Behöver ert företag hjälp med att implementera AI? Kontakta oss och få prisoffert här →
AI Skolan
januari 22, 2026

Google Sheets + Gmail, radiologi-pdf:er skickade åt dig

Rickard Andersson Partner, Nodenordic.se

Röntgenanteckningar fastnar på värsta stället: i någons inkorg. Sedan skriver du om samma förklaring, letar efter rätt bilaga och dubbelkollar patientens e-post igen eftersom insatsen är hög.

Den här automatiseringen för röntgen-PDF träffar chefer för klinikdrift först, men ägare av privata mottagningar och stressade vårdsamordnare känner också av den. Du kan förvandla en uppladdad undersökning till en patientvänlig PDF, logga den och mejla ut den automatiskt, så att uppföljningar inte faller mellan stolarna.

Nedan ser du vad arbetsflödet gör från start till mål, affärseffekten i tydliga siffror och vad du behöver för att köra det i n8n.

Så fungerar den här automatiseringen

Se hur detta löser problemet:

n8n Workflow Template: Google Sheets + Gmail, radiologi-pdf:er skickade åt dig

Utmaningen: Röntgenuppföljningar som bygger på manuellt arbete

Röntgenbilder och anteckningar blir inte “patientkommunikation” av sig själva. Någon måste tolka undersökningen, översätta fackspråk till något en icke-kliniker förstår, formatera det till en snygg rapport och sedan skicka ut den med rätt kontext. Och om något ändras (fel e-postadress, saknad kroppsdel, PDF:en renderades inte, bilagan är för stor) gör du om allt. Arbetet är inte svårt. Det är bara konstant, och det är lätt att göra fel när du växlar mellan verktyg och flikar hela dagen.

Det eskalerar snabbt. Här är var det ofta brister i verkliga kliniker och bilddiagnostiska flöden.

  • Personal skriver om förklaringar för samma undersökningstyper eftersom det saknas en konsekvent patientvänlig mall.
  • Bilagor blandas ihop, vilket skapar jobbiga “bortse från detta”-uppföljningsmejl och extra telefonsamtal.
  • Loggning sker inkonsekvent, så du kan inte snabbt svara på “skickades det här, och när?” utan att gräva.
  • Manuell copy-paste från indata ökar risken för stavfel i patientidentiteter och undersökningsdetaljer.

Lösningen: Förvandla en uppladdad undersökning till en skickad PDF-rapport automatiskt

Det här n8n-arbetsflödet tar emot en röntgenbild via webhook och gör om den till en polerad, patientvänlig PDF-rapport, mejlar den till patienten och loggar händelsen i Google Sheets. I samma ögonblick som ett undersökningspayload kommer in (patientnamn, patient-ID, undersökningstyp, kroppsdel, bild-URL, läkarens namn, patientens e-post) tolkar arbetsflödet och validerar datan innan bilden skickas till en AI-visionmodell för analys. Analysen formas sedan om till tydliga avsnitt som läser som en riktig rapport, istället för ett block med teknisk text. Därefter bygger arbetsflödet en HTML-mall, konverterar den till en PDF via en extern renderingsförfrågan, väntar kort på att PDF:en ska bli klar och sparar till sist en post i Google Sheets innan PDF:en skickas via Gmail.

Arbetsflödet startar med en inkommande bild-webhook och en snabb tolkning av payloadet. Därefter analyserar GPT-4 Vision undersökningen och arbetsflödet omvandlar resultatet till en strukturerad rapport. Till sist renderas PDF:en, loggas i Google Sheets och skickas via Gmail, med ett bekräftelsesvar som returneras till den ursprungliga begäran.

Vad som förändras: före vs. efter

Verklig effekt

Säg att din klinik skickar 20 röntgenuppföljningsrapporter i veckan. Manuellt tar det oftast cirka 10 minuter att skriva om/förenkla tolkningen, ytterligare 10 minuter att formatera/exportera till PDF, plus cirka 5 minuter att mejla och logga (säg 25 minuter per rapport). Det är ungefär 8 timmar i veckan. Med det här arbetsflödet tar det en minut att skicka in undersökningspayloadet, och sedan väntar du mest på PDF-rendering och mejlleverans. Du får tillbaka större delen av tiden utan att tumma på tydligheten.

Krav

  • n8n-instans (prova n8n Cloud gratis)
  • Självhosting om du föredrar det (Hostinger fungerar bra)
  • Google Sheets för loggning av rapportposter.
  • Gmail för att mejla PDF-rapporten till patienter.
  • OpenAI API-nyckel (hämta den i din OpenAI-instrumentpanel).

Kunskapsnivå: Medel. Du kommer klistra in API-nycklar, redigera några fält och testa en webhook-begäran.

Behöver du hjälp att implementera detta? Prata med en automationsexpert (kostnadsfri 15-minuters konsultation).

Arbetsflödet steg för steg

En webhook tar emot undersökningsinskickningen. Ditt system (eller ett enkelt formulärverktyg) skickar en POST-begäran med patientuppgifter och en bild-URL, och n8n bekräftar direkt att den tagits emot.

Payloadet tolkas och struktureras. Arbetsflödet plockar ut fält som patientnamn, undersökningstyp och e-postadress, så att efterföljande steg inte bygger på stökiga indata.

AI tolkar röntgenbilden och skriver om den för patienter. En HTTP-begäran anropar en GPT-4 Vision-liknande endpoint för bildanalys, och därefter formar arbetsflödet svaret till läsbara avsnitt (det patienter faktiskt förstår).

En rapport skapas, konverteras till PDF och levereras. Arbetsflödet bygger en HTML-rapport, renderar den till en PDF via en andra HTTP-begäran, väntar kort så att filen finns tillgänglig, loggar händelsen i Google Sheets och skickar PDF:en via Gmail.

Du kan enkelt justera rapportmallen och kolumnerna i Google Sheets så att det matchar era interna processer. Se hela implementationsguiden nedan för anpassningsalternativ.

Steg-för-steg-guide för implementering

Steg 1: konfigurera webhook-triggern

Konfigurera arbetsflödets startpunkt så att externa system kan skicka in radiologibilder och metadata.

  1. Lägg till och öppna Incoming Image Webhook.
  2. Ställ in HTTP MethodPOST.
  3. Ställ in Pathradiology-upload.
  4. Spara arbetsflödet för att generera webhook-URL:er för test och produktion.
Skicka en test-payload som innehåller patient_name, patient_id, scan_type, body_part, image_url eller image_base64, doctor_name, scan_date, urgency och patient_email för att testa hela arbetsflödet.

Steg 2: anslut Google Sheets

Logga varje genererad rapport i ett kalkylark för spårbarhet och uppföljning.

  1. Öppna Log Report Entry.
  2. Credential Required: Anslut era googleApi-autentiseringsuppgifter.
  3. Ställ in Operationappend och AuthenticationserviceAccount.
  4. Ställ in Document IDYOUR_REPORTS_SHEET_ID.
  5. Ställ in Sheet NameReports_Log.
  6. Bekräfta att kolumnmappningarna innehåller uttryck som {{ $json.download_url }}, {{ $('Build PDF Template').first().json.patient_name }} och {{ $now.toISO() }}.

Steg 3: konfigurera bearbetningen och AI-tolkningen

Tolka inkommande payload och skicka bilden till AI-modellen för en patientvänlig tolkning.

  1. Granska Parse Scan Payload för att säkerställa att JavaScript-koden mappar inkommande fält och anger standardvärden för saknade värden.
  2. Öppna AI Scan Interpretation och ställ in URLhttps://api.openai.com/v1/chat/completions.
  3. Ställ in MethodPOST och Specify Bodyjson.
  4. Ställ in JSON Body till det angivna uttrycket ={ "model": "gpt-4-vision-preview", "messages": [ { "role": "system", "content": "You are a radiology expert who explains medical scans in simple, patient-friendly language. Analyze the radiology image and provide: 1) What the scan shows in simple terms 2) Any notable findings 3) What this means for the patient 4) Next steps if any. Be reassuring and avoid medical jargon. Always recommend consulting with their doctor." }, { "role": "user", "content": [ { "type": "text", "text": "Please analyze this {{ $json.scan_type }} scan of the {{ $json.body_part }} and explain the findings in patient-friendly terms." }, { "type": "image_url", "image_url": { "url": "{{ $json.image_base64 ? 'data:image/jpeg;base64,' + $json.image_base64 : $json.image_url }}" } } ] } ], "max_tokens": 1000, "temperature": 0.3 }.
  5. Credential Required: Anslut era OpenAI API-autentiseringsuppgifter i AI Scan Interpretation (headern Authorization använder {{ $credentials.openaiApi.apiKey }}).
⚠️ Vanlig fallgrop: Om image_url eller image_base64 saknas i den inkommande payloaden kommer AI-anropet att misslyckas. Säkerställ att ett av dessa fält alltid skickas med.

Steg 4: konfigurera PDF-generering och leverans

Skapa en strukturerad rapport, rendera den till en PDF och hantera timing innan loggning och e-post till patienten.

  1. Granska Structure Analysis Output för att säkerställa att den tolkar AI-utdata och skapar findings, explanation och next_steps.
  2. Öppna Build PDF Template och bekräfta att den genererar html_report och report_filename för PDF:en.
  3. Öppna Render PDF File och ställ in URLhttps://api.html-css-to-pdf.com/v1/generate.
  4. Ställ in JSON Body till ={ "html": "{{ $json.html_report }}", "options": { "format": "A4", "margin": { "top": "20mm", "right": "15mm", "bottom": "20mm", "left": "15mm" }, "displayHeaderFooter": false } }.
  5. Credential Required: Anslut era API-autentiseringsuppgifter för PDF-rendering i Render PDF File (headern Authorization använder {{ $credentials.pdfApi.apiKey }}).
  6. Behåll Pause for PDF i flödet efter Render PDF File för att säkerställa att PDF:en är klar innan loggning och e-poststeg.

Körordningen är sekventiell: Incoming Image WebhookParse Scan PayloadAI Scan InterpretationStructure Analysis OutputBuild PDF TemplateRender PDF FilePause for PDFLog Report EntrySend Patient EmailRespond with Summary.

Steg 5: konfigurera utgående åtgärder

Skicka PDF-rapporten till patienten och returnera ett sammanfattningssvar till den som anropar webhooken.

  1. Öppna Send Patient Email.
  2. Credential Required: Anslut era gmailOAuth2-autentiseringsuppgifter.
  3. Ställ in To{{ $('Parse Scan Payload').first().json.patient_email || '[YOUR_EMAIL]' }}.
  4. Ställ in Subject🏥 Your Radiology Report is Ready - {{ $('Build PDF Template').first().json.patient_name }}.
  5. Ställ in Message till HTML-innehållet med uttryck som {{ $('Structure Analysis Output').first().json.findings }} och {{ $('Build PDF Template').first().json.scan_type }}.
  6. Öppna Respond with Summary för att säkerställa att den returnerar status, message och pdf_url från Render PDF File.
⚠️ Vanlig fallgrop: Om patient_email inte skickas med i webhook-payloaden kommer Send Patient Email att använda [YOUR_EMAIL] som standard. Ersätt detta eller säkerställ att fältet alltid ingår.

Steg 6: testa och aktivera ert arbetsflöde

Validera hela flödet från start till mål och aktivera sedan automationen för produktionsanvändning.

  1. Klicka på Execute Workflow och skicka en POST-begäran till test-URL:en för Incoming Image Webhook med en exempel-payload.
  2. Bekräfta att körningen lyckas genom att kontrollera att Render PDF File returnerar en download_url, att Log Report Entry lägger till en rad i arket och att Send Patient Email skickar meddelandet.
  3. Verifiera att webhook-svaret från Respond with Summary innehåller status: 'success' och pdf_url.
  4. Växla webhooken till produktionsläge och slå sedan på arbetsflödet till Active för drift.
🔒

Lås upp fullständig steg-för-steg-guide

Få den kompletta implementeringsguiden + nedladdningsbar mall

Se upp för

  • Gmail-autentisering kan löpa ut eller kräva specifika behörigheter. Om något slutar fungera, kontrollera först det anslutna kontot i n8n:s Credentials och bekräfta att avsändaren fortfarande är behörig.
  • Om du använder Wait-noder eller extern rendering varierar behandlingstider. Öka väntetiden om efterföljande noder fallerar på tomma svar.
  • Standardprompter i AI-noder är generiska. Lägg in er tonalitet tidigt, annars kommer du redigera utdata för alltid.

Vanliga frågor

Hur snabbt kan jag implementera den här automatiseringen för röntgen-PDF?

Cirka en timme om dina konton och API-nycklar är redo.

Kan icke-tekniska team implementera den här automatiseringen för röntgen-PDF?

Ja, men du vill ha någon som är bekväm med att testa en webhook-begäran och klistra in inloggningsuppgifter. När allt är kopplat är den dagliga användningen bara att skicka undersökningspayloadet.

Är n8n gratis att använda för det här arbetsflödet för automatisering av röntgen-PDF?

Ja. n8n har ett gratis alternativ för självhosting och en gratis provperiod på n8n Cloud. Cloud-planer börjar på 20 USD/månad för högre volym. Du behöver också räkna in OpenAI API-användning och kostnader för din PDF-renderingstjänst.

Var kan jag hosta n8n för att köra den här automatiseringen?

Två alternativ: n8n Cloud (hanterat, enklast att komma igång) eller självhosting på en VPS. För självhosting är Hostinger VPS prisvärd och hanterar n8n bra. Självhosting ger dig obegränsat antal körningar men kräver grundläggande serverhantering.

Hur anpassar jag den här automatiseringen för röntgen-PDF till mina specifika utmaningar?

Du kan ändra vad rapporten säger genom att redigera AI-prompten och logiken i “Structure Analysis Output” som gör om modellens svar till avsnitt. Om du vill ha ett annat utseende, uppdatera HTML:en i “Build PDF Template” så att den matchar klinikens profil och obligatoriska ansvarsfriskrivningar. Vanliga justeringar är att lägga till ett avsnitt för “nästa steg”, styra vissa undersökningstyper via ett godkännandesteg med If-noden och skriva extra fält till Google Sheets för revision/spårbarhet.

Varför misslyckas min Google Sheets-anslutning i det här arbetsflödet?

Oftast är det behörighetsscope eller att sheet-ID:t är fel. Anslut om Google Sheets-credential i n8n, bekräfta att målarket är delat med samma Google-konto och dubbelkolla att du har ersatt placeholdern för sheet-ID med det riktiga. Om det fortfarande fallerar, leta efter rate limits när du loggar många rapporter samtidigt.

Vilken kapacitet har den här automatiseringen för röntgen-PDF?

På n8n Cloud beror kapaciteten på din plans månatliga körningar, och vid självhosting beror den främst på din server och API-begränsningar.

Är den här automatiseringen för röntgen-PDF bättre än att använda Zapier eller Make?

Ofta, ja. Det här arbetsflödet behöver formning i flera steg (tolka payload, anropa vision-AI, transformera svaret, generera HTML, rendera en PDF, vänta, sedan logga och mejla), och n8n hanterar den typen av förgreningar och “limlogik” snyggt utan att bli en skör kedja. Självhosting är också viktigt om du vill ha förutsägbara kostnader när volymen växer. Zapier eller Make kan fortfarande fungera om du håller processen enkel och använder en hostad PDF-tjänst med ett lättanvänt API. Den ärliga sanningen: om du förväntar dig undantag, godkännanden eller anpassad formatering är n8n oftast ett lugnare val. Prata med en automationsexpert om du är osäker på vad som passar.

När detta väl är på plats blir rapportering och utskick rutin istället för daglig panik. Arbetsflödet gör det repetitiva arbetet, och du behåller kontrollen över vad som kommuniceras.

Kontakta oss

Hör av dig, så diskuterar vi hur just din verksamhet kan dra nytta av alla fantastiska möjligheter som AI skapar.

×

Använd mall

Få direkt tillgång till denna n8n-arbetsflödes JSON-fil

Launch login modal Launch register modal