AI som minskar risken för IT-haveri i svensk vård

2025 blev året då många i vården slutade prata om digitalisering som ett ”projekt” och började behandla det som det faktiskt är: kritisk infrastruktur. När ett journalsystem haltar påverkas inte bara administrativa flöden – det påverkar triage, läkemedelsordinationer, remisser och i värsta fall patientsäkerheten.

I Dagens Medicins uppföljning av det mest lyssnade poddavsnittet i serien Hur summeras en stökig utveckling: Millennium läggs ned, Cosmic rullas ut i fler regioner och både staten och EU skruvar upp kraven. Jag tycker att det finns en tydlig lärdom här som ofta missas i debatten: det är inte “mer IT” som behövs – det är bättre kontroll över IT. Och där kan AI spela en praktisk, jordnära roll.

Det här inlägget är en del av serien ”AI för Svenska Vårdcentraler: Primärvård 4.0”. Fokus ligger på hur AI kan hjälpa vårdcentraler och regioner att få säkrare integrationer, färre fel i dataflöden och snabbare upptäckt av risker – innan de blir rubriker.

Varför 2025 blev en väckarklocka för vårdens IT

2025 visade att stora vårdsystem inte faller på “en bugg”. De faller på en kedja av små missar: otydliga krav, bristande användbarhet, svaga integrationer, otillräcklig testning, dålig datakvalitet – och en organisation som får reda på problemen först när verksamheten redan står still.

När Millennium avvecklas och Cosmic införs bredare blir det extra tydligt att vården sitter med tre samtidiga utmaningar:

1. Systembyten i drift (vården kan inte stänga för migrering).
2. Integrationer som spänner över många aktörer (region, privata vårdgivare, labb, apotek, 1177, kommunal vård).
3. Nya regulatoriska krav från stat och EU som kräver spårbarhet, informationssäkerhet och interoperabilitet.

Det som ofta blir fel är att man angriper detta med fler projektplaner och fler styrgrupper. Det hjälper ibland – men sällan tillräckligt. Det som saknas är kontinuerlig kvalitetssäkring i realtid.

Där AI faktiskt gör nytta: integration, kvalitet och risk

AI i vården blir lätt en diskussion om “diagnostik” och “robotläkare”. För primärvård och vårdadministration är den mer värdefulla frågan: Hur undviker vi att fel uppstår i kedjan mellan system?

AI kan hjälpa på tre konkreta nivåer.

1) Interoperabilitet som övervakning – inte bara standarder

Standards som HL7 FHIR och nationella informationsmodeller är viktiga. Men standarder stoppar inte fel i sig. Fel uppstår när:

• fält mappas olika mellan system (t.ex. läkemedelsdos, enheter, tidsstämplar)
• kodverk används inkonsekvent (ICD, KVÅ, SNOMED-liknande begrepp)
• integrationer fungerar i testmiljö men faller på produktionsdata

AI-baserad integrationsövervakning kan lära sig vad som är “normala” flöden och flagga avvikelser.

Exempel från vårdcentralens vardag:

• Remisser som plötsligt tar dubbelt så lång tid att nå mottagare.
• Provresultat som kommer in men hamnar utan koppling till rätt patientbesök.
• Läkemedelslistor där en viss typ av ordination oftare tappar enhet (mg → saknas).

Det här är inte science fiction. Det handlar om anomalidetektion på loggar och meddelanden: AI hittar mönster människor inte hinner se.

2) Datakvalitet som patientsäkerhetsfråga

Om datan är skev blir allt skevt: beslutsstöd, statistik, ersättningsmodeller och till och med enklare automationsregler.

En bra AI-strategi för vårdens IT börjar därför med datakvalitet:

• Dubbletter (samma patient/person kopplas olika i olika system)
• Saknade värden (t.ex. allergier, vitalparametrar, läkemedelsstart/stop)
• Orimliga värden (t.ex. vikt 600 kg, temp 25°C)
• Semantiska missar (”ingen känd allergi” vs tomt fält)

Här gör AI nytta genom validering och plausibilitetskontroller som körs löpande, inte bara vid en årlig datastädning.

En enkel princip: Om en människa kan säga “det där ser konstigt ut”, kan en modell tränas att hitta samma typ av konstigheter i stor skala.

3) Prediktiv riskanalys vid systembyten och uppgraderingar

De mest riskfyllda perioderna är inte när systemet är “gammalt” – utan när det förändras: uppgraderingar, migreringar, nya gränssnitt, nya rutiner.

AI kan användas för att bygga en riskkarta inför en release:

• Vilka moduler har historiskt orsakat flest incidenter?
• Vilka integrationer är mest “sköra” (många fel, många specialfall)?
• Vilka enheter/kliniker drabbas först när svarstider ökar?

Det här är samma tänk som i modern mjukvarudrift (SRE/DevOps), men anpassat för vårdens krav på spårbarhet och säkerhet. För mig är det också här många regioner har en lucka: man mäter drift, men inte risk.

Primärvård 4.0: vad betyder det i praktiken för en vårdcentral?

För vårdcentraler låter “systemintegration” ibland som något som händer långt bort, på regionnivå. I verkligheten märks det i det lilla:

• patienten finns inte i rätt kö
• provsvaret syns inte i tid
• intyg saknar data
• läkemedelslistor stämmer inte
• personalen får dubbelregistrera

Primärvård 4.0 handlar om att minska friktionen så att tid frigörs till patientmötet. AI kan bidra utan att vårdcentralen behöver bygga egna modeller från noll.

AI-stöd som inte stör vårdflödet

Tre AI-områden som jag tycker är särskilt relevanta för vårdcentraler 2026:

1. AI för journaldokumentation: strukturerar anteckningar, föreslår rubriker, hittar saknade uppgifter.
2. AI för patientkommunikation: triageringstexter, svarsmallar, prioritering av inkommande ärenden.
3. AI för kvalitetskontroll: varnar när data saknas eller ser orimlig ut – innan det blir ett problem.

Notera att bara den tredje punkten direkt angriper “IT-haveri”-frågan. Men i praktiken hänger allt ihop: bättre dokumentation och mer strukturerade data ger stabilare integrationer.

Nya krav från stat och EU: därför måste kvalitet byggas in

När staten och EU “kliver fram” med nya regler och krav är det lätt att sucka och tänka administration. Jag tar en annan vinkel: kraven tvingar fram ordning.

Två saker händer när regelverket skärps:

• Man måste kunna visa hur data rör sig, vem som gjort vad, och varför.
• Man måste kunna upptäcka och hantera incidenter snabbare.

AI kan stötta båda – men bara om man designar rätt:

• Spårbarhet: loggning, versionshantering av integrationer, och tydliga dataflöden.
• Förklarbarhet: modeller som kan motivera sina varningar (”hög risk p.g.a. ökade fel i meddelandetyp X senaste 3 timmarna”).
• Säker drift: AI som övervakar, inte AI som tar autonoma beslut i kritiska steg.

Det finns en bättre väg än att “införa AI” som ett separat spår. Gör AI till en del av kvalitetsledningssystemet.

En praktisk checklista: så minskar ni risken för nästa digitala kris

Många organisationer vill börja stort. Jag har sett att det fungerar bättre att börja med kontrollpunkter som snabbt ger effekt.

Steg 1: Kartlägg era mest kritiska flöden (inte alla)

Välj 5–10 flöden där avbrott gör mest skada, till exempel:

• labbsvar till journal
• e-recept/läkemedelslista
• remissflöden
• intyg
• tidbokning och köhantering

Steg 2: Sätt mätetal som går att följa varje vecka

Bra mätetal är tråkiga – och användbara:

• andel meddelanden som fastnar
• median- och p95-svarstid för integrationsflöden
• antal manuella dubbelregistreringar (proxy-mått via enkät)
• andel poster med saknade nyckelfält

Steg 3: Lägg AI på toppen – som vaktmästare

Här är en modell som ofta fungerar:

• Starta med regelbaserade kontroller (”temp < 30 eller > 43 → flagga”).
• Lägg sedan på AI för avvikelser som inte går att hårdkoda.
• Koppla varningar till en tydlig ansvarskedja (vem gör vad när larmet går?).

Steg 4: Träna organisationen på “små incidenter”

De stora haverierna kommer sällan utan förvarning. Kör därför incidentövningar:

• ”Vad gör vi om remisser slutar levereras mellan 13:00–15:00?”
• ”Hur kommunicerar vi med patienter om provsvar försenas?”

AI hjälper först när ni har en fungerande respons.

Är Sverige bäst på e-hälsa? Inte om vi blandar ihop ambition med leverans

Sverige har starka ambitioner, bra kompetens och en digitalt mogen befolkning. Men “bäst” mäts inte i strategidokument. Det mäts i vardag:

• Fungerar systemen en vanlig måndag 08:10?
• Kan personalen lita på informationen utan att dubbelkolla i tre vyer?
• Upptäcks fel innan de når patienten?

Det är därför 2026 kan bli avgörande. Om fler regioner standardiserar plattformar (som Cosmic) och samtidigt möter nya EU-krav, då uppstår ett läge där kvalitet antingen byggs in nu – eller blir dyrt senare.

AI är inte en genväg. Men AI är ett rimligt sätt att få den övervakning och kvalitetssäkring som komplexa vårdsystem kräver.

Min tydliga hållning: Vårdens IT måste börja fungera som flygindustrin – många kontroller, mycket redundans, tidig varning. Inte som ett “införandeprojekt” som avslutas.

Nästa steg för vårdcentraler som vill komma igång

Om du jobbar i primärvården och vill ta detta från snack till handling, börja litet:

• Be om transparens i era integrationer: vilka flöden finns, var loggar vi, vem äger dem?
• Kräv en datakvalitetsrapport månadsvis (även om den är enkel i början).
• Pilota AI på en smal yta: t.ex. varningar vid orimliga värden eller ökade fel i ett integrationsflöde.

Jag tror att den mest underskattade konkurrensfördelen för vården 2026 blir detta: att kunna förändra system utan att verksamheten skakar.

Vilket av era digitala flöden skulle ni vilja kunna “övervaka som en hjärtmonitor” redan nästa kvartal?