AI som mäter fastläkarsystemet – från mål till verklighet

49 miljoner kronor kan låta som en tydlig satsning. Region Stockholm avsätter den summan nästa år för att närma sig ett konkret mål i primärvården: max 1 100 listade patienter per allmänläkare. Problemet är bara att det, enligt den politiska kritiken, saknas tekniska förutsättningar för att ens följa upp hur nära man är målet.

Det här är mer än en pinsam detalj i en budgetprocess. Det är ett klassiskt styrningsfel: man beställer en förbättring, men saknar instrumentpanelen som visar om förbättringen faktiskt sker. Och det är exakt här som AI och modern dataanalys hör hemma – inte som en flashig extrafunktion, utan som den nödvändiga infrastrukturen för att kunna leda vården med precision.

Jag har märkt att många organisationer fortfarande pratar om AI som ”framtid”. I primärvården är det redan nutid – men på ett mer jordnära sätt: AI är ofta det mest praktiska sättet att skapa ordning i röriga dataflöden, standardisera mätetal och göra uppföljning möjlig i realtid. För fastläkarsystemet kan det betyda skillnaden mellan ett politiskt mål på papper och en påtaglig förändring för patienter och vårdcentraler.

Därför faller fastläkarmål utan mätning

Ett fastläkarsystem är bara så starkt som sin förmåga att skapa kontinuitet. Och kontinuitet går att mäta – men inte om man blandar ihop listning, besökskontakt och faktisk ansvarig läkare.

Den direkta poängen i den aktuella debatten i Region Stockholm är enkel: om regionen inte kan svara på hur många invånare som har fast läkarkontakt, eller hur många läkare som ligger under 1 100 listade patienter, då går det inte att styra mot målet på ett seriöst sätt. Kritiken blir då att satsningen riskerar att bli symbolpolitik.

Två vanliga missförstånd: listning är inte samma sak som fast läkare

Många system kan säga att en patient är listad på en vårdcentral. Färre kan med säkerhet säga:

• Vem som är patientens namngivna ansvariga läkare
• Hur ofta patienten faktiskt träffar samma läkare över tid
• Om patientens kontaktmönster tyder på kontinuitet eller ”studs” mellan olika resurser

Det här är kärnan. Kontinuitet är ett beteende- och flödesmått, inte bara en administrativ etikett.

Styrning utan data leder till fel incitament

När mätning saknas tenderar organisationer att optimera för det som går att räkna. Då kan man få oönskade effekter:

• Listor justeras utan att kontinuiteten förbättras
• Vårdcentraler med hög belastning får inte rätt stöd i tid
• Bemanningsbeslut fattas på historik, inte på prognos

Det är här AI tillför värde: den kan skapa mätbarhet och tidiga signaler innan problemen blir akuta.

AI och dataanalys: den saknade instrumentpanelen i primärvården

Det mest praktiska sättet att angripa mätproblemet är att bygga en datagrund som kopplar ihop listning, bemanning och faktisk vårdkontakt. AI behövs inte för att ”hitta på” data – den behövs för att harmonisera och tolka data som redan finns, men ligger utspridd.

I serien AI för Svenska Vårdcentraler: Primärvård 4.0 brukar jag återkomma till en regel: om personalen inte litar på siffrorna kommer de inte användas. Därför måste lösningen vara transparent.

Vilka datakällor krävs (och varför det brukar strula)

För att mäta fastläkarsystemets faktiska funktion behövs vanligtvis en kombination av:

• Listningsdata (vem är listad var)
• Bemanningsdata (vilka läkare tjänstgör, schema, vakansgrad)
• Kontaktdata (besök, distanskontakter, åtgärder – med vårdgivare och tid)
• Journalsystem-metadata (ansvarig behandlare, enhetskoppling)

Tekniska hinder uppstår ofta när dataformat, begrepp och tidsstämplar inte är konsekventa mellan system. AI/ML kan hjälpa genom att:

• Identifiera felmatchningar (t.ex. läkarkod vs person-ID)
• Normalisera begrepp (”kontakt”, ”besök”, ”åtgärd”)
• Skapa robusta härledda mått även när vissa fält saknas

Tre mätetal som bör vara standard för fastläkarsystemet

Om jag fick välja tre indikatorer som en region borde kunna visa varje månad (och bryta ner per vårdcentral) skulle det vara:

1. Andel invånare med namngiven fast läkare (inte bara listad enhet)
2. Kontinuitetsindex: andel patientkontakter som sker med samma läkare inom 12 månader
3. Läkarpanelstorlek: antal listade per heltidsarbetande allmänläkare (FTE), med spridning (median + 10/90-percentil)

De här tre måtten ger tillsammans en tydlig bild: täckning, faktisk kontinuitet och belastning.

Så kan AI användas för resursfördelning – utan att det blir en ”svart låda”

När mätningen finns på plats kommer nästa steg direkt: resursfördelning. Det är här satsningar på primärvården ofta tappar fart, eftersom man försöker fördela resurser med för grova modeller.

AI-baserad analys kan göra resursfördelningen mer träffsäker, särskilt i storregioner där behoven varierar kraftigt mellan områden.

Prognoser som går att agera på

En välbyggd modell kan ge tidiga varningar, till exempel:

• Risk för att en vårdcentral inom 8–12 veckor hamnar över en viss panelstorlek per läkare
• Förväntad topp i vårdbehov kopplat till influensasäsong, vinterkräksjuka eller ökad psykisk ohälsa efter helger
• Effekten av planerade bemanningsförändringar (t.ex. pensionsavgångar) på kontinuitet

December är ett bra exempel på varför detta behövs. Årsskiften innebär ofta schemaförändringar, vikariat och högre tryck på vissa typer av besök. Med en prediktiv vy kan man flytta stöd i tid, inte i panik.

Matchning: rätt typ av patient till rätt läkarkapacitet

”1 100 patienter per läkare” är ett förenklat mål. I verkligheten beror rimlig panelstorlek på bland annat:

• Åldersprofil och multisjuklighet
• Socioekonomiska faktorer
• Andel patienter med frekventa kontakter

AI kan bygga case-mix-justerade panelmått så att en vårdcentral med hög vårdtyngd inte ser ”effektiv” ut bara för att man pressat panelen, eller ”ineffektiv” ut för att man tar hand om svårare patienter.

En styrmodell som inte tar hänsyn till vårdtyngd kommer alltid att belöna fel beteende.

Kopplingen till läkemedel och bioteknik: bättre data ger bättre klinik

Det kan låta som att fastläkarsystemet är ren vårdpolitik. Men det hänger ihop med läkemedel och bioteknik på ett väldigt konkret sätt: primärvården är ofta den plats där behandlingar initieras, följs upp och utvärderas i vardagen.

Real world data börjar på vårdcentralen

När primärvårdens data blir mer strukturerad och uppföljningsbar får man bättre förutsättningar för:

• Uppföljning av behandlingsutfall över tid
• Signalspaning kring biverkningar i verklig användning
• Identifiering av patienter för kliniska studier (med rätt governance)

Det här är en av de mest missade möjligheterna i svensk vård: vi pratar om AI i life science, men glömmer att den största datavolymen ofta finns i vardagsvården.

Kontinuitet påverkar följsamhet – och därmed effekt

Från ett läkemedelsperspektiv är kontinuitet inte ”mysigt”, det är mätbart relevant. Patienter som återkommande träffar samma läkare tenderar att få:

• Tydligare behandlingsplaner
• Bättre uppföljning
• Färre onödiga byten

När regioner inte kan mäta kontinuitet tappar man också en viktig parameter för att förstå varför behandlingsresultat skiljer sig mellan enheter.

Praktisk roadmap: så kommer ni igång på 90 dagar

Det går att göra det här utan ett flerårigt IT-projekt som sväller. Jag brukar rekommendera en snabb, kontrollerad start som fokuserar på mätbar nytta.

Steg 1 (vecka 1–2): definiera mätetalen och besluta om begrepp

• Bestäm exakt vad ”fast läkarkontakt” betyder i er kontext
• Besluta om tidsfönster (t.ex. 12 månader) och miniminivå för kontinuitet
• Förankra definitionerna med verksamhet och IT samtidigt

Steg 2 (vecka 3–6): bygg ett minimalt datalager för uppföljning

• Extrahera listning, bemanning och kontaktdata
• Skapa en första version av dashboard med de tre basmåtten
• Lägg in datakvalitetskontroller (saknade ID:n, dubbla poster, tidslogik)

Steg 3 (vecka 7–10): pilotera på 5–10 vårdcentraler

• Jämför dashboard med verkligheten: stämmer det?
• Låt chefer och läkare ge feedback på begriplighet
• Justera mått och visualiseringar så att de driver rätt beteende

Steg 4 (vecka 11–13): lägg på AI där den faktiskt behövs

• Prognos för panelrisk och tillgänglighet
• Segmentering av vårdtyngd (case-mix)
• Avvikelsedetektion: plötsliga fall i kontinuitet eller ökande ”studs”

Poängen: AI är steg 4, inte steg 1. Först skapar man en gemensam sanning.

Vanliga frågor som dyker upp (och raka svar)

”Är inte det här bara ett BI-projekt?”

Delvis. Men AI blir relevant när data är ofullständiga, begrepp spretar och ni behöver prognoser, avvikelsedetektion och case-mix-justering.

”Hur undviker vi att det blir övervakning av enskilda läkare?”

Genom governance: rapportera på aggregerad nivå, använd måtten för systemförbättring och definiera tydliga syften. Transparens med facken tidigt är inte valfritt.

”Vad är den största fallgropen?”

Att mäta fel sak. Om ni bara mäter listning kommer ni optimera listning, inte kontinuitet.

Nästa steg: gör mätningen till motorn i Primärvård 4.0

Debatten i Region Stockholm sätter fingret på något många känner igen: ambition finns, pengar finns – men mätbarheten saknas. Jag tycker det är rimligt att kalla det oseriöst att styra mot ett mål utan att kunna följa upp det. Samtidigt är det också en möjlighet.

För när man väl bygger instrumentpanelen för fastläkarsystemet får man mer än en politisk uppföljning. Man får en dataplattform som kan användas för tillgänglighet, patientsäkerhet, arbetsmiljö och – ja – för AI i läkemedel och bioteknik via bättre real world data.

Om din organisation vill ta nästa steg inom AI för Svenska Vårdcentraler: Primärvård 4.0: börja med en sak. Bestäm tre mätetal ni ska kunna visa varje månad, och bygg datakedjan som gör dem trovärdiga.

Vilket mått skulle göra störst skillnad hos er: namngiven fast läkare, kontinuitetsindex – eller panelstorlek per FTE?