För upphandlare, kontraktsägare och IT i svensk hälso- och sjukvård.

Ingress

Många upphandlingar av AI-stöd i vården, eller många upphandlingar generellt, landar i att alla leverantörer får nästan samma mängd poäng. Detta händer framförallt när kraven är för generella, när svaren endast förväntar ja eller nej som svar och när konkreta bevis inte efterfrågas. Resultatet? Lottning eller val baserat på detaljer som inte säger något om verklig leveransförmåga. Den här artikeln visar hur du formulerar krav som går att granska, poängsätta och följa upp – så att kvalitet och säkerhet faktiskt gör skillnad.

Innehåll

• Varför generiska AI-krav faller platt
• Hur en poängtrappa driver kvalitet
• Bevis som går att kontrollera
• Pris, kvalitet och TCO som hör ihop
• Uppföljning från dag ett
• Vanliga fallgropar och bättre alternativ
• Vägen framåt

Varför generiska AI-krav faller platt

Generella skrivningar som "leverantören ska uppfylla GDPR" eller "systemet ska ha loggning" leder oftast till identiska svar där alla kryssar i ja. Ingen visar hur det faktiskt ser ut i drift, vilka avvägningar som gjorts eller hur risker hanteras när det väl händer något. Samma problem uppstår när krav saknar mätbarhet – utan tydliga skalor för kvalitet och prestanda blir prövningen subjektiv och svår att motivera.

Vad som egentligen saknas är tre grundläggande saker: en tydlig beskrivning av vad som värderas och varför, en struktur för att ge olika poäng vid olika mognadsnivåer, samt krav på evidens som låter beställaren skilja på löften och verklighet.

Hur en poängtrappa driver kvalitet

Poängtrappor översätter kvalitet till grader som går att bedöma och ger leverantörer incitament att visa hur långt de kommit och hur tryggt deras arbetssätt är. Nyckeln är att trappan ska vara enkel att förstå och kopplad till verklig risk och nytta.

Här är exempel på poängtrappor som brukar fungera väl:

Informationssäkerhet och spårbarhet

Basnivå innebär loggning av åtkomst och händelser plus en dokumenterad incidentprocess. På mellannivå ser vi centraliserad loggning på flera delar/system, regelbunden åtkomstgranskning och en tränad incidentorganisation. Högsta nivå kräver revisionsbar metadata som möjliggör spårbar granskning utan patientdata, kryptering av data samt etablerade och testade rutiner med tidsatta mål för återställning (disaster recovery).

Människa i loopen

På basnivå finns ett manuellt granskningssteg för högriskanvändning, till exempel när AI föreslår tolk för psykiatriska samtal eller förlossningsvård. Mellannivå innebär tydliga roller och eskaleringspunkter där en koordinator granskar stickprov av AI-genererade tolkbokningar och skapar en återkopplingsloop till systemet. Högsta nivå kräver riskklassning per tolkuppdragstyp (akut, planerat, specialist), styrd användning där AI endast föreslår tolkar inom godkända ramar, samt mätetal för kvalitet och ledtid som visar hur människa-AI-samarbetet faktiskt fungerar.

Kvalitet i leverans och outcomemått

Basnivå följer upp uppfyllnadsgrad (fick patienten en tolk?) och svarstider (hur snabbt bokades tolken?). Mellannivå mäter first time right (rätt tolk från början utan ombokningar), klagomålsfrekvens från vårdpersonal och patienter, samt hur ofta AI-stödda bokningar leder till avbokningar eller byte av tolk. På högsta nivå ska kontinuitet dokumenteras – får samma patient samma tolk vid upprepade besök? – tillsammans med påvisbar förbättring över tid (till exempel minskade ombokningar per kvartal) och tydliga åtgärdsplaner när avvikelser uppstår.Det här gör bedömningen rättvis – en leverantör som visar högre mognad får fler poäng och har därmed ett tydligt incitament att investera i kvalitet.

Bevis som går att kontrollera

Utan bevis blir även den bästa trappan bara teori. Be därför om material som går att granska utan att röja patientuppgifter:

Anonymiserade loggutdrag som visar hela händelsekedjor – från åtkomst till åtgärder efter incident. Historiska KPI-serier för relevanta mått som first time right, klagomål och ombokningar, gärna med analys av hur AI-stödet påverkat resultaten. Processbeskrivningar som faktiskt används i vardagen, till exempel hur människa i loopen fungerar inom psykiatri, förlossning och administrativa ärenden.

Överväg också att be om en provleverans eller kort pilot med tydligt avtalad bedömning, helst på en kontrollerad volym och med definierade mätpunkter. Dokumentation av modellversioner och återgångsplan vid fel är också viktigt, så att driftsäkerhet inte förblir en abstraktion.

Ett enkelt test: fråga om beviset går att upprepa och om det skapar lärande. Om svaret är ja kommer materialet sannolikt också att vara värdefullt i uppföljningen efter tilldelning.

Pris, kvalitet och TCO som hör ihop

När pris och kvalitet vägs mot varandra vinner ofta det som är lätt att räkna på. Därför behöver kvalitetskriterierna kopplas till TCO – den totala ägandekostnaden över tid – inte bara till inköpspriset eller funktioner på papperet. TCO inkluderar allt från direkta kostnader för tjänsten till indirekta kostnader som uppföljning, omarbete och vårdpersonalens tidsåtgång.

Börja med att knyta kvalitet till kostnadsdrivare, inom till exempel tolktjänster påverkar minskade ombokningar, färre klagomål och högre first time right vårdflöden direkt och frigör tid. För in incitament på både risk och leverans, där bonus ges vid stabil förbättring och sanktioner vid återkommande avvikelser som inte åtgärdas. Beskriv också hur uppföljning påverkar betalning: leverantörer som rapporterar transparent och aktivt föreslår förbättringar ska gynnas, medan bristande spårbarhet ska få påtagliga konsekvenser.

När kvalitetsmått väl är kopplade till ekonomi blir de relevanta för fler roller. Ekonomin blir ett språk för kvalitet, och verksamheten får konkreta argument för att välja det som håller i vardagen.

Uppföljning från dag ett

Följ upp det som gav poäng på upphandlingen – använd samma mätetal, samma bevis och samma frekvens som under anbudsprocessen. Det gör övergången smidig och minskar risken för konflikter.

Starta med en gemensam plan för onboarding och rapportering, och säkerställ att loggar, åtkomstlistor och incidentflöden både finns och är begripliga. Avsätt tid för kvartalsvisa genomgångar där trender analyseras och åtgärder beslutas, och låt varje större avvikelse få en ägare, en åtgärd och ett datum för uppföljning.

När uppföljning är förutsägbar blir samarbetet bättre och kvalitetsarbetet går snabbare.

Vanliga fallgropar och bättre alternativ

Krav med ja eller nej

Använd istället poängtrappor med tydliga nivåer och koppling till bevis.

Krav som är tekniskt vaga

Beskriv konkreta användningsfall, risknivå och vilket beteende som ska synas i logg och rapport.

Generiska referenser

Be om referenser som matchar ert användningsområde (sjukvård, kommun etc) och era risker, gärna med utdrag ur rapportering och förbättringsarbete.

Pilot som blir en separat ö

Gör en provleverans som använder samma inloggning, loggar och processer som i skarp drift.

Kvalitet utan ekonomi

Koppla måtten till TCO och till incitament som påverkar betalning.

Vägen framåt

Börja i liten skala men med rätt struktur. Välj två eller tre kvalitetskriterier som verkligen betyder något för patienter och personal, och gör en enkel poängtrappa för varje. Be om ett fåtal men skarpa bevis och koppla resultatet till TCO. För sedan in samma mått i uppföljningen.

När du väl ser hur poäng, bevis och vardagshändelser hänger ihop blir skillnaden mellan leverantörer tydlig – och risken för lottning minskar kraftigt.

Har du frågor om användningen av AI inom hälso- och sjukvården? Anmäl dig till vårt webbinarium den 8 december kl. 14–15.