AI-bemanning i vården: datadrivet som faktiskt funkar

Det mest frustrerande med bemanning i vården är att alla känner när det blir fel – men få kan visa varför med siffror. Resultatet blir att schemaläggning och resursfördelning ofta avgörs av erfarenhet, magkänsla och snabb-brandkårsutryckning i stället för ett gemensamt språk för vårdtyngd.

Region Västmanland har visat ett mer praktiskt spår: ett prisbelönt, datadrivet verktyg som ger tydligare beslutsunderlag för hur bemanningen kan anpassas från morgonen och framåt. Det intressanta är inte bara att det fungerar – utan hur de har tänkt. Och här finns flera lärdomar för dig som jobbar med AI i primärvård, men också för dig som tittar på AI inom läkemedel och bioteknik och vill förstå vad som skiljer ”AI som powerpoint” från ”AI som blir vardag”.

En bra AI-lösning i vården börjar inte med modellen. Den börjar med att alla accepterar samma definition av problemet.

Varför bemanning nästan alltid blir ett ”tyckande”-problem

Bemanning spricker sällan för att någon är inkompetent. Den spricker för att vårdtyngd är svår att kvantifiera och för att efterfrågan i vården varierar snabbt.

I den del av artikeln som går att läsa framgår kärnfrågan tydligt: vilka faktorer avgör hur mycket personalresurser en patient kräver? Ålder, diagnoser – absolut – men i praktiken bygger bedömningen ofta på antaganden och ibland rent tyckande. Då blir det nästan omöjligt att:

• jämföra belastning mellan pass, avdelningar eller veckor
• förklara beslut transparent för medarbetare
• skapa en stabil grund för förbättringar (förbättring av något man inte kan mäta är mest hopp)

Primärvårdens extra twist: osynlig vårdtyngd

För vårdcentraler är utmaningen ofta ännu mer subtil. En stor del av arbetsbelastningen syns inte i ”antal listade” eller ”antal besök”:

• fler ärenden flyttar till chatt, telefon och 1177
• läkemedelsförnyelser och intyg tar tid men ser små ut i statistiken
• multisjuka patienter ger många små kontakter som summerar till en stor belastning

Här blir AI för vårdcentraler särskilt relevant, eftersom data redan finns – men ligger utspridd i journalsystem, kontaktorsaker, triageflöden och uppföljningslistor.

Lärdomen från Västmanland: bygg beslutsstöd som går att använda 07:15

Det som sticker ut i Västmanlands exempel är att lösningen beskrivs som något som ger en tydligare bild ”på morgonen” av hur bemanningen kan anpassas. Det är en viktig detalj.

AI och datadrivna verktyg misslyckas ofta för att de levererar insikter vid fel tidpunkt. Om en chef eller samordnare redan har ”låst” dagen – då spelar prognosen ingen roll.

Tre designprinciper som brukar avgöra om bemannings-AI fastnar

Här är tre principer jag tycker fler borde vara brutalt tydliga med när de bygger AI-stöd för schemaläggning och resursplanering:

1. Beslutspunkten först, data sen. Vilket beslut ska tas kl. 07:15? Omfördela? Ring in? Prioritera rond? Då vet du vilka signaler som behövs.
2. Förklara med vardagsspråk. ”Vårdtyngdindex 0,73” hjälper ingen. ”4 patienter med hög risk för fall + 2 nyinskrivningar” gör det.
3. Gör det lätt att agera. Rekommendationer måste kopplas till åtgärder: flytta resurs, justera arbetsfördelning, eskalera.

”Helt utan konsulter” är inte poängen – men säger något viktigt

I artikeln citeras att de genomfört detta utan konsulter eller externa medel. Det kan låta som en budgetpoäng, men jag läser det som ett mognadstecken:

• De har byggt intern förmåga (vårdutveckling + systemutveckling)
• De har sannolikt haft närhet till verksamheten och snabb återkoppling
• De har minskat risken att lösningen blir en fristående IT-produkt som ingen äger

För primärvård 4.0 handlar det här om att skapa en lokal ”AI-kärna”: verksamhet, data, IT, ledning – i samma rum.

Så kan vårdcentraler använda samma tänk: från schemarapport till prediktiv bemanning

En vårdcentral behöver inte börja med ett ”AI-projekt”. Börja med en mätbar friktion. Jag brukar se tre vanliga:

• hög variation i inflöde (måndagar, vintertoppar, influensa)
• ojämn arbetsbelastning mellan professioner (läkare vs sjuksköterska vs rehab)
• brist på tid för proaktiv vård (KOL, diabetes, äldre)

Praktisk modell: 4 datakällor som räcker långt

Du kan komma långt med data som redan finns i verksamheten:

• Bokningsdata: antal bokade tider per typ (akut, planerad, telefon)
• Kontaktsignaler: inkommande samtal, chattar, 1177-meddelanden
• Patientmix: andel multisjuka, ålder, tidigare vårdkonsumtion
• Flödeshändelser: labbsvar, provtagningstoppar, läkemedelsförnyelser

Koppla detta till en enkel prognos per dag/halvdag: förväntad arbetsbelastning per profession. Det behöver inte vara ”djup AI” från start. Men det ska vara konsekvent, spårbart och uppdateras.

Exempel: vintertryck 2025/2026 (säsongsmönster som går att planera för)

I december är primärvården ofta i ett välkänt läge: luftvägsinfektioner, fördröjda planerade ärenden, fler äldre som blir sämre, och samtidigt semesterperioder.

En datadriven bemanningsvy kan då visa:

• förväntad topp i akuta ärenden kommande 72 timmar
• sannolik ökning av telefontryck på morgonen
• risk att kronikeruppföljning trängs undan

Det viktiga är att verktyget gör det möjligt att ta en tydlig kompromiss: ”Vi öppnar fler akuttider men skyddar två timmar för diabetesuppföljning.” Det är ledning i praktiken.

Kopplingen till läkemedel och bioteknik: samma logik, annan miljö

Det här inlägget är en del av serien AI för Svenska Vårdcentraler: Primärvård 4.0, men jag vill dra en tydlig parallell till kampanjens större tema: AI inom läkemedel och bioteknik.

I läkemedelsutveckling pratar vi om att AI kan optimera målidentifiering, studiedesign och rekrytering. I bemanning pratar vi om att AI kan optimera resursfördelning. Gemensamt är att det handlar om:

• komplexa system med många beroenden
• begränsade resurser (tid, personal, budget)
• behov av förutsägbarhet och bättre beslutsunderlag

Prediktiv analys i bemanning ≈ prediktiv analys i kliniska prövningar

Det finns en direkt analogi:

• Bemanning: förutsäga när belastningen ökar och vilka patienter/ärenden som driver den
• Kliniska prövningar: förutsäga var rekrytering går trögt, vilka sajter som underpresterar, och var protokoll skapar friktion

I båda fallen är den praktiska vinsten densamma: mindre brandkårsutryckning, mer planering.

En hård sanning: data är inte ”AI-ready” bara för att den finns

Vård- och life science-organisationer gör ofta samma misstag: de antar att AI-problem är modellproblem. Oftare är de:

• definitionsproblem (vad betyder ”vårdtyngd” eller ”screening failure”?)
• kvalitetsproblem (saknade värden, olika kodning, fria texter)
• ansvarsfördelningsproblem (vem äger utfallet?)

Västmanlands exempel signalerar att de har tagit sig förbi åtminstone en del av detta genom att bygga nära verksamheten.

Vanliga frågor jag får om AI för bemanning (och raka svar)

Fungerar detta utan att samla in känsliga uppgifter?

Ja, ofta. För bemanning räcker det långt med aggregerad data och verksamhetssignaler. Om patientnära data behövs ska den hanteras enligt gällande regelverk, med tydlig åtkomststyrning och loggning.

Måste man ha ”riktig AI” eller räcker statistik?

Första vinsten kommer ofta från tydliga definitioner, bra visualisering och enkla prognoser. AI blir mest värdefullt när du vill:

• göra korttidsprognoser med många samtidiga signaler
• fånga icke-linjära samband (t.ex. kombinationen av patientmix + säsong + personalfrånvaro)
• ge förslag på åtgärder, inte bara grafer

Hur mäter man om det gav effekt?

Mät både verksamhet och arbetsmiljö. En praktisk uppsättning KPI:er för vårdcentraler:

• väntetid till bedömning samma dag
• andel ombokningar/inställda tider
• övertid och korttidsfrånvaro
• patientnöjdhet (t.ex. återkopplingsenkät efter kontakt)
• personalens upplevda ”kontroll över dagen” (kort pulsfråga)

Nästa steg för Primärvård 4.0: från bemanning till helhetsstyrning

Datadriven bemanning är ofta den bästa inkörsporten till mer AI i primärvård. Varför? För att nyttan syns snabbt och för att det skapar en gemensam vana: vi tittar på data innan vi flyttar resurser.

Om du vill ta det vidare brukar nästa naturliga nivå vara att koppla bemanning till:

• AI-stöd i triage (rätt vårdnivå och profession från start)
• AI för journaldokumentation (mindre admin, mer patienttid)
• proaktiv uppföljning av kroniker (riskstratifiering och påminnelseflöden)

Det är samma grundtanke som i läkemedel och bioteknik: när beslutsunderlaget blir bättre kan du lägga mindre energi på att släcka bränder – och mer på att förbättra systemet.

Om du tittar på din egen verksamhet just nu: vilket beslut tas dagligen på magkänsla, trots att data egentligen finns?