EU:s läkemedelssatsningar räcker inte – AI gör jobbet

Europeiska beslutsfattare har äntligen vaknat till en obekväm sanning: Europa ligger efter i läkemedelsutveckling. Reaktionen blir ofta densamma varje gång ett gap blir tydligt – fler program, fler utlysningar, fler pengar. Problemet är att det sällan är pengarna som är flaskhalsen i praktiken. Det är hur vi utvecklar läkemedel, hur vi prioriterar, och hur vi får idéer att överleva hela vägen till patient.

Det här är extra relevant i december 2025, när många verksamheter både stänger bokslut och planerar 2026. Jag har sett samma mönster i både vård och life science: man lägger budget på “mer” i stället för att bygga arbetssätt som gör att varje krona faktiskt ger effekt.

Och här kommer min tes: EU kan strössla hur mycket pengar som helst – utan AI-driven arbetsmetodik kommer Europa ändå att tappa mark. För svenska vårdcentraler (Primärvård 4.0) är det inte en abstrakt industrifråga. AI i läkemedel och bioteknik påverkar vad som hamnar i riktlinjerna, hur snabbt nya behandlingar blir tillgängliga och hur smart primärvården kan arbeta med prevention, triagering och uppföljning.

Varför “mer pengar” inte löser Europas problem

Svar först: Pengar hjälper bara om de minskar de riktiga hindren: långa cykler, hög risk, fragmenterad data och låg träffsäkerhet i tidig forskning.

Den europeiska utmaningen är välkänd i branschen: många starka akademiska miljöer, många duktiga småbolag – men för få projekt tar steget från lovande data till robust klinisk evidens och kommersiell skala. Det blir en sorts “innovationsläcka”: projekt säljs tidigt, flyttar ut, eller dör i glappet mellan preklinisk fas och klinisk utveckling.

Den dyra delen är inte labbet – det är osäkerheten

Läkemedelsutveckling är i grunden ett osäkerhetsproblem. Traditionellt betalar vi oss fram genom:

• fler experiment
• längre studier
• större patientkohorter
• mer dokumentation och fler rundor med regulatoriska myndigheter

Det är nödvändigt, men också dyrt och långsamt. Om du inte samtidigt blir bättre på att välja rätt mål (target), rätt patientgrupp och rätt studieupplägg, då blir mer pengar bara mer av samma.

Fragmenteringen äter upp effekten

Europa är starkt, men splittrat: olika journalsystem, olika datastandarder, olika ersättningsmodeller och varierande implementering av digitala verktyg. Även när finansiering finns blir nyttan ofta begränsad av att data inte går att återanvända och att projekt inte kan skalas.

Det är här AI blir mer än ett “tech-modeord”. AI är ett sätt att standardisera beslutsfattande och återanvända kunskap – om man bygger rätt.

AI som verktyg för att göra FoU billigare, snabbare och mer träffsäker

Svar först: AI gör störst nytta när den minskar felbeslut tidigt – innan fel target eller fel patienturval kostar år av arbete.

Det pratas ofta om AI i läkemedel som om det handlade om att “hitta nya molekyler”. Visst, generativa modeller och proteinprediktion spelar roll. Men i praktiken ser jag tre AI-effekter som är mer direkt kopplade till Europas konkurrenskraft:

1) Bättre urval: färre projekt som borde dö tidigt

De flesta portföljer har projekt som aldrig borde ha gått vidare. AI kan hjälpa genom att väga samman:

• omics-data (genomik, proteomik, transkriptomik)
• real-world data (vårddokumentation, register, utfall)
• tidigare kliniska studier och negativa resultat
• biologiska nätverk och pathway-analyser

Målet är inte att “spå framtiden perfekt”. Målet är att minska systematiska felsatsningar. Om EU vill få mer effekt av satsningar bör man mäta hur mycket AI kan minska antalet sena misslyckanden, inte hur många pilotprojekt som startas.

2) Smartare kliniska studier: rätt patient, rätt endpoint

Kliniska studier faller ofta på tre saker: rekrytering, endpoints och heterogena patientgrupper. AI kan bidra med:

• fenotypning av patientgrupper (vilka liknar varandra på riktigt?)
• prediktion av risk och progression
• bättre stratifiering så att signalen blir tydligare

För primärvården är detta konkret: om framtidens studier inkluderar patientdata från vårdcentraler (med rätt etik och styrning) kan Sverige bli en attraktiv partner – men bara om vi kan strukturerat fånga data och återkoppla den till forskning.

3) Kostnadsoptimering: automatiserad dokumentation och kvalitet

Regulatoriskt arbete och kvalitetsarbete är inte “onödigt”, men det är tungt. AI kan minska friktionen via:

• automatiserad kodning och strukturerad journaldata
• hjälp med protokolltolkning och deviations-hantering
• snabbare säkerhetssignalering och litteraturbevakning

Här finns en rak linje till Primärvård 4.0: AI för journaldokumentation och AI för patientkommunikation är inte bara en vårdfråga – det påverkar också Europas förmåga att skapa användbar real-world evidence.

En obekväm sanning: Om data från vården inte blir analysbar blir Europa en sämre plats att utveckla läkemedel i, oavsett hur stora stödprogrammen är.

Vad betyder detta för svenska vårdcentraler (Primärvård 4.0)?

Svar först: Vårdcentralerna blir en nyckelspelare när läkemedelsutveckling flyttar närmare verkliga patientflöden – men det kräver AI-stöd i vardagen.

När man pratar EU-finansiering tänker många “forskningsinstitut och stora bolag”. Men moderna läkemedel kräver ofta:

• tidigare upptäckt (screening, riskidentifiering)
• uppföljning i vardagen (adhesion, biverkningar, effekt)
• bättre selektion (vem har nytta av behandlingen?)

Det är primärvårdens hemmaplan. Samtidigt är primärvården redan pressad. Därför är det naivt att tro att vårdcentraler ska bidra mer till forskning och uppföljning utan att få AI som minskar administrationen.

Tre AI-förmågor som gör vårdcentralen “forskningsredo”

1. AI för triagering och tidsbokning

   • sorterar rätt patienter till rätt vårdnivå
   • frigör tid för uppföljning och planerad vård

2. AI för kliniskt beslutsstöd

   • hjälper till med riskstratifiering (t.ex. kardiometabola risker)
   • ökar sannolikheten att rätt patient får rätt behandling i rätt tid

3. AI för journaldokumentation och strukturerad data

   • omvandlar fri text till strukturerade fält
   • gör data möjlig att använda för kvalitetsarbete och real-world evidence

Det här är inte “nice to have”. Om EU vill se effekt av investeringar i läkemedel måste vårdens dataekonomi fungera, och där är vårdcentralen startpunkten.

En bättre EU-strategi: finansiera arbetssätt, inte bara projekt

Svar först: EU bör styra om från breda pengaströmmar till mätbara AI-mognadssteg som ger snabbare beslut och mer återanvändbar data.

Om kritiken i krönikor och branschdebatt handlar om att “pengar inte hjälper” så handlar det ofta om att man finansierar insats snarare än utfall. Jag föredrar en modell där finansiering kopplas till tydliga operativa förbättringar.

Fyra mätetal EU borde kräva (och som Sverige kan ligga i framkant på)

• Tid från idé till första kliniska studie (månader, inte år)
• Andel projekt som stoppas tidigt av datadriven analys (en positiv siffra)
• Datastandardisering i vårdflöden (andel strukturerad dokumentation)
• Rekryteringshastighet i studier (patienter per vecka)

AI passar ovanligt bra här eftersom den kan byggas som infrastruktur snarare än enstaka punktlösningar.

“Men regulatoriskt då?” – ja, och därför måste AI vara spårbar

En vanlig invändning är att AI gör allt svårare att granska. Det stämmer om man behandlar AI som en svart låda.

Det som fungerar i praktiken är:

• tydliga datakällor och datagovernance
• versionshantering av modeller
• spårbarhet: varför gav modellen detta beslut?
• kontrollerade införanden med uppföljning (inte stora “big bang”-projekt)

Det är också så man bygger förtroende i primärvården. Ingen vill ha ett beslutsstöd som inte kan förklaras när patienten frågar “varför?”.

Praktisk checklista: så kommer ni igång under Q1 2026

Svar först: Börja smått, mät hårt och bygg en dataryggrad som klarar både vård och forskning.

Om du jobbar i primärvård, region, biotech eller som leverantör till vården: här är en konkret start som brukar fungera.

1. Välj ett flöde med hög volym och tydlig nytta Exempel: luftvägsinfektioner, hypertoniuppföljning, diabeteskontroller eller psykisk ohälsa (första linjen).

2. Sätt två mål som går att räkna på

   • t.ex. “minska administrativ tid per besök med 2 minuter”
   • och “öka andelen strukturerade diagnos- och åtgärdskoder till 85%”

3. Inför AI-stöd i dokumentation före AI-stöd i diagnos Min erfarenhet: när dokumentationen blir lättare får du både bättre data och mindre motstånd mot nästa steg.

4. Bygg datagovernance från dag 1 Vem äger datat? Hur loggas åtkomst? Hur hanteras samtycken? Hur kan data användas för uppföljning och kvalitetsarbete?

5. Planera för återkoppling till kliniken Om AI bara “tar” data och aldrig ger tillbaka (bättre beslutsstöd, bättre uppföljning, mindre klick) så dör projektet.

Ett bra AI-projekt i primärvård känns inte som ett IT-projekt. Det känns som att jobbet blir rimligare.

Nästa steg: Europas gap stängs i vardagen, inte i pressmeddelanden

EU:s ambition att satsa mer på läkemedel och bioteknik är förståelig. Men om pengarna går till fler parallella projekt utan gemensam data- och AI-ryggrad får vi samma resultat: fragmentering, långsamhet och en innovationsläcka som fortsätter.

För Primärvård 4.0 är möjligheten tydlig: vårdcentraler som inför AI för tidsbokning, dokumentation och beslutsstöd blir en starkare del av hela innovationskedjan. Det gör Sverige mer attraktivt som utvecklingsmiljö och ger patienter snabbare väg till nya behandlingar.

Vill du att EU:s pengar ska ge effekt? Börja där effekten kan mätas: i flöden, data och beslut. Vilket primärvårdsflöde i din organisation skulle vinna mest på ett AI-stöd redan under 2026?