[KUNSKAPSSAMARBETE] Inom utvecklingen av skräddarsydda vårdsystem är det de arkitektoniska besluten som avgör hur väl patientdata skyddas.
I dag bygger de flesta AI-integrationer på att känslig patientinformation skickas till externa molnbaserade modeller för bearbetning.
Detta arbetssätt innebär strukturella risker. För att säkerställa dataskydd och regelefterlevnad behöver vårdorganisationer ompröva både var och hur AI-arbetsbelastningar körs.
Säkerhetskrisen kring molnbaserad AI
När medicinska data behandlas på extern infrastruktur utmanas grundläggande säkerhetsprinciper. Varje gång information lämnar den egna miljön ökar risken för obehörig åtkomst.
Illusionen av säkerhet i moln-API:er
Att skicka patientdata till en kommersiell språkmodell via ett krypterat API är i dag en vanlig lösning. Ur ett systemarkitekturellt perspektiv innebär det dock en ökad riskexponering. Ett juridiskt avtal, såsom ett personuppgiftsbiträdesavtal, reglerar ansvarsfördelningen men skyddar inte själva nätverket. Så snart en patientjournal lämnar sjukhusets brandvägg exponeras den för nya risker, även om kommunikationen är krypterad.
Riskerna ökar ytterligare när informationen når leverantörens datacenter. När patientuppgifter behandlas hos en extern AI-leverantör blir säkerheten beroende av dennes infrastruktur och rutiner. De flesta kommersiella AI-plattformar bygger på fleranvändarmiljöer där vårddata delar fysisk hårdvara med tusentals andra organisationers arbetsbelastningar. Om leverantörens plattform eller delade resurser utsätts för intrång kan även känsliga patientuppgifter påverkas. Samtidigt försvåras efterlevnaden av regler kring datalagring och dataresidens när information behandlas utanför den egna organisationen.
Vad är Sovereign AI – och varför löser det problemet?
Om sårbarheten uppstår när data skickas till AI:n, är den logiska lösningen att flytta AI:n till datan. Det är grundtanken bakom Sovereign AI.
Sovereign AI innebär att organisationen behåller full kontroll över fyra kritiska delar av AI-stacken: data, modeller, beräkningsinfrastruktur och styrning. Målet är att skapa ett lokalt intelligenslager utan beroende av externa leverantörer eller gränsöverskridande dataöverföringar.
En tydlig suverän gräns
I praktiken flyttas modellen till datan i stället för tvärtom. Genom att köra AI-modeller lokalt, på egna servrar eller i privata molnmiljöer, etableras ett intelligenslager som är helt integrerat i den egna infrastrukturen.
Som utvecklare av vårdsystem bygger vi lösningar där AI-modeller körs bakom organisationens befintliga brandväggar. Modellen fungerar som en isolerad tjänst som hämtar information från interna journalsystem, bearbetar data på lokala beräkningsresurser och levererar resultat direkt till användargränssnittet. Eftersom systemet är avskilt från det publika internet lämnar patientinformationen aldrig den interna miljön.
Mindre beroende av externa databehandlare
Användning av tredjepartsleverantörer innebär ofta omfattande krav på revision, dokumentation och granskning för att uppfylla regelverk som GDPR och HIPAA. En sovereign-arkitektur minskar denna komplexitet.
När data, modeller och beräkningsresurser hålls inom den egna infrastrukturen elimineras många av de externa riskerna. Även om regelefterlevnad omfattar fler aspekter än teknik, innebär en sluten och lokalt kontrollerad miljö att behovet av att granska externa databehandlare i stor utsträckning försvinner. Resultatet blir en mer överskådlig, intern och fullt spårbar AI-miljö.
Så byggs Sovereign AI i vården
Övergången från molnbaserad AI till lokala lösningar kräver en tydlig teknisk strategi. Det handlar inte bara om att installera programvara utan om att skapa en miljö där AI-arbetsbelastningar kan köras effektivt, säkert och inom gällande regelverk.
Tre grundpelare för lokal AI-infrastruktur:
Datasuveränitet
All patientinformation, kliniska anteckningar och träningsdata lagras uteslutande på interna lagringssystem. Eftersom den fysiska datan aldrig lämnar den aktuella jurisdiktionen blir det enklare att uppfylla nationella lagkrav.
Infrastruktursuveränitet
Bearbetningen sker på hårdvara som vårdorganisationen själv kontrollerar. Det kan handla om lokala GPU-servrar eller strikt isolerade privata moln. Genom att äga infrastrukturen säkerställs att inga andra aktörer delar de resurser som används för att bearbeta patientdata.
Modellsuveränitet
I stället för att hyra åtkomst till slutna AI-tjänster används öppna modeller med tillgängliga modellvikter. Organisationen får därmed kontroll över hur modellen används, uppdateras och anpassas till verksamhetens behov.
Säker bearbetning med Trusted Execution Environments
Traditionellt fokuserar informationssäkerhet på att skydda data under lagring och överföring. Sovereign AI adderar ett tredje skyddslager: data under aktiv bearbetning.
Genom att använda Trusted Execution Environments (TEE) skapas hårdvarubaserade skyddsmekanismer där känslig information hålls krypterad även i systemminnet. Data dekrypteras endast inom en isolerad och skyddad del av processorn. Även om någon skulle få administrativ åtkomst till servern blir det i praktiken omöjligt att läsa eller kopiera den patientinformation som bearbetas. Detta skapar ett extra integritetsskydd på beräkningsnivå.
Exempel: En sovereign AI-assistent för diagnostik
För att illustrera hur konceptet fungerar i praktiken kan vi titta på utvecklingen av en AI-baserad diagnostikassistent.
Bygga vidare på öppna modeller
Det finns sällan behov av att träna en stor språkmodell från grunden. I stället kan vårdorganisationer använda öppna grundmodeller som redan är tränade på medicinsk litteratur, exempelvis Meditron-70B.
Modellen laddas ner till sjukhusets egna servrar från en säker källa. Genom att verifiera kryptografiska kontrollsummor säkerställs att filerna inte har manipulerats.
Lokalt från början till slut
Därefter isoleras servermiljön från det publika internet. Modellen finjusteras med hjälp av avidentifierade kliniska anteckningar och historiska vårddata för att anpassas till verksamhetens terminologi, arbetsprocesser och rutiner.
När modellen är färdig integreras den som en intern mikrotjänst kopplad till journalsystemet. När en läkare begär en diagnostisk sammanfattning skickas informationen över det interna nätverket till AI-servern. Modellen genererar analysen lokalt och returnerar resultatet direkt till användargränssnittet.
Hela processen sker inom organisationens egen infrastruktur utan att en enda datapost lämnar den skyddade miljön.
Slutsats
Övergången till lokal AI är inte längre bara en fråga om riskhantering eller teknisk preferens. I takt med att krav på dataresidens, integritet och regulatorisk efterlevnad skärps blir beroendet av externa AI-leverantörer allt svårare att motivera.
Genom att bygga en sovereign AI-infrastruktur kan vårdgivare dra nytta av avancerade AI-funktioner för diagnostik, medicinsk kodning och analys av kliniska data utan att exponera känslig information för externa plattformar. Tekniken finns redan tillgänglig. De vårdorganisationer som nu investerar i lokala AI-miljöer stärker inte bara sitt dataskydd utan skapar också en långsiktig och verifierbar grund för framtidens intelligenta vårdsystem.
Av Marian Faryna, Big Data Competence Lead, Sigma Software Group
Artikeln är ett kunskapsamarbete mellan Sigma Software Group och IT Media Group. Sponsrade inlägg och kunskapsamarbeten är en del av IT Media Groups annonserbjudande. Om du har frågor kring sponsrade inlägg, hör av dig till info@itmediagroup.se
