AI kan kapa väntetider när cancerdata faller mellan stolarna

Tre regioner missar målen för kortare väntetider i cancervården – och går miste om runt 15 miljoner kronor i statliga medel. Anledningen som lyfts fram är problem kopplade till journalsystemet Cosmic och svårigheter att leverera pålitlig uppföljningsdata.

Det är lätt att fastna i rubriker om ”IT-strul”. Men det här är större än en teknisk incident. När data inte går att lita på händer två saker samtidigt: patientflöden tappar fart och styrningen blir blind. Och i cancervård är tid inte en abstrakt KPI – tid är prognos, oro, behandlingsfönster och ibland överlevnad.

I den här delen av serien ”AI för Svenska Vårdcentraler: Primärvård 4.0” använder vi händelsen som en fallstudie. Poängen är inte att peka finger åt ett enskilt system, utan att visa varför vården behöver nästa lager: AI-drivet beslutsstöd för logistik, datakvalitet och vårdprocesser – från vårdcentral till onkologi.

När data brister missar vården målen – även om arbetet görs

Direkt svar: Om regionen inte kan rapportera korrekt väntetidsdata kan den både misslyckas med uppföljning och tappa ersättning, även när verksamheten jobbar hårt.

Många uppföljningsmodeller i svensk vård bygger på att vårdkedjan kan rapportera mätpunkter: när remissen kom in, när första bedömning skedde, när utredning startade, när diagnos sattes och när behandling påbörjades. När dessa tidsstämplar hamnar fel, saknas eller kodas inkonsekvent får man en vårdlogik som ser sämre ut än den är – eller tvärtom.

Det leder till tre konkreta problem:

1. Felaktig styrning: Ledning och verksamhetsutveckling optimerar efter data som inte speglar verkligheten.
2. Ojämlik resursfördelning: Enheter kan straffas eller belönas på fel grunder.
3. Tappat tempo i patientflödet: När registreringen är osäker skapas fler manuella kontroller, fler stopp, fler ”kan du dubbelkolla…?”.

I praktiken blir datafrågan en vårdfråga. Särskilt för cancer, där vårdförlopp och ledtider är centrala.

Varför just Cosmic-problem blir extra kännbara

Direkt svar: Journalsystemsbyten påverkar inte bara dokumentation – de påverkar definitioner, kodverk, arbetsflöden och rapportering.

När en region byter eller uppgraderar journalsystem blir det ofta glapp i:

• hur händelser registreras (”besök”, ”kontakt”, ”bedömning”)
• hur vårdförloppskoder används
• hur data extraheras till uppföljnings- och rapporteringslager
• hur personalen faktiskt arbetar i gränssnittet under tidspress

Resultatet blir att en väntetid kan se ut att ha ”startat” senare eller tidigare beroende på registreringspraxis, inte patientens verkliga resa.

Cancervårdens logistik är ett flödesproblem – inte ett Excel-problem

Direkt svar: För att korta väntetider behöver vården optimera flödet mellan steg, inte bara mäta utfallet i efterhand.

Cancervård handlar om samordning: provtagning, radiologi, patologi, multidisciplinär konferens, behandlingsstart. En fördröjning i ett steg multipliceras snabbt när nästa steg är beroende av det föregående.

Det är här många organisationer gör ett misstag: de behandlar väntetider som ett rapportproblem och bygger fler kontrollblad, fler manuella avstämningar och fler möten. Det kan stabilisera läget kortsiktigt, men det skalar dåligt.

AI kan bidra genom att flytta fokus från ”vad hände?” till ”vad händer nu – och vad riskerar att hända?”.

Ett praktiskt sätt att tänka: från KPI till ”risk för försenat vårdförlopp”

Direkt svar: AI kan beräkna sannolikheten att en patient kommer missa ledtidsmål och trigga åtgärder innan det händer.

Tänk ett AI-stöd som varje morgon tittar på alla pågående SVF-liknande flöden (utan att ändra journalen) och flaggar:

• Patienter där nästa bokningsbara tid överskrider ett tröskelvärde
• Remisser med oklar startpunkt eller saknad kod (datakvalitetsrisk)
• Provsvar som väntat ”för länge” i ett delsystem
• Köer som ser normala ut i snitt, men där variationen ökar (tidig signal)

Det här är operativ styrning, inte efterhandsrapportering.

Så kan AI hjälpa – även när grunddata är stökig

Direkt svar: AI kan förbättra datakvalitet genom att upptäcka avvikelser, harmonisera händelser och skapa robusta ”vårdresor” även när systemen inte är perfekta.

Det låter nästan provocerande: ”AI kan hjälpa när data är dålig.” Men det stämmer – om man använder AI rätt. Inte som magi, utan som en kombination av statistiska kontroller, mönsterigenkänning och smarta regler.

1) Datakvalitets-AI: hitta fel innan de blir styrning

Direkt svar: Maskininlärning kan hitta avvikande registreringsmönster som tyder på att väntetider mäts fel.

Exempel på signaler:

• En mottagning registrerar plötsligt ovanligt många ”start av utredning” samma dag som ”remiss mottagen” (tyder på batch-registrering).
• Radiologi-tider ser normala ut, men patologi får en ny ”svans” av mycket sena svar (kapacitets- eller integrationsproblem).
• Vissa diagnoskoder tappar koppling till vårdförloppskoder efter systemuppdatering.

AI kan trigga en datakvalitetsincident med åtgärdsförslag: ”Kontrollera mappning av kod X”, ”Utbildningsbehov i registrering”, ”Integration Y levererar inte tidsstämplar”.

2) Process mining: se vårdflödet som det är

Direkt svar: Process mining kan återskapa patientflöden från loggar och journalhändelser och visa var tiden faktiskt försvinner.

Det här är extra relevant i regioner med komplexa systemlandskap. Process mining kan:

• kartlägga typiska vårdresor för olika cancerutredningar
• visa flaskhalsar per steg (inte bara total ledtid)
• jämföra arbetssätt mellan enheter
• ge underlag för förändringar som faktiskt kortar tiden

Jag har sett att när man visualiserar flödet blir diskussionen snabbt mer konkret: ”Varför ligger 30% av fallen två dagar extra mellan radiologi och MDK?” är en bättre fråga än ”Varför missar vi målet?”

3) Prediktiv kapacitetsplanering: boka smartare, inte bara mer

Direkt svar: AI kan prognostisera inflöde och matcha det mot resurser för att minimera kötoppar.

Väntetider uppstår ofta i toppar: efter helger, under semestertider, vid influensatryck i primärvården, eller när en del av kedjan får personalbortfall. Med prediktiva modeller kan man:

• förutse remissinflöde till diagnostik/utredning
• optimera slots för bilddiagnostik och provtagning
• simulera effekter av bemanning och öppettider

Det är inte science fiction. Det är samma typ av optimering som andra branscher gjort i decennier – men här kräver det mer hänsyn till medicinska prioriteringar och patientsäkerhet.

Primärvårdens roll: där väntetiden ofta börjar

Direkt svar: Vårdcentralen påverkar cancerväntetider genom remisskvalitet, triage och tidiga utredningssteg – och AI kan stötta utan att ta över kliniska beslut.

I serien ”Primärvård 4.0” återkommer vi till samma princip: AI gör mest nytta när den minskar friktion i vardagsarbetet. Cancervårdens ledtider börjar sällan på onkologen. De börjar när patienten söker första gången, när prov tas, när remissen skrivs och när den bedöms.

Här är tre AI-nära förbättringar som är realistiska för vårdcentraler:

AI-stöd för remisskvalitet

Direkt svar: Ett AI-stöd kan läsa remissutkast och flagga saknade uppgifter som ofta skapar returremiss och fördröjning.

Det kan handla om:

• relevanta symtomdurationer
• provsvar som borde bifogas
• strukturerade frågeställningar till radiologi
• prioriteringsunderlag enligt lokala riktlinjer

AI för journalsammanfattning vid misstanke om cancer

Direkt svar: Automatiska sammanfattningar kan spara minuter per patient och minska risken att något missas.

När tiden är knapp blir ”hitta rätt info i journalen” en dold kö. Sammanfattningar som lyfter tidigare prover, viktnedgång, alarmsymtom och relevanta läkemedel kan snabba upp både bedömning och remiss.

AI-baserad patientkommunikation och uppföljning

Direkt svar: Automatiserad, säker kommunikation minskar uteblivanden och gör att patienter kommer rätt förberedda.

Små saker gör stor skillnad i flöden:

• påminnelser om provtagning (fastande, tid, plats)
• checklistor inför undersökningar
• tidig fångst av försämring medan patient väntar

”Men får man göra så här?” Vanliga frågor från verksamheten

Kan AI användas när journaldata är känslig?

Direkt svar: Ja, men det kräver tydlig informationssäkerhet, behörighetsstyrning och rätt juridisk grund – och ofta är lokal drift eller starka avtalskrav rimligt.

Praktiskt innebär det att AI-lösningar bör byggas med:

• minimerad datamängd (bara det som behövs)
• loggning och spårbarhet
• rollbaserad åtkomst
• testmiljöer med syntetisk data

Ersätter AI personal?

Direkt svar: Nej. I cancervårdens logistik handlar AI i första hand om att minska onödigt administrativt arbete och fånga risker tidigt.

De viktigaste effekterna kommer ofta från:

• färre returremisser
• färre manuella kontroller
• snabbare bokningsbeslut
• mer stabil rapportering

En bättre läxa än ”vi behöver ett nytt system”

Direkt svar: Det vården behöver är ett lager ovanpå journalsystemet som säkrar flöde och datakvalitet – och där passar AI.

När tre regioner missar cancermål efter Cosmic-problem är den frestande slutsatsen att allt hade varit bra om bara journalsystemet fungerade perfekt. Jag köper inte det. Även stabila journalsystem ger variation i registrering, lokala arbetssätt och datatapp i integrationer. Det är normalt i stora organisationer.

Den rimliga målsättningen är i stället: bygg en vårddata- och AI-förmåga som tål verkligheten. Det betyder att man kan fortsätta styra, prioritera och förbättra även när systemen förändras.

Om du jobbar i primärvård eller nära vårdflöden är nästa steg ganska konkret: välj en kritisk process (t.ex. SVF-liknande utredningar), definiera 5–10 händelser som måste bli rätt, och lägg AI där den gör mest nytta – på avvikelserna, flaskhalsarna och kommunikationen.

Frågan jag tycker att varje region borde ställa efter den här typen av händelse är enkel: Vill vi att väntetider ska styras av hur väl ett system kan rapportera – eller av hur snabbt vi faktiskt kan hjälpa nästa patient?