Så säkerställer Journalia korrekt transkription, från ljud till text

När folk frågar vad Journalia gör är det enkla svaret att vi skapar kliniska anteckningar från samtal. Men under ytan pågår två olika processer: först omvandlar vi tal till text, transkription. Sedan använder vi den texten för att generera strukturerade kliniska anteckningar. Båda stegen är viktiga, men det här inlägget handlar om det första. För hur smart anteckningsgenereringen än är gäller en grundprincip: anteckningens kvalitet kan aldrig överstiga transkriptionens kvalitet.

Varför transkriptionens kvalitet betyder mest

Det finns ett gammalt talesätt inom databehandling: ”skräp in, skräp ut”. Det gäller i högsta grad här. Om transkriptionen hör ”paracetamol” när läkaren säger ”kodein”, eller blandar ihop vem som sa vad i en konsultation, spelar det ingen roll hur avancerad anteckningsgenereringen är. Resultatet blir fel.

Med AI-driven taligenkänning finns flera tekniska vägar att välja mellan, och fältet utvecklas snabbt. Nya modeller, nya angreppssätt, nya möjligheter, men också nya utmaningar. För oss handlar det om att få det här rätt, varje gång, för varje konsultation.

Utmaningarna vi möter

Ljudkvaliteten börjar med mikrofonen

Den mest grundläggande faktorn är själva ljudinspelningen. Om mikrofonen inte fångar samtalet ordentligt, vare sig den är dåligt placerad, rummet har för mycket eko eller det finns bakgrundsljud, har AI:n helt enkelt inte tillräckligt att arbeta med. Det är som att be någon läsa en text som är till hälften täckt: även den mest uppmärksamma läsaren gissar fel.

Kliniskt fackspråk är ett eget språk

Vårdpersonal talar ett specialiserat språk som är extremt krävande för allmänna taligenkänningssystem. Det handlar inte bara om latinska medicinska termer som ”pneumotorax” eller ”hjärtinfarkt”, utan i lika hög grad om produktnamn och yrkesspecifik terminologi som används dagligen i klinisk praktik.

• Läkemedel: varumärkesnamn som är unika för varje marknad och språk, och som sällan förekommer i vanliga träningsdata.
• Termer som varierar mellan yrken: en fysioterapeut talar om mobilisering, traktionstester och triggerpunktsbehandling. En allmänläkare om spirometri, audiometri och differentialdiagnoser. En psykolog om mentaliseringsbaserad terapi och affektmedvetenhet.

Vem sa vad?

I en klinisk konsultation räcker det inte att veta vad som sades, det är lika viktigt att veta vem som sa det. När läkaren frågar ”Har du bröstsmärtor?” och patienten svarar ”Ja, det har varit så i tre veckor” måste den informationen tillskrivas rätt person för att anteckningen ska bli korrekt.

Flera språk, en konsultation

Många konsultationer sker inte uteslutande på ett språk. Patienter kan tala olika språk, och vissa konsultationer involverar tolkar där samtalet växlar mellan språk. Automatisk språkdetektering är inte trivial, särskilt vid brytning eller språkbyte mitt i en mening.

Hastighet kontra precision

Alla situationer kräver inte samma avvägning. Ibland behöver klinikern en anteckning snabbt, mellan patienter, med fem minuter kvar till nästa konsultation. Andra gånger är precisionen viktigare än hastigheten. Det finns ingen enskild modell som är bäst på allt.

Integritet, för patienten, inte för oss

Kanske den viktigaste aspekten är den minst tekniska: patientens rätt till integritet. Människor vill inte att ljudinspelningar av deras mest sårbara stunder lagras någonstans. Det är ett krav som inte går att förhandla om.

Så löser vi det

Vi inkluderar en lämplig mikrofon

Eftersom ljudkvaliteten är så viktig rekommenderar vi en specifik mikrofon och inkluderar den för nya användare. Vi vill att upplevelsen ska vara så bra som möjligt från dag ett. Utöver det övervakar Journalia ljudkvaliteten i realtid och varnar användaren när något är fel. Bara detta har haft en mätbar effekt på transkriptionens kvalitet.

Anpassat kliniskt fackspråk

Vi finjusterar vår taligenkänning med kliniskt fackspråk som är särskilt anpassat till olika yrken. En fysioterapeut får en annan språkprofil än en allmänläkare, som i sin tur skiljer sig från en psykolog. Resultatet är hög precision på medicinsk terminologi, och en upplevelse där systemet verkligen ”förstår” vad du talar om.

Talaridentifiering, din röst, 30 sekunder

Vi använder två tekniker som samverkar. Diarisering analyserar ljudströmmen i realtid och skiljer mellan olika röster. Talaridentifiering går längre, du lägger 30 sekunder på att träna Journalia på din röst, och därefter känner systemet igen dig i alla konsultationer och skiljer tydligt kliniker från patient.

Språkval ger kontroll

I stället för att förlita oss på automatisk språkdetektering ger vi användaren full kontroll: välj bland 50+ språk innan transkriptionen startar. Det enkla valet ger långt bättre resultat än att låta maskinen gissa.

Flera modeller, valda efter situation

Vi använder inte en enda taligenkänningsmodell. Vi har flera, valda utifrån situationen. Som man säger inom AI-forskning: ”there's no free lunch”, men genom att välja rätt verktyg för rätt uppgift ger vi användaren det bästa av två världar.

Ljud som inte lagras

Integritet är inte en funktion vi lade till, det är en grundläggande designprincip. Ljudströmmen går direkt från användarens webbläsare, krypteras omedelbart och skickas för bearbetning. Ljudet bearbetas i realtid och lagras inte, inte av oss, inte av någon tredje part. All bearbetning sker inom EU i enlighet med GDPR och regelverken för hälso- och sjukvård. Läs mer på vår säkerhetssida.

Det handlar om hur vi arbetar

Tekniken ensam räcker inte. Mycket av det som gör Journalias transkription bra handlar om hur vi arbetar som team, kontinuerlig övervakning, regelbunden utvärdering av modeller och löpande återkoppling från kliniker som använder systemet varje dag.

Transkription är inte ett ”löst problem”. Det är ett fält i ständig utveckling, och vårt jobb är att ligga i framkant.