Kunstig intelligens og musikterapi

Kunstig intelligens kan støtte musikterapi ved at analysere mønstre, foreslå musikvalg og tilpasse forløb til konkrete reaktioner, men teknologien erstatter ikke musikterapeuten. Den faglige relation, klientens mål, datasikkerhed og klinisk vurdering er stadig afgørende for, om AI giver terapeutisk værdi.

Hvordan hænger kunstig intelligens og musikterapi sammen?

Kunstig intelligens i musikterapi betyder, at algoritmer bruges som støtte til at vælge, analysere, generere eller tilpasse musik i et terapeutisk forløb. Det kan være simple anbefalingsmodeller, systemer til stemningsanalyse, værktøjer til lydgenerering eller modeller, der kobler musik til fysiologiske signaler som puls, bevægelse eller søvnmønstre.

Musikterapi er derimod ikke bare musikafspilning. American Music Therapy Association beskriver musikterapi som klinisk og evidensbaseret brug af musikinterventioner til individualiserede mål i en terapeutisk relation med en kvalificeret fagperson. Den definition er central, fordi AI først får relevans, når den understøtter et fagligt formål og ikke blot leverer mere musik.

Det praktiske samspil kan derfor forstås i tre lag. Musikterapeuten vurderer mål og reaktioner. AI-systemet kan hjælpe med struktur, analyse eller forslag. Klienten reagerer kropsligt, emotionelt, kognitivt og socialt, og den respons skal fortolkes i kontekst. AI kan give flere datapunkter, men den kan ikke alene afgøre, hvad der er terapeutisk rigtigt.

Hvad adskiller AI-støttet musikterapi fra almindelig musiklytning?

Almindelig musiklytning kan virke beroligende, motiverende eller genkendelig, men den er ikke nødvendigvis terapi. I musikterapi knyttes musikvalg, samtale, improvisation, sang, bevægelse eller lytning til et mål, som kan handle om kommunikation, følelsesregulering, motorik, hukommelse, smerteoplevelse eller social kontakt.

AI-støttet musikterapi adskiller sig ved, at teknologien kan hjælpe med at finde mønstre i musikpræferencer og respons. Et system kan for eksempel sammenholde tempo, toneart, lydstyrke, tidligere reaktioner og valgte sange. Det kan være nyttigt, hvis du arbejder med mange sessioner, komplekse registreringer eller klienter, der har svært ved selv at beskrive deres reaktioner.

Skellet mellem terapi og musiklytning er også vigtigt for ansvar. En playliste-app kan foreslå musik ud fra smag. Et terapeutisk forløb kræver en faglig vurdering af, om musikken hjælper, overstimulerer, vækker svære minder eller flytter klienten tættere på det aftalte mål. AI kan støtte observationen, men den bør ikke gøre vurderingen usynlig.

Hvilke former for AI kan bruges i musikterapeutiske forløb?

AI i musikterapi kan dække flere tekniske funktioner. Nogle er modne i almindelige musiksystemer, mens andre stadig primært er forsknings- eller pilotprojekter. En nøgtern vurdering begynder med at skelne mellem de tekniske typer og deres terapeutiske formål.

Teknisk set ligger mange løsninger tæt på de systemer, der også bruges til AI til musikkomposition og digitale produktionsværktøjer. Den terapeutiske forskel ligger i formål, kontekst, dokumentation og ansvar.

Hvordan kan AI hjælpe med personalisering af musik?

Personalisering er en af de mest oplagte anvendelser. Musikterapi arbejder i forvejen med individuelle præferencer, minder, kulturel baggrund, tempo, intensitet og udtryk. AI kan hjælpe med at organisere de oplysninger, så musikterapeuten hurtigere kan finde relevante muligheder og følge ændringer over tid.

Et simpelt eksempel er en klient, der reagerer positivt på roligt tempo, kendte stemmer og akustiske instrumenter, men bliver urolig ved kraftig bas eller pludselige skift. Hvis observationerne registreres systematisk, kan en algoritme foreslå musik med lignende træk eller advare om elementer, der tidligere har givet uønsket respons.

Personalisering må dog ikke reduceres til automatiseret smag. Musik kan være knyttet til tab, identitet, traumer, religiøse erfaringer, familiehistorie og sprog. AI kan gruppere lydtræk, men den forstår ikke uden videre, hvorfor en sang virker tryg for én person og belastende for en anden. Derfor er samtale, observation og samtykke nødvendige dele af processen.

For læsere, der vil forstå den bredere tekniske side, er der en nærliggende forbindelse til personalisering af musikoplevelser med AI. I musikterapi er personalisering dog ikke et mål i sig selv; den skal understøtte et klinisk eller pædagogisk formål.

Hvor kan AI skabe værdi for musikterapeuten?

Den største værdi ligger ofte i forberedelse og efterbearbejdning snarere end i selve relationen. AI kan hjælpe med at samle observationer, identificere mønstre, sortere musikforslag, transskribere noter, kategorisere sessionstemaer eller pege på variationer, som terapeuten kan overveje.

I praksis kan det reducere administrativ belastning, især hvis musikterapeuten arbejder i et tværfagligt team. En AI-assistent kan for eksempel hjælpe med at strukturere en neutral sessionsoversigt, som terapeuten bagefter retter og godkender. Den type brug minder om andre former for sundhedsteknologisk dokumentationsstøtte, hvor automatisering kun er forsvarlig, hvis fagpersonen bevarer kontrollen.

AI kan også gøre eksperimenter mere systematiske. Hvis du afprøver forskellige musikalske parametre, kan en model hjælpe med at holde styr på tempo, rytmisk tæthed, toneleje, lydstyrke og klientens reaktioner. Det kan give et bedre grundlag for næste session, men det bør ikke blive en mekanisk protokol, hvor klientens aktuelle tilstand overses.

Hvilke begrænsninger skal indgå i vurderingen?

Den vigtigste begrænsning er, at AI ikke har terapeutisk dømmekraft. Et system kan registrere, at puls falder, ansigtsudtryk ændrer sig, eller at en klient vælger bestemte sange. Det kan ikke alene afgøre, om ændringen skyldes ro, resignation, træthed, ubehag, medicin, relationelle forhold eller noget helt andet.

En anden begrænsning er datagrundlaget. Musikmodeller trænes ofte på store samlinger af lyd, metadata eller brugeradfærd, men sådanne data afspejler ikke nødvendigvis en bestemt klientgruppe, et dansk behandlingsmiljø eller en terapeutisk population. Hvis modellen bygger på kommercielle lyttevaner, kan den favorisere genrer, stemninger og mønstre, der ikke passer til sårbare eller kliniske sammenhænge.

Der er også en risiko for falsk præcision. Et dashboard kan vise grafer over humør, engagement eller stress, men målingen kan være usikker. Ansigtsanalyse, stemmeanalyse og wearables kan påvirkes af lys, kultur, sprog, handicap, medicin, neurologiske forhold og tekniske fejl. En god AI-løsning bør derfor vise usikkerhed og ikke kun levere en klar anbefaling.

Endelig er musikalsk kvalitet ikke det samme som terapeutisk kvalitet. AI-drevne musikproduktionsværktøjer kan skabe lyd, variationer og arrangementer, men et teknisk velproduceret stykke musik kan stadig være forkert til en bestemt session.

Hvad siger evidensen om musikterapi og AI?

Evidensen skal deles op. Der findes forskning i musikterapi som faglig intervention, og der findes forskning i AI-systemer til musik, sundhed og personalisering. Det er ikke det samme som dokumentation for, at en bestemt AI-løsning virker som musikterapi.

Et Cochrane-review om musikterapi ved depression fandt kortsigtede gavnlige effekter, når musikterapi blev lagt oven i sædvanlig behandling. Reviewet byggede på ni studier med 421 deltagere og beskrev samtidig behovet for bedre og større forsøg. Den type evidens kan støtte musikterapi som faglig praksis, men den beviser ikke, at en algoritmisk playliste eller et generativt musiksystem har samme effekt.

AI-delen kræver særskilt validering. Hvis et system hævder at kunne reducere angst, forbedre søvn, støtte rehabilitering eller hjælpe personer med demens, skal det undersøges i den konkrete målgruppe med tydelige målepunkter. Det er ikke nok, at musikken er behagelig, eller at modellen er teknisk avanceret.

En forsigtig formulering er derfor mest præcis: AI kan være et støtteværktøj i musikterapeutisk praksis, men kliniske effekter afhænger af anvendelse, målgruppe, fagperson, kontekst og dokumentation. Ved sundhedsbrug bør teknologien vurderes på samme nøgterne måde som andre digitale værktøjer i behandlings- og omsorgsmiljøer.

Hvordan bør menneskelig kontrol se ud?

Menneskelig kontrol betyder, at musikterapeuten kan forstå, udfordre, ændre og tilsidesætte AI-systemets forslag. Det kræver mere end en knap i brugerfladen. Fagpersonen skal kunne se, hvorfor en anbefaling gives, hvilke data den bygger på, og hvor usikker anbefalingen er.

Kontrollen bør være tydelig på tre tidspunkter. Før sessionen skal formål, data og musikvalg kunne gennemgås. Under sessionen skal terapeuten kunne stoppe eller ændre musikken uden friktion. Efter sessionen skal AI-genererede noter, mønstre og forslag kunne rettes, afvises eller dokumenteres som usikre.

Det passer med WHO’s bredere anbefalinger om AI i sundhed, hvor etik, menneskerettigheder og ansvarlig styring skal være en del af design og brug. Det passer også med EU AI Act’s krav til menneskeligt tilsyn for højrisiko-AI. For musikterapi betyder det, at relationen ikke må automatiseres væk, selv når analyse og forslag bliver mere avancerede.

Hvilke data kan AI bruge i musikterapi?

Data kan spænde fra ufølsomme musikvalg til meget følsomme sundhedsoplysninger. I den lave ende ligger oplysninger som tempo, genre, instrumentering og klientens egne valg. I den høje ende ligger journalnoter, diagnoser, medicinoplysninger, stemmeoptagelser, video, ansigtsudtryk, puls, bevægelse, søvn og andre kropslige målinger.

Jo tættere data kommer på helbred, adfærd og identitet, desto større bliver kravene til samtykke, formålsbegrænsning, adgangsstyring, sletning, sikkerhed og dokumentation. Det er især relevant, hvis AI bruges i kommunale tilbud, hospitaler, specialpædagogik, psykiatri, rehabilitering eller pleje.

Der bør også være en praktisk dataminimering. Hvis et forløb kan understøttes med musikalske observationer og terapeutens egne noter, er der ikke nødvendigvis grund til at indsamle video eller biometriske signaler. Flere data giver ikke automatisk bedre terapi; de kan også give flere fejl, større sårbarhed og sværere forklaring.

Den problematik ligger tæt på bredere spørgsmål om generativ AI og datafortrolighed, men musikterapi har et ekstra lag, fordi musikken ofte knytter sig til følelser, livshistorie og helbred.

Hvornår kan AI i musikterapi blive et reguleret sundhedssystem?

Reguleringen afhænger af systemets tiltænkte formål. Et generelt værktøj til musikforslag er ikke det samme som et system, der påstår at diagnosticere, behandle, forebygge eller monitorere en sygdom. Hvis en AI-løsning får et sundhedsfagligt formål, kan der opstå krav efter både databeskyttelsesregler, sundhedsregler, medicinsk udstyrsregulering og EU AI Act.

EU AI Act, Regulation (EU) 2024/1689, bruger en risikobaseret model. Højrisiko-AI er underlagt krav til blandt andet risikostyring, dokumentation, menneskeligt tilsyn, nøjagtighed, robusthed og cybersikkerhed. I sundhedsområdet er formål, konsekvens og integration afgørende for vurderingen.

For en organisation betyder det, at klassificering bør ske før pilotbrug, ikke efter. Hvis systemet kun bruges til intern idéudvikling, er risikoniveauet ét. Hvis det påvirker valg af intervention for en sårbar klient, er risikoniveauet et andet. Hvis det bruges som del af en egentlig behandlingsbeslutning, skal kravene vurderes endnu skarpere.

AI i musikterapi bør derfor beskrives med præcise grænser: Hvad gør systemet, hvad gør det ikke, hvem godkender output, hvilke klienter må det bruges til, og hvornår skal det stoppes? Uklare formål gør både klinisk vurdering og regulering sværere.

Hvordan kan en organisation teste AI i musikterapi ansvarligt?

En ansvarlig test begynder med et snævert formål. Det kan for eksempel være at organisere musikforslag, sammenligne sessioners musikalske parametre eller støtte terapeutens egne noter. Start ikke med brede løfter om behandlingseffekt, hvis der kun testes arbejdsgange.

En praktisk beslutningsrækkefølge kan se sådan ud:

1. Definer det terapeutiske eller administrative formål i én sætning.
2. Beskriv hvilke data der indsamles, og hvilke der fravælges.
3. Vælg målepunkter, der kan observeres uden at overfortolke klientens reaktion.
4. Giv musikterapeuten ret til at ændre, ignorere og dokumentere afvigelser fra AI-forslag.
5. Afprøv først på lavrisikoopgaver uden automatiske beslutninger.
6. Registrer fejl, uventede reaktioner, dataproblemer og tilfælde, hvor systemet blev tilsidesat.
7. Evaluer både faglig nytte, klientoplevelse, tidsforbrug, sikkerhed og forklarbarhed.

Hvis testen omfatter børn, personer med kognitiv svækkelse, psykisk sårbarhed eller helbredsdata, bør kravene være skærpede fra begyndelsen. Det handler ikke om at afvise teknologi, men om at sikre, at den ikke flytter ansvar væk fra de fagpersoner, der kan forstå klientens situation.

Hvilke tekniske valg påvirker kvaliteten?

Kvaliteten afhænger af data, modeltype, brugerflade og evalueringsmetode. Et anbefalingssystem kan være godt til lyttevaner, men dårligt til terapeutiske mål. Et generativt musiksystem kan skabe variation, men have begrænset kontrol med struktur, gentagelse, intensitet og kulturel betydning. Et dokumentationsværktøj kan spare tid, men skabe fejl, hvis det gætter på kliniske sammenhænge.

Derfor bør du vurdere mindst fem tekniske spørgsmål. Kan systemet forklare sine forslag? Kan terapeuten justere musikalske parametre? Kan data slettes eller eksporteres? Kan modellen bruges uden at sende følsomme oplysninger til unødige tredjeparter? Kan organisationen måle fejl og uønskede virkninger over tid?

AI-musikforskning viser, at musikgenerering ikke kun handler om at producere lyd. Struktur, kontrol, interaktion og evaluering er fortsat centrale udfordringer. I terapi bliver de udfordringer tydeligere, fordi musikken skal passe til et menneske i en konkret situation, ikke bare til en stil eller et statistisk mønster.

Hvilke etiske spørgsmål fylder mest?

De vigtigste etiske spørgsmål handler om samtykke, værdighed, gennemsigtighed og afhængighed. Klienten bør vide, hvornår AI bruges, hvilke data der indgår, og om systemet foreslår musik, analyserer respons eller hjælper med dokumentation. Det skal være muligt at sige nej uden at miste adgang til en faglig indsats.

Der er også risiko for, at AI gør terapien mindre personlig, hvis systemets forslag får for stor autoritet. Musik kan være tæt knyttet til identitet, sprog, kultur og livshistorie. Hvis modellen kun genkender brede mønstre, kan den overse minoritetsmusik, lokale traditioner, neurodiversitet eller klientens egne betydninger.

Etikken omfatter også ophavsret og kunstnerisk oprindelse, især hvis der bruges genereret musik. Spørgsmålet er ikke kun, om musikken må bruges, men også om klienten skal vide, at lyden er maskinskabt, og om det ændrer oplevelsen. I nogle forløb kan autenticitet, genkendelse og menneskelig udøvelse være en del af den terapeutiske virkning.

Beslægtede spørgsmål findes i AI i sundhedsvæsenet, men musikterapi gør dem særligt konkrete, fordi teknologiens output opleves gennem krop, stemning, minder og relation.

Hvilke kilder ligger til grund?

Artiklen bygger blandt andet på American Music Therapy Associations officielle definition af musikterapi, Cochrane-reviewet om musikterapi ved depression, WHO’s vejledning om AI i sundhed, WHO’s 2024-vejledning om large multimodal models i sundhed og EU’s AI Act.