AI-uppdaterat kunskapsstöd: Mounjaro och obesitasvård

Mounjaro (tirzepatid) var Sveriges mest sålda läkemedel i november 2025 – samtidigt kan det saknas helt i regionala kunskapsstöd för obesitas. Det är inte bara en redaktionell miss. Det är ett styrproblem.

När primärvården förväntas ta större ansvar för obesitasbehandling, men beslutsstöd inte speglar den faktiska terapiverkligheten, händer två saker: vården blir ojämn och samtalet med patienten blir svårare. Och just här finns en väldigt praktisk roll för AI i svensk vård: att göra kunskapsstöd levande, uppdaterade och lokalt anpassade – utan att det tar ett halvår.

Den här texten är en del av serien ”AI för Svenska Vårdcentraler: Primärvård 4.0”. Fokus är inte att diskutera enskilda varumärken, utan att visa varför snabb kunskapsuppdatering är en patientsäkerhetsfråga och hur AI kan hjälpa regioner och vårdcentraler att hålla jämna steg med evidens, riktlinjer, tillgång och subvention.

När kunskapsstöd hamnar efter – vad blir konsekvensen i primärvården?

Konsekvensen blir att kliniker tvingas improvisera. Om de mest efterfrågade och mest omtalade behandlingarna inte nämns i kunskapsstöd uppstår en lucka mellan patienternas förväntningar och vårdens gemensamma “manual”.

I december 2025 rapporteras att Region Stockholm tagit fram ett nytt kunskapsstöd för obesitas där nya, effektiva och populära läkemedel mot obesitas – som ännu inte är subventionerade – lyser med sin frånvaro. I praktiken hamnar primärvården i ett knepigt läge:

• Patienten har läst, hört eller redan provat läkemedlet privat.
• Läkaren behöver svara på frågor om effekt, risker, prioritering och uppföljning.
• Kunskapsstödet ger ingen struktur för hur samtalet ska föras eller hur vårdprocessen ska se ut.

Det här spelar extra stor roll runt årsskiftet. Många vill “ta tag i vikten” efter jul, nyår och ledigheter. Vårdcentralerna får fler frågor, och trycket på konsekvent triagering och tydliga behandlingsspår ökar.

Varför det inte räcker att säga “det är inte subventionerat”

Subvention styr betalning – inte klinisk relevans. Även om ett läkemedel inte ingår i förmånssystemet kan det påverka vårdmötet varje dag.

Kunskapsstöd behöver därför kunna hantera tre verkligheter samtidigt:

1. Evidensläget (effekt, risker, patientgrupper)
2. Policy och prioritering (förmån, regionrekommendationer, jämlikhet)
3. Praktiken (tillgång, efterfrågan, uppföljning, samverkan)

Om punkt 3 ignoreras får vården en “officiell” bild och en “verklig” bild – och det är där variationen smyger in.

Mounjaro som exempel: innovation möter implementering

Det intressanta med Mounjaro är inte hypen, utan friktionen. Tirzepatid står för en ny generation viktläkemedel med hög patientefterfrågan, tydliga metabola effekter och snabbt växande användning. När något rör sig så snabbt blir det ett stresstest för vårdens kunskapsstyrning.

I praktiken behöver primärvården kunna svara på frågor som:

• Vem är en rimlig kandidat utifrån BMI, samsjuklighet och tidigare försök?
• Hur pratar vi om förväntad viktnedgång och realistiska mål?
• Hur följer vi upp effekt och biverkningar i en redan pressad vardag?
• Hur hanterar vi när patienten betalar själv och vill ha fortsatt recept?

Det här är exakt den typ av implementering där AI kan hjälpa

AI kan göra kunskapsstöd snabbare att uppdatera och enklare att använda i mötet. Men för att det ska fungera måste man tänka “process”, inte bara “chatbot”.

Ett AI-stött kunskapsstöd kan till exempel:

• bevaka nya regulatoriska beslut, regionrekommendationer och uppdaterade behandlingsalgoritmer
• föreslå textuppdateringar och “vad som behöver ändras” när nya läkemedel kommer in
• skapa lokala bilagor för subvention, prioritering och remissvägar per region
• generera patientanpassade informationsblad på begriplig svenska

Det gör att ett kunskapsstöd inte blir en statisk PDF, utan ett arbetssätt.

AI-drivet kunskapsstöd i primärvården: så kan det fungera i praktiken

En fungerande modell är: centralt evidenslager + lokal policy + kliniskt arbetsflöde. Det är när de tre delarna kopplas ihop som stödet faktiskt hjälper vårdcentralen.

1) Evidenslagret: “Vad säger studier och riktlinjer just nu?”

Här behöver systemet kunna sammanfatta och strukturera information utan att hitta på. I svensk vårdmiljö är en rimlig ambitionsnivå:

• versionshanterade sammanfattningar av effekt, kontraindikationer och biverkningar
• tydlig markering av evidensstyrka och uppdateringsdatum
• automatisk flaggning när underlaget förändras (ny indikation, nya säkerhetssignaler)

Det här är också ett område där AI inom läkemedel och bioteknik möter vårdcentralens vardag: samma teknik som används för att tolka stora datamängder i utveckling kan användas för att hålla kliniskt stöd aktuellt.

2) Lokal policy: “Vad gäller i vår region och i vår primärvård?”

Det är här många kunskapsstöd brister. Man beskriver medicinen, men inte hur den passar in i lokal verklighet.

AI kan hjälpa regioner att hålla policydelen konsekvent genom att:

• spegla regionens prioriteringsprinciper i beslutsstödets flöden
• uppdatera avsnitt om förmån/subvention och egenbetalning med tydliga formuleringar
• hålla ordning på remisskriterier och ansvarsfördelning mellan vårdnivåer

Resultatet blir färre “det beror på vem du frågar”-svar.

3) Kliniskt arbetsflöde: “Vad gör jag på 12 minuter?”

Om stödet kräver fem klick och 20 minuter läser ingen det. Den mest underskattade delen är därför mikroflöden i journalsystemet.

Konkreta byggstenar där AI ofta ger snabb nytta:

• triageförslag: vilka patienter ska bokas till läkare, dietist, sjuksköterska eller team?
• mallar för journaltext: anamnes, viktkurva, tidigare behandlingsförsök, mål, plan
• uppföljningspaket: standardiserade kontroller vid vecka 4/12/24 (vikt, BT, lab, symtom)
• varningsflaggor: risk för felanvändning, orealistiska förväntningar, samsjuklighet som kräver extra plan

Det här är “Primärvård 4.0” i praktiken: mindre letande, mer konsekvent vård.

Personalisering och uppföljning: där AI gör obesitasvården bättre

Obesitasbehandling fungerar när uppföljningen är tät och målen är tydliga. Problemet är att det ofta inte finns tid att göra det lika bra för alla. Då blir behandlingen ojämlik – inte på grund av vilja, utan på grund av kapacitet.

AI kan bidra genom att göra uppföljning mer systematisk:

Riskstratifiering som är begriplig

AI behöver inte vara en “svart låda”. En enkel, transparent modell kan rangordna uppföljningsbehov baserat på exempelvis:

• BMI och viktutveckling över tid
• samsjuklighet (t.ex. typ 2-diabetes, hypertoni, sömnapné)
• tidigare avbrutna livsstilsförsök
• läkemedelslista och potentiella interaktioner

Poängen är inte att ersätta klinikern, utan att göra det svårare att missa de patienter som behöver mer stöd.

Digitala “mellanbesök” som avlastar

Ett återkommande mönster jag sett fungera är korta digitala avstämningar mellan fysiska besök:

• 2–3 frågor om biverkningar och följsamhet
• självrapporterad vikt
• påminnelse om mål och nästa steg

AI kan sammanfatta detta åt vårdteamet och föreslå om patienten behöver tidigare återbesök.

Vanliga följdfrågor från vårdcentraler (och raka svar)

“Ska vi ens nämna icke-subventionerade läkemedel i kunskapsstöd?”

Ja – om de påverkar vårdmötet. Kunskapsstöd ska minska variation, inte blunda för verkligheten. Det går att beskriva läkemedel, effekt och risker samtidigt som man är tydlig med regionens prioritering och ekonomiska ramar.

“Riskerar AI att sprida felaktigheter i kliniska rekommendationer?”

Ja, om man bygger fel. Därför behöver AI-stödet vara kopplat till styrt innehåll, versionshantering och mänskligt godkännande. AI ska föreslå och sammanfatta; medicinskt ansvar ligger kvar i linjen.

“Vad är minsta möjliga start för en region eller en vårdcentral?”

Börja med uppdateringsflödet. Sätt upp en AI-stödd process som:

1. identifierar när kunskapsstöd är föråldrat (t.ex. nya läkemedel/indikationer)
2. genererar ett förslag på uppdaterad text + klinisk checklista
3. skickar till ämnesansvarig för snabb granskning

Det är ofta mer värdefullt än att köpa en stor plattform direkt.

Vad regioner bör göra nu (och vad vårdcentraler kan göra i väntan)

Det snabbaste sättet att få ordning är att separera “medicinsk fakta” från “lokal policy” och hålla båda uppdaterade. Då kan man lägga till nya behandlingar utan att det automatiskt betyder att de rekommenderas eller subventioneras.

För regioner: en konkret 30-dagarsplan

• Dag 1–7: Inventera kunskapsstöd som påverkas av snabb läkemedelsutveckling (obesitas, diabetes, KOL, hjärtsvikt).
• Dag 8–14: Inför versionshantering och ägarskap: vem uppdaterar vad, hur ofta, och med vilken beslutsnivå?
• Dag 15–30: Pilotera AI för “förändringsbevakning” och textförslag i ett område (t.ex. obesitas). Mät tid till uppdatering.

För vårdcentraler: skapa ett lokalt mini-stöd

I väntan på bättre regionalt stöd kan en vårdcentral sätta upp en enkel intern rutin:

• en sida “så här pratar vi om viktläkemedel” (förväntningar, risker, uppföljning)
• standardmall för journalföring vid obesitasbesök
• tydligt flöde: livsstilsstöd → farmakologi → teamuppföljning → eskalering/remiss

Det minskar skillnader mellan läkare och gör det lättare att ta emot nya kollegor.

En vård som inte uppdaterar sitt kunskapsstöd i takt med verkligheten skapar variation – även om intentionen är den motsatta.

Nästa steg: från statiska dokument till levande beslutsstöd

Primärvårdens obesitasarbete kommer inte bli enklare 2026. Efterfrågan ökar, läkemedelslandskapet förändras snabbt, och patienter jämför vårdens besked med det de läser i andra kanaler. Då måste kunskapsstöd vara både medicinskt robusta och praktiskt användbara.

AI är inte ett magiskt svar. Men AI är ett väldigt bra verktyg för att korta tiden från ny evidens till uppdaterad rutin, och för att göra uppföljning och dokumentation mer konsekvent. Det är exakt det “Primärvård 4.0” handlar om.

Om ditt kunskapsstöd saknar det som personalen får flest frågor om just nu, vilken annan del av vårdens styrning riskerar då att ligga ett steg efter?