Patientrekrytering utan gatan: AI för primärvård 4.0

Den 2025-12-12 stoppades Kry från att gaturekrytera nya listade patienter i Region Östergötland – efter att Region Stockholm nyligen gjort samma sak. Regionen menar att metoden inte följer regelverk och avtal, och att den dessutom inte var föranmäld.

Det här är mer än en lokal nyhet om marknadsföring i vårdvalet. Det är en tydlig signal om att ”analog patientvärvning” inte längre passar in i ett system som i praktiken kräver spårbarhet, patientsäkerhet och likvärdighet. För oss som jobbar med AI inom läkemedel och bioteknik (och för vårdcentraler som vill klara vardagen) pekar det mot en större fråga: Om gatan inte är en acceptabel kanal – hur bygger vi då rekrytering som är effektiv, etisk och mätbar?

Jag tycker svaret är ganska rakt: patientrekrytering behöver bli en datadriven process, där AI och automation används för att matcha rätt patient med rätt vårdcentral – och i forskningsspåret: rätt patient med rätt studie – utan att tumma på integritet och samtycke.

Varför stoppas gaturekrytering – och varför spelar det roll?

Gaturekrytering skaver mot vårdens grundlogik. När inhyrda säljare försöker lista förbipasserande riskerar man tre saker samtidigt: otydligt samtycke, skev patientmix och bristande förtroende.

I rapporteringen framgår två kärnpunkter:

• Avtals- och regelverksfrågan: Region Östergötland hänvisar till att metoden inte följer det som står i regelverk och avtal, samt att den inte förankrats i förväg.
• Förtroendefrågan: Liknande kritik i Stockholm kom från både patienter och andra vårdgivare. Det är sällan en bra idé att göra listning till en ”säljaktivitet”.

Det större perspektivet: rekrytering är en vårdprocess

Många behandlar listning och patientrekrytering som marknad, men i primärvården är det också en del av resursstyrningen. Vem som listas var påverkar:

• kontinuitet och tillgänglighet
• belastning på telefon, mottagning och digitala kanaler
• risk för undanträngning (t.ex. om inflödet blir ryckigt)

När rekrytering sker på stan blir det svårt att koppla den till kapacitet, behov och långsiktig planering. Därför blir frågan snabbt politisk och regelstyrd.

Patientrekrytering 2.0: AI som ersätter ”gatan” med precision

AI är bättre på matchning än megafonmarknadsföring. Poängen är inte att jaga flest möjliga patienter, utan att hitta rätt patient till rätt flöde – och göra det på ett sätt som är granskningsbart.

Här är tre AI-drivna arbetssätt som redan är realistiska för svenska vårdcentraler och forskningsnära verksamheter.

1) Prediktiv behovsanalys: rekrytera när kapacitet finns

I Primärvård 4.0 pratar vi mycket om att AI ska minska friktion i vardagen. Samma tänk gäller listning.

Praktiskt upplägg:

• Prognostisera inflöde (säsong, influensa, lokala mönster) baserat på historiska data.
• Koppla prognosen till bemanning (läkare, sjuksköterskor, psykolog, rehab).
• Styra rekrytering/kommunikation till perioder där mottagningen kan ta emot nya patienter utan att tappa kvalitet.

Det här är inte science fiction. Många branscher gör det redan. Vården har bara varit sämre på att operationalisera det.

2) Segmentering med samtycke: från massvärvning till relevans

Den stora vinsten med AI är att slippa skjuta brett. Om kommunikationen blir mer relevant minskar både irritation och felrekrytering.

Exempel på segment (utan att peka ut individer):

• nyinflyttade i upptagningsområdet
• patienter som efterfrågar digital tillgänglighet (chatt, videobesök)
• personer med kroniska behov där kontinuitet och teamarbete är centralt

Nyckeln är att det måste bygga på tillåtna datakällor och korrekt samtycke/laglig grund. I praktiken betyder det ofta att man jobbar med aggregerade nivåer, tydlig information och opt-in när individdata används.

3) Automatiserade flöden: från kampanj till kontinuerlig onboarding

Det de flesta missar: rekrytering slutar inte vid ”signering”. Den slutar när patienten faktiskt fungerar i systemet.

Automatisera onboarding med AI-stöd:

• välkomstflöde i 1177-liknande kommunikation (utan att blanda ihop roller) eller i egen kanal där det är lämpligt
• guidning: ”Så bokar du”, ”Så förnyar du recept”, ”När ska du ringa 112?”
• dynamisk triage: rätt vårdnivå direkt (digitalt, fysiskt, akut)

Resultatet brukar vara färre felkontakter, mindre tryck på telefon och bättre patientupplevelse – vilket i sig minskar behovet av aggressiv nyrekrytering.

En enkel tumregel: Om en vårdcentral måste jaga patienter på stan är onboarding och patientupplevelse ofta en större flaskhals än marknadskännedom.

Vad betyder detta för kliniska studier i svensk biotech?

Klinisk forskning lever och dör med rekryteringstakten. Och här blir kopplingen till AI inom läkemedel och bioteknik extra tydlig: när traditionella, personberoende metoder (som gaturekrytering) ifrågasätts i vården, ökar trycket på spårbara, etiska och datastödda alternativ – samma krav som redan gäller i studierekrytering.

AI kan minska tiden till “first patient in”

Många studier förlorar månader på att hitta rätt deltagare. AI och automation kan kapa ledtid genom att:

• identifiera potentiellt lämpliga patienter via strukturerade kriterier (diagnoser, labbvärden, läkemedel) när det är tillåtet och korrekt hanterat
• prioritera vårdenheter med rätt patientunderlag
• förenkla förhandskontakt med tydlig information och dokumenterat samtycke

Från ”rekrytera fler” till ”rekrytera rätt”

I bioteknik är felrekrytering dyrt: screen failures, protokollavvikelser och bortfall. Ett AI-stött upplägg kan fokusera på:

• bättre pre-screening
• bättre matchning mellan inklusionskriterier och verkliga journaldata
• mer rättvis rekrytering över geografi och socioekonomi (om man mäter och styr för bias)

Data- och samtyckesdesign blir konkurrensfördel

Jag har märkt att team som tar samtycke på allvar vinner i längden. Inte för att de är ”snällare”, utan för att de bygger system som håller för granskning.

Praktiska designval som gör skillnad:

• separera vårdrelation från forskningsförfrågan
• dokumentera samtycke som en process, inte en ruta
• använd minsta möjliga data för första matchningen
• skapa tydliga loggar: vem såg vad, när och varför

Så bygger en vårdcentral en AI-driven rekryteringsmotor (utan att kliva fel)

Det här ska vara en driftfråga, inte ett PR-projekt. Om du driver vårdcentral eller jobbar med digitalisering i region/privat vård, skulle jag börja så här:

Steg 1: Bestäm vilket problem ni faktiskt löser

Är målet:

• fler listade patienter totalt?
• bättre mix (t.ex. fler inom upptagningsområdet)?
• mindre tryck på drop-in/telefon?
• bättre flöde till rätt vårdnivå?

Om ni inte spikar målet blir AI bara en dyr term.

Steg 2: Säkra data, ansvar och regelverk tidigt

Sätt upp en enkel styrning:

• vem är informationsägare?
• vilken data används (och varför)?
• hur ser samtycke/laglig grund ut?
• hur hanteras leverantörer och underbiträden?

Det här är tråkigt, men det är också det som gör att projekt inte kraschar vid första granskningen.

Steg 3: Börja med små, mätbara automatiseringar

Tre startpunkter som brukar ge snabb effekt:

1. Automatiserad onboarding för nya listade patienter
2. Kapacitetsprognoser kopplade till kommunikationsplan
3. AI-stödd triage som minskar felkontakter

Mät före/efter på konkreta tal: telefonkö, andel rätt bokningsorsak, uteblivanden, återkontakter inom 7 dagar.

Steg 4: Bygg in rättvisa och transparens från dag ett

AI i primärvård är bara användbart om det är begripligt och rättvist.

• följ upp rekrytering per område/ålder/kön (på aggregerad nivå)
• leta efter skevheter och justera
• dokumentera modellens logik i klartext för verksamheten

Vanliga frågor som dyker upp (och tydliga svar)

“Kan AI ersätta mänsklig kontakt i rekrytering?”

AI ersätter inte förtroende – men den kan ersätta onödigt manuellt arbete. Människan behövs där beslutet är känsligt och där frågor uppstår. AI ska göra förarbetet bättre.

“Blir inte allt här bara ‘marknad’?”

Skillnaden ligger i styrningen: vårdcentralsrekrytering måste kopplas till kapacitet och kvalitet, inte bara volym. AI gör det lättare att styra rätt.

“Vad är första AI-steget för en liten vårdcentral?”

Börja med onboarding och triage. Det ger effekt snabbt och kräver inte maximal datamognad.

Vad vi borde ta med oss från Krys stopp i Östergötland

Att regioner stoppar gaturekrytering är inte ett teknikfientligt beslut. Tvärtom. Det är ett krav på att patientflöden ska vara avtalade, spårbara och rimliga.

För vårdcentraler i “AI för Svenska Vårdcentraler: Primärvård 4.0”-resan är det här en bra påminnelse: digitalisering handlar inte om att göra samma sak snabbare, utan om att göra rätt sak på rätt sätt. När rekrytering blir datadriven kan den kopplas till kapacitet, kvalitet och patientsäkerhet – och samtidigt skapa en stabilare grund för klinisk forskning och samarbeten med svensk biotech.

Om du vill minska behovet av resurskrävande rekryteringsprocesser och samtidigt stärka både vårdflöden och forskningsförmåga: bygg en rekryteringsmotor som klarar granskning. Frågan framåt är enkel att ställa, men svårare att besvara:

Vilka patientflöden i din verksamhet skulle bli bättre redan nästa kvartal om matchning och onboarding var AI-stödd – och mätt i faktiska utfall?