AI i vården: Torontos modell som mall för Sverige

Det finns en detalj jag önskar att fler svenska AI-satsningar började med: en lista på riktiga kliniska problem – och en plan för att faktiskt införa lösningen. Det är precis där Toronto sticker ut. På Unity Health Toronto har man byggt AI som förutsäger blodsockerfall, identifierar risk för oväntad död, sammanfattar journalanteckningar och ger diagnosstöd. Men den stora skillnaden är inte att modellerna finns. Det är att de tas i bruk.

I december 2025, när många verksamheter går in i budget- och planeringsläge inför 2026, är det ett bra tillfälle att prata om vad “införd AI” egentligen betyder. För dig som jobbar nära svensk primärvård – eller i bioteknik/läkemedel – är Torontos arbetssätt mer än en inspirerande vårdnyhet. Det är en fungerande blueprint för hur datadriven utveckling kan kopplas till klinisk nytta, och därifrån vidare till snabbare läkemedelsutveckling och mer träffsäker personaliserad medicin.

Det här inlägget är en del av serien ”AI för Svenska Vårdcentraler: Primärvård 4.0”. Fokus är praktiskt: hur vi tar AI från pilot till vardag, och hur samma tänk kan spilla över i svensk biotech.

Toronto-modellen i en mening: från behov till införande

Toronto lyckas för att de behandlar AI som verksamhetsutveckling – inte som ett IT-experiment. Det låter enkelt, men de flesta organisationer gör tvärtom: man börjar med teknik, bygger en pilot, får en snygg AUC-siffra och fastnar sedan i juridik, integration, arbetsflöden och ansvar.

I artikeln om Unity Health Toronto lyfts flera typer av kliniskt relevanta lösningar: prediktion (t.ex. blodsockerfall), riskbedömning (t.ex. oväntad död), språkteknologi (journalsammanfattning) och diagnostiskt stöd. Den mixen är viktig – för den visar att AI i vården inte är en “produktkategori” utan ett knippe förmågor som kan sys in i olika vårdprocesser.

Vad svenska regioner ofta missar

Tre mönster återkommer när AI inte lyfter i svensk vård:

1. Otydlig beställare. Vem äger problemet och kan ändra arbetssättet?
2. Pilotlogik. Man “testar” utan att designa för drift: utbildning, support, uppföljning och mätetal.
3. Datakulturnivå. Man underskattar jobbet med datakvalitet, kodning, bias, och hur vårddata faktiskt ser ut i vardagen.

Toronto-ansatsen signalerar motsatsen: börja i behov, bygg tillsammans med kliniken, och planera för införande från dag ett.

AI som gör skillnad i primärvård – samma byggstenar som i Toronto

Det som fungerar i Toronto mappar direkt mot svensk primärvård: tidiga varningar, bättre dokumentation och säkrare triage. Primärvården är dessutom “AI-tacksam” eftersom små förbättringar i flöden kan frigöra mycket tid.

Prediktion och tidiga varningar: från blodsockerfall till försämring

Prediktiva modeller (som att förutse hypoglykemi) är ett bra exempel på AI som personalen faktiskt kan agera på. För svensk primärvård översätts det här till:

• Risk för försämring hos sköra patienter (KOL, hjärtsvikt, multisjuklighet)
• Risk för återinskrivning efter sjukhusvistelse
• Risk för uteblivet besök (för att styra påminnelser och planering)

Det avgörande är att modellen inte bara säger “risk: hög”. Den måste kopplas till en konkret åtgärdspolicy: vem gör vad, inom vilken tid, och hur dokumenteras det.

Journalsammanfattning: den snabbaste vinsten många ignorerar

Språkteknologi som sammanfattar journalanteckningar kan låta “mindre kliniskt” än diagnosstöd. Jag tycker tvärtom: dokumentationsbördan är en av de mest påtagliga flaskhalsarna i primärvård. En bra sammanfattare kan:

• ge en snabb översikt inför patientmötet
• lyfta läkemedelsförändringar och provsvar i tidslinje
• föreslå strukturerade problem- och åtgärdslistor

Det här passar särskilt bra i Primärvård 4.0: AI som gör arbetet lättare utan att ändra medicinska riktlinjer.

Diagnostiskt stöd: nyttigt – men bara om det är “rätt” stöd

Diagnosstöd fungerar när det är smalt, tydligt och mätbart. Exempel i svensk vårdcentral-kontext:

• beslutstöd vid UVI/luftvägsinfektion (minska onödig antibiotika)
• flaggning för riskmarkörer vid cancer (t.ex. järnbristanemi + viktnedgång)
• stöd i dermatologi via bildanalys (som triage, inte domslut)

Men det kräver att man bestämmer rollen för AI: ska den vara en “andra blick”, en triage-assistent eller en regelmotor? Otydlighet här skapar både risk och frustration.

Det svenska genombrottet sker när vård-AI kopplas till biotech

Vård-AI och AI i läkemedel/bioteknik är samma ekosystem – bara olika delar av kedjan. Toronto visar en väg för vården, men vinsten blir större när vi kopplar på svensk life science.

Här är den viktiga bryggan: när vården får bättre dataflöden och mer standardiserad dokumentation, får biotech bättre förutsättningar för:

• snabbare rekrytering till kliniska studier (rätt patient, rätt tid)
• real world evidence som håller för regulatoriska dialoger
• biomarkördriven patientstratifiering för personaliserad medicin

Konkreta exempel: så hänger det ihop

1. AI-sammanfattning → renare fenotyper. När problem- och åtgärdslistor blir mer strukturerade ökar kvaliteten i kohorter för forskning.
2. Prediktion i primärvård → tidigare insatser. Tidig identifiering av försämring kan ge mer stabila patientförlopp och tydligare behandlingssignaler.
3. Diagnosstöd → jämnare vård. Mindre variation i handläggning ger bättre jämförbarhet när behandlingseffekt ska utvärderas.

Min ståndpunkt: Sverige kommer inte få full effekt av AI i läkemedelsutveckling om vårdens AI stannar i pilotstadiet. Datagrunden blir för ojämn.

Så tar du AI från pilot till drift: checklista för regioner och vårdcentraler

Införande är en produkt i sig. Toronto verkar ha förstått att tekniken bara är 30–40% av jobbet. Resten är process, ansvar och uppföljning.

Här är en praktisk checklista jag skulle använda i svensk primärvård.

1) Börja med ett “driftsatt mått” – inte en modellmetrik

Bestäm mätetal som vården bryr sig om:

• minuter sparade per besök (t.ex. dokumentation)
• andel patienter som får åtgärd inom X timmar efter riskflagga
• minskning av återbesök inom 7/30 dagar
• minskad antibiotikaförskrivning vid definierade diagnoser

AUC, sensitivitet och specificitet är viktiga, men de får inte vara slutmålet.

2) Designa arbetsflödet som om AI ibland har fel

AI kommer ha falsklarm och missar. Bygg därför:

• tydliga trösklar för när något ska visas
• “förklaring” i kliniskt språk (varför flaggades detta?)
• enkel återkoppling: rätt/fel/irrelevant för kontinuerlig förbättring

Det här är patientsäkerhet i praktiken.

3) Säkra datan: standardisering slår datamängd

Många tror att man behöver “mer data”. Ofta behöver man mer konsekvent data:

• enhetliga kodverk (ICD, KVÅ, ATC)
• strukturerade läkemedelslistor
• bättre hantering av fria texter (NLP med kvalitetssäkring)

Om journalsammanfattning införs smart kan den samtidigt hjälpa standardiseringen genom att föreslå struktur.

4) Etik, juridik och ansvar: skriv ner det tidigt

Tre frågor måste besvaras innan drift:

• Vem är medicinskt ansvarig när AI ger rekommendation?
• Hur loggas AI-beslut/underlag i journalen?
• Hur hanteras modelluppdateringar (”change control”)?

Organisationer som skjuter på detta hamnar ofta i ett långdraget stopp.

5) Gör det lätt att använda: integration vinner alltid

AI som kräver extra inlogg, kopiera-klistra eller dubbeldokumentation kommer tappa användare. För primärvård 4.0 är tumregeln:

AI ska spara klick, inte skapa dem.

Prioritera integration med journalsystem, triage och tidsbokning – även om modellen blir lite “enklare” i första versionen.

Vanliga frågor (som borde besvaras innan upphandling)

Vilken AI ger snabbast effekt i en vårdcentral? Journalsammanfattning och dokumentationsstöd ger ofta snabbast mätbar tidsvinst eftersom det träffar en daglig flaskhals.

Måste vi ha perfekta data innan vi börjar? Nej, men du måste veta vilka datapunkter som är kritiska och säkra en miniminivå. Standardisering och rutiner slår “städprojekt”.

Hur kopplar detta till personaliserad medicin? När vården kan identifiera undergrupper (fenotyper) mer konsekvent och följa utfall i vardagen blir det lättare att matcha patient till behandling och driva studier effektivt.

Nästa steg: bygg en svensk version av Toronto – med biotech som medspelare

Toronto visar att AI i vården blir verklighet när man fokuserar på införande, inte bara modeller. För svensk primärvård är det extra intressant: här finns hög patientvolym, stort behov av avlastning och en unik möjlighet att skapa datagrund för svensk life science.

Om jag fick välja en sak att göra i januari 2026: välj ett enda kliniskt problem på vårdcentralnivå, koppla det till ett driftsatt mått och bygg en införandeplan som inkluderar juridik, integration och uppföljning. När det sitter kan du skala.

Och den större frågan som hänger kvar: när svenska regioner ändå investerar i AI för vårdcentraler – varför inte samtidigt designa lösningarna så att de också kan accelerera kliniska prövningar och personaliserad läkemedelsutveckling i Sverige?