AI och trombektomi: arvet efter Gunnar Wikholm

När en blodpropp fastnar i ett hjärnkärl tickar tiden bokstavligen mot hjärnvävnaden. Trombektomi – att mekaniskt avlägsna proppen via kärlsystemet – är i dag en av de mest effektiva akuta insatserna vid ischemisk stroke med stora kärlocklusioner. Att det ens är en självklar del av modern strokekedja beror på pionjärer som svenska läkaren Gunnar Wikholm, som utförde världens första trombektomi och nyligen har avlidit.

För oss som följer utvecklingen inom AI inom läkemedel och bioteknik är hans gärning mer än en historisk fotnot. Den är en påminnelse om att de stora sprången i vården ofta börjar med en kliniker som vågar testa något som inte står i någon manual ännu. Och just därför är det logiskt att nästa språng – bättre triage, snabbare beslut, säkrare procedurer och mer jämlik vård – i stor utsträckning kommer drivas av AI i vården.

Det här inlägget är en del av serien ”AI för Svenska Vårdcentraler: Primärvård 4.0”. Fokus: vad arvet från en högspecialiserad innovation som trombektomi kan lära primärvården om AI-stöd, arbetsflöden och patientnytta – och hur vårdcentraler kan bli en starkare länk i strokekedjan.

Gunnar Wikholm och varför trombektomi blev en vändpunkt

Trombektomi förändrade strokevården eftersom den gjorde något som trombolys ensam ofta inte klarar: den tar bort proppen fysiskt när stora kärl är blockerade. I praktiken förs en kateter in via ljumskartären, navigeras upp till hjärnans kärl och proppen fångas/avlägsnas med särskilda instrument.

Det är lätt att glömma hur ovanlig idén var innan den blev rutin. Många medicinska framsteg känns självklara i efterhand, men vid introduktion är de ofta ett lapptäcke av teknik, anatomi, logistik, teamträning och mod. Wikholms insats visar exakt det: en klinisk idé som krävde både hantverksskicklighet och systemtänk.

Det som gör trombektomi extra relevant i en AI-kontekst är att behandlingen är extremt tidskritisk och beroende av rätt patientselektion. Det är precis de två områden där AI tenderar att ge mest nytta: snabbare och mer konsekventa beslut – baserat på data.

Varför detta angår primärvården

De flesta strokepatienter kommer inte in via en neurologmottagning. De kommer via 112, akutmottagning – och ibland via vårdcentral eller 1177-kontakt när symtom är otydliga eller kommer smygande.

Primärvårdens roll blir därför: att minska friktion i första kontakten och att öka träffsäkerheten när symtombilden inte är skolbokstypisk.

Där AI redan kan stärka strokekedjan – från vårdcentral till angiolab

AI hjälper mest när den integreras i flödet, inte som en separat ”pryl”. För stroke handlar det om att korta tiden mellan symtomdebut och reperfusion, och att undvika att fel patienter hamnar i fel spår.

AI-triage och symtomtolkning i första linjen

Ett realistiskt användningsområde i Primärvård 4.0 är AI-stödd anamnes och triage, där patientens beskrivning (text eller tal) struktureras och flaggar röda symptom.

Konkreta effekter en bra triage-modell kan ge:

• Snabbare prioritering vid symtom som ensidighet, talpåverkan, synfältsbortfall eller plötslig svår yrsel.
• Mer konsekvent dokumentation av debut-tid (”last known well”), läkemedel (t.ex. antikoagulantia) och riskfaktorer.
• Färre felkopplingar mellan ”allmän sjukdomskänsla” och faktiskt neurologiskt bortfall.

Det här ersätter inte klinisk bedömning. Poängen är att minska variationen i första sorteringen, särskilt under hög belastning eller när mindre erfarna medarbetare tar första kontakten.

Bild-AI och beslut om trombektomi

Trombektomi kräver ofta avancerad diagnostik (CT/CTA/CT-perfusion eller MR) för att bedöma kärlocklusion och räddningsbar hjärnvävnad. Här finns redan kliniska arbetssätt där algoritmer:

• markerar misstänkta stora kärlocklusioner på angiografi
• prioriterar bildserier i radiologkö
• stödjer bedömning av infarktutbredning och mismatch

Det intressanta är inte att AI ”läser bilden”, utan att den skapar tidsvinst och standardiserar beslutsunderlaget.

En bra tumregel i akut stroke: AI ska inte vara en extra klickruta – den ska vara ett tidskritiskt stöd som ger värde inom minuter.

Procedur-AI: från hantverk till mer reproducerbar kvalitet

Interventionell neuroradiologi är skicklighet, erfarenhet och teamarbete. Men även där går det att förstärka med AI:

• prediktion av svårighet (kärlanatomi, trombussammansättning, risk för komplikation)
• beslutsstöd för strategi (val av device, approach, behov av fler pass)
• videobaserad kvalitetssäkring och utbildning (”vad gjorde vi när det gick bra/dåligt?”)

Här finns en viktig poäng för läkemedel och biotech: när procedurer blir mer mätbara och standardiserade öppnar det för bättre kliniska studier, tydligare endpoints och snabbare iterationer av både devices och kombinationsbehandlingar.

Tre praktiska AI-satsningar för vårdcentraler (som faktiskt påverkar strokeutfall)

Det låter lätt att säga att ”AI kan hjälpa”. Svårare är att välja vad man gör på en vårdcentral en måndag kl. 08:10. Här är tre satsningar jag tycker är rimliga, särskilt för verksamheter som vill jobba strategiskt med AI-stöd i primärvården.

1) AI-stödd journaldokumentation som fångar stroke-kritiska datapunkter

Slarvigt dokumenterad debut-tid eller antikoagulantia-status kan kosta timmar. Med tal-till-text och AI-summering kan ni styra mot en mall som alltid fångar:

• debut och ”last known well”
• neurologiska huvudfynd (t.ex. ansiktsasymmetri, pares, dysfasi)
• läkemedel (NOAK/warfarin), senaste dos
• vitalparametrar och blodsocker

Det är ingen glamorös innovation. Men den är ofta den mest lönsamma.

2) Standardiserad patientkommunikation (1177-liknande) med tydliga eskaleringsregler

Många patienter ringer ”för säkerhets skull”. Bra. Men det blir farligt när signaler drunknar.

En AI-assistent för patientkommunikation kan:

• ställa rätt följdfrågor
• känna igen riskmönster
• eskalera direkt till akut bedömning

Viktigt: eskalering ska vara konservativ vid neurologiska symtom. Hellre en extra akut bedömning än en missad stroke.

3) Riskstratifiering i listad population: hitta förmaksflimmer och sekundärpreventiva glapp

Den största strokevinsten i primärvård handlar inte om trombektomi – utan om att förhindra nästa stroke.

AI kan användas för att hitta patienter med hög risk baserat på journaldata:

• misstänkt/otillräckligt utrett förmaksflimmer
• bristande blodtryckskontroll
• utebliven statin/antikoagulantia trots indikation
• låg följsamhet eller missade uppföljningar

Detta är en direkt bro mellan bioteknik/läkemedel och vårdcentralens vardag: bättre identifiering och uppföljning ger bättre effekt av befintliga behandlingar.

Vanliga frågor jag får om AI och stroke i primärvården

”Kommer AI ersätta klinisk bedömning?”

Nej. Den största nyttan är att AI minskar slöseri: dubbelarbete, otydlig dokumentation, onödiga väntetider och missade varningssignaler.

”Är det här realistiskt för mindre vårdcentraler?”

Ja, om man börjar med arbetsflöden som redan finns: dokumentation, triage, uppföljning och patientmeddelanden. Ni behöver inte bygga egna modeller. Ni behöver ställa rätt krav på era system och leverantörer.

”Hur undviker vi att AI skapar fler falsklarm?”

Sätt tydliga trösklar, följ upp utfall och justera. Och var extra försiktiga vid neurologiska symtom: där är kostnaden för falskt negativ högre än för falskt positiv.

Vad Gunnar Wikholms arv säger om nästa steg

Wikholms pionjärinsats påminner mig om en sak: vården rör sig framåt när någon tar ansvar för hela kedjan – inte bara sin egen del. Trombektomi blev inte bara en teknik; den blev en ny logik för akut strokevård: rätt patient, rätt plats, rätt tid.

AI kan inte ersätta det modet. Men AI kan göra kedjan snabbare, jämnare och mer jämlik. För vårdcentraler är det här en möjlighet att bli bättre på två fronter samtidigt: akut igenkänning och långsiktig prevention.

Om ni jobbar med AI för vårdcentraler och vill att det ska ge mätbar patientnytta, börja där strokevården alltid börjar: tydlig triage, stenhård dokumentation av kritiska tider och smart uppföljning av riskpatienter. Sedan kan ni skala.

Vilken del av strokekedjan är mest ”skör” i er verksamhet just nu – första kontakten, dokumentationen, eller uppföljningen efteråt?