AI mot VRE-utbrott: tidig varning som räddar liv

En sak är svår att skaka av sig: 176 patienter drabbades när vancomycinresistenta enterokocker (VRE) spreds på Sahlgrenska från 2024-08 till 2025-08. Tio personer utvecklade klinisk infektion, och flera avled – däribland en ung kvinna. Det som gör berättelsen extra tung är att sjukhusets egen utredning pekar ut brister i arbetssätt, rutiner och till och med städning.

Det här är inte en text om att “hänga ut” enskilda verksamheter. Det är en text om ett mönster jag tycker att svensk vård fortfarande underskattar: utbrott av resistenta bakterier är sällan en plötslig händelse – de är oftast en gradvis eskalation av svaga signaler. Och svaga signaler är exakt den typen av problem där AI (och bra dataflöden) kan göra konkret nytta.

I vår serie AI för Svenska Vårdcentraler: Primärvård 4.0 pratar vi ofta om triage, journalsammanfattning och patientkommunikation. Men primärvården är också en del av smittkedjan. AI-baserad infektionshantering är därför inte bara en “sjukhusfråga” – det är en fråga om patientsäkerhet i hela vårdsystemet.

Vad VRE-fallet faktiskt säger om systemet

Budskapet är enkelt: när hygien, beläggning och följsamhet brister samtidigt får resistenta bakterier ett försprång. VRE är inte den mest “dramatiska” bakterien i rubrikerna, men i fel miljö kan den bli brutal – särskilt för sköra patienter.

Utifrån det som rapporterats om händelsen framträder tre systemproblem som återkommer vid vårdrelaterade infektioner:

1) Utbrott känns “osynliga” tills de inte gör det

Utbrott upptäcks ofta sent, eftersom informationen är utspridd:

• mikrobiologisvar i ett system
• beläggningsgrad i ett annat
• vårdhygien-avvikelser i ett tredje
• städloggar (om de finns) i ett fjärde

När någon väl ser helheten har smittan ibland redan hunnit röra sig mellan enheter.

2) Rutiner finns – men följsamhet varierar i verkligheten

Riktlinjer kan vara bra på papper. I praktiken avgörs resultatet av:

• tidspress
• bemanning
• om instruktioner är tydliga och anpassade för vardagen
• hur snabbt avvikelser fångas upp och återkopplas

Det är här det blir känsligt: människor kan inte kompensera för ett system som saknar tidiga varningsmekanismer.

3) Miljö och logistik är “medicinska” frågor

Städning av toaletter “för sällan” låter som en driftfråga. Jag ser det som kliniknära riskhantering. VRE och andra resistenta bakterier trivs i miljöer där kontaktytor, flöden och isoleringsrutiner inte sitter.

En obekväm sanning: vårdhygien är lika mycket data och logistik som handsprit.

Varför AI passar just antibiotikaresistens och utbrott

AI är starkt när problemet är komplext, datarikt och föränderligt. Antibiotikaresistens bockar i alla tre.

AI kan hitta mönster innan människor ser dem

En välbyggd modell kan väga samman signaler som var för sig ser oskyldiga ut:

• ökande andel positiva screeningprov
• kluster av patienter som rört sig mellan enheter
• ovanlig antibiotikaanvändning på en avdelning
• hög beläggning och fler överflyttningar

Det här handlar inte om att “AI tar över”. Det handlar om att ge vårdhygien och chefläkare en tydlig radarbild i stället för att jaga fragment.

AI kan förbättra beslutsstöd kring behandling och isolering

När resistenta bakterier misstänks uppstår ofta samma friktion:

• Ska patienten isoleras direkt eller invänta svar?
• Vilka kontakter behöver screenas?
• Vilka antibiotika är rimliga empiriskt givet lokal resistens?

AI kan stödja genom att kombinera:

• lokala resistensmönster
• patientens riskprofil (tidigare vårdkontakter, KAD, kirurgi, immunsuppression)
• pågående utbrottssignaler

Resultatet blir mer konsekvent handläggning och färre “magkänslebeslut”.

AI kan prioritera åtgärder där de gör mest nytta

När resurserna är begränsade måste man välja rätt insats först. AI kan hjälpa till att svara på:

• Var finns den högsta risken för vidare spridning nästa vecka?
• Vilka enheter behöver riktad hygienrevision nu?
• Vilka patientflöden bör begränsas temporärt?

Det är precis den typen av prioritering som minskar både smitta och personalens upplevelse av att “allt brinner samtidigt”.

Så hade en AI-driven “tidig varning” kunnat se ut (utan science fiction)

En realistisk AI-lösning för utbrott bygger på tre delar: datainhämtning, riskmodell och arbetsflöde. Den måste fungera i vardagen, inte i en demo.

Datainhämtning: börja med det ni redan har

De flesta regioner har redan en stor del av datan, men den är inte kopplad. Typiska källor:

• labbsvar (positiva VRE-screeningar, odlingar)
• vårdplatsdata (beläggning, flyttar, kohortvård)
• journalsignaler (diagnoser, riskfaktorer, feberkurvor, antibiotikastart)
• lokal antibiotikastatistik (DDD/100 vårddygn, byten, breddning)
• städ- och hygienavvikelser (frekvens, typ, plats)

Det viktiga är inte “perfekt data”. Det viktiga är tillräckligt data + stabil pipeline.

Riskmodell: från kluster till åtgärdsförslag

En bra modell levererar inte bara en siffra. Den levererar beslutsbara outputs, till exempel:

1. Utbrottssannolikhet per enhet (0–100)
2. Mest sannolika smittvägar (delade toaletter, flyttar, gemensam personal, gemensam utrustning)
3. Rekommenderade förstainsatser (screening av kontakter, kohortindelning, temporär flyttrestriktion)

Det är här AI gör skillnad: den knyter ihop labb, flöden och miljö.

Arbetsflöde: varningen måste hamna rätt

En varning som skickas till “alla” hamnar i ingenmansland. Jag har sett att det fungerar bättre med:

• en tydlig mottagare (vårdhygien/chefläkare/infektionsjour)
• tydlig tröskel för åtgärd (t.ex. risk > 70 utlöser checklista)
• återkoppling: “Vad gjorde vi? Vad blev effekten?”

AI utan återkoppling blir en engångsrapport. AI med återkoppling blir ett verktyg.

Primärvård 4.0: vårdcentralens roll i resistens och smittkedjor

Primärvården kan inte stoppa ett sjukhusutbrott på egen hand, men den kan minska trycket på systemet och förbättra tidig upptäckt. Det är en underskattad del av “Primärvård 4.0”.

1) Smartare antibiotikaförskrivning med AI-stöd

Fel antibiotika (för brett, för länge, fel indikation) driver resistens. AI kan hjälpa vårdcentraler genom:

• beslutsstöd vid luftvägsinfektioner och UVI (symtom, CRP, riskfaktorer)
• förslag på smalare alternativ enligt regionala rekommendationer
• varningar vid upprepade antibiotikakurer eller risk för C. difficile

Det här är inte moralpredikan. Det är riskminimering i praktiken.

2) Tidig signal om kluster i samhället

Vissa resistenta bakterier (inklusive VRE i vissa sammanhang) kan upptäckas via:

• ökade fynd i provtagning
• återkommande patienter från samma boende/enhet
• ovanliga behandlingssviktmönster

Om vårdcentraler får enkla dashboards (eller automatiska notiser) kan de flagga tidigt till smittskydd/vårdhygien.

3) Säker patientkommunikation när oro sprids

När media rapporterar om dödsfall och utbrott kommer frågor. Primärvården får ofta dem först. AI-stöd kan hjälpa med:

• kvalitetssäkrade svarsmallar i 1177-liknande språk
• triage av inkommande meddelanden (vem behöver kontakt samma dag?)
• dokumentation som minskar dubbelarbete

Det är inte bara effektivitet. Det är patientsäkerhet och förtroende.

Vanliga följdfrågor jag får – och raka svar

“Blir det här inte integritetskänsligt?”

Jo, men det går att göra rätt. Dataminimering, behörighetsstyrning, loggning och tydliga syften är grundkrav. I praktiken är det ofta bättre styrt i vården än i många andra branscher.

“Kan AI verkligen slå en bra vårdhygienisk organisation?”

AI ska inte slå den – den ska förstärka den. Vårdhygien är människor, beteenden och ledarskap. AI är mönsterigenkänning och prioritering.

“Vad är första steget om vi vill börja?”

Kartlägg dataflöden och beslutsvägar, inte modeller. De flesta fastnar i teknikval. Börja med: Vem behöver veta vad, när, och vad ska de göra åt det?

Nästa steg: från kritik till robustare infektionshantering

Det som hände på Sahlgrenska visar varför “mer rutiner” sällan räcker. När ett utbrott rör sig över 20 enheter krävs något mer än manuella avprickningar. Du behöver system som fångar svaga signaler tidigt, innan de blir dödsfall och Lex Maria.

Om du jobbar i primärvården: ta med dig att antibiotikaresistens inte är en fjärran fråga. Den påverkar vilka patienter som blir svåra att behandla, vilka som behöver läggas in och hur snabbt vårdplatser fylls. Primärvård 4.0 handlar om just det: smarta arbetssätt som minskar risk, inte bara administration.

Vill du se hur en AI-driven varningskedja skulle kunna fungera i din region eller på din vårdcentral – från första labsignal till praktisk checklista i teamet? Då är nästa rimliga steg att göra en kort nulägesanalys av data, flöden och ansvar.

Och den större frågan hänger kvar: hur många “svaga signaler” ignorerar vi i dag bara för att ingen har en helhetsvy?