AI som hittar luckor i obesitasvård och GLP-1-policy

Mounjaro (tirzepatid) blev Sveriges mest sålda läkemedel i november 2025. Samtidigt kan det fortfarande hända att ett regionalt kunskapsstöd om obesitas inte ens nämner behandlingen. Det är en krock mellan verkligheten på vårdcentralen och det som står i ”så gör vi”-dokumenten.

För primärvården är det här inte en akademisk detalj. Det är vardag: patienter som läst om GLP-1/”viktsprutor”, kollegor som försöker navigera indikationer, biverkningar, uppföljning och kostnader, och en region som vill vara konsekvent men samtidigt patientsäker. Min erfarenhet är att när kunskapsstödet halkar efter skapas två parallella sanningar: en i styrdokumenten och en i väntrummet.

Det här inlägget är en del av serien ”AI för Svenska Vårdcentraler: Primärvård 4.0”. Vi tar avstamp i nyheten att Mounjaro saknas i Region Stockholms kunskapsstöd för obesitas (publicerad 2025-12-19) och använder den som ett konkret exempel på hur AI i vården kan upptäcka glapp i behandlingsprotokoll och göra införandet av nya terapier mer strukturerat.

När kunskapsstöd missar det som primärvården möter

Ett kunskapsstöd blir snabbt tandlöst om det inte hanterar de frågor som faktiskt kommer in. När en behandling dominerar samtalet (och i det här fallet även försäljningen) men saknas i regionens vägledning, uppstår tre problem samtidigt.

För det första: variation i vård. Enheter och enskilda förskrivare tvingas tolka läget själva. Det brukar leda till stora skillnader i bedömning, dokumentation och uppföljning.

För det andra: patientsäkerhetsrisk. GLP-1-baserade behandlingar kräver genomtänkt titrering, biverkningshantering och uppföljning av effekt. Om kunskapsstödet inte vägleder kring ”hur”, blir det lätt att fokuset hamnar på ”om”.

För det tredje: ineffektiv resursanvändning. Varje vårdcentral bygger egna rutiner, skriver egna patienttexter, skapar egna mallar. Samma arbete upprepas, medan köerna växer.

Det handlar inte bara om subvention

En vanlig invändning är att nya obesitasläkemedel inte alltid är subventionerade, och att regioner därför är försiktiga. Det är rimligt att ekonomin väger tungt. Men avsaknad av subvention betyder inte avsaknad av behov av klinisk vägledning.

Primärvården behöver fortfarande svar på:

• Vilka patienter är aktuella utifrån medicinska kriterier och riskprofil?
• Hur ser uppföljningen ut efter 4, 12 och 24 veckor?
• När pausar man, byter eller avslutar?
• Hur hanteras samsjuklighet (t.ex. diabetes, hypertoni, sömnapné, depression)?
• Hur dokumenterar man strukturerat så att nästa vårdgivare kan ta vid?

Ett modernt kunskapsstöd ska kunna hantera detta även när läkemedlet inte är ”standardvalet”. Annars lämnas vårdcentralerna ensamma med helheten.

GLP-1 och tirzepatid: varför just dessa skapar tryck i systemet

GLP-1-analoger (och kombinationsmekanismer som tirzepatid) är ett tydligt exempel på bioteknik i klinisk verklighet. De flyttar obesitas från att ofta hanteras med generella livsstilsråd till att i vissa fall behandlas som en kronisk sjukdom med farmakologisk uppföljning.

Det skapar tryck på tre nivåer:

1. Efterfrågan: Patienter är informerade, ibland överinformerade. Kraven på tydlig, konsekvent kommunikation ökar.
2. Process: Behandlingen kräver återbesök, titrering och strukturerade mätpunkter.
3. Rättvisa: När tillgången är ojämn riskerar vården att bli postnummerstyrd.

För den som driver primärvård är det här ett systemproblem, inte en ”produktfråga”. Där kommer AI in.

Så kan AI hitta glappen innan de blir vårdvariation

AI är särskilt bra på att upptäcka mönster i stora mängder ostrukturerad information. I primärvården finns signalerna redan: journalanteckningar, diagnoskoder, läkemedelslistor, remisser, provsvar och patientmeddelanden.

Nyckeln är att inte använda AI som en ”magisk svart låda”, utan som ett kvalitetsverktyg som gör två saker: mäter avvikelse och föreslår standardisering.

1) AI som ”gap-analys” mellan kunskapsstöd och klinisk verklighet

Det mest direkta användningsfallet är att jämföra:

• Regionens kunskapsstöd och lokala PM (text)
• Verkliga vårdmöten och ordinationer (data)

En AI-modell kan då flagga för:

• att ett läkemedel ofta diskuteras i patientkommunikation men saknas i riktlinjetext
• att förskrivningsmönster varierar kraftigt mellan vårdcentraler
• att uppföljningsfrekvensen skiljer sig (t.ex. få återbesök efter insättning)
• att dokumentation av effekt (t.ex. vikt, midjemått, HbA1c vid samsjuklighet) saknas eller är inkonsekvent

Ett bra kunskapsstöd är inte det som är längst. Det är det som minskar variationen i vården utan att försämra omdömet.

2) AI för beslutsstöd som faktiskt fungerar i primärvårdens tempo

Beslutsstöd faller ofta på att de kommer för sent eller kräver för många klick. AI-baserade stöd kan istället byggas som:

• ”Just-in-time”-påminnelser i samband med ordination (t.ex. uppföljning om 4–8 veckor)
• Automatiska checklistor som fylls av journaldata (BMI, samsjuklighet, läkemedel)
• Förslag på patienttext som är begriplig och enhetlig i hela regionen

Det viktiga är att stödet är processinbyggt, inte en PDF som ingen hinner öppna.

3) AI för jämlik vård: upptäck skillnader i åtkomst

När nya terapier introduceras uppstår ofta ojämlikhet. AI kan användas för att skapa en enkel, återkommande rapport (t.ex. månadsvis) som visar:

• andel patienter med obesitasdiagnos som får strukturerad uppföljning
• andel som får farmakologisk behandling och på vilka grunder
• avvikelser per vårdcentral (case-mix-justerat om möjligt)

Det här är inte till för att ”hänga ut” någon. Det är till för att göra förbättringsarbete möjligt.

Praktiskt upplägg: en AI-driven ”kunskapsstödspuls” för Region Stockholm

Om jag fick designa en lösning för en region (Stockholm eller någon annan) skulle jag börja smått och mätbart. Inte med ett stort projekt, utan med en återkommande puls.

Steg 1: Definiera 10 datapunkter som speglar god obesitasvård

Exempel på datapunkter som ofta går att extrahera:

1. Registrerat BMI senaste 12 månader
2. Dokumenterad samsjuklighet (diabetes, hypertoni, dyslipidemi, sömnapné)
3. Planerad uppföljning efter insatt farmakologisk behandling
4. Dokumenterade biverkningar och åtgärder
5. Mätpunkt för effekt (viktförändring vid 12 veckor)
6. Samtidig läkemedelslista (interaktionsrisker/kontraindikationer)
7. Patientinformation given (ja/nej + version)
8. Avslutsorsak om behandling stoppas
9. Remissflöde (dietist, fysioterapeut, obesitasmottagning)
10. Patientens preferenser och mål (kort strukturerad text)

Steg 2: Låt AI läsa variationen och föreslå förbättringar

AI ska inte ”bestämma”. Den ska:

• hitta var dokumentationen faller bort
• peka ut var rutiner skiljer sig utan medicinsk motivering
• föreslå vilka delar av kunskapsstödet som behöver uppdateras för att svara på verkliga frågor

Steg 3: Paketera om kunskapsstödet till arbetsflöde

Ett modernt kunskapsstöd för GLP-1 i primärvården bör vara:

• en kort beslutsväg (indikationsstöd)
• en uppföljningsplan (tidsatta milstolpar)
• en biverkningsmodul (vad gör vi när patienten får illamående/aptitlöshet/avbryter)
• en patientkommunikationsmodul (enhetliga formuleringar)

PDF:er kan finnas kvar, men arbetsflödet måste sitta i systemet.

Vanliga frågor från vårdcentraler (och hur AI kan hjälpa)

Primärvårdens frågor kommer ofta i kluster. Här är tre som dyker upp direkt när ett läkemedel som Mounjaro blir ”top of mind”.

”Vad säger vi till patienter när behandlingen inte är subventionerad?”

Svar först: Säg sanningen, men säg den konsekvent.

AI kan hjälpa genom att generera och versionshantera godkända patienttexter som:

• förklarar indikation, effekt och risker på begriplig svenska
• beskriver kostnadsläge och vad vården kan erbjuda
• sätter fokus på uppföljning och realistiska mål

Resultatet blir färre missförstånd och mindre administrativ friktion.

”Hur undviker vi att det här blir en tidsfälla?”

Svar först: Standardisera det som går att standardisera.

AI-stöd kan automatisera mallar för uppföljning, föreslå provtagning vid samsjuklighet och påminna om mätpunkter. Det frigör tid till den del som alltid måste vara mänsklig: samtalet om motivation, hinder och långsiktighet.

”Hur vet vi att vi ger jämlik vård?”

Svar först: Mät variationen, inte magkänslan.

Med AI-baserad analys kan regionen se om vissa områden konsekvent har lägre tillgång till strukturerad obesitasvård, och om skillnaderna beror på organisation, kompetensstöd eller resursläge.

Vad det här betyder för svensk biotech och läkemedelsutveckling

När riktlinjer inte hänger med i kliniken påverkar det mer än patientmötet.

• Införandet bromsas: Nya terapier får ryktesspridning istället för process.
• Data blir sämre: Uppföljning och dokumentation blir spretig, vilket gör real-world evidence svårare.
• Förtroendet tar stryk: Patienter ser diskrepansen mellan vad som finns och vad som nämns.

Om Sverige vill ligga bra till inom AI inom läkemedel och bioteknik behöver vi bli bättre på implementering. Det är där nyttan hamnar, och det är där AI gör som mest skillnad.

Nästa steg för ”Primärvård 4.0”: från dokument till drift

Att Mounjaro saknas i ett regionalt kunskapsstöd är ett symtom på ett större problem: kunskap uppdateras som dokument, medan vård sker som flöden. AI för vårdcentraler kan fungera som bryggan mellan de två.

Vill du arbeta mer systematiskt med detta i din organisation? Börja med en enkel fråga: Vilka tre moment i vår nuvarande obesitasprocess skapar mest variation mellan läkare och enheter? Där finns nästan alltid den snabbaste vinsten.

Och när nästa våg av läkemedel kommer (för den kommer), är frågan inte om kunskapsstödet hinner ikapp. Frågan är om vi bygger ett system som upptäcker glappen direkt.