AI mot VRE: så undviker vården nästa smittutbrott

176 patienter hann drabbas innan ett VRE-utbrott på Sahlgrenska var över. Tio fick en klinisk infektion, och flera avled – däribland en ung kvinna. Utbrottet pågick från 2024-08 till 2025-08 och sjukhuset har Lex Maria-anmält händelsen med hänvisning till brister i arbetssätt, städning och hygienrutiner.

Det här är inte bara en sjukhusnyhet. Det är en påminnelse om att antibiotikaresistens inte ”bara” handlar om att utveckla nya antibiotika. Den handlar lika mycket om hur vi upptäcker, isolerar, behandlar och följer upp infektioner i vardagen. Och där finns en konkret, ofta underskattad roll för AI – särskilt om vi tänker i kedjor som börjar i primärvården och slutar i slutenvårdens mest sårbara miljöer.

Jag tycker att många organisationer fastnar i två lägen: antingen ”mer utbildning och påminnelser” eller ”köp ett nytt IT-system”. Det räcker inte. För VRE och andra multiresistenta bakterier kräver tidiga signaler, konsekvent genomförande och datadrivet beslutsstöd. Precis där har AI och modern analys faktiskt något väldigt jordnära att bidra med.

Vad VRE-utbrottet säger om systemet (inte bara om städningen)

Kärnpunkten: När ett utbrott får spridning över många enheter är det sällan en enda ”miss”. Det är ett systemfel där flera små brister staplas.

I den rapporterade händelsen pekas bland annat på att toalettstädning skett för sällan och att kunskapsnivån hos personalen brustit. Det är lätt att fastna i detaljen (”städade vi rätt?”), men den svåra frågan är större: Hur kunde man missa eller underskatta spridningen länge nog för att 20 enheter skulle beröras?

När multiresistenta bakterier etablerar sig i vårdmiljöer får de hjälp av:

• Hög beläggning och snabba patientflöden, där isoleringskapacitet och enkelrum inte räcker.
• Fragmenterade informationsflöden mellan enheter, labb, vårdhygien och vårdteam.
• Variation i efterlevnad (rutiner finns, men följs olika beroende på stress, bemanning, lokal kultur).
• Fördröjd riskidentifiering, där det saknas verktyg som gör risk synlig i realtid.

Det är här som AI inte ska ses som ”robotar i korridoren”, utan som en förstärkare av hygienarbete och smittspårning: tidigare varning, bättre prioritering, färre missade övergångar.

Varför det angår primärvården och vårdcentraler

VRE-utbrottet skedde i slutenvård, men kedjan börjar ofta tidigare. Primärvården påverkar:

• Antibiotikaförskrivning (tryck på resistensutveckling och selektion).
• Remissflöden (hur snabbt riskpatienter når rätt vårdnivå).
• Uppföljning efter utskrivning (sår, KAD, återbesök, provtagning).

I vår serie ”AI för Svenska Vårdcentraler: Primärvård 4.0” brukar vi prata om AI för triage, dokumentation och patientkommunikation. Här blir kopplingen tydlig: smittsäker vård är också en primärvårdsfråga, eftersom den kliniska vardagen är sammanlänkad.

Där AI gör mest nytta: tidiga signaler och förutsägande analys

Kärnpunkten: AI är bäst när den fångar mönster som människor inte hinner se – särskilt i realtid över många datakällor.

Utbrottshantering faller ofta på att signalerna är svaga var för sig: en odling här, en rumflytt där, ett överbeläggningsdygn, en ny vikarie i städteamet. Tillsammans blir det en riskprofil.

Med förutsägande analys kan man bygga modeller som väger ihop sådant som:

• mikrobiologiska fynd (positiva prover, typning om det finns)
• patientrörelser (in- och utskrivning, förflyttningar mellan enheter/rum)
• beläggningsgrad och enkelrumstillgång
• bemanningsnivå och kompetensmix
• följsamhetsdata (t.ex. handhygienobservationer)
• städscheman och avvikelser (när, hur, av vem)

Målet är inte att ”AI ska bestämma”. Målet är att AI ska peka på var nästa problem sannolikt uppstår.

Exempel: en enkel risk-score som faktiskt går att använda

En praktisk väg är att börja med en risk-score som uppdateras flera gånger per dygn:

1. Patientrisk: kända riskfaktorer (tidigare bärarskap, nylig utlandsvård, lång vårdtid, invasiva hjälpmedel).
2. Miljörisk: senaste kända fall i samma korridor/enhet, städavvikelser, beläggning.
3. Processrisk: antal förflyttningar, antal vårdkontakter, brist på isoleringsrum.

När score passerar en tröskel triggas åtgärder: riktad provtagning, förstärkt städ, isoleringsprioritering, smittskyddskonsult.

Det låter banalt. Men det är precis den typen av ”banalitet” som räddar liv eftersom den ger konsekvens i en pressad organisation.

AI i diagnostik och behandlingsoptimering vid resistenta infektioner

Kärnpunkten: Snabbare och mer träffsäkra beslut i början av vårdförloppet minskar både dödlighet och spridningsrisk.

När en patient blir sjuk av VRE eller andra resistenta bakterier är tiden kritisk. Varje timme med fel antibiotika (eller försenad behandling) ökar risken för komplikationer. Samtidigt vill vi inte överbehandla brett, eftersom det driver resistens.

Här finns två AI-nära användningsområden:

1) Beslutsstöd för antibiotikaval (antibiotikastyrning)

AI-baserat beslutsstöd kan kombinera:

• lokal resistensstatistik (”vad ser vi här just nu?”)
• patientens historik (tidigare odlingar, antibiotikakurser)
• kliniska parametrar (temp, CRP, vitalparametrar)
• sannolik infektionsfokus (UVI, sår, pneumoni)

…och föreslå smalast möjliga effektiva behandling, samt när man ska eskalera eller de-eskalera.

I primärvården kan detta kopplas till journalsystemets beslutsstöd: vid återkommande UVI, sårinfektioner eller postoperativa kontakter kan AI hjälpa till att undvika ”slentriankurer” och styra mot provtagning när det behövs.

2) Snabbare diagnostik och smart provtagningsstrategi

Många vårdprocesser tappar tid eftersom prov tas för sent, eller tas men inte följs upp systematiskt.

AI kan:

• flagga patienter där prov bör tas direkt
• påminna om uppföljning när svar kommer
• identifiera mönster av ”nästan-fall” (t.ex. återkommande symtom + riskfaktorer) som annars faller mellan stolarna

Det här är inte science fiction. Det är workflow-automation med klinisk logik – vilket ofta är den mest lönsamma typen av AI i vården.

Från kritik till vardagsförbättring: fem AI-stöd som minskar spridning

Kärnpunkten: De mest effektiva AI-insatserna ligger nära verksamheten – inte i en separat ”innovationslåda”.

Om målet är att undvika att ett VRE-utbrott sprider sig över 20 enheter igen behöver vi bygga robusta skyddsnät. Här är fem konkreta AI-stöd som fungerar i praktiken, även i svenska förutsättningar.

1) Automatisk smittflagga i journalen – med förklaring

En smittflagga ska inte vara en röd triangel som folk lär sig ignorera. Den ska säga varför och vad som gäller nu.

• ”Tidigare VRE-bärare (2024-11). Föreslå enkelrum och kontaktisolering tills ny screening är negativ.”

AI kan sammanfatta historiken och göra flaggan begriplig på 5 sekunder.

2) Realtidsöverblick för vårdhygien: ”var händer det nu?”

Dashboards som visar utbrottsrisk per enhet (baserat på dataflöden) gör att hygienresurser kan användas där de gör mest nytta – istället för att jaga i efterhand.

3) Avvikelseanalys av städning och logistik

När internutredningar pekar på städning är det ofta svårt att objektivt se mönster. Med analys kan man hitta:

• vilka typer av utrymmen som oftast missas
• tidpunkter (natt/helg) med lägre kvalitet
• samband mellan beläggning och städavvikelser

Det blir mycket enklare att åtgärda med riktade insatser än med generella pekpinnar.

4) Prediktiv planering av isoleringsrum

Överbeläggning och brist på enkelrum är en klassiker. Prediktiva modeller kan ge 24–72 timmars prognos för isoleringsbehov baserat på inflöden, pågående fall och screening.

5) AI-stödd patientkommunikation efter utskrivning

Många smittkedjor förlängs av att patienter inte förstår råd eller inte vet när de ska söka. En säker patientchatt eller telefonsluss med AI-stöd kan:

• ge tydliga hygienråd
• fånga tidiga tecken på infektion
• prioritera rätt återbesök

Det passar extra bra i primärvård 4.0-tänket: rätt kontakt, rätt tid, rätt vårdnivå.

En mening jag återkommer till: Antibiotikaresistens bekämpas i vardagsbeslut, inte i powerpoints.

Vanliga frågor som dyker upp när man pratar AI och smittskydd

“Blir det inte integritetsproblem när vi använder mer data?”

Jo, integritet är centralt. Men det är ingen ursäkt för datakaos. Lösningen är tydlig styrning: dataminimering, loggning, behörighetskontroll, och att modeller tränas på rätt sätt. För många användningsfall räcker pseudonymiserad eller aggregerad data.

“Kan AI verkligen minska vårdrelaterade infektioner?”

AI minskar inte infektioner av sig själv. Den minskar dem när den förkortar tiden till åtgärd och ökar följsamheten. Det är därför jag föredrar AI som sitter i arbetsflödet (triage, varningar, uppföljning) framför stora fristående ”analysprojekt”.

“Vad är första steget för en vårdcentral?”

Börja där ni redan har friktion:

1. Strukturerad antibiotikauppföljning (indikation, duration, återbesök)
2. AI-stöd för journaldokumentation som fångar riskfaktorer konsekvent
3. Smitt- och riskflaggor som faktiskt syns i rätt läge

Det blir snabbt mätbart i både arbetsbelastning och medicinsk kvalitet.

Nästa utbrott stoppas inte av fler affischer på väggen

En ung kvinna dog efter att ha smittats av en multiresistent bakterie under vård. Det är en brutal påminnelse om att patientsäkerhet och vårdhygien inte får bli något som ”hanteras sen”. När utbrott väl tar fart blir varje brist – städning, beläggning, rutiner, kommunikation – en multiplikator.

AI kan inte ersätta hygienarbete. Men AI kan göra det mer konsekvent, mer förutsägbart och mindre beroende av att någon råkar vara på rätt plats vid rätt tid. För mig är det den mest realistiska nyttan med AI i vården just nu.

Om du jobbar i primärvården: vilka två datapunkter i ert flöde skulle göra störst skillnad om de blev synliga i realtid – antibiotikaval, provsvar, återkontakter eller något helt annat?