2,5 millioner møter dokumentert av AI-skriber på ett år – uten pensum som lærer bort notatgjennomgang
Ambiente AI-skriber, som lytter til konsultasjoner og lager notatutkast selv, er blant de raskest utbredte AI-verktøyene i helsevesenet. Nå foreslår forskere ved Carnegie Mellon University og University of Pittsburgh School of Medicine noe medisinstudiene knapt har tatt stilling til: at gjennomgang av AI-genererte notater skal behandles som en egen, undervisbar kompetanse — med fire definerte domener og simulering som undervisningsmetode.
Det som er nytt
I en artikkel i tidsskriftet npj Digital Medicine presenterer forskergruppen, med Yash Raka i spissen, et rammeverk med tittelen «From authoring to editing». Poenget er enkelt formulert: Der leger i opplæring tradisjonelt har lært å skrive kliniske notater, må de nå lære å vurdere notater som en AI har skrevet for dem. Forskerne definerer denne gjennomgangen som en kompetanse som kan undervises i og øves på — ikke som noe klinikere bare kan fra før.
Rammeverket er utviklet i samarbeid mellom Heinz College ved Carnegie Mellon University og School of Medicine ved University of Pittsburgh.
Hvorfor akkurat nå
Bakgrunnen er at adopsjonen har ruket langt foran opplæringen. Ambiente AI-skriber — verktøy som passivt fanger opp den kliniske konsultasjonen og lager et notatutkast — beskrives i rapporteringen som blant de raskest adopterte AI-applikasjonene i helsevesenet. Ett integrert helsesystem oppga ifølge dekningsgrunnlaget at verktøyene dokumenterte over 2,5 millioner kliniske konsultasjoner på ett enkelt år. Tallet tilskrives ett, ikke navngitt system, og er ikke uavhengig bekreftet.
Det er mot dette bildet forfatterne retter argumentet: Verktøyene er i utstrakt bruk, men ifølge dem retter ingenting i dagens medisinstudier seg direkte mot ferdighetene som kreves for å gjennomgå AI-dokumentasjon på en dyktig måte. Fordelene AI-skribere tidlig har vist — knyttet til dokumentasjonstid, kognitiv arbeidsbelastning og utbrenthet — omtales i dekningsgrunnlaget i generelle vendinger, uten konkrete studier eller tall.
De fire domenene
Artikkelen identifiserer fire domener som inngår i å gjennomgå AI-generert klinisk dokumentasjon:
- Å oppdage feil og utelatelser. Notatet kan inneholde faktafeil eller mangle informasjon som var til stede i konsultasjonen.
- Å vurdere om notatet gjenspeiler klinisk resonnering. Et notat kan være overfladisk korrekt, men likevel ikke treffe hvordan klinikeren faktisk tenkte og prioriterte.
- Å generere notater selvstendig. Kandidaten må fortsatt mestre å skrive notater uten AI — delvis for å kunne vurdere maskinens utkast.
- Å kalibrere tillit på tvers av kontekster. Hvor mye kan man stole på verktøyet i ulike kliniske situasjoner, og når bør mistilliten skrus opp?
Samlet beskriver domenene et skifte i hva slags ferdighet notatarbeid faktisk er. Forfatterne er eksplisitte på sitt eget standpunkt: Redigeringsferdighetene som kreves for å gjennomgå AI-dokumentasjon, er spesifikke og undervisbare — ikke medfødte forlengelser av klinisk praksis. Og det er nettopp dette, argumenterer de, som dagens pensum ikke fanger opp.
Simulering som metode
For hvordan ferdighetene skal læres, satser forfatterne på simulering. Studentene skal øve på gjennomgang i trygge omgivelser, med mulighet for målrettet tilbakemelding på hva de overser.
«Simulering lar studenter øve på å fange AIs feil på en lavrisiko-måte der det ikke vil påvirke pasientutfall», sier Reed Van Deusen, førsteamanuensis i allmenn indremedisin og pediatri ved University of Pittsburgh School of Medicine, som er medforfatter av artikkelen.
Resonnementet er det klassiske argumentet for simulering i medisin, overført til et nytt innhold: Feilene en uerfaren kandidat overser i et AI-notat, kan i praksis bli pasientens problem. I en simulert konsultasjon kan samme feil bli undervisningsmateriale i stedet.
Et foreløpig, utestet rammeverk
Det finnes ingen målte resultater ennå. Forfatterne beskriver selv rammeverket som foreløpig og oppfordrer til empirisk testing for å utvikle det videre. Det betyr at gevinstene ved å undervise etter modellen — for eksempel bedre feiloppdagelse blant kandidater — er foreslåtte, ikke påviste. Rammeverket er et svar på et identifisert gap i opplæringen, ikke en dokumentert løsning på det.
Det bør også sies hvordan rapporteringen ligger an: Alle detaljer om rammeverket, adopsjonstallene og sitatene kommer via Medical Xpress' dekning av artikkelen, basert på omtale fra Carnegie Mellons Heinz College. Den underliggende fagfellevurderte artikkelen har ikke vært tilgjengelig direkte for denne dekningen, og detaljene i de fire domenene er derfor gjengitt slik de fremstår i sekundærkilden.
Hva som må til neste
Forfatterne selv peker på veien videre: rammeverket må testes empirisk og justeres. Åpne spørsmål følger av det. Blir kandidater som er opplært i gjennomgang faktisk bedre til å fange feil og utelatelser? Hvordan kalibrerer man tilliten i praksis, når kontekstene varierer fra rutinekontroller til komplekse forløp? Og holder balansen mellom selvstendig notatskriving og redigering seg når verktøyene blir enda bedre?
Inntil slike studier foreligger, står forslaget som en diagnose av et opplæringsbehov snarere enn et bevist kur: Adopsjonen har allerede skjedd, milliontallene er dokumentert ved ett helsesystem, og spørsmålet forfatterne reiser er om medisinsk utdanning skal følge med — eller la en generasjon klinikere lære redigering av AI-notater uten pensum.
(Medical Xpress, kilde-ID: e02029b3-b70d-47e8-9aa0-9fabf86a0331)
2.5 million encounters documented by AI scribes in a single year — and curricula that don't teach note review
Ambient AI scribes, which listen to consultations and produce draft notes on their own, are among the fastest-spreading AI tools in health care. Now researchers at Carnegie Mellon University and the University of Pittsburgh School of Medicine are proposing something medical schools have barely confronted: that reviewing AI-generated notes should be treated as a distinct, teachable competency — with four defined domains and simulation as the teaching method.
What's new
In an article in the journal npj Digital Medicine, the research team, led by Yash Raka, presents a framework titled "From authoring to editing." The point, put simply: where physicians in training have traditionally learned to write clinical notes, they must now learn to evaluate notes that an AI has written for them. The researchers define this review as a competency that can be taught and practiced — not something clinicians simply already know how to do.
The framework was developed jointly by Heinz College at Carnegie Mellon University and the School of Medicine at the University of Pittsburgh.
Why now
The background is that adoption has run well ahead of training. Ambient AI scribes — tools that passively capture the clinical consultation and produce a draft note — are described in the reporting as among the fastest-adopted AI applications in health care. One integrated health system, according to the source material, reported that the tools documented more than 2.5 million clinical consultations in a single year. The figure is attributed to one, unnamed system and has not been independently verified.
It is against this picture that the authors direct their argument: the tools are in widespread use, but according to them, nothing in today's medical curricula targets directly the skills required to review AI documentation competently. The early benefits AI scribes have shown — related to documentation time, cognitive workload and burnout — are described in the source material in general terms, without specific studies or figures.
The four domains
The article identifies four domains involved in reviewing AI-generated clinical documentation:
- Detecting errors and omissions. The note may contain factual errors or omit information that was present in the consultation.
- Judging whether the note reflects clinical reasoning. A note can be superficially correct yet still miss how the clinician actually thought and prioritized.
- Generating notes independently. Candidates must still master writing notes without AI — partly in order to be able to evaluate the machine's drafts.
- Calibrating trust across contexts. How much can you rely on the tool in different clinical situations, and when should distrust be turned up?
Together, the domains describe a shift in what kind of skill note work actually is. The authors are explicit about their own position: the editing skills required to review AI documentation are specific and teachable — not innate extensions of clinical practice. And that, they argue, is precisely what today's curricula fail to capture.
Simulation as the method
As for how the skills should be learned, the authors bet on simulation. Students are to practice review in safe settings, with the possibility of targeted feedback on what they miss.
"Simulation lets trainees practice catching an AI's mistakes in a low-stakes way where it won't affect patient outcomes," says Reed Van Deusen, associate professor of general internal medicine and pediatrics at the University of Pittsburgh School of Medicine, who is a co-author of the article.
The reasoning is the classic argument for simulation in medicine, transplanted to new content: the errors an inexperienced trainee overlooks in an AI note can, in practice, become the patient's problem. In a simulated consultation, the same errors can become teaching material instead.
A preliminary, untested framework
There are no measured results yet. The authors themselves describe the framework as preliminary and call for empirical testing to develop it further. That means the benefits of teaching according to the model — such as better error detection among trainees — are proposed, not demonstrated. The framework is a response to an identified gap in training, not a documented solution to it.
It should also be said how the reporting stands: all details about the framework, the adoption figures and the quotations come via Medical Xpress's coverage of the article, based on a release from Carnegie Mellon's Heinz College. The underlying peer-reviewed article was not directly available for this coverage, and the details of the four domains are therefore reproduced as they appear in the secondary source.
What needs to come next
The authors themselves point to the way forward: the framework must be tested empirically and adjusted. Open questions follow from that. Are trainees trained in review actually better at catching errors and omissions? How do you calibrate trust in practice, when contexts range from routine check-ups to complex courses of illness? And does the balance between independent note writing and editing hold as the tools get even better?
Until such studies exist, the proposal stands as a diagnosis of a training need rather than a proven cure: adoption has already happened, the million-scale figures are documented at one health system, and the question the authors raise is whether medical education will keep up — or let a generation of clinicians learn to edit AI notes without a curriculum.
(Medical Xpress, source ID: e02029b3-b70d-47e8-9aa0-9fabf86a0331)

