Hvad ved vi om AI-modeller til sporing af zoonotiske sygdomme?

AI-systemer kan i dag opdage tidlige signaler på sygdomsudbrud, der smitter fra dyr til mennesker — men kan de faktisk forebygge næste pandemi, eller er det for ambitiøst et løfte?

Det politiske spørgsmål

COVID-19 kostede verden millioner af liv og udløste en global sundhedskrise, som ingen beredskabssystem formåede at forhindre. Siden da har både regeringer og internationale organisationer ledt efter bedre redskaber til at opfange næste pandemi, før den breder sig ukontrolleret.

AI-baserede overvågningssystemer er blevet fremhævet som et centralt svar. Men spørgsmålet er ikke kun teknisk. Det handler om, hvem der har adgang til data, hvem der finansierer overvågningen, og om disse systemer reelt fungerer i de dele af verden, hvor de fleste zoonoser opstår. Det er et spørgsmål med direkte konsekvenser for global sundhedssikkerhed og for, hvilken infrastruktur der prioriteres politisk og økonomisk.

Det empiriske spørgsmål bag

Zoonoser er sygdomme, der springer fra dyr til mennesker. Langt de fleste nye menneskelige infektionssygdomme har deres oprindelse i dyr — og netop derfor er tidlig overvågning ved kilden afgørende. Spørgsmålet er, om AI-modeller kan analysere data fra dyr, miljø og mennesker hurtigere og mere præcist end traditionelle metoder, og om den øgede hastighed og præcision faktisk omsættes til forebyggelse.

Hvad ved vi

AI kan opdage mønstre i store datamængder langt hurtigere end mennesker ✓✓

Moderne AI-systemer er i stand til at sammenkøre data fra mange kilder på én gang: vejrdata, dyrepopulationer, landbrugspraksis, hospitalindlæggelser og laboratorieprøver. Det giver modellerne mulighed for at identificere mønstre, som epidemiologer ikke ville opdage ved manuel gennemgang inden for rimelig tid. Det er veletableret teknologisk set — og er dokumenteret i anvendelser på tværs af sundhedsovervågning globalt.

Feltdata fra dyr er afgørende — og svære at indsamle ✓

Nature beskriver et konkret eksempel fra det treårige EU-Afrika-samarbejde NESTLER, som sluttede i marts 2026. Her indsamlede forskere prøver fra kvæg, geder og får i Uganda for at kortlægge, hvilke patogener der cirkulerede i dyrene — og dermed identificere potentielle spill-over-hændelser (det moment, hvor en sygdom springer fra dyr til menneske). Denne type feltindsamling er ressourcekrævende og afhænger af lokale sundhedsmedarbejdere med kendskab til området.

One Health-tilgangen understøttes af forskning ✓

Overvågning af zoonoser fungerer bedst, når man ser menneskers, dyrs og miljøets sundhed som tæt forbundne — det som kaldes One Health-tilgangen. DTU Fødevareinstituttet arbejder aktivt med denne tilgang i dansk og europæisk sammenhæng, og den understøtter forebyggelse, risikovurdering og beslutningstagning på tværs af sektorer. Forskning publiceret i Cell Host & Microbe bekræfter, at overvågning af zoonoser er afgørende for at forebygge fremtidige udbrud.

Databegrænsninger er systemets akilleshæl ✓✓

AI-modeller er kun så gode som de data, de trænes på. I mange af de regioner, hvor zoonoser opstår — særligt i dele af Afrika og Asien — er overvågningssystemerne underfinansierede, og data er fragmenterede eller slet ikke tilgængelige i digitalt format. En model kan ikke advare om en trussel, som den aldrig ser data fra.

Sporing i Danmark og Europa er relativt veludviklet ✓

Danmark har en etableret national overvågning af zoonoser, koordineret af Statens Serum Institut og DTU Fødevareinstituttet. Statens Serum Instituts løbende overvågning dækker en bred vifte af smitsomme sygdomme og koordineres med europæiske partnere. Det er dog ikke ensbetydende med, at AI-modeller er fuldt integreret i det operative beredskab — overvågningen bygger stadig primært på traditionelle epidemiologiske metoder suppleret med digitale værktøjer.

Hvad ved vi ikke

Om AI-advarsler reelt omsættes til handling i tide ~

Det er én ting at opdage et tidligt signal. Det er noget helt andet at oversætte det til en folkesundhedsmæssig respons, der rent faktisk forhindrer spredning. Selv hvis en AI-model identificerer et potentielt udbrud uger tidligere end hidtil muligt, kræver det fungerende sundhedssystemer, politisk vilje og ressourcer at handle på advarslen. Den koblingen er endnu ikke empirisk dokumenteret i stor skala.

Hvilke modeller er bedst til hvilke typer udbrud ~

Der findes ikke én standardiseret AI-tilgang til zoonosovervågning. Forskellige modeller er bygget til forskellige formål — nogle analyserer genomdata fra patogener, andre sporer dyrebevægelser, og atter andre analyserer sociale medier og sundhedsrapporter for tidlige symptomklynger. Det er endnu uklart, hvilke kombinationer der giver den bedste forudsigende præcision på tværs af udbrudssituationer.

Om real-world-implementering matcher laboratoriepræstationer ~

Mange AI-systemer til sygdomsovervågning er demonstreret under kontrollerede forhold eller i retrospektive analyser — altså ved at lade modellen "forudsige" udbrud, der allerede er sket. Det er en metodisk begrænsning: Modeller kan se meget lovende ud i bagudskuende test, men kæmpe i realtid, fordi data er ufuldstændige og forsinket.

Hvem ejer og styrer datastrømmene

Langt størstedelen af de avancerede AI-modeller til pandemi-overvågning er udviklet i vestlige lande eller af store teknologivirksomheder. Det rejser spørgsmål om datadeling, suverænitet og incitamenter: Har lande i det globale syd interesse i at dele biologiske data med systemer, de ikke kontrollerer? Og vil de blive advaret på samme vilkår som rige lande? Det er hverken empirisk afklaret eller politisk løst.

Hvad eksperter er uenige om

Kan AI-modeller forebygge pandemier — eller kun opdage dem hurtigere? ~

Det er kernen i uenigheden. Optimister peger på, at selv et forspring på to til fire uger kan gøre en afgørende forskel for at inddæmme et udbrud. Skeptikere mener, at den begrænsende faktor ikke er information, men reaktionsevne: COVID-19 var ikke en overraskelse for epidemiologer — tidlige advarsler kom, men systemer og politikere handlede ikke hurtigt nok. Flere uafhængige forskere understreger, at AI er et diagnostisk redskab, ikke en løsning på de institutionelle og politiske barrierer, der forsinker pandemi-respons.

Skal ressourcerne prioriteres til AI eller til grundlæggende sundhedsinfrastruktur? ⚖

Dette er delvist et værdispørgsmål. Nogle forskere argumenterer for, at de millioner, der bruges på avancerede AI-modeller, ville gøre mere gavn som investering i lokale laboratoriekapaciteter, uddannede epidemiologer og digitalt opkoblede sundhedsklinikker i lavindkomstlande. Andre mener, at AI netop kan kompensere for mangel på menneskelige ressourcer ved at automatisere dele af overvågningen.

Hvad er den rette balance mellem falske alarmer og sande trusler? ~

Et system, der aldrig sender falsk alarm, vil sandsynligvis også misse reelle trusler. Et system, der er hyperfølsomt, risikerer at udsende så mange advarsler, at sundhedsmyndigheder holder op med at reagere på dem. Den rette kalibrering er ikke kun et teknisk spørgsmål — det afhænger af hvilke fejl man finder mest acceptabel, og det varierer fra land til land og fra politisk kontekst til politisk kontekst.

Konklusion

AI-modeller til overvågning af zoonoser er et reelt fremskridt. De kan integrere langt større datamængder end mennesker alene, de kan identificere tidlige mønstre og potentielt give sundhedsmyndigheder et forspring, de ikke har haft tidligere.

Men de er ikke en pandemi-vaccine. De kræver data af høj kvalitet — og den mangel er størst præcis dér, hvor risikoen for nye zoonoser er størst. De kræver fungerende sundhedssystemer, der kan handle på advarsler. Og de kræver internationale aftaler om datadeling, som endnu ikke er på plads.

Den ærlige vurdering er: AI kan sandsynligvis gøre os bedre til at opdage næste pandemi tidligere. Om det er nok til at forebygge den, afhænger af faktorer, som teknologien ikke kan løse alene. Vi ved, hvad der mangler. Spørgsmålet er, om der er politisk vilje til at levere det.