Chefläkare och AI i vården: ledarskapet som avgör

Det är lätt att tro att AI i vården står och faller med teknikval: rätt leverantör, rätt modell, rätt integration. Jag tycker tvärtom att de flesta satsningar lyckas eller misslyckas av en enklare anledning: ledarskapet. När Sophiahemmet i Stockholm rekryterar David Nathanson som ny chefläkare (publicerat 2025-12-17) är det ett typexempel på hur vården flyttar fram positionerna genom personer som kan kombinera klinisk verklighet, kvalitetssystem och strategisk utveckling.

För dig som arbetar med primärvård, vårdcentral eller vårdnära digitalisering i serien AI för Svenska Vårdcentraler: Primärvård 4.0 är det här mer än personnytt. Det säger något om vad som krävs för att ta AI från powerpoint till vardag: patientsäkerhet i ryggraden, data i händerna och ett tydligt mandat att förändra arbetssätt.

Ett bra AI-projekt i vården börjar inte med en algoritm. Det börjar med en chef som kan säga: “Det här är problemet vi löser, så här mäter vi kvalitet, och så här skyddar vi patienten.”

Varför ett chefsbyte säger mycket om AI-mognad

Ett byte på chefläkarnivå handlar sällan bara om bemanning. Chefläkaren är ofta navet för patientsäkerhet, avvikelsehantering, vårdprocesser och medicinsk kvalitet—precis de områden där AI måste fungera först för att få förtroende.

I presskommunikationen lyfts att David Nathanson har en “unik kombination av klinisk kompetens, forskningskompetens och ledarerfarenhet”, och att han ska bidra till “hög patientsäkerhet, kvalitet och innovativ verksamhetsutveckling”. Jag gillar den formuleringen, för den speglar vad AI egentligen kräver i praktiken:

• Klinisk kompetens: så att rätt problem väljs och fel undviks.
• Forskningskompetens: så att man kan läsa evidens, förstå bias och validering.
• Ledarskap: så att förändringen faktiskt händer i mottagningen, inte bara i IT-miljön.

För vårdcentraler som funderar på AI för journaldokumentation, triage eller patientkommunikation är det här den stora lärdomen: AI är en verksamhetsfråga, inte ett IT-inköp.

AI i primärvården kräver medicinskt ägarskap

När AI börjar påverka kliniska beslut, dokumentation och flöden behöver någon “äga” frågan medicinskt. Annars hamnar man snabbt i två klassiska fällor:

1. AI blir ett sidospår: ett pilotprojekt som aldrig får mandat att ändra rutiner.
2. AI blir en risk: en lösning som sprids innan man definierat ansvar, uppföljning och gränser.

Här är chefläkarens roll (eller motsvarande medicinskt ansvarig) avgörande: att sätta ramar för vad som är acceptabel variation, vad som är avvikelse, och hur man eskalerar när något blir fel.

Chefläkaren som bro mellan klinik, data och styrning

Den viktigaste kompetensen för AI i vården 2026 är inte att kunna “AI”. Det är att kunna översätta.

• Översätta kliniska behov till mätbara mål.
• Översätta modellresultat till medicinska beslut.
• Översätta risker till styrning och rutiner.

David Nathanson beskrivs ha haft ledande roller inom diabetologi och nationella sammanhang, inklusive styrgrupper för Nationell Högspecialiserad Vård (NHV). Den typen av systemvana är relevant även för primärvård, eftersom AI-verktyg nästan alltid måste fungera i ett större ekosystem: regioners journalsystem, riktlinjer, nationella kvalitetsregister, upphandlingar och informationssäkerhet.

Tre saker ledare måste få på plats före AI (annars blir det dyrt)

1) En tydlig processägare per användningsfall
AI för tidsbokning är en sak. AI för diagnostiskt stöd är en annan. Båda kräver en ansvarig som kan svara på:

• Vem tar emot avvikelser?
• Vem uppdaterar instruktioner när modellen ändras?
• Vem stoppar användning om kvaliteten sjunker?

2) Mätetal som går att använda i vardagen
Om ni bara mäter “nöjdhet” eller “antal användare” missar ni kärnan. Bra KPI:er i primärvård kan vara:

• Andel anteckningar som kräver efterredigering (journaldokumentation)
• Tid från kontakt till medicinsk bedömning (triage)
• Antal återkontakter inom 7 dagar för samma problem (patientkommunikation)

3) En säkerhetsmodell som personalen förstår
Personalen måste veta när AI får användas och när den inte får det. Skriv ner det, utbilda, följ upp.

Om ni inte kan förklara AI-flödet på tre minuter för en stressad distriktsläkare, då är det inte redo.

Lärdomar från diabetologi: varför AI behöver kliniska “råd”

I artikeln nämns Nathansons bakgrund inom diabetologi, bland annat engagemang i Svensk Förening för Diabetologi och initiativ till regionala diabetesråd. Det kan låta smalt, men det finns en bred princip här:

AI fungerar bättre när vården har en vana att enas om gemensamma arbetssätt och uppföljning.

Diabetesvård är ett område där man ofta jobbar strukturerat med riktlinjer, uppföljning och multidisciplinära team. Översatt till AI i primärvård innebär det att ni vinner mycket på att skapa ett lokalt “AI-råd” eller en styrgrupp som inte fastnar i teknik, utan driver klinik:

• Distriktsläkare och sjuksköterskor (praktiskt användarperspektiv)
• Medicinskt ansvarig/chefläkarnära funktion (patientsäkerhet)
• Informationssäkerhet/dataskydd (lagkrav och risk)
• IT/integration (realism i genomförande)
• Verksamhetsutveckling (förändringsledning)

Praktiskt exempel: AI för journaldokumentation på vårdcentral

Säg att ni vill införa AI-stöd för journaldokumentation (tal-till-text + sammanfattning + föreslagna ICD/KVÅ). Ett fungerande upplägg brukar se ut så här:

1. Avgränsa: börja med ett besökstypsområde (t.ex. luftvägsinfektioner eller diabetesuppföljning).
2. Sätt kvalitetskrav: vad måste alltid vara korrekt? (läkemedel, allergier, status, plan).
3. Inför dubbelkontroll i start: AI skriver förslag, kliniker signerar och korrigerar.
4. Mät vecka för vecka: tidsvinst, feltyper, personalens upplevda kontroll.
5. Skala först när avvikelsehantering fungerar.

Det här är inte “AI-hype”. Det är klassisk kvalitetsledning—med en ny komponent.

AI inom läkemedel och bioteknik: samma ledarskapslogik

Kampanjens tema är AI inom läkemedel och bioteknik, och kopplingen till ett chefläkarbyte kan verka lång. Den är kortare än den ser ut.

AI i läkemedelsutveckling handlar ofta om:

• bättre urval av målstrukturer,
• smartare studiedesign,
• snabbare analys av real world data,
• mer precis patientselektion.

Men samma sak gäller där: utan styrning blir AI bara experiment. En kliniskt förankrad ledare som kan navigera mellan evidens, regelverk och implementering är lika värdefull i en vårdorganisation som i en biotech-miljö.

För primärvården finns dessutom en extra twist: vårdcentraler sitter på en enorm del av patientresan. När AI används rätt i primärvård—till exempel för uppföljning, riskstratifiering och patientkommunikation—skapar det datakvalitet och processer som även gynnar forskning, registerarbete och i förlängningen läkemedelsnära innovation.

En tydlig ståndpunkt: AI utan kvalitetsledning ger merarbete

Jag har sett flera organisationer underskatta “människodelen”. Resultatet blir ofta:

• fler osäkerheter (“kan jag lita på texten?”)
• fler manuella kontroller
• mer splittrade arbetssätt

AI som införs utan att ledningen bestämmer hur den ska användas skapar en ny typ av variation. I vården är variation inte alltid kreativitet—det kan vara risk.

Så kommer ni igång på vårdcentralen: 30 dagar som gör skillnad

Om ni jobbar med Primärvård 4.0 och vill ta nästa steg i AI i vården utan att fastna i förstudier, är en 30-dagarsplan ofta lagom.

Vecka 1: Välj ett enda problem

Bra startproblem är sådant som är återkommande och mätbart:

• AI för tidsbokning och styrning till rätt vårdnivå
• AI för patientkommunikation (FAQ + uppföljningsmeddelanden)
• AI-stöd för journaldokumentation i ett avgränsat besök

Vecka 2: Sätt ramar för patientsäkerhet

Definiera:

• när AI får användas
• när den inte får användas
• hur avvikelser rapporteras
• vem som stoppar användning vid problem

Vecka 3: Kör en kontrollerad pilot

• 5–10 användare
• tydliga checklistor
• daglig avstämning (15 min)

Vecka 4: Besluta med data

Efter 30 dagar ska ni kunna svara ja/nej på:

• sparar detta tid på riktigt?
• ökar eller minskar detta risken?
• vill personalen fortsätta?

Det är exakt så man bygger förtroende för AI: små steg, skarp uppföljning.

Vad betyder rekryteringen för 2026?

Rekryteringen av en chefläkare med tung klinisk och akademisk bakgrund pekar på en riktning jag tror vi kommer se mer av under 2026: vårdgivare som tar AI på allvar rekryterar ledare som kan hålla två tankar samtidigt—innovation och kontroll.

För vårdcentraler är budskapet befriande. Ni behöver inte vänta på perfekta nationella modeller eller nästa stora plattform. Ni behöver en tydlig ansvarskedja och en kultur där AI betraktas som vilket kliniskt verktyg som helst: det ska fungera, följas upp och förbättras.

Om du leder förändring i primärvård just nu: vilken del av er AI-satsning är egentligen ett teknikproblem—och vilken del är ett ledarskapsproblem?