AI i vården: Vad en digitaliseringsdirektör kan ändra

Den 2026-03-16 kliver Patrik Hansson in som ny digitaliseringsdirektör i Region Dalarna. På pappret är det en personalnyhet. I praktiken är det en signal om något mycket större: vilka regioner som tar kontroll över sin data och sin digitala förmåga kommer också ha ett försprång i AI i vården, i kliniska studier och i den långsamma men tydliga förflyttningen mot personlig medicin.

Jag tycker att många pratar om AI som om det vore en app man “inför”. Men AI är i grunden en konsekvens av ordning och reda: sammanhållen data, tydliga processer, governance som håller över tid och modet att standardisera. Därför blir rollen som digitaliseringsdirektör extra intressant just nu – särskilt i en region som vill öka kapaciteten utan att bränna ut personalen.

Det här inlägget är en del av serien ”AI för Svenska Vårdcentraler: Primärvård 4.0”. Fokus här är inte sjukhus-IT i största allmänhet, utan vad ett starkt digitalt ledarskap i en region kan betyda för vårdcentraler, läkemedelsnära arbetssätt och bioteknik i Sverige.

Varför ett personbyte kan påverka AI i läkemedel och bioteknik

En ny digitaliseringsdirektör kan påverka läkemedelsutveckling och bioteknik genom en sak som ofta underskattas: hur snabbt regionen kan göra data användbar och säker.

När Region Dalarna rekryterar Patrik Hansson, med erfarenhet från Danderyds kommun, tidigare roller i Stockholms läns landsting och Landstinget Västmanland (bland annat som it-direktör), handlar det om förändringskapacitet i komplexa organisationer. Det är precis den förmåga som krävs för att AI ska bli något mer än pilotprojekt.

AI-projekt misslyckas sällan på “modellen”

De flesta AI-initiativ faller på:

• Datakvalitet: otydliga koder, fritext utan struktur, dubbla system.
• Tillgång: juridik, behörigheter, loggning, integrationshinder.
• Process: vem äger datat, vem beställer, vem förvaltar.
• Förankring: kliniker får en ny lösning, men inget ändras i arbetssättet.

En digitaliseringsdirektör med mandat kan skapa den tråkiga men avgörande infrastrukturen: standarder, arkitekturprinciper, gemensamma plattformar och uppföljning.

Från “digital vård” till “digitalt läkemedelsnära arbetssätt”

För bioteknik och läkemedelsutveckling är regioners digitala mognad inte en sidofråga. Den avgör om man kan:

• rekrytera patienter till studier snabbare (rätt patient, rätt tid)
• följa upp effekt och biverkningar med verkliga data (RWD)
• möjliggöra precisionsmedicin via biomarkörer och beslutsstöd

När man väl har grunden kan AI användas mer konsekvent: riskprediktion, behandlingsstöd och automatiserad uppföljning.

Vad Region Dalarna faktiskt behöver för att AI ska ge effekt

För att AI i primärvården ska frigöra tid och höja kvalitet krävs tre saker: datainfrastruktur, styrning och implementering i vardagen.

1) Datainfrastruktur som klarar primärvårdens verklighet

Primärvården är fragmenterad: listade patienter rör sig mellan vårdcentral, kommunal omsorg, sjukhus, privata aktörer och ibland företagshälsa. AI som ska hjälpa på vårdcentralen måste kunna “se” det som är relevant utan att skapa risk.

Praktiskt betyder det att regionen behöver:

• Stabil integration mellan journalsystem, labb, röntgen, läkemedelslistor och remissflöden
• Gemensamma begrepp (till exempel diagnos- och åtgärdskoder som används konsekvent)
• Metadata och spårbarhet: vad kommer datat ifrån, när skapades det, av vem, för vilket syfte

AI blir snabbt farligt om det tränas på data som blandar äpplen och päron. Det räcker inte att “ha data”; man måste ha förklarbar och spårbar data.

2) Governance: vem får göra vad, när och varför

När regioner börjar prata AI kommer frågorna direkt: sekretess, GDPR, patientdatalagen, informationsklassning, loggning och tredjepartsleverantörer.

Här är en tydlig ståndpunkt: om governance blir ett efterarbete, blir AI ett riskprojekt. Om governance byggs in från start kan AI bli rutin.

En fungerande modell brukar innehålla:

1. Ett AI-råd (vård, IT, jurist, informationssäkerhet, patientsäkerhet, upphandling)
2. Standardiserade riskbedömningar för AI-stöd (till exempel när det påverkar medicinska beslut)
3. Regler för datadelning med akademi och industri – vad är möjligt, vad kräver etikprövning, hur anonymiserar vi rätt

3) Implementering som börjar i arbetsflödet – inte i tekniken

Primärvården drunknar inte i brist på AI, utan i brist på tid. Därför ska AI sättas där friktionen är som störst.

Tre användningsfall som ofta ger effekt snabbt på vårdcentraler:

• AI för journaldokumentation: strukturerade anteckningar, sammanfattningar, förslag på åtgärdskoder
• AI för patientkommunikation: triage, förberedande frågor, tydliga egenvårdsråd (med säkra eskaleringsregler)
• AI-baserat beslutsstöd: flaggar riskpatienter (till exempel försämring vid kroniska tillstånd) och föreslår uppföljning

Men: nyttan kommer först när det finns en tydlig “ägare” i verksamheten och när effekten mäts i något kliniken bryr sig om, som minskad efterarbete eller färre missade uppföljningar.

En bra tumregel: Om AI-stödet inte sparar 30–60 sekunder per patientkontakt i en pilot, kommer det nästan aldrig skala i primärvården.

Så kopplas regionens digitalisering till bioteknik och kliniska studier

Kopplingen mellan en region och bioteknik är konkret: data + process + samverkan. När regionen får ordning på detta blir den en attraktiv partner för forskare, startups och läkemedelsbolag.

Snabbare och billigare kliniska studier (om regionen vill)

En av de dyraste delarna i kliniska studier är rekrytering och uppföljning. Regioner med bra digitala flöden kan göra detta mer träffsäkert:

• identifiera potentiella studiedeltagare baserat på kriterier i journaldata
• automatisera delar av uppföljningen (PROM/PREM, labbremisser, påminnelser)
• minska manuell datainmatning genom integration till studiedatabaser

Det sänker kostnaden per patient och gör att fler studier kan hamna i Sverige istället för i länder där infrastrukturen redan är uppbyggd.

Personlig medicin kräver mer än en genpanel

Personlig medicin i vardagen är inte bara genetik. Det är en kombination av:

• klinisk historik
• läkemedelsdata
• labbvärden
• livsstilsfaktorer
• ibland biomarkörer och genetiska data

AI behövs för att väga samman allt detta, men regionen behöver först kunna hantera datat säkert och konsekvent. Där blir digitaliseringsdirektörens uppdrag i praktiken en möjliggörare för precisionsmedicin – även i primärvården.

En 90-dagars plan som faktiskt hjälper vårdcentralerna

Om jag satt i styrgruppen och ville visa resultat utan att skapa kaos skulle jag kräva en enkel 90-dagars plan. Den ska vara mätbar och synlig i verksamheten.

Steg 1: Välj ett problem som alla känner igen

Bra startproblem i primärvård:

• hög belastning i telefon/1177-flöden
• mycket efterarbete för journaldokumentation
• ojämn kvalitet i uppföljning av kroniker (KOL, diabetes, hypertoni)

Steg 2: Sätt tre mått som inte går att “PR-trixa”

Exempel på mått som vårdcentraler brukar acceptera:

• minuter administrativ tid per besök
• andel patienter med planerad uppföljning i tid
• återkontakt inom 7 dagar för samma besvär

Steg 3: Bygg minimala integrationer och säkra loggar

Innan stora plattformar:

• loggning och behörighetsmodell
• tydlig informationsklassning
• integrationer som klarar drift, inte bara demo

Steg 4: Skala bara det som håller i vardagen

Många regioner skalar för tidigt. Gör tvärtom: skala när ni klarar utbildning, support, incidenter och uppdateringar utan att det landar på en överbelastad verksamhetschef.

Vanliga frågor (och raka svar)

Är det realistiskt att primärvården påverkar läkemedelsutveckling?

Ja. Primärvården sitter på stora delar av den långsiktiga uppföljningen: diagnoser, förskrivning, biverkningar, samsjuklighet och följsamhet. Det är guldet för RWD och effektstudier.

Behöver man “egen AI” i regionen?

Nej, inte alltid. Men regionen behöver egen kontroll över data, kravställning och uppföljning. Annars blir man beroende av leverantörers roadmap och får svårt att validera effekter.

Vad är största risken när man skyndar på AI i vården?

Att man inför stöd som ändrar kliniska beslut utan att ha en robust process för patientsäkerhet, avvikelsehantering och modelluppdateringar.

Vad det här betyder för Primärvård 4.0 under 2026

Patrik Hanssons tillträde 2026-03-16 är inte en garanti för framgång. Men det är en förutsättning för att Region Dalarna ska kunna gå från “digitala projekt” till digital förmåga. Och det är där AI börjar ge effekt: i schemat, i journalen, i uppföljningen och i samverkan med forskning.

För vårdcentraler är det här goda nyheter om det leder till färre system som inte pratar med varandra och fler arbetssätt som faktiskt sparar tid. För svensk bioteknik är det ännu viktigare: regioner som kan arbeta datadrivet och säkert blir de naturliga naven för AI-drivna kliniska studier och personlig medicin.

Om 2026 blir året då fler regioner tar AI från vision till vardag kommer en fråga skilja vinnarna från resten: bygger vi digitalisering som en stabil grund för vård och läkemedelsutveckling – eller fortsätter vi samla på piloter som dör när projektpengarna tar slut?