AI endrer norsk helsevesen nå. Teknologien flytter seg fra pilot til praksis. Pasienter forventer rask og trygg behandling. Klinikere trenger støtte som sparer tid og øker kvalitet.

Norge har sterke helsedata og tydelig offentlig styring. Det gir gode vilkår for ansvarlig AI. Fra radiologi til beslutningsstøtte kan systemer finne mønstre og kutte ventetid. Gevinstene kan merkes i hele pasientforløpet.

Denne artikkelen viser veien videre. Den dekker mulige gevinster risiko og krav til personvern. Den forklarer hva ledere og fagmiljø må gjøre for å skalere trygg AI i norsk helsetjeneste.

Fremtiden For AI I Norsk Helsevesen: En Kritisk Gjennomgang

Denne delen vurderer moden bruk av AI i norsk helsevesen med fokus på trygge gevinster og styring. Analysen kobler pasientsikkerhet, dataforvaltning og regulering.

Vurderingskriterier For Denne Anmeldelsen

• Pasientsikkerhet og effekt, med dokumenterte kliniske endepunkter som mortalitet, reinnleggelse, diagnostisk presisjon, tidsgevinst per pasient, referanse Helsedirektoratet 2023, NICE 2022
• Datakvalitet og representativitet, med dekningsgrad over 90% i norske registre som NPR og Kreftregisteret, referanse Helsedirektoratet 2022
• Personvern og etterlevelse, med DPIA gjennomført, innebygd personvern, pseudonymisering, logging, referanse Datatilsynet 2024, EDPB 2020
• Algoritmestyring og robusthet, med risikoklasse høy under EU AI Act tittel III, driftsovervåking, modellversjonering, referanse EU 2024
• Interoperabilitet og skalerbarhet, med FHIR R4 støtte, sikker API, standardisert terminologi SNOMED CT og ICD 10, referanse Direktoratet for e helse 2023
• Klinisk integrasjon og arbeidsflyt, med godkjent ansvarslinje, beslutningsstøttemerking, auditspor, referanse Helse Sør Øst 2023
• Likeverd og biaskontroll, med subgruppeanalyse etter kjønn, alder, etnisitet der tilgjengelig, fairness indikatorer, referanse WHO 2021
• Gevinstrealisering og kost nytte, med HTA metode, ICER og TTO målinger, budsjettpåvirkning over 3 år, referanse Folkehelseinstituttet 2021

Kilder, Metodikk Og Avgrensninger

Denne gjennomgangen bygger på offentlige kilder, fagfellevurdert litteratur og regulatoriske rammer i Norge og EØS. Metoden kombinerer dokumentanalyse, kriteriebasert skåring og eksempelgjennomgang av kliniske domener som radiologi, patologi, triage og administrativ saksbehandling. Vurderingen benytter eksplisitte terskler for datakvalitet, etterlevelse og klinisk effekt med triangulering mot registerdata og retningslinjer. Utvalget omfatter nasjonale styringsdokumenter, EU regelverk og sandbox erfaringer. Dekningen inkluderer spesialisthelsetjenesten og kommunale tjenester der data foreligger. Tidsavgrensningen ligger i perioden 2019 til 2025. Interessenter omfatter pasienter, klinikere, ledere, leverandører og myndigheter. Begrensninger oppstår ved manglende publiserte RCT er, ufullstendige biasdata og variasjon i lokal implementering. Kildeliste inkluderer Helsedirektoratet, Helsepersonellkommisjonen, Direktoratet for e helse, Datatilsynet, Folkehelseinstituttet, EU og WHO.

Kilde	År
Nasjonal helse og samhandlingsplan, HOD	2024
NOU 2023 4 Tid for handling	2023
EU AI Act konsolidert tekst	2024
Datatilsynet Sandbox rapporter	2020–2024
Helsedirektoratet retningslinjer og registre	2021–2024
WHO Ethics and governance of AI for health	2021

Status I Dag Og Viktigste Drivere

Norsk helsevesen bruker KI i klinikk og forvaltning i økende skala. Drivere er pasientsikkerhet, kapasitet, og presisjon i behandling.

Infrastruktur, Data Og Kompetanse

Norsk infrastruktur for helsedata er sterk. Registerdata fra NPR, Kreftregisteret, og Reseptregisteret gir stor bredde [1]. Kliniske datakilder styrker modellkvalitet. Bildedata fra radiologi og patologi muliggjør presis beslutningsstøtte [3]. Digitale førstelinjetjenester som chatboter for korona avlastet personell og økte tilgjengelighet [1]. Språkmodeller tilpasset norsk støtter journalføring og triage [2][4].

Tiltak prioriterer standarder, kvalitet og deling. Felles metadata og kodeverk øker interoperabilitet [2]. Federert læring beskytter personvern ved lokal modelltrening [1]. Sikker plattformdrift krever tilgangsstyring, logging, og robust anonymisering [2]. Kompetansebygging løfter klinikere og ledere. Tverrfaglige team gir trygg innføring. Kurs og simuleringer dekker modellforståelse, skjevheter, og risikostyring [2]. Styringsmekanismer for algoritmer sikrer ansvarlighet. Kontinuerlig monitorering fanger driftsavvik og ytelsesfall [1].

Økonomiske Insentiver Og Offentlige Satsinger

Nasjonal politikk for KI i helse er tydelig. Offentlige investeringer kobler forskning, pilotering, og skalering [2]. Helsedirektoratets felles plan gir felles rammer og tempo [2]. Europeisk samarbeid styrker markedstilgang og standarder [2].

• Finansiering: Innovasjonsmidler fra regionale helseforetak, Forskningsrådet, og EU-programmer gir effektive løp fra idé til implementering, som radiologi‑triage og persontilpasset kreftbehandling [2][3].
• Metodikk: Helseteknologivurderinger vurderer nytte, kostnad, og etikk for klinisk innføring, med fokus på likeverd og ikke‑diskriminering [2].
• Regulering: Personvern, datastrategi, og algoritmestyring forankres i styringssystemer, etter prinsipper fra nasjonale retningslinjer [1][2].

Tiltak	Periode	Formål
Joint AI plan 2024‑2025	2024‑2025	Trygg og effektiv bruk av KI i helse og omsorg [2]
Standardisering og språkmodeller	2023‑2025	Norsktilpasset KI og bedre interoperabilitet [2][4]

Bruksområder Med Størst Potensial

Fremtidig AI i norsk helsevesen gir målbare gevinster i pasientflyt og kvalitet. Følgende områder viser størst effekt ved dokumentert bruk.

Diagnostikk, Triage Og Beslutningsstøtte

KI øker presisjon og tempo i kliniske vurderinger [1][2][3]. Implementering skjer i pasientnære løp med klare endepunkter.

• Røntgenanalyse: Algoritmer prioriterer funn og markerer avvik på røntgen, CT og MR [3]. Vestre Viken og Bærum sykehus rapporterte reduserte ventetider ved KI-støttet radiologi [3].
• Triagealgoritmer: Systemer graderer hastegrad basert på symptomer og vitale data [1]. Pasienter med høy risiko får raskere oppfølging i akuttmottak og legevakt [1].
• Beslutningsstøtte: Verktøy kobler pasientdata, retningslinjer og historikk [2]. Kliniker mottar forslag til utredning, legemiddelvalg og oppfølging med sporbar logikk [2].

Prediktiv Analyse I Folkehelse Og Kapasitetsstyring

KI identifiserer risiko og dimensjonerer ressurser i forkant [1][2]. Modellene bygger på registre og lokale datapipelines.

• Risikostratifisering: Maskinlæring rangerer individer for screening og forebygging [1]. Brystkreftscreening får bedre treffsikkerhet gjennom datautvalg og prioritering [1].
• Utbruddsvarsling: Tidlige signaler fra konsultasjoner, laboratorier og reseptdata fanger trender [2]. Folkehelse-team får beslutningsgrunnlag for tiltak og kommunikasjon [2].
• Kapasitetsprognoser: Etterspørselsmodeller estimerer sengebelegg, poliklinikkvolum og bemanning [2]. Ledere kan planlegge beredskap og omdisponering uten akutte kutt [2].

Automatisering Av Kliniske Og Administrative Prosesser

KI frigjør tid fra rutinearbeid til pasientkontakt [1][3]. Gevinstene kommer i dokumentasjon, samhandling og selvbetjening.

• Journalføring: Tale- og tekstmodeller genererer strukturert notat fra konsultasjon og diktering [3]. Kliniker verifiserer innhold og signerer med full kontroll [3].
• Bestillingsflyt: Agenter koordinerer timebok, prøvesvar og henvisninger på tvers av systemer [3]. Feilrater faller når validering og kvittering skjer automatisk [3].
• Digitale førstelinjer: Chatboter svarer på symptomer, egenomsorg og veiledning [1]. HelseNorges Koronasjekk avlastet helsetjenesten og økte tilgjengelighet i 2020–2021 [1].

Gevinster, Risiko Og Etiske Dilemmaer

AI i norsk helsevesen skaper gevinster i diagnostikk og pasientflyt, samtidig som risikoer krever styring og åpenhet [1][3]. Ansvarlige rammer ivaretar pasientsikkerhet, likebehandling og personvern [2][4].

Pasientsikkerhet, Bias Og Transparens

• Sikrer klinisk kvalitet gjennom validering mot relevante endepunkter og løpende ytelsesovervåking [2][3].
• Reduserer bias ved å trene på representative datasett fra ulike befolkningsgrupper, for eksempel samiske pasienter og rurale pasienter [1][2].
• Forklarer beslutninger med forklarbare modeller og sporbarhet i beslutningsløp [2].
• Avklarer ansvar med tydelig rollefordeling mellom kliniker og beslutningsstøtte [2].
• Integrerer AI trygt i arbeidsflyt med menneskelig kontroll ved høyrisikoavgjørelser [2][3].
• Tester algoritmer på norske registre før skalering, for eksempel røntgenanalyse og triage [1][3].
• Overvåker drift med alarmer for driftsavvik og rekalibrering ved endret datakvalitet [2][3].

Personvern, Sikkerhet Og Datadeling

• Ivaretar konfidensialitet med tilgangsstyring, kryptering endepunkt til endepunkt og streng identitetsforvaltning [1][2].
• Minimerer datadeling gjennom lokal prosessering og føderert læring, for eksempel modelltrening nær data [2][4].
• Anonymiserer og pseudonymiserer helsedata ved utvikling og testing, for eksempel syntetiske data og datamaske [1][4].
• Dokumenterer behandling med protokoller, behandlingsgrunnlag og innebygd personvern i design [2][4].
• Standardiserer formater og kodeverk for trygg interoperabilitet, for eksempel HL7 FHIR og SNOMED CT [1][4].
• Logger tilgang og hendelser for revisjon og sikkerhetsanalyse med rask hendelseshåndtering [2].
• Etablerer styringsmodeller som balanserer personvern og innovasjon gjennom klare avtaler og rollebeskrivelser [1][4].

Regulering Og Standarder I Norsk Kontekst

Regulering setter rammene for trygg AI i norsk helsevesen. Standarder gir felles praksis for risikovurdering, åpenhet og kvalitet.

EU AI Act, Personvernforordningen Og Helsepersonelloven

Rammeverket bygger på EU AI Act for systemkrav, GDPR for lovlig databehandling, og Helsepersonelloven for profesjonelt ansvar. NKom koordinerer tilsyn med EU-regelverket, mens Norsk Akkreditering ivaretar sertifisering mot tekniske standarder. Reguleringen sikrer sporbarhet, dokumentasjon og rettigheter for pasienter ved automatiserte vurderinger.

Kategori	Antall	Rolle i norsk kontekst	Ansvarlig enhet
Lover og forskrifter	3	Systemkrav, datagrunnlag, profesjonsansvar	EU AI Act, GDPR, Helsepersonelloven
Tilsyn og akkreditering	2	Koordinering, standardisering, samsvar	NKom, Norsk Akkreditering

• Databehandling: GDPR krever rettslig grunnlag, dataminimering, og innebygd personvern.
• Systemstyring: EU AI Act krever risikostyring, datasettkvalitet, og menneskelig tilsyn for høyrisikosystemer.
• Profesjonsansvar: Helsepersonelloven fastholder ansvar for kliniske beslutninger, også når AI gir beslutningsstøtte.
• Pasientrettigheter: Regelverket gir innsyn, begrunnelse, og klagemuligheter ved automatiserte prosesser.

Anskaffelser, Sertifisering Og Klinisk Validering

Styring av AI i helsevesenet skjer gjennom like krav i anskaffelse, sertifisering, og validering. Helseforetak, som Helse Nord, etterspør dokumentert effekt og driftssikkerhet i klinisk miljø.

• Anskaffelse: Kravspesifikasjoner beskriver kliniske endepunkter, datakvalitet fra norske registre som NPR og Kreftregisteret, og integrasjon i EPJ.
• Sertifisering: Leverandører dokumenterer samsvar med harmoniserte standarder, for eksempel ISO 14971 for risikostyring, IEC 62304 for programvarelivssyklus, ISO/IEC 27001 for informasjonssikkerhet, og ISO/IEC 23894 for AI-risiko.
• Validering: Kliniske studier viser effekt på pasientsikkerhet og arbeidsflyt før bred utrulling, hvis løsningen er høyrisiko etter EU AI Act.
• Overvåking: Ettermarkedsovervåking fanger driftsavvik og bias, med periodiske revisjoner og modelloppdateringer.
• Transparens: Leverandører leverer modelldokumentasjon, datakilder, og ytelsesmetrikker med eksempler på grensetilfeller.

Implementering: Fra Pilot Til Skala

Skalering krever styrt overgang fra avgrensede piloter til klinisk drift med dokumentert effekt. Norske aktører bruker felles rammer for gevinst, kvalitet og personvern i hele behandlingsforløpet.

Endringsledelse, Opplæring Og Tillit

Endringsledelse sikrer konsistent praksis i klinikkene gjennom klare roller for fagansvarlig, dataansvarlig og systemeier. Opplæring starter i forkant av utrulling og fortsetter i drift med e‑læring, simulering og veiledning i beslutningsstøtte. Tillit bygges gjennom transparent modellbeskrivelse, sporbarhet og kontinuerlig overvåking av ytelse i klinisk kontekst. Personvern ivaretas med GDPR, Helsepersonelloven og nasjonale veiledere fra Helsedirektoratet. Ansvar for medisinske beslutninger forblir hos klinikere med dokumentert rollefordeling i prosedyrer. Diskriminering reduseres med representative datasett, bias‑testing og modellrevisjon ved drift. Standardisering følger Helsedirektoratets KI‑råd, EU AI Act og relevante EU‑standarder. Pilotene inkluderer mammografiscreening ved Kreftregisteret og hjertesviktprediksjon ved Akershus universitetssykehus som demonstrerer styrt skalering gjennom regionale helseforetak.

Målbare Effekter Og ROI

Gevinstrealisering fokuserer på kliniske endepunkter, prosesseffektivitet og pasientopplevelse. Målinger følger før og etter design med baselinje, kontroll og pågående driftsovervåking. Klinisk effekt dokumenteres med forbedret sykdomsforutsigelse, færre feilbehandlinger og raskere diagnostikk i tråd med krav fra helseforetak. Prosesseffekt dokumenteres med redusert tidsbruk for helsepersonell i arbeidsflyt som triage, journalføring og bildeanalyse. Pasienteffekt dokumenteres med kortere ventetid og færre unødige undersøkelser i screeningløp. Datagrunnlag hentes fra NPR, Kreftregisteret og Reseptregisteret i samarbeid med SINTEF, Helsedirektoratet og regionale helseforetak.

Nøkkelfakta	Tall	Kilde
Piloter omtalt	2	Kreftregisteret, Akershus universitetssykehus
Tidsramme vurdert	2019–2025	Nasjonale retningslinjer
Registerkilder i bruk	3	NPR, Kreftregisteret, Reseptregisteret

Norge I Et Nordisk Og Globalt Perspektiv

Norge ligger bak Danmark på digital infrastruktur og helse-IT innovasjon, men styrker posisjonen gjennom nordiske og globale partnerskap. Samarbeid med Sverige, Finland og Kina løfter forskning, teknologiutvikling og implementering av AI i norsk helsevesen.

Læring Fra Sverige, Danmark Og Finland

Nordiske forløpere gir konkrete mønstre for norsk skalering av AI. Danmark har felles plattformer som Sundhed.dk og National Service Platform som muliggjør sikker integrasjon på tvers av nivåer. Sverige har 1177 Vårdguiden og regionale datahubber som støtter triage og klinisk beslutningsstøtte. Finland har Kanta og Findata som sikrer tilgang til helsedata under personvernregler. Norge kan kopiere tre grep for fremtiden til AI i norsk helsevesen:

• Standardiser APIer, kodeverk, sikkerhetsprofiler
• Finansier gevinstbaserte anskaffelser, delte lisenser, driftsmidler
• Etabler regulatoriske sandkasser, felles testdatasett, referansearkitektur
• Bruk nasjonale registre for validering, biasmåling, etterlevelse
• Innfør insentiver for klinisk bruk, refusjonskoder, målekort

Tiltak	Eksempel	Effekt
Nasjonal plattform	Sundhed.dk, Kanta	Rask integrasjon
Dataforvaltning	Findata, 1177	Trygg deling

Samarbeid Med Industri, Startups Og Akademia

• Bygg felles testbeds, datasoner, evalueringslaber
• Skaler TRL6 til TRL9 via samfinansiering, fellesanskaffelser, delte SLAer
• Del syntetiske datasett, metadata, modellkort
• Mål kliniske endepunkter, pasientopplevelse, ROI
• Sikre ansvarlighet med modelltilsyn, hendelseslogging, ettermarkedsovervåking

Samarbeidsform	Mekanisme	Resultat
Offentlig privat	Fellesanskaffelse	Stabil skalering
Akademisk industri	Kliniske studier	Dokumentert effekt
Startup pilot	Sandkasse	Rask læring

Anbefalinger Og Veikart For 3–5 År

• Etabler AI i førstelinjen for pasientkontakt, triage, egenmestring, med chatboter og symptomveiledere som under pandemien [1][3].
• Standardiser dataflyt, kodeverk, APIer, med felles krav til interoperabilitet og logging [2].
• Implementer risikomodeller for presis diagnostikk, kreftforløp, kronikeroppfølging, med validering på norske registre [1][3].
• Tilpass store språkmodeller til norsk språk, helseterminologi, samiske varianter, med sikker drift i helsemiljø [2][4].
• Sikre personvern, etikk, ansvar, med tydelige rammer for datadeling, modelltilsyn, hendelseslogging [1][2].
• Mål helseøkonomisk effekt på kliniske endepunkter, prosesseffektivitet, pasientopplevelse, med åpen metodikk [2].
• Samarbeid nasjonalt, nordisk, europeisk, med felles testdatasett, regulatoriske sandkasser, innkjøpsmodeller for dokumentert gevinst [2].

Veikart med milepæler

• Aktiver Helsedirektoratets Joint AI plan 2024–2025 med AI-rådgivningsgruppe, seminarserier, europeisk koordinering [2].
• Bygg kompetanse for klinikere, ledere, innkjøpere, med kurs, praksisnære piloter, veiledere for anskaffelse [2].
• Kvalitetssikre algoritmer før skalering med prospektiv validering, driftsmonitorering, bias-analyser på representative datasett [1][3].
• Forankre ansvar i klinikken med klare rollebeskrivelser, beslutningsgrenser, dokumenterte eskaleringsrutiner [1][2].
• Forebygg sykdom med prediktive modeller, intelligente medisinske enheter, læringssløyfer for kontinuerlig forbedring [3].

Nøkkelområder for rask gevinst

• Digital første linje i fastlegekontor, legevakt, helsenorge-kanaler, for rask svartid og avlastning [1][3].
• Bildeanalyse i radiologi, patologi, for prioritering, kvalitet, tidsbruk [1].
• Kronikeroppfølging i hjertesvikt, KOLS, diabetes, med risikoidentifisering og målrettet oppfølging [3].

Tidslinje og fokus

Conclusion

Fremtiden for AI i norsk helsevesen krever tydelige prioriteringer og handlekraft. De aktørene som kobler kliniske behov med skalerbar teknologi vil bevege seg raskest og bygge varig tillit. Det handler ikke om flere prosjekter men om driftssikre tjenester med dokumentert effekt.

Veien videre blir å forenkle veivalg for beslutningstakere og klinikere. Når styring dataflyt og kompetanse henger sammen kan AI bli en trygg del av hverdagen i hele pasientløpet. Det gjør helsetjenesten mer robust mer presis og mer tilgjengelig.

Nå bør ledere leverandører og fagmiljøer samle seg om få målbare initiativer og levere på dem. Det vil vise kraften i ansvarlig AI og sette standarden for resten av feltet.

Frequently Asked Questions

Hva er hovedgevinsten med AI i norsk helsevesen?

AI gir raskere og mer presis diagnostikk, bedre triage og beslutningsstøtte, samt frigjør tid fra journalføring og rutineoppgaver. Dette øker pasientsikkerhet, kapasitet og kvalitet. Når AI bygges på norske helsedata og integreres i kliniske arbeidsflyter, kan helseforetak dokumentere effekt gjennom kliniske endepunkter, prosesseffektivitet og forbedret pasientopplevelse (ROI).

Hvordan går man fra pilotprosjekter til klinisk drift?

Start med klare mål og kliniske endepunkter, bruk kriteriebasert evaluering, og krev dokumentert effekt. Sikre interoperabilitet, personvern og kontinuerlig modelltilsyn. Involver klinikere, ledere og leverandører i endringsledelse, og planlegg opplæring og driftssikkerhet før skalering.

Hvilke data trengs for trygg AI?

Høy datakvalitet fra norske registre (NPR, Kreftregisteret, Reseptregisteret), strukturerte journaldata og representativ befolkningsdekning. Bruk standardiserte kodeverk og API-er, og etabler klare databehandleravtaler. Kvalitet og sporbarhet er avgjørende for pasientsikkerhet og etterlevelse.

Hvordan ivaretas personvern og datasikkerhet?

Følg GDPR og Helsepersonelloven, minimer data, bruk tilgangsstyring, logging og kryptering. Dokumenter formål, lovlig grunnlag og risikovurdering (DPIA). Sørg for transparens ved automatiserte vurderinger og gi pasienter innsyn og klagerett.

Hva betyr EU AI Act for helsetjenesten?

EU AI Act stiller krav til høyrisiko AI-systemer: styring av data og modell, risikostyring, sporbarhet, dokumentasjon, menneskelig kontroll og overvåking. Helseforetak må kreve samsvar og sertifisering fra leverandører før anskaffelse og bred utrulling.

Hvilke bruksområder gir raskest effekt?

Diagnostikk i radiologi (bildeanalyse), triage i akuttmottak, beslutningsstøtte i klinikken, prediktive modeller for kapasitetsstyring og automatisert journalføring. Disse gir målbar gevinst i pasientflyt, kvalitet og tidsbruk.

Hvordan sikres likebehandling og redusert bias?

Tren modeller på representative norske datasett, mål ytelse på tvers av kjønn, alder, geografi og diagnoser, og overvåk drift med kontinuerlige fairness-metrikker. Etabler prosesser for modelloppdatering og hendelseslogging.

Hva kreves for klinisk validering av AI?

Dokumenterte kliniske endepunkter, sammenligning mot standard praksis, prospektiv testing hvor mulig, og tydelig beskrivelse av målgruppen. Valider i norsk kontekst med lokale data, og følg relevante standarder og veiledere.

Hvordan integreres AI i arbeidsflyt og systemer?

Bruk standardiserte API-er, kodeverk og meldingsformater. Integrer i EPJ, RIS/PACS og beslutningsstøttesystemer med tydelige varsler, sporbar beslutningslogikk og enkel brukeropplevelse. Mål endring i arbeidsflyt og kvalitet.

Hvilken rolle spiller språkmodeller i helse?

Norsk-tilpassede språkmodeller støtter journalføring, triage, digitale førstelinjetjenester og pasientdialog. De må trenes på sikre, domene-spesifikke data, ha innbygde personvernmekanismer og være transparente om begrensninger.

Hvordan bør ledere planlegge anskaffelser av AI?

Sett krav til effekt, etterlevelse (GDPR, EU AI Act), sikker drift, support og integrasjon. Bruk gevinstbaserte anskaffelser, vurder total eierkostnad og ROI, og krev sertifisering, modelltilsyn og hendelsesrapportering.

Hva er regulatoriske sandkasser og hvorfor er de nyttige?

Regulatoriske sandkasser lar aktører teste AI-løsninger i kontrollerte omgivelser med tilsyn fra myndigheter. De avklarer tolkning av regelverk, dokumentasjonskrav og sikker implementering før skalering.

Hvordan måles ROI for AI i helse?

Kombiner kliniske endepunkter (overlevelse, reinnleggelse), prosessmål (ventetid, liggetid), kvalitet (feilrate, pasientsikkerhet) og kost/nytte (ressursbruk, frigjort tid). Bruk data fra NPR, Kreftregisteret og lokale systemer.

Hvilke samarbeid gir raskere skalering?

Partnerskap med norske helseforetak, akademia, startups og industri, samt nordisk samarbeid med Danmark, Sverige og Finland. Del felles testdatasett, standarder og beste praksis for interoperabilitet og trygg implementering.