AI för läkemedelsberedskap: från lager till flöde

743 miljoner kronor. Det är vad staten och SKR nu är överens om att skjuta till för att regionerna ska kunna bygga upp beredskapslager inför kravet som börjar gälla 2027-01-01: en månadsförbrukning av sjukvårdsprodukter nära vården.

Många kommer att tolka nyheten som “nu ska vi köpa mer och hyra fler kvadratmeter”. Jag tycker det är en för snäv läsning. För om du jobbar i vården (särskilt i primärvården) vet du redan att bristen sällan handlar om att ingen köpt. Den handlar om att rätt sak inte finns på rätt plats vid rätt tid.

Det här är precis där AI i läkemedelslogistik och AI för vårdens beredskap gör praktisk nytta. Inte som ett futuristiskt sidoprojekt, utan som en metod för att få lagerkravet att fungera i vardagen – utan att binda onödigt kapital, skapa svinn eller flytta ännu mer administration till vårdpersonal.

Vad 743 miljoner faktiskt ska lösa (och vad den inte löser)

Överenskommelsen syftar till att regionerna ska kunna nå ett konkret mål: omsättningslager för en månads behov, där produkter används och byts ut löpande så att de inte blir gamla. Det är en viktig detalj. Ett beredskapslager som inte roterar blir snabbt en dyr samling utgångsdatum.

Pengarna är uppdelade i två spår:

• 186 miljoner kronor för läkemedel
• 557 miljoner kronor för bland annat medicintekniska produkter och personlig skyddsutrustning

SKR får dessutom 3 miljoner för att stötta arbetet, och regionerna ska senast 2026-10-01 redovisa till Socialstyrelsen hur arbetet gått. Planen är att finansieringen ska permanentas senare och bli årliga generella statsbidrag om drygt 800 miljoner kronor.

Varför lagerkravet blir svårt i praktiken

Svårigheten är inte att förstå policyn. Svårigheten är att driva den i ett system som redan präglas av:

• fragmenterade inköp (olika avtal, olika flöden)
• lokala variationer i förbrukning (vårdcentraler skiljer sig kraftigt åt)
• sårbara leveranskedjor (restnoteringar och parallellhandel)
• utgångsdatum och kylkedja (särskilt för vissa biologiska läkemedel)

Här blir det tydligt: att “lagerhålla en månad” är inte en engångsinsats. Det är en kontinuerlig optimeringsuppgift.

AI som gör beredskapslager användbara – inte bara stora

AI bidrar mest när den får jobba med sådant människor är dåliga på: tusentals artiklar, varierande efterfrågan, beroenden mellan produkter och snabba förändringar i omvärlden.

Den praktiska poängen är enkel:

Ett beredskapslager är bara en försäkring om du vet vad du ska lägga på hyllan, var det ska ligga och när det måste fyllas på.

Prognoser: från “förra årets snitt” till verklig efterfrågan

Många verksamheter prognostiserar fortfarande med enkla medelvärden, ibland justerat med magkänsla. Det funkar tills det inte funkar.

Med AI-baserad efterfrågeprognos kan regioner och leverantörer väga ihop fler signaler, till exempel:

• historisk förbrukning per enhet (vårdcentral, jourmottagning, sjukhusklinik)
• säsong (influensa, RS, vinterkräksjuka)
• vårdtyngd och listningsdata i primärvården
• förändringar i behandlingsriktlinjer
• restnoteringar och ersättningsprodukter

För primärvården är vinsten ofta tydligast på “vardagskritiska” produkter: antibiotika, inhalationer, vissa smärt- och feberläkemedel, diabetesrelaterade förbrukningsartiklar och testmaterial.

Optimering: rätt nivå, rätt plats, rätt rotation

AI kan också användas för att optimera säkerhetslager per plats, med hänsyn till både risk och kostnad:

• Hur mycket ska ligga på vårdcentralen vs centrallager?
• Vilka produkter måste ligga nära patient (tidkritiska) och vilka kan ligga längre bort?
• Hur bygger man rotation så att FEFO (first-expire-first-out) blir verklighet, inte en pärm?

Det här låter torrt, men resultatet är konkret: färre akutbeställningar, mindre kassation och bättre robusthet när leveranser svajar.

Krisförsörjning i Sverige 2027: därför måste primärvården med

I serien “AI för Svenska Vårdcentraler: Primärvård 4.0” pratar vi ofta om AI för triage, dokumentation och patientkommunikation. Beredskap kan låta som en sjukhusfråga, men primärvården sitter på två nycklar:

1. Volym: vårdcentraler driver enorma mängder recept, provtagning och uppföljning.
2. Tidiga signaler: primärvården ser trenderna först – smittspridning, läkemedelsbyten, tillfälliga toppar i efterfrågan.

“Beredskapsdata” finns redan – men den används inte ihop

Den mest underskattade möjligheten är att koppla samman data som redan produceras:

• beställningsdata (vad tar slut var?)
• förskrivningsmönster (vad ökar?)
• diagnos- och besöksorsak på aggregerad nivå (vilka patientgrupper växer?)
• restnoteringsinformation och substitut (vad ersätter vi med?)

AI hjälper inte för att den är “smart”. Den hjälper för att den kan sammanfoga, städa och dra slutsatser snabbare än en människa med Excel.

Fyra konkreta AI-användningsfall för regionernas beredskapsarbete

Här är fyra områden där jag tycker regioner får mest effekt per investerad krona – och som går att starta i liten skala under 2026 och skala upp till 2027.

1) Tidig varning för brist – innan hyllan är tom

Svar först: AI kan flagga risk för brist veckor tidigare genom att upptäcka avvikelser i förbrukning och leveranstider.

Exempel på triggers:

• förbrukning ökar snabbare än normal säsongsvariation
• ledtider börjar glida (även om leveranser fortfarande kommer)
• substitut börjar användas oftare, vilket i sin tur ökar trycket på ersättningsprodukterna

Resultatet blir att inköp och verksamhet hinner agera: omfördela mellan enheter, säkra alternativ eller justera ordinationsstöd.

2) “Substitutionsmotor” när restnoteringar slår till

Svar först: AI kan hjälpa till att föreslå likvärdiga alternativ baserat på produktdata, styrkor, beredningsform, kylkrav och lokala riktlinjer.

Det ersätter inte farmaceutisk bedömning. Men det minskar tiden från “slut” till “åtgärd” – och gör åtgärden mer enhetlig mellan vårdcentraler.

I praktiken handlar det om att skapa ett beslutsstöd som:

• föreslår godkända alternativ per region
• visar vilka alternativ som faktiskt finns i lager
• varnar för risker (t.ex. doseringsskillnader)

3) Lagerrotation utan svinn: AI som planerar förbrukning

Svar först: AI kan planera hur beredskapslager ska roteras in i normalförbrukning så att utgångsdatum inte blir en kostnadspost.

Särskilt för produkter med kort hållbarhet kan modellen föreslå:

• vilka enheter som bör få en viss batch (högre förbrukning)
• när omflyttning behövs
• hur man undviker att “alla hamstrar samtidigt”

Det här är en av de få insatser som både stärker beredskap och förbättrar ekonomi.

4) Simulering av krisscenarier: “vad händer om…?”

Svar först: AI-baserade simuleringar kan räkna på hur lager räcker vid olika händelser och vilka produkter som blir flaskhalsar först.

Exempel på scenarier:

• influensasäsong med 30–50% högre tryck än normalt
• störning i import av en viss substans
• transportstörningar som förlänger ledtider med 5–10 dagar

Poängen är inte att spå framtiden exakt. Poängen är att hitta de mest sårbara artiklarna och dimensionera smart.

Så undviker regioner att AI-projekt blir “ännu en plattform”

Most companies get this wrong. De börjar med teknikinköp och hamnar i integrationsproblem, otydliga datadefinitioner och en styrgrupp som aldrig ser effekt.

Ett bättre upplägg för AI i läkemedelsberedskap är:

1. Välj en produktgrupp (t.ex. antibiotika för barn, inhalationsläkemedel, diabetesförbrukning).
2. Välj ett fåtal noder (t.ex. 5–10 vårdcentraler + ett centrallager).
3. Mät tre saker från dag 1: servicegrad (tillgänglighet), kassation, akutbeställningar.
4. Koppla till arbetsflödet: vem agerar på en varning, inom vilken tid, med vilken åtgärd?

Datakvalitet: den tråkiga framgångsfaktorn

AI blir bara så bra som datan är användbar. I beredskapssammanhang brukar de största hindren vara:

• artikelmaster som skiljer sig mellan system
• brist på standardiserade enhetsdefinitioner
• otydliga orsaker till avvikelse (brist vs ändrad ordination vs leveransfel)

Det är helt okej att börja “halvbra”, men man måste börja konsekvent.

“People also ask” – snabba svar som ofta behövs internt

Räcker det inte att bara bygga ett stort centrallager?

Nej. Stora centrallager kan vara effektiva, men beredskapskravet handlar också om närhet till vårdplats. Vid störningar är transport och plockkapacitet ofta flaskhalsen.

Är AI relevant även om vi har bra inköpsavtal?

Ja. Avtal löser pris och villkor, men AI löser förutsägelse, fördelning och rotation. Det är där brister uppstår i praktiken.

Behöver primärvården verkligen vara med i beredskapsplaneringen?

Ja. Primärvården påverkar både efterfrågan och tidiga varningssignaler. Om vårdcentralerna hamnar utanför får du sämre prognoser och fler akuta omställningar.

Nästa steg: från beredskapslager till AI-drivet beslutsstöd

Överenskommelsen om 743 miljoner är en tydlig markering: Sverige ska kunna hålla vården igång även när omvärlden blir stökigare. Jag gillar ambitionen, men jag är också övertygad om att lager utan intelligens blir dyrt och frustrerande.

För regioner och vårdgivare som vill ligga före 2027 är nästa rimliga steg att tänka i två spår samtidigt: bygg lagret, men bygg också förmågan att styra lagret. Det är där AI gör skillnaden – genom bättre prognoser, tidig varning, substitutionsstöd och rotation.

Om du arbetar i eller nära en vårdcentral: vilken del av er läkemedelsförsörjning känns mest sårbar i dag – och vilken datapunkt skulle ni behöva för att upptäcka problemet en vecka tidigare?