När e-hälsovisionen sprack: så bygger vi AI-vård nu

Sverige skulle vara bäst i världen på e-hälsa 2025. Så lät visionen som formulerades redan 2016 av Socialdepartementet och SKR. I december 2025 kom en obekväm verklighetscheck: enligt EU-kommissionens digitaliseringsindex har Sveriges utveckling i stället tappat fart.

Det här är mer än en pinsam rubrik. För primärvården betyder det att varje ”digitalt lyft” som inte hänger ihop i praktiken leder till samma sak: fler klick, fler inloggningar, mer dubbelarbete – och mindre tid med patienten. Och för life science (läkemedel och bioteknik) betyder det att de data som skulle kunna driva kliniska studier, uppföljning och personlig medicin fortsätter att ligga i silos.

Min ståndpunkt: problemet är inte att vården saknar teknik – problemet är att vi har digitaliserat utan att bygga ett fungerande datalager och en styrmodell som gör tekniken användbar. Där kan AI faktiskt hjälpa, men bara om vi bygger rätt från början.

Varför havererade e-hälsovisionen?

Den korta förklaringen är att visionen fokuserade på tjänster och system snarare än på dataflöden, arbetsprocesser och ansvar. När man digitaliserar vård utan att standardisera grunden blir resultatet ofta en digital variant av samma gamla fragmentering.

1) Regional fragmentering blev en teknisk skuld

Svensk vård styrs och upphandlas i stor utsträckning regionalt. Det har fördelar, men inom digitalisering skapar det ofta:

• olika journalsystem och integrationer
• olika identitets- och behörighetslösningar
• lokala beslut som optimerar ”här och nu” men försvårar samverkan

När man sedan försöker skapa nationella flöden (till exempel sammanhållen information mellan vårdnivåer) blir det dyrt, långsamt och politiskt känsligt.

2) ”Digitalt” blev för ofta lika med ”ny kanal”

Många initiativ har handlat om att lägga en ny kanal ovanpå gamla arbetssätt: formulär, appar, portaler, videosamtal. Nyttiga delar finns absolut, men om triage, journaldokumentation och uppföljning inte hänger ihop så får vi:

• parallella processer
• mer administration
• osäker datakvalitet

Det är här personalen börjar prata om ”fler system än patienter”. Och de har inte fel.

3) Data utan semantik är bara brus

Vården producerar massor av data, men AI och uppföljning kräver att data har struktur, kodverk och sammanhang.

Om samma diagnos, provsvar eller symtom dokumenteras på tio olika sätt i fritext går det att läsa – men det blir svårt att använda till:

• prediktiva modeller
• kvalitetsuppföljning
• rekrytering till studier
• kliniskt beslutsstöd

AI kan tolka fritext, ja. Men att förlita sig på det som enda lösning är som att bygga ett hus och hoppas att måttbandet ska ”förstå” hur väggarna borde ha varit raka.

Varför AI är en bättre väg – om vi slutar börja i fel ände

AI löser inte organisatoriska problem av sig självt. Men AI tvingar oss att bli vuxna i rummet, eftersom AI behöver en fungerande kedja: rätt data → rätt process → rätt ansvar → rätt uppföljning.

För primärvården (”Primärvård 4.0”-perspektivet) handlar det om att gå från digitala punktinsatser till ett AI-stött arbetssätt där varje steg skapar nytta för nästa.

AI som ”processmotor” i stället för en fristående app

Den bästa AI-nyttan i vårdcentralens vardag uppstår när AI inte blir ännu ett verktyg att öppna – utan en funktion som ligger i flödet:

• AI-triage som strukturerar symtom och risk direkt vid kontakt
• AI för journaldokumentation som föreslår sammanfattning, problem-lista och plan
• AI-baserad uppföljning som identifierar patienter som behöver återbesök
• AI i patientkommunikation som ger konsekventa råd och fångar varningssignaler

Det kräver integration, men framför allt kräver det att man mäter om det faktiskt sparar tid och ökar kvalitet.

AI som bro till läkemedel och bioteknik

När vårdens dataflöden fungerar blir effekten större än vårdcentralen:

• bättre real world evidence (RWE) för läkemedelsuppföljning
• snabbare och mer träffsäker rekrytering till kliniska studier
• mer precis stratifiering (vem har nytta av vilken behandling?)

Det är här ”AI inom läkemedel och bioteknik” blir konkret: utan fungerande e-hälsa blir AI i life science en övning i teorin.

Tre lärdomar från misslyckad digitalisering (och hur AI kan vända det)

Här är tre mönster jag ofta ser i projekt som kör fast – och vad som fungerar bättre.

1) Bygg styrning och ansvar innan du bygger funktioner

Digitalisering misslyckas när ingen äger helheten. AI-projekt misslyckas av samma skäl, fast snabbare.

Det som fungerar:

1. Utse en processägare (inte bara en IT-ägare)
2. Definiera 3–5 mätetal som alla accepterar
3. Sätt ett tydligt ”stoppa eller skala”-datum, till exempel efter 90 dagar

Exempel på mätetal i primärvård:

• genomsnittlig dokumentationstid per besök
• andel ärenden som löses i första kontakt
• återbesök inom 7/30 dagar för utvalda diagnoser
• patientnöjdhet kopplad till tillgänglighet

2) Prioritera datakvalitet där den skapas

Det är frestande att ”fixa data” i efterhand. Det blir dyrt, och det blir aldrig klart.

Det som fungerar:

• Standardisera hur symtom, status och plan fångas i triage och journal
• Använd strukturer där det ger mest nytta (till exempel läkemedelslistor, riskfaktorer, vitalparametrar)
• Låt AI hjälpa till att föreslå struktur – men låt kliniken godkänna

En praktisk regel: om en uppgift ska användas för uppföljning eller AI, ska den gå att registrera på under 10 sekunder. Annars blir den inte registrerad.

3) Sikta på ”små vinster” som går att skala

Stora nationella visioner kraschar ofta på att de försöker lösa allt på en gång.

AI ger en mer realistisk strategi: börja med ett flöde där nyttan är mätbar och riskerna hanterbara.

Bra startpunkter på en vårdcentral:

• automatisk sammanfattning av konsultation till journalutkast
• AI-stöd för sjukintygstext där riktlinjer ofta missas
• riskflagga vid bröstsmärta, andfåddhet, sepsis-tecken i digital triage
• uppföljningslistor för kroniska patienter som tappat kontroller

Så kommer ni igång: en 6-veckors plan för vårdcentralen

Det går att göra mycket utan att ”införa AI överallt”. Här är en plan jag skulle köra i en primärvårdsverksamhet som vill ha effekt snabbt men säkert.

Vecka 1–2: Välj ett flöde och säkra basen

• Välj ett problem där personalen verkligen känner smärtan (ofta dokumentation eller triage)
• Kartlägg processen i 60 minuter: var uppstår väntan, dubbelarbete, omtag?
• Bestäm två mätetal: ett för tid, ett för kvalitet

Vecka 3–4: Pilot med tydliga spärrar

• Kör pilot i liten skala (1–2 team)
• Sätt krav på transparens: AI ska visa varför den föreslår något
• Ha en ”fallback” som alltid fungerar (manuell process)

Vecka 5–6: Utvärdera, förbättra, besluta

• Mät före/efter med samma metod
• Intervjua tre roller: läkare, sjuksköterska, medicinsk sekreterare
• Besluta: stoppa, justera eller skala

Den mest underskattade framgångsfaktorn är inte modellen – det är om personalen upplever att vardagen faktiskt blev lättare.

Vanliga frågor jag får (och raka svar)

”Är AI säkert nog för primärvård?”

Ja, för vissa uppgifter. AI är bäst som beslutsstöd och arbetsavlastning, inte som ensam beslutsfattare. Säkerhet handlar mer om design: loggning, behörighet, mänsklig kontroll och tydliga gränser.

”Behöver vi en nationell plattform först?”

Nej. Men ni behöver standardiserade gränssnitt och gemensam semantik för att kunna skala. En lokal pilot kan vara starten – om den byggs med framtida integration i åtanke.

”Kommer AI skapa ännu mer administration?”

Om man lägger AI som ett extra steg: ja. Om man tar bort steg och låter AI ersätta repetitivt arbete: nej. Skillnaden är processdesign, inte hype.

Den nya e-hälsovisionen: från powerpoint till vardagsnytta

När e-hälsovisionen från 2016 inte infriades blev det tydligt att traditionell digitalisering – system för systemets skull – inte räcker. Primärvård 4.0 kräver att vi börjar där nyttan finns: i flödena, i data som går att använda och i uppföljning som faktiskt styr.

AI kan rädda mycket av det som e-hälsovisionen lovade: mer tillgänglighet, mer precision och bättre resursutnyttjande. Men bara om vi slutar bygga fler digitala öar. En AI-strategi som inte samtidigt är en datastrategi är bara en demo.

Om du driver en vårdcentral eller arbetar med digitalisering i region, kommun eller privat verksamhet: vilket flöde skulle du vilja förbättra först – triage, journaldokumentation eller uppföljning – om du var tvungen att välja bara ett?