AI-triage i primärvården: därför fastnar införandet

När AI-verktyg för triagering rullas ut i primärvården är förhoppningen ofta enkel: kortare köer, bättre prioriteringar och mindre belastning på personalen. Men den bild som växer fram i forskning och erfarenheter från svenska implementeringar är betydligt mer friktionstät. Ett AI-stöd som var tänkt att spara tid kan i praktiken skapa merarbete, sänka tilliten och förstärka ojämlik vård.

Det här är inte ett argument mot AI i vården. Det är ett argument mot slarvig implementering. Och det är en lärdom som är extra relevant för oss som jobbar med AI inom läkemedel och bioteknik: samma teknik kan lyckas i en kontrollerad FoU-miljö och samtidigt fallera i en stressad klinisk vardag.

I den här delen av serien ”AI för Svenska Vårdcentraler: Primärvård 4.0” bryter jag ner varför AI-triage så ofta kör fast – och vilka principer som faktiskt fungerar om målet är patientsäkerhet, jämlikhet och avlastning på riktigt.

Varför AI-triage i primärvården inte blir en succé

Kärnpunkten: AI-triage misslyckas sällan för att modellen ”är dum”, utan för att den placeras i ett sociotekniskt system som inte är byggt för den.

Primärvården är där medicin möter vardag. Här finns hög variation i symtom, språk, digital vana, samsjuklighet och vårdbehov – och samtidigt hårda tidsramar, personalbrist och ett lapptäcke av journalsystem och arbetssätt.

När ett AI-verktyg för triagering införs med löftet om effektivisering händer ofta tre saker samtidigt:

1. Arbetsflödet förändras, men utan att tid frigörs någon annanstans.
2. Ansvarsfördelningen blir oklar: vem bär risk när AI föreslår fel nivå?
3. Patientmixen påverkas: de som har lättast att använda verktyget blir överrepresenterade i inflödet.

Det är också här forskningssammanställningar, som de Margit Neher och kollegor gjort kring kvalitativa studier av AI-införande i primärvården, blir obekvämt nyttiga: de pekar på tillit, användbarhet och jämlikhet som de återkommande knutarna.

Merarbete är den vanligaste “dolda kostnaden”

Kärnpunkten: Om AI-triage inte minskar dubbelarbete blir det en extra kanal, inte en avlastning.

Ett triageverktyg levererar sällan ett ”klart svar”. Det levererar ett underlag: risknivå, rekommenderad vårdnivå och ibland en föreslagen åtgärd. Problemet uppstår när personalen ändå måste:

• dubbelkolla anamnesen i journalen
• ringa upp och ställa samma frågor igen
• översätta AI:ns output till lokala rutiner
• dokumentera varför man följde eller inte följde rekommendationen

När det här blir vardag får du en ny typ av stress: kognitiv overhead. Personalen går från att göra triage till att granska triage.

Brist på tillit slår hårdare än “felmarginaler”

Kärnpunkten: I primärvården räcker det inte att AI är ”ganska bra”. Den måste kännas begriplig och rimlig.

Tillit byggs inte av en AUC-siffra i en upphandling. Tillit byggs när:

• verktyget ger konsekventa råd
• rekommendationen går att förklara för patienten
• det är tydligt vad AI:n baserar sin bedömning på (på en nivå som är praktisk, inte akademisk)

I kliniskt arbete är förklarbarhet ofta mindre ”varför just den här vikten i neuronnätet” och mer: vilka symtom drev upp risknivån? vilken röd flagg triggades? vad hade ändrat rekommendationen?

Ojämlik vård kan förstärkas av digital triage

Kärnpunkten: Digital triage tenderar att gynna de som redan har hög tillgång till vård.

Det finns en seglivad missuppfattning: att digitala verktyg automatiskt ger bättre tillgänglighet. I praktiken kan de skapa en ny sorts tröskel.

Exempel på grupper som riskerar att missgynnas:

• äldre med låg digital vana
• personer med begränsad svenska
• patienter med kognitiva svårigheter eller psykisk ohälsa
• de som saknar BankID, stabil uppkoppling eller privat utrymme

Om AI-triage blir “huvudentrén” utan robusta alternativ blir effekten att vissa patienter hamnar i en långsammare sidokö.

En enkel tumregel: Om införandet inte förbättrar vården för de mest vårdkrävande och minst digitala, då är det inte Primärvård 4.0 – då är det selektiv effektivisering.

Fem saker som behöver sitta innan du rullar ut AI i vårdcentralen

Kärnpunkten: Framgång är 20% modell och 80% implementation.

Här är fem krav jag tycker att varje vårdcentral/region ska checka av innan AI-triage går från pilot till vardag.

1) Mät avlastning i minuter – inte i “nöjdhet”

Definiera en primär effektvariabel som är svår att bortförklara.

Bra exempel:

• minuter administrativ tid per ärende
• andel ärenden som kan avslutas utan telefonkontakt
• tid till medicinsk bedömning för prioritet 1–2

Sätt ett tydligt mål, till exempel: minska administrativ tid med 15% inom 12 veckor.

2) Gör ansvar och mandat tydligt i varje triagebeslut

AI-triage får inte skapa en gråzon där personalen känner att de både måste följa AI och samtidigt bära hela risken.

Bestäm:

• när AI är rådgivande vs styrande
• vilka fall som alltid ska eskaleras till kliniker
• hur avvikelse från AI rekommendation dokumenteras (kort och praktiskt)

3) Bygg in “fallback” för jämlikhet

AI-triage måste ha jämlika alternativa vägar in.

• telefonspår som inte blir B-alternativ
• möjlighet att göra triage på plats med stöd av personal
• anpassade flöden för språk (tolkstöd i process, inte som eftertanke)

4) Integrera med journalsystem och rutiner – annars blir det extrajobb

Det här är den mest förbisedda punkten i upphandlingar.

Om AI-triage kräver manuell kopiering av text, dubbeldokumentation eller fler klick, så äter den upp sin egen nytta. Sätt krav på:

• automatisk överföring av strukturerad data till journal
• tydliga mallar för dokumentation
• loggning som fungerar för avvikelsehantering

5) Inför “kontinuerlig validering” som en driftfråga

AI är inte ”installerad och klar”. Den behöver följas.

Minimikrav i drift:

• månadsvis uppföljning av feltriage (både under- och övertriage)
• analys av utfall per grupp (ålder, språk, kön där det är möjligt och etiskt)
• rutiner för när modellen/regelverket ska justeras

Varför AI ofta lyckas bättre i läkemedel och bioteknik än i primärvård

Kärnpunkten: Läkemedelsutveckling är mer kontrollerad, mätbar och tekniskt standardiserbar – vilket gynnar AI.

Här kommer den viktiga bryggan i vår kampanj: AI i vårdproduktion (som triage på vårdcentral) och AI i bioteknik/läkemedelsutveckling är två olika arenor.

I primärvården är inputen ofta ostrukturerad (fri text, varierande symtom, social kontext), och outputen påverkar patientens nästa steg direkt. Det ger hög kravbild på tillit, förklarbarhet och arbetsflöde.

I läkemedelsutveckling ser det annorlunda ut:

• Data är ofta mer standardiserad (t.ex. omics, screeningdata, bilddata från assay)
• Utfallet är tydligare (bindning, toxicitetssignal, biomarkörrespons)
• Experiment kan designas för att testa AI-hypoteser
• Risk kan hanteras i steg (in silico → in vitro → in vivo → klinik)

Det betyder inte att AI i bioteknik är “enkelt”. Men det betyder att sannolikheten för praktisk nytta ofta är högre, eftersom du kan kontrollera variansen och bygga en valideringskedja.

En sak jag litar på mer än stora löften: en pipeline där AI-förslag testas och falsifieras snabbt.

Och det är just den mentaliteten primärvården behöver låna: små, mätbara förbättringar som bevisas i drift, inte stora utrullningar som hoppas fungera.

Praktiska scenarier: så kan AI göra nytta utan att skapa friktion

Kärnpunkten: AI i primärvården fungerar bäst när den tar bort repetitivt arbete och när gränserna är tydliga.

Här är tre scenarier där jag ofta ser bättre förutsättningar än “full triage-automatisering”.

AI som dokumentationsstöd efter triage

Istället för att AI ska avgöra vårdnivå kan den:

• sammanfatta patientens svar i en journalanpassad struktur
• flagga rödflaggor (t.ex. bröstsmärta + andfåddhet)
• föreslå relevanta uppföljningsfrågor

Det sparar tid utan att flytta ansvarskärnan.

AI för smartare prioritering inom en redan beslutad kö

Om patienten redan har valt kanal (telefon/digitalt/akut) kan AI hjälpa till att:

• sortera ärenden inom samma kö
• föreslå rätt mottagare (läkare, sjuksköterska, rehab)
• hitta ärenden som riskerar att “falla mellan stolar”

AI för att minska återkontakter

En stor del av trycket i primärvården är uppföljningar som beror på otydliga råd.

AI-stöd kan användas till:

• bättre standardiserade egenvårdsråd (språk- och nivåanpassade)
• påminnelser och check-ins vid vissa diagnosspår
• tydliga “sök igen om…”-instruktioner

Det här kräver bra medicinskt innehåll och governance, men ger ofta mer effekt än att jaga ”perfekt triage”.

Nästa steg för Primärvård 4.0: mindre prestige, mer driftkvalitet

AI-triage i primärvården har inte blivit den tidsbesparing många hoppades på. Orsaken är sällan att AI saknar potential, utan att införandet missar vardagens realiteter: dubbelarbete, otydligt ansvar, brist på tillit och risk för ojämlik vård.

Om du arbetar med digitalisering på vårdcentral, i region eller hos en leverantör: gör dig själv en tjänst och sätt arbetsflöde och jämlikhet före modellens finaste siffror. Och om du jobbar med AI inom läkemedel och bioteknik: använd primärvårdens erfarenheter som en checklista för vad som händer när teknik möter verksamhet utan friktionstålighet.

Jag fortsätter gärna samtalet: Vilken del av triageprocessen skapar mest onödig belastning hos er idag – datainsamling, prioritering eller dokumentation?