nature Medicine, 31(11), 3737–3748. https://doi.org/10.1038/s41591-025-03612-4
  25. Suchman, L. (2023). The uncontroversial ‘thingness’ of AI. Big Data & Society, 10(2), 1–5. https://doi.org/10.1177/20539517231206794
  26. Sundhedsdatastyrelsen. (2018). Strategi for digital sundhed 2018–2022. https://sundhedsdatastyrelsen.dk/da/strategier-og-projekter/strategi-for-digital-sundhed
  27. Svensson, A. M., & Jotterand, F. (2022). Doctor ex machina: A critical assessment of the use of artificial intelligence in health care. The Journal of Medicine and Philosophy, 47(1), 155–178. https://doi.org/10.1093/jmp/jhab036
  28. Tupasela, A., Snell, K., & Tarkkala, H. (2020). The Nordic data imaginary. Big Data & Society, 7(1), 1–11. https://doi.org/10.1177/2053951720907107
  29. Vetter, D., Amann, J., Bruneault, F., et al. (2023). Lessons learned from assessing trustworthy AI in practice. Data and Information Science, 2, 35. https://doi.org/10.1007/s44206-023-00063-1
  30. Vikkelsø, S. (2005). Subtle redistribution of work, attention and risks: Electronic patient records and organisational consequences. Scandinavian Journal of Information Systems, 17(1), 3–30.
  31. Wen, D., Soltan, A., Trucco, E., & Matin, R. N. (2024). From data to diagnosis: Skin cancer image datasets for artificial intelligence. Clinical and Experimental Dermatology, 49(7), 675–685. https://doi.org/10.1093/ced/llae112
  32. Zając, H. D., Li, D., Dai, X., Carlsen, J. F., Kensing, F., & Andersen, T. O. (2023). Clinician-facing AI in the wild: Taking stock of the sociotechnical challenges and opportunities for HCI. ACM Transactions on Computer-Human Interaction, 30(2), 1–39. https://doi.org/10.1145/3571810