AI kan förklara ökningen av antidepressiva i Sverige

Sverige sticker ut – och det är inte en liten avvikelse. Enligt Läkemedelsverkets jämförelse ligger användningen av antidepressiva hos vuxna 1,3–2 gånger högre än i Danmark och Norge. För barn och unga är gapet ännu större: bland svenska flickor och pojkar 10–19 år var användningen 2–5 gånger högre än i grannländerna (senast rapporterade siffror: 2021). För flickor 15–19 år hämtade nära 9 % ut antidepressiva i Sverige, jämfört med drygt 3 % i Danmark och Norge.

Det här är inte en debatt om “för eller emot” antidepressiva. Det är en fråga om varför Sverige förskriver så mycket mer – trots att behandlingsrekommendationerna i stort är lika i de tre länderna. Och för oss som jobbar med primärvård, läkemedel, data och digitalisering väcker det en extra tanke: om vi inte kan förklara skillnaden med riktlinjer, behöver vi bättre analysverktyg.

I den här delen av serien AI för Svenska Vårdcentraler: Primärvård 4.0 går jag igenom vad som sannolikt driver ökningen, varför primärvården hamnar i mitten av allt, och hur AI i vården kan hjälpa oss att gå från gissningar till mätbar förbättring – utan att göra psykiatri till ett exceldokument.

Sverige förskriver mer – men inte för att riktlinjerna är “frikostigare”

Läkemedelsverkets huvudpoäng är tydlig: skillnaderna i antidepressiv förskrivning kan inte förklaras av att Sverige har annorlunda behandlingsrekommendationer för depression, ångestsyndrom och tvångssyndrom än Danmark och Norge. Myndigheten kallar skillnaden “anmärkningsvärd” och efterlyser fler studier.

Det här är en viktig kalibrering i debatten. Många antar att högre användning automatiskt betyder “lättare att få recept” eller “sämre följsamhet till riktlinjer”. Men om riktlinjerna är jämförbara behöver vi i stället titta på:

• diagnostik (vem får diagnos, när och hur?)
• struktur (tillgänglighet, väntetider, uppföljning, vårdkedjor)
• sociokultur (syn på psykisk ohälsa, sjukskrivning, skolstress, sociala faktorer)

AI passar inte som svar på allt – men AI passar väldigt bra när problemet är: många möjliga orsaker, stora datamängder, varierande praxis och behov av rätt insats till rätt person.

Ett nordiskt mysterium som primärvården måste lösa

Primärvården står för en stor del av första linjens psykiatri: bedömning, initial behandling, receptförnyelser och uppföljning. När förskrivningen ökar över tid och i nästan alla åldersgrupper (särskilt bland yngre) blir vårdcentralen både barometer och flaskhals.

Om vi vill förstå ökningen måste vi därför förstå primärvårdens vardag: korta besök, brist på psykologresurser i vissa områden, varierande kontinuitet, och ett vårdtryck som sällan ger utrymme för finlir.

Tre troliga drivkrafter bakom ökningen – och hur AI kan synliggöra dem

Det går att ha flera sanningar samtidigt. Antidepressiva kan vara underutnyttjade i en grupp, överutnyttjade i en annan, och rätt använda i en tredje – utan att någon bryter mot riktlinjer.

Här är tre drivkrafter som ofta återkommer när man analyserar förskrivningsmönster, och hur dataanalys och maskininlärning kan göra dem mätbara.

1) Diagnostik: fler upptäckta fall, eller lägre tröskel?

En rimlig hypotes är att Sverige är mer aktivt i att identifiera depression och ångest – särskilt hos unga. Det kan vara positivt om det innebär att fler får hjälp i tid. Men en annan möjlighet är att symptom som egentligen hör ihop med stress, sömnbrist, neuropsykiatriska svårigheter eller livskriser oftare “landar” i antidepressiv behandling.

Vad AI kan bidra med i primärvården:

• Strukturerad triagering: modeller som väger samman symtomskattningar, tidigare vårdkontakter, sömnproblem, smärta, skolfrånvaro och läkemedelshistorik.
• Fenotypning (gruppering): klustring som kan hitta undergrupper, t.ex. “ångest + IBS + sömnproblem” kontra “nedstämdhet + långvarig smärta + hög vårdkonsumtion”.
• Varför det spelar roll: olika undergrupper svarar ofta olika på SSRI, KBT, fysisk aktivitet, sömninterventioner eller kombinationer.

Poängen är inte att en modell ska “sätta diagnos”. Poängen är att den kan upptäcka mönster som annars kräver tid som vården inte har.

2) Struktur: läkemedel blir standard när andra insatser är svåra att få

Om tillgången till psykologisk behandling eller snabb uppföljning är ojämn blir läkemedel en mer realistisk åtgärd i ett 20-minutersbesök. Det är inte cyniskt. Det är logistik.

I december 2025 är den här diskussionen extra aktuell eftersom många verksamheter planerar bemanning och vårdflöden för 2026, samtidigt som psykisk ohälsa bland unga fortsätter dominera både skol- och vårdfrågor. Vårdcentraler som inte kan följa upp tätt riskerar att hamna i ett mönster: start – förnya – fortsätt, utan tydliga stoppunkter.

Vad AI kan bidra med i primärvården:

• Automatiserad uppföljning via säkra patientkanaler: symtomskattning efter 2, 6 och 12 veckor, biverkningscheck, funktionsnivå, suicidriskfrågor där det är kliniskt motiverat.
• Beslutsstöd i journalsystemet: påminnelser om behandlingsmål, dosjustering, byten, utsättning, samt när psykologkontakt eller specialistbedömning bör triggas.
• Resursoptimering: prognoser för vilka patientgrupper som behöver tätare kontakt, så att vårdcentralen kan planera tider smartare.

Det här är “Primärvård 4.0” i praktiken: mindre slump, mer systematik.

3) Sociokultur: stress, prestation och digitalt liv påverkar vårdtrycket

Läkemedelsverket pekar på sociokulturella faktorer som möjliga förklaringar. Jag håller med om att det är en av de mest underskattade delarna.

Sverige har under lång tid haft en hög medvetenhet om psykisk ohälsa, vilket i grunden är bra. Samtidigt kan högre benägenhet att söka hjälp, andra förväntningar på snabb lindring och olika normer kring sjukskrivning påverka förskrivningsnivåer.

Vad AI kan bidra med utan att bli övervakning:

• Aggregerade mönster (inte individspaning): säsongsvariation (t.ex. hösttermin, julstress), geografiska skillnader, koppling till sömnläkemedel, smärtläkemedel och upprepade besök.
• Tidiga varningssystem: upptäcka vårdcentraler eller listade områden där förskrivningen ökar snabbt och behöver analys (utbildning, teamförstärkning, nya arbetssätt).

AI ska inte “förklara bort” människors mående. Den ska hjälpa vården att se när systemet driver behandlingar i en riktning av bekvämlighet snarare än effekt.

Så bygger du en AI-driven analys av antidepressiv förskrivning – utan att tappa etik och klinik

Om målet är LEADS (och verklig nytta) behöver man vara konkret: vad gör man på en vårdcentral eller i en region?

Steg 1: Definiera frågan så att den går att mäta

Bra frågor är smala nog för att ge svar:

• Hur stor andel av nyinsatta på SSRI får uppföljning inom 6 veckor?
• Hur många står kvar efter 12 månader utan dokumenterat behandlingsmål?
• Hur skiljer sig förskrivning mellan åldersgrupper 10–19, 20–29, 30–64, 65+?
• Vilka samsjuklighetsmönster (smärta, sömn, ADHD, substansbruk) är vanligast?

Steg 2: Kombinera klinisk logik med datakällor ni redan har

Du behöver sällan “mer data”. Du behöver bättre struktur:

• diagnoskoder och problem-listor
• receptdata (start, förnyelse, dos)
• besöksfrekvens och vårdkontakter
• symtomskattningar (om de används)
• textdata i journal (försiktigt, med tydlig styrning)

Steg 3: Välj AI som matchar risknivån

All AI är inte samma sak.

• Låg risk, hög nytta: automatiserade påminnelser, uppföljningsflöden, sammanfattningar för kliniker.
• Medelrisk: prediktion av utebliven uppföljning eller behandlingsavbrott.
• Högre risk: modeller som föreslår diagnostik eller riskbedömningar. Dessa kräver hård validering, transparens och mänskligt beslutsansvar.

En tumregel: ju närmare modellen kommer “kliniska beslut”, desto mer måste den bete sig som en medicinteknisk produkt.

Steg 4: Mät effekt på ett sätt som vården bryr sig om

Om ni inför AI-stöd kring antidepressiva bör ni följa:

• tid till uppföljning
• patientrapporterad effekt (t.ex. förbättrad funktion, sömn)
• andel som avslutar behandling enligt plan
• biverkningsrelaterade byten
• remissflöden och belastning på psykolog/psykiatri

Det är så man undviker “AI som bara ser snygg ut i en demo”.

Vanliga frågor från vårdcentraler (och raka svar)

“Betyder högre förskrivning att Sverige gör fel?”

Nej. Högre förskrivning kan betyda bättre upptäckt och behandling – eller att läkemedel används där andra insatser vore mer träffsäkra. Utan uppföljningsdata är det omöjligt att veta.

“Kommer AI ersätta läkaren i psykiatrin?”

Nej. AI gör två saker bra: hitta mönster och minska administrativ friktion. Kliniska samtal, allians och helhetsbedömning är fortfarande kärnan.

“Vad är första AI-steget som faktiskt hjälper?”

Automatiserad uppföljning och beslutsstöd för behandlingsmål. Det brukar ge både bättre kvalitet och mindre stress för personalen.

En mer rimlig diskussion om antidepressiva börjar med bättre data

Läkemedelsverkets analys landar i en obekväm men nyttig slutsats: vi kan inte peka på riktlinjerna och säga “där är felet”. Sverige har högre användning av antidepressiva än Danmark och Norge, särskilt bland unga, och orsakerna är sannolikt diagnostiska, strukturella och sociokulturella.

För primärvården betyder det här två saker. För det första: vi behöver sluta låtsas att mer förskrivning automatiskt är en moralfråga. För det andra: vi behöver verktyg som gör det möjligt att följa upp behandling systematiskt i stor skala.

AI i vården är inte en genväg. Det är ett sätt att få ordning på flöden, uppföljning och variation – så att varje patient kan få en mer personligt anpassad behandling, och så att vårdcentralen kan jobba mer som ett team än som en brandkår.

Om Sverige ska förstå sin “anmärkningsvärda” skillnad mot Norge och Danmark är nästa steg inte fler tyckanden. Nästa steg är att bygga analys som går att agera på. Vilken del av er antidepressiva process skulle ni vilja kunna se i realtid under 2026?