Norge har gjort betydelige fremskritt innen implementering av kunstig intelligens (AI) i radiologi. Basert på erfaringer fra storskala implementeringer ved flere sykehus i Helse Sør-Øst, har vi anskaffet tre AI-plattformer som gjør de fleste CE-merkede AI-løsninger innen radiologi tilgjengelige for hele den norske spesialisthelsetjenesten. Dette opplegget beskriver de praktiske implikasjonene og hvordan sykehusene samarbeider om validering av AI-løsningene.

Sommeren 2023 markerte et gjennombrudd da Vestre Viken HF implementerte en AI-løsning for deteksjon av benbrudd i sin daglige kliniske praksis. Dette var den første storskala implementeringen av AI i norsk helsetjeneste. Den foreløpige bruken av løsningen har resultert i omkring 6000 sparte legekonsultasjoner årlig (Hersvik et al. 2025), og merk at Vestre Viken kun dekker cirka 9% av Norges befolkning. Suksessen har vekket stor interesse fra andre sykehus både i Helse Sør-Øst og resten av landet. For å møte behovet for flere radiologiske AI-løsninger, har vi valgt en skybasert plattform som kobler RIS/PACS-systemet med AI-løsningene. Dette gir fleksibilitet i et dynamisk marked for CE-merkede AI-løsninger.

Helse Sør-Øst har, basert på erfaringer og behov fra hele landet, anskaffet tre plattformer for radiologiske AI-løsninger. De andre helseregionene har opsjon på avtalen, som gir tilgang til over 200 CE-merkede løsninger (dokumentert i Health AI Register) for alle norske sykehus.

Selv om den tekniske implementeringen av AI-løsningene har vist seg overkommelig, krever det organisatoriske arbeidet betydelig innsats for å realisere gevinstene. Dette adresseres gjennom et regionalt klinisk fagnettverk for AI i bildediagnostikk. En sentral utfordring er validering av AI-løsningene. CE-merkede AI-løsninger er trent på datasett som ikke nødvendigvis er representative for lokale forhold, og må derfor kvalitetssikres, typisk gjennom prospektive og/eller retrospektive studier.

De felles nasjonale infrastruktur og tverrregionale faglige fora gjør det mulig å dele valideringsresultater mellom sykehus, noe som reduserer behovet for lokalt valideringsarbeid. Selv om studier av løsningenes ytelse (spesifisitet og sensitivitet) er viktige, bør fokuset skifte fra små, lokale studier til faktisk implementering av løsninger som gir konkrete resultater.

Vår strategi for å akselerere gevinstene fra AI-løsninger innen radiologi bygger på to hovedpilarer: nasjonalt tilgjengelige plattformer og etablerte fora for erfaringsutveksling og deling av valideringsresultater.