AI-säkrad cancerdata när journalsystemet strular

När tre regioner går miste om miljoner i statligt stöd trots att cancervården verkar ha fungerat som den ska, är det inte medicinen som sviktar – det är dataspåret. I december 2025 rapporterades att Region Gävleborg, Halland och Västerbotten inte kunde visa att de nått målen i cancervården eftersom vårddata inte hann registreras i journalsystemet Cosmic under en systemövergång.

Det här är mer än ett administrativt irritationsmoment. Det är ett styrningsproblem. När uppföljning, ersättning och förbättringsarbete bygger på registrerad data blir en IT-störning snabbt en fråga om resurser, prioriteringar – och i förlängningen patientsäkerhet. Jag tycker att det är dags att vi slutar behandla detta som “IT som krånglar” och börjar se det som en designbrist i vårdens informationsflöden.

För dig som följer vår serie AI för Svenska Vårdcentraler: Primärvård 4.0 är lärdomen tydlig: samma typ av dataglapp som drabbade cancervården kan också drabba primärvårdens remisser, SVF-flöden, provsvar och intyg. Skillnaden är att primärvården ofta saknar buffert. Därför behöver vi AI som inte bara hjälper kliniken – utan också säkrar att vården kan bevisas, följas upp och finansieras.

När vården fungerar men datan inte gör det

Kärnproblemet är enkelt: vården kan vara utförd korrekt, men om händelserna inte registreras i tid (eller på rätt sätt) så ser det ut som att målen inte nåtts. I rapporteringen från december 2025 framgår att hindret inte var bristande cancervård utan att övergången till Cosmic gjorde att data inte kunde registreras i tid.

Detta skapar tre konkreta följder:

1. Ekonomisk förlust: Statliga stimulansmedel och riktade satsningar faller ofta ut baserat på mätetal och rapporterad måluppfyllelse.
2. Felaktig styrning: Ledning och verksamhet riskerar att fatta beslut på en bild som är sämre än verkligheten.
3. Ökad administrativ belastning: När registrering släpar efter blir det ofta manuella “räddningsinsatser”, dubbelarbete och efterregistrering.

Det mest frustrerande är att detta är ett känt mönster vid systembyten: kliniken prioriterar patienten (som man ska), medan dokumentation, kodning och registrering hamnar efter.

Varför det händer vid just SVF och cancerdata

Standardiserade vårdförlopp (SVF) kräver att rätt steg registreras, i rätt ordning, med rätt tidsstämplar och kodverk. Systembyten påverkar ofta:

• mallar och formulär (vad som ens går att fylla i)
• integrationer (lab, röntgen, remiss, kallelse)
• arbetsflöden (vem gör vad och när)
• rapportuttag (hur data extraheras för uppföljning)

Resultatet blir att “sanningen” finns i verksamheten men inte i databasen.

Det här är en AI-fråga – inte bara en journalfråga

När vi pratar om AI i läkemedel och bioteknik hamnar fokus ofta på nya terapier, biomarkörer eller läkemedelsutveckling. Men cancervårdens dataglapp visar en annan flaskhals: infrastruktur och informationskvalitet.

AI kan bidra här på två nivåer:

• Operativt: minska bördan att dokumentera och koda korrekt i vardagen.
• Strukturellt: upptäcka dataluckor, avvikelser och brister i realtid innan de blir ekonomiska och styrningsmässiga problem.

Det här är en viktig poäng: AI i vården ska inte bara “hjälpa till” – den ska vara ett säkerhetsnät för process och uppföljning.

Från “registrera mer” till “registrera smartare”

De flesta organisationer svarar på dataproblem med mer utbildning och fler checklistor. Det funkar i bästa fall kortsiktigt. En bättre strategi är att låta AI hjälpa till att:

• föreslå SVF-koder baserat på text i anteckningar
• flagga när ett SVF-steg saknar tidsstämplad händelse
• sammanfatta vårdkontakter så att läkaren slipper skriva om samma sak
• automatiskt fylla strukturerade fält från redan existerande data (t.ex. provsvar)

Detta kräver inte magi. Det kräver att man bygger AI-lösningen runt klinikens arbetsflöde och accepterar en obekväm sanning: journalen är ofta ett sämre gränssnitt än den borde vara.

Tre AI-lösningar som hade fångat problemet i tid

Det som hände i Gävleborg, Halland och Västerbotten är inte unikt. Frågan är vad man kan göra för att det inte ska hända igen – särskilt i primärvården där remisser till cancermisstanke ofta startar.

1) “Datavakt” som övervakar SVF-flöden i realtid

En praktisk AI-lösning är en övervakningsmotor som jämför förväntade steg i ett SVF med faktiska registreringar.

Svar direkt: En datavakt upptäcker saknade registreringar innan rapporttillfället.

Exempel på regler/AI-signaler:

• Remiss skickad → ingen registrerad mottagning inom X dagar
• PAD-svar finns → men “utredning klar” saknas
• Diagnoskod i text → men saknas i strukturerat fält

När systembyten sker kan samma datavakt snabbt visa om en integration slutat leverera, eller om personal inte hittar rätt mallar.

2) Automatiserad journaldokumentation som inte tappar struktur

Många pratar om AI-skrivhjälp som ett sätt att spara tid. Den större vinsten är att den kan skapa konsekvent struktur.

Svar direkt: AI som genererar anteckning + strukturerade fält minskar risken att uppföljningsdata saknas.

I primärvård 4.0-sammanhang handlar det om att:

• fånga symtomduration, alarmsymtom och status på ett enhetligt sätt
• föreslå korrekt åtgärdskod/diagnoskod
• generera remisstext med rätt nyckeluppgifter

När det är gjort konsekvent blir cancerflöden inte bara snabbare – de blir också mätbara.

3) AI-stött resursprioritering som bygger på faktisk belastning

När “vi fick prioritera” blir standardläget, uppstår ett nytt problem: prioriteringen sker ofta i huvudet på nyckelpersoner.

Svar direkt: AI kan ge en gemensam, datadriven bild av köer, flaskhalsar och konsekvenser.

Det kan vara så enkelt som att kombinera:

• antal väntande patienter per steg
• tillgängliga tider per yrkeskategori
• historiska ledtider per enhet

…och föreslå var extra tider eller omdirigering ger mest effekt.

Vad vårdcentraler behöver lära av detta (Primärvård 4.0)

Det är lätt att tänka att detta är “regionernas sjukhusproblem”. Jag håller inte med. Primärvården är ofta startpunkten för misstanke om cancer, och om primärvården tappar data tappar hela kedjan spårbarhet.

Här är fem praktiska åtgärder som en vårdcentral kan ta 2026, utan att vänta på ett perfekt journalsystem:

1. Kartlägg era kritiska datapunkter för SVF-relaterade flöden (remissdatum, välgrundad misstanke, provsvar, kontaktorsak).
2. Mät datakvalitet, inte bara ledtider. Andel besök med korrekt kodning är en lika viktig KPI som väntetid.
3. Inför “minsta möjliga struktur” i anteckningar: 5–7 fasta fält som alltid ska fyllas i vid cancersuspekt kontakt.
4. Bygg ett avvikelseflöde: Om ett steg saknas efter X dagar ska det trigga en arbetsuppgift, inte en gissning.
5. Pilotera AI där nyttan är konkret: dokumentationsstöd och datavakt ger ofta snabbare effekt än stora analysplattformar.

En bra tumregel: Om er uppföljning kräver efterhandsjakt i journaltext så är processen redan för skör.

Vanliga frågor som dyker upp när man pratar AI och journaldata

“Blir det inte en integritetsrisk?”

Jo, om man slarvar. Men rätt byggt kan AI minska risk genom att standardisera åtkomst, loggning och minimera manuell hantering och kopierande mellan system.

“Måste vi byta journalsystem för att få detta att fungera?”

Nej. De mest värdefulla AI-funktionerna i närtid går ofta att lägga ovanpå befintliga system via säkra integrationer eller mellanlager som läser händelser och flaggar avvikelser.

“Kommer personalen acceptera det?”

Min erfarenhet är att acceptansen ökar när AI:n:

• sparar tid samma dag (inte “någon gång sen”)
• ger tydliga förslag som går att godkänna/justera
• aldrig skapar extra klick utan tar bort dem

AI som gör vården mätbar igen

Det rapporterade problemet i december 2025 – att cancervård inte kunde registreras i Cosmic i tid – visar något obekvämt: vården är beroende av att IT och uppföljning fungerar, annars får kliniken betala priset i form av tappade pengar och onödigt merarbete.

För mig är det här huvudspåret framåt: AI ska fungera som stötdämpare mellan kliniskt arbete och administrativa krav. När system byts ut, integrationer faller bort eller arbetsflöden ändras ska AI-lagret upptäcka det, guida användaren och säkra att data blir rätt från början.

Om du arbetar med primärvård, cancerflöden eller vårdadministration: vilka två datapunkter i ert flöde skulle skapa störst problem om de saknades i 30 dagar – och vad skulle ni behöva för att upptäcka det på dag 2?