AI mot antibiotikaresistens: lärdomar från VRE-utbrott

176 patienter drabbades när VRE spreds över 20 enheter på ett av Sveriges största sjukhus mellan 2024-08 och 2025-08. Tio personer utvecklade klinisk infektion och flera dog – däribland en ung kvinna. När en vårdorganisation Lex Maria-anmäler sig själv efter ett utbrott är det ett tecken på att något brustit i systemet, inte bara i enskilda moment.

Det här är obehaglig läsning. Men om man jobbar i primärvården, på vårdcentral eller i kommunal vård är det också relevant. För antibiotikaresistens är inte ett “sjukhusproblem”. Patienterna rör sig mellan vårdnivåer, prover tas på vårdcentralen, antibiotika sätts in i öppenvården, och smittspårning samt uppföljning kräver ett fungerande informationsflöde.

Min ståndpunkt: vi kommer inte förebygga resistensrelaterade vårdskador med fler påminnelseaffischer. Vi behöver bättre signaler i realtid, tidigare varningar och mer konsekvent uppföljning. Där kan AI i vården göra konkret nytta – både i infektionskontroll och i läkemedels- och bioteknikutveckling.

Vad VRE-utbrottet säger om systemfel – inte bara städning

Nyckelpoängen: Utbrott drivs sällan av en enda orsak; de växer i glappen mellan bemanning, beläggning, hygienrutiner och informationsöverföring.

I det aktuella fallet pekas brister ut i arbetssätt, rutiner och riktlinjer kopplat till hygien, samt för gles och otillräckligt kompetent städning av toaletter. Det är lätt att fastna i detaljerna (”städningen”), men det viktiga är mönstret: när belastningen är hög och variationen i arbetssätt är stor, blir smittskydd beroende av tur.

Det här är extra tydligt för multiresistenta bakterier som VRE, där konsekvenserna kan bli dramatiska för sköra patienter. Och även när den direkta smittspridningen sker i slutenvård kan tidiga signaler uppstå i öppenvård: återkommande UVI-behandlingar, sår som inte läker, eller patienter som nyligen vårdats inneliggande och nu återkommer.

Primärvårdens roll: tidig upptäckt och smart antibiotikaanvändning

Svar direkt: Vårdcentralen påverkar risken för resistens genom provtagning, antibiotikaval, behandlingslängd och uppföljning.

I serien AI för Svenska Vårdcentraler: Primärvård 4.0 pratar vi ofta om AI för tidsbokning, journalstöd och patientkommunikation. Här blir kopplingen tydlig: när antibiotika sätts in utan tydlig indikation, eller när provsvar missas, byggs resistensproblemet upp över tid.

Jag har sett hur små saker gör stor skillnad i vardagen:

• Provsvaret kommer sent fredag 16:40 och blir liggande.
• Patienten har redan fått “bred” antibiotika ”för säkerhets skull”.
• Ingen ringer tillbaka och justerar behandling när resistensmönster framgår.

Det är inte illvilja. Det är friktion i processen.

AI som tidigt varningssystem för utbrott och smittspridning

Nyckelpoängen: AI kan upptäcka avvikelser i provsvar och vårdflöden tidigare än människor hinner se mönstret.

Ett utbrott som pågår i månader är nästan alltid synligt i data långt innan det blir synligt i mötesanteckningar. Vården har redan råmaterialet: odlingssvar, patientrörelser, beläggning, antibiotikaordinationer, isoleringsmarkeringar och städ-/hygienloggar (där sådana finns).

AI kan användas som ett “rök-larm” snarare än en “domare”. Det handlar om att flagga risk – inte att automatiskt fatta beslut.

Tre konkreta AI-signaler som kan minska tiden till åtgärd

Svar direkt: Bra signalsystem kombinerar mikrobiologi, flöden och beteende.

1. Kluster i mikrobiologiska fynd

   • Modeller kan identifiera ovanlig ökning av VRE-fynd per enhet/område eller per remitterande vårdenhet.
   • Även “svaga” signaler (kolonisation, inte klinisk infektion) kan vara viktiga.

2. Riskmönster i patientflöden

   • När patienter flyttas mellan enheter ökar kontaktytorna.
   • AI kan räkna risk baserat på nätverk: vem som låg var, när och hur ofta.

3. Processavvikelser

   • Exempel: ovanligt få dokumenterade isoleringsbeslut trots många resistenta fynd.
   • Eller hög beläggning + många nyinskrivningar + fördröjda städrutiner.

En mening att bära med sig: När data visar ett mönster ska vården få en varning – inte en skuldfråga.

“Men vi har ju redan avvikelsesystem” – ja, men de är ofta reaktiva

Avvikelsesystem är viktiga, men de bygger på att någon hinner upptäcka och rapportera. AI-baserad övervakning kan vara mer proaktiv: den letar efter trender som ingen enskild person äger fullt ut.

För en vårdcentral kan detta översättas till enklare steg: AI-stöd som följer upp provsvar, prioriterar återkoppling och signalerar när antibiotikaval inte matchar resistensläge eller rekommendation.

Diagnostiskt AI-stöd i primärvården: rätt antibiotika, rätt patient

Nyckelpoängen: AI gör störst nytta när det minskar onödig antibiotika och samtidigt fångar de patienter som faktiskt behöver snabb insats.

Antibiotikaresistens drivs av selektionstryck. Varje gång vi behandlar “för säkerhets skull” skapar vi en liten fördel för de bakterier som klarar sig. Primärvården sitter på en stor del av antibiotikaförskrivningen, vilket gör vårdcentraler till en strategisk plats för förbättring.

Praktiskt AI-stöd som passar vardagen på en vårdcentral

Svar direkt: De mest effektiva lösningarna är de som sparar tid och minskar variation.

• Triage via symtombeskrivning + riskfaktorer i digital anamnes: flagga immunosuppression, nylig sjukhusvård, utlandsvård, KAD, sår, recidiver.
• Beslutsstöd vid UVI och sårinfektioner: föreslå provtagning innan antibiotika när lämpligt, och föreslå smalare preparat när indikation finns.
• Automatisk provsvars-uppföljning: när odling visar resistens mot insatt antibiotika skapas en prioriterad uppgift med färdigt förslag till åtgärd och patienttext.
• Journalstöd (NLP) som fångar “resistensmarkörer” i fria anteckningar: exempelvis tidigare VRE/MRSA/ESBL, isoleringsbehov, sjukhusvistelser.

Det här är Primärvård 4.0 i praktiken: AI som tar hand om repetitiva moment och minskar risken att kritiska signaler tappas bort.

AI i läkemedel och bioteknik: från resistenskris till pipeline

Nyckelpoängen: Antibiotikaresistens är en FoU-utmaning där AI kan korta vägen från idé till kandidat – men bara om data och klinik kopplas ihop.

Sverige och EU pratar allt mer om försörjningsberedskap och robusta vårdsystem. I slutet av 2025 är det en högaktuell fråga, inte minst när vårdplatser, bemanning och infektionslägen varierar kraftigt mellan regioner. Att “bara” förbättra rutiner räcker inte; vi behöver också bättre behandlingar.

Här kommer AI inom läkemedel och bioteknik in på riktigt. AI kan:

• Identifiera nya målproteiner genom att analysera bakteriers överlevnadsstrategier.
• Föreslå molekyler (generativ kemi) med önskade egenskaper som tar sig in i bakterien och undviker kända resistensmekanismer.
• Optimera kombinationsbehandling där två substanser tillsammans minskar risken för resistensutveckling.
• Stödja kliniska studier genom bättre patientselektion och snabbare upptäckt av effekt-/säkerhetssignaler.

Men: utan kliniska data om verkliga utbrott, resistensmönster och behandlingsutfall blir även smarta modeller halvblinda. Därför är kopplingen mellan vård (inklusive vårdcentraler) och FoU strategisk.

Exemplet VRE: varför “rätt patient” är en FoU-fråga

VRE drabbar inte slumpmässigt. Risk sitter ofta i kombinationen av vårdmiljö, antibiotikaexponering, komorbiditet och vårdflöde. AI kan hjälpa till att stratifiera risk och skapa mer träffsäkra inklusionskriterier i studier för nya antiinfektiva behandlingar eller diagnostik.

Det är också en patientsäkerhetsfråga: ju bättre vi blir på att identifiera riskpatienter, desto mer kan vi rikta isolering, provtagning och behandling.

Så kommer ni igång: en realistisk AI-checklista för vårdcentraler

Nyckelpoängen: Börja där datan redan finns och där nyttan syns på 30–90 dagar.

Många verksamheter fastnar i “vi borde ha en plattform”. Jag föredrar att börja med konkreta arbetsflöden och mäta effekt. Här är en enkel, praktisk startlista.

1) Välj ett flöde där risken är hög och variationen stor

Bra kandidater i primärvården:

• UVI hos äldre och recidiverande UVI
• Sårinfektioner (diabetessår, bensår)
• Patienter med nylig sjukhusvistelse

2) Säkra provsvarskedjan

Mät två tider:

• Tid från provsvar till att någon ser det
• Tid från provsvar till åtgärd (kontakt/justerad behandling)

AI-stöd kan vara så enkelt som prioritering och uppgiftsskapande i rätt inkorg.

3) Bygg en “resistensruta” i journalen

En standardiserad, lätt synlig sammanfattning hjälper mer än man tror:

• Tidigare fynd (VRE/MRSA/ESBL)
• Senaste odlingsresistens
• Senaste antibiotikakurer (datum)

NLP kan fylla och uppdatera den automatiskt.

4) Sätt en policy för när AI får föreslå – och när människa måste besluta

Håll det tydligt:

• AI får flagga risk, föreslå provtagning och föreslå text till patient.
• Kliniker fattar beslut om behandling, isolering och remiss.

5) Följ upp med tre mätetal

Om ni vill minska antibiotikaresistens och öka patientsäkerhet, följ:

• Andel antibiotika som justeras efter odlingssvar
• Andel “onödiga” antibiotikakurser enligt lokala riktlinjer
• Återbesök/komplikation inom 14 dagar efter infektion

En bra AI-satsning känns i schemat. Om den inte sparar tid eller minskar stress kommer den inte hålla.

Vad vi borde lära oss av VRE-händelsen – och vad som händer 2026

Händelsen med VRE på Sahlgrenska visar att resistenta bakterier utnyttjar våra organisatoriska svagheter: hög beläggning, varierande rutiner och bristande uppföljning. Det är därför AI inte ska ses som “tech”, utan som ett sätt att göra patientsäkerhet mer konsekvent.

För vårdcentraler handlar nästa steg i Primärvård 4.0 om att koppla ihop triage, provsvar och antibiotikabeslut till ett sammanhängande flöde. För läkemedel och bioteknik handlar det om att använda kliniska data smartare för att skapa nya behandlingar – och för att testa dem på rätt sätt.

Om 2026 blir året då fler regioner standardiserar AI-stöd för provsvarsuppföljning och antibiotikastyrning, kommer vi se färre missade signaler och snabbare åtgärder när resistensmönster ändras. Frågan är inte om vi har råd att göra det. Frågan är hur många varningar vi accepterar innan vi bygger systemen som fångar dem i tid.