AI för beredskapslager: så räcker 743 miljoner längre

743 miljoner kronor låter som mycket pengar. Men när regionerna ska bygga upp beredskapslager för en månads förbrukning av sjukvårdsprodukter (krav från 2027-01-01) är det snabbt uppätet av hyllmeter, kylkedjor, upphandlingar, svinn och personalens tid.

Här är min tydliga ståndpunkt: Pengarna är nödvändiga – men utan datadriven styrning riskerar vi att köpa fel saker, i fel mängd, på fel plats. Och det är exakt där AI inom läkemedel och bioteknik blir praktiskt, inte teoretiskt.

Det här inlägget är en del av serien AI för Svenska Vårdcentraler: Primärvård 4.0. Vi pratar ofta om AI för triage, journaldokumentation och patientkommunikation. Men beredskap och försörjning är samma logik, bara på systemnivå: rätt sak, till rätt patient, i rätt tid – även när världen skakar.

Vad beslutet betyder: nya lagerkrav och 743 miljoner i startkapital

Kärnan: Staten och SKR har enats om finansiering för att regionerna ska klara ett nytt beredskapskrav: lager för en månadsförbrukning av sjukvårdsprodukter nära vårdens platser, med löpande omsättning.

Överenskommelsen består av två delar:

• 186 miljoner kronor riktat mot läkemedel
• 557 miljoner kronor för bland annat medicinteknik och personlig skyddsutrustning

Regionerna ska redovisa till Socialstyrelsen senast 2026-10-01 hur arbetet gått, och modellen ska sedan permanentas som generella statsbidrag på drygt 800 miljoner kronor per år.

Det här kommer ur ett förvärrat säkerhetsläge och Sveriges Nato-inträde, men också ur en enkel erfarenhet från de senaste åren: när leveranskedjor brister blir vården sårbar på ett sätt som känns orimligt i ett höginkomstland.

Varför “en månads lager” är svårare än det låter

Att lagerhålla en månad handlar inte bara om att köpa mer.

• Vissa produkter har kort hållbarhet.
• Vissa kräver kylförvaring och spårbarhet.
• Efterfrågan varierar med säsong (influensa, RS, vinterkräksjuka) och lokala utbrott.
• Substitutioner (”slut på A, använd B”) fungerar inte alltid kliniskt.

Beredskapslager som inte används och roteras blir snabbt ett svinnprojekt. Kravet säger också att produkterna ska användas och bytas ut löpande. Det är en viktig detalj – och ett område där AI faktiskt kan spara stora pengar.

Problemet som många missar: beredskap är en prognosfråga

Kärnan: Beredskap handlar om att förutse förbrukning, risk och ersättningar bättre än i dag – annars bygger vi lager på magkänsla.

I praktiken ställs regioner och vårdcentraler inför tre klassiska fel:

1. Överlagring: kapital binds, svinn ökar, ytor och kylkapacitet tar slut.
2. Underlagring: bristsituationer uppstår ändå, med dyra akutinköp.
3. Felmix: man har “mycket”, men inte av rätt läkemedel/produkter.

I primärvården blir detta extra tydligt. Vårdcentralen är ofta första linjen när trycket ökar: fler infektioner, fler äldre som behöver uppföljning, fler receptförnyelser och fler patienter som inte kan vänta.

En enkel tumregel som hjälper (och varför den ofta inte räcker)

Många jobbar med förbrukning som: ”förra årets snitt × 30 dagar”.

Det är bättre än ingenting, men missar:

• säsongstoppar (december–mars)
• förändrade behandlingsrekommendationer
• nya leverantörsrisker
• lokala avvikelser (till exempel högre astma/KOL-börda i vissa områden)

AI blir intressant när den kan väga samman fler signaler än vad en människa rimligen orkar.

Så kan AI optimera beredskapslager – konkret, mätbart och realistiskt

Kärnan: AI kan göra tre saker bättre än manuell planering: prognosticera, optimera och varna tidigt.

1) Efterfrågeprognoser för läkemedel och sjukvårdsprodukter

AI-modeller (ofta en mix av tidsserier och maskininlärning) kan prognosticera förbrukning per produkt och enhet genom att kombinera:

• historisk uttagsdata (lager/rekvisition)
• vårdkontakter och diagnosmönster
• säsong och kalender (helger, influensaperiod)
• kända leveranstider och restnoteringar

Det viktiga är inte att prognosen blir “perfekt”. Det viktiga är att den blir systematiskt bättre än dagens manuella metoder – och att osäkerheten synliggörs.

En bra prognos är inte en siffra. Det är en siffra + ett intervall + en förklaring.

2) Optimering: rätt nivå per plats, inte bara “mer överallt”

När kravet säger “i anslutning till platser där vården bedrivs” betyder det i praktiken att lagret kommer vara distribuerat. Då uppstår frågan: hur mycket ska ligga på sjukhus, hur mycket i regionlager, hur mycket nära primärvården?

AI-baserad optimering kan räkna på:

• servicenivå (till exempel 98 % sannolikhet att inte få brist)
• kostnad för kapitalbindning och svinn
• ledtider och transport
• ersättningsprodukter (vilka byten är medicinskt rimliga?)

Resultatet blir en policy: min/max-nivåer, säkerhetslager, beställningspunkter och rotationsregler – som faktiskt håller över tid.

3) Tidiga varningar: brist innan den syns i hyllan

Många brister märks först när någon står i förrådet.

Med AI kan man bygga “risk-score” för brist baserat på:

• sjunkande leveransprecision
• ökade restnoteringar
• avvikande uttagstakt
• pris- och upphandlingssignaler

När risk-score passerar en tröskel kan systemet trigga:

• förtida beställning
• omfördelning mellan enheter
• aktivering av substitutionsplan
• klinisk kommunikation (till exempel uppdaterade behandlingsalternativ)

Det här är beredskap som blir vardagsprocess – inte pärmar som dammar.

Primärvård 4.0: vad betyder beredskapslager för vårdcentraler?

Kärnan: Vårdcentralen behöver inte bli ett “minilager”, men måste bli en aktiv nod i regionens försörjningskedja.

I serien Primärvård 4.0 pratar vi ofta om att avlasta personalen och öka kvaliteten. Försörjning är en del av samma mål, eftersom brister skapar:

• fler telefonsamtal
• fler återbesök
• fler manuella undantag i journalsystem och e-recept
• mer stress i teamet

Tre praktiska AI-scenarier på en vårdcentral

1. Automatiserad förbrukningsprognos för “topplistan”

   • Välj 30–50 artiklar som ofta skapar problem vid brist (till exempel inhalationsläkemedel, vissa antibiotika, diabetesartiklar).
   • AI föreslår beställningspunkt och säkerhetslager baserat på säsong och patientmix.

2. Substitutionsstöd integrerat i arbetssättet

   • När en produkt riskerar brist skickas en kort klinisk rekommendation internt: ”Vid brist på X, överväg Y för dessa patienter, undvik för dessa.”
   • Det sparar tid och minskar risken att varje läkare uppfinner sitt eget undantag.

3. Avvikelsehantering som lär sig

   • Varje gång personalen manuellt korrigerar en beställning eller rapporterar svinn fångas orsaken strukturerat.
   • Modellen blir bättre över tid, och inköpsfunktionen får tydliga förbättringspunkter.

Det här är inte futurism. Det är processdisciplin + bra data + rätt integritetsnivå.

Data, ansvar och patientsäkerhet: så undviker man AI-fällorna

Kärnan: AI i läkemedelsförsörjning måste styras som en medicinsk riskprocess: tydliga ansvar, spårbarhet och människa-i-loopen.

Här går många organisationer fel. Man tror att största hindret är modellen. Oftast är hindret styrning.

En robust miniminivå för AI-styrd lagerplanering

• Datakatalog: vilka källor används (lager, inköp, förbrukning, leverans)?
• Masterdata-kvalitet: artikelnummer, enheter, hållbarhet, kylkrav.
• Förklarbarhet: varför föreslår systemet en höjning/sänkning?
• Roller: vem godkänner ändringar i min/max? vem tar kliniska beslut om substitution?
• Övning: beredskap utan övning är bara teori. Kör kvartalsvisa “bristsimuleringar”.

Jag gillar en enkel princip: AI får föreslå, människor beslutar, systemet loggar allt. Det gör det lättare att både förbättra och granska.

Integritet: behövs patientdata?

Ofta räcker aggregerade flöden. För vissa prognoser kan man använda:

• antal besök per diagnosgrupp
• receptvolymer per substans

utan att analysera individnivå. När individdata behövs ska det vara tydligt varför, och hanteras med samma allvar som annan vårddata.

Så får regionen mer effekt av pengarna: en 90-dagars startplan

Kärnan: Börja smalt, bygg förtroende, skala sedan. Det ger snabb effekt utan att låsa in sig.

Om jag satt i en regional styrgrupp för beredskapslager med AI-stöd skulle jag göra så här de första 90 dagarna:

1. Välj ett “pilotflöde”

   • Exempel: antibiotika för luftvägsinfektioner + relaterad provtagnings- och skyddsutrustning.

2. Sätt mätetal som betyder något

   • bristtillfällen per månad
   • kassation/svinn i kronor
   • akutinköp i kronor
   • servicegrad (andel orderrader levererade i tid)

3. Inför rotationsregler som faktiskt följs

   • FEFO (first-expire-first-out) i praktiken, inte på papper.

4. Bygg en enkel varningspanel

   • 10 produkter med hög risk.
   • 3 åtgärdsval: beställ, omfördela, substituera.

5. Skala till fler produktgrupper efter bevisad nytta

   • Börja där både volym och risk är hög.

Det här passar också vårdcentralernas verklighet: små team, högt tempo, låg tolerans för krångliga system.

Beredskap 2027: lagret är bara halva jobbet

Beredskapsmiljonerna (743 miljoner) är en tydlig signal: Sverige bygger upp hälso- och sjukvårdens försörjningsberedskap inför ett mer osäkert läge. Bra. Men själva lagret är bara infrastrukturen.

Det som avgör om kravet blir patientsäkerhet eller pappersprodukt är hur smart vi styr lagret: prognoser, rotation, omfördelning och tidiga varningar. Där kan AI göra jobbet snabbare och mer konsekvent än manuella rutiner – särskilt när trycket på primärvården ökar.

Om du jobbar i eller nära en vårdcentral är frågan värd att ta med in i 2026: ska vi bygga beredskap som ännu en börda i vardagen, eller som ett digitalt stöd som minskar stressen när det verkligen gäller?

Vill du veta var AI ger snabbast effekt i just er läkemedelsförsörjning – prognos, optimering eller bristvarning? Det avgör hur ni ska prioritera era första pilotprojekt.