AI för säkrare läkemedelsförsörjning i regionerna

Den 2028 kommer vissa vårdaktörer i Sverige ha betydligt mer läkemedel på hyllan än i dag – inte för att man plötsligt gillar att binda kapital, utan för att beredskapskrav och en mer osäker omvärld tvingar fram en annan typ av planering. Region Östergötland har redan tagit ett tydligt steg: man säger upp sin externa leverantör för lager och distribution och väljer i stället att ta hem läkemedelsförsörjningen och bygga större lager vid sjukhusen.

Det här är mer än en upphandlingsdetalj. Det är ett trendbrott som påverkar allt från patientsäkerhet till ekonomi – och det är precis i den här typen av operativa beslut som AI för prognoser, planering och riskhantering gör verklig nytta.

Och ja: den här texten är en del av vår serie om AI inom försäkring och riskhantering. För när regioner ändrar hur läkemedel köps in, lagras och distribueras förändras också riskprofilen: driftstopp, bristsituationer, svinn, cyberrisk och ansvar. Försäkringslogik (risk, sannolikhet, konsekvens, kontrollåtgärder) är plötsligt väldigt relevant i en regionkorridor.

Därför tar regioner hem läkemedelslogistiken

Kort svar: För att externa upplägg inte alltid matchar nya krav på beredskap, transparens och kontroll.

Region Östergötlands beslut (publicerat 2025-12-11) att inte förlänga avtalet med sin externa leverantör och i stället sköta lager och distribution själva går rakt emot en princip som varit stark i många offentliga organisationer: att lägga logistiken på specialister. När man nu vänder tillbaka handlar det sällan om nostalgi – det handlar om att minska sårbarhet.

Tre drivkrafter brukar dominera i den här typen av beslut:

• Höjd beredskap och nya lagkrav: Mer lager nära vården blir ett konkret sätt att möta krav på robusthet.
• Förutsägbarhet i tillgång: När leveranskedjor skakar vill man äga fler kritiska moment själv.
• Styrning och uppföljning: Egen regi kan ge bättre insyn i brister, svinn, ledtider och avvikelser.

Här finns en viktig poäng: större lager löser inte planeringsproblemet – det flyttar det. När du tar hem logistiken får du också ta hem beslut om vad som ska finnas, var, i vilken nivå, med vilken omsättningshastighet och hur det ska prioriteras vid brist.

Vad större läkemedelslager faktiskt kostar (och sparar)

Kort svar: Större lager kostar kapital och drift – men kan spara pengar genom färre avbrott, mindre akutinköp och bättre patientsäkerhet.

Det låter tryggt att ”ha mer på lager”. Men i praktiken är det en balansakt mellan två typer av risk:

1. Brist-risk: att läkemedel saknas när patienten behöver dem.
2. Överskotts-risk: att läkemedel förfaller, blir inaktuella eller binder onödigt kapital.

I vintermånaderna (december–februari) blir det extra tydligt hur snabbt efterfrågemönster kan skifta: infektionstoppar, vårdplatsläge och hög belastning på akutmottagningar påverkar förbrukning av t.ex. antibiotika, vätskor, smärtlindring och anestesiläkemedel. Samtidigt kan leveransstörningar uppstå när transportkapacitet och produktion pressas.

Riskhantering i siffror (en enkel modell)

Jag brukar förenkla det så här i styrgrupper:

Lager är en försäkring. Premien är kapitalbindning och svinn. Ersättningen är att vården fortsätter fungera.

För att fatta bra beslut behöver man kvantifiera båda sidor:

• Vad kostar ett dygns brist på ett kritiskt läkemedel i vårdproduktion, patientsäkerhet och ersättningsinköp?
• Vad kostar 10–20% högre lagernivå i drift, kylkedja, personal och svinn?

Många organisationer är bra på att räkna lagerkostnad, men sämre på att räkna kostnaden för avbrott. Där finns ofta den stora blinda fläcken.

Här passar AI in: från ”mer lager” till ”rätt lager”

Kort svar: AI kan förutsäga efterfrågan, optimera lagernivåer och upptäcka riskmönster tidigt – vilket gör beredskap billigare och säkrare.

När en region tar hem läkemedelsförsörjningen blir datamängderna plötsligt en strategisk tillgång: historisk förbrukning, beställningar, leveransprecision, kassation, säsongsmönster, avvikelser och vårdproduktion. AI gör skillnad när man kopplar ihop dessa källor och använder dem för beslut som annars blir ”magkänsla plus Excel”.

1) Prediktiv efterfrågeprognos per sjukhus och enhet

Efterfrågan på läkemedel är inte bara ”förra månaden plus lite”. Den påverkas av:

• säsong (t.ex. vintertoppar)
• vårdplatsläge och operationsprogram
• smittspridning och lokala utbrott
• förändrade behandlingsrekommendationer
• förskrivningsmönster per klinik

Med maskininlärningsmodeller kan man bygga prognoser som tar hänsyn till flera drivare samtidigt. Resultatet blir ofta att man kan höja beredskap på kritiska artiklar utan att öka allt.

2) Optimering av säkerhetslager under osäkerhet

”Säkerhetslager” låter statiskt, men borde vara dynamiskt. AI-baserad optimering kan justera nivåer utifrån:

• leveranstider och leveransprecision
• variation i förbrukning
• hållbarhet och kylkrav
• kritikalitet (”livsviktigt” vs ”kan ersättas”)

Praktiskt betyder det att två läkemedel med samma årsvolym kan få helt olika lagerstrategi.

3) Tidig varning för brist, svinn och avvikelser

När man driver egen lager- och distributionsverksamhet vill man upptäcka problem innan de blir synliga i vården.

AI kan bidra med:

• anomalidetektion: ovanliga uttag, onormalt svinn, avvikande beställningsmönster
• riskflaggor: artiklar med ökande restnoteringar, fallande leveransprecision eller oväntade ledtider
• orsaksanalys: vilka enheter, tidpunkter och processsteg hänger ihop med avvikelser?

Det här är samma typ av tänk som i försäkring: hitta signaler tidigt, sätt in åtgärd innan skadan blir dyr.

Kopplingen till AI inom försäkring och riskhantering

Kort svar: När regioner tar hem logistiken ökar behovet av strukturerad riskkontroll – och AI-metoder från försäkring passar för att mäta, prissätta och minska risk.

Om vi byter scen: i försäkringsvärlden handlar underwriting om att förstå exponering och kontroller. I en region som tar hem läkemedelsförsörjning blir frågorna snarlika:

• Hur ser sannolikheten ut för brist på kritiska läkemedel?
• Vilka kontroller minskar risken (backup-leverantörer, omfördelningsrutiner, spårbarhet, kylkedjeövervakning)?
• Vad är konsekvensen när det går fel (inställda operationer, förlängda vårdtider, IVO-ärenden, ökade kostnader)?

Försäkringslogik som styrverktyg i vårdlogistik

Här är ett konkret sätt att strukturera arbetet, inspirerat av riskhantering:

1. Riskregister för kritiska läkemedelsgrupper (sannolikhet × konsekvens)
2. Kontrollbibliotek (processer, teknik, ansvar) kopplat till varje risk
3. KPI:er som fångar risk tidigt: servicegrad, restnoteringsgrad, kassation, ledtid, avvikelsefrekvens
4. Scenarioövningar 2 gånger per år: ”leverantör borta i 14 dagar”, ”kylkedjebrott”, ”IT-störning”

AI förstärker alla fyra punkter genom bättre prediktion, snabbare detektion och mer träffsäkra åtgärdsförslag.

Praktisk checklista: så lyckas du när logistiken tas hem

Kort svar: Börja med data och styrning, inte med systeminköp. Sätt tydliga mål för beredskap och ekonomi samtidigt.

Om du sitter i en region, ett sjukhusapotek, en inköpsfunktion – eller jobbar i läkemedels- och biotechbolag som säljer till vården – är detta de vanligaste fallgroparna jag ser:

1) Sätt en gemensam definition av ”tillgänglighet”

Tillgänglighet är inte bara ”finns i centrallager”. Definiera nivåer:

• Finns på rätt sjukhus
• Finns på rätt avdelning
• Finns i rätt styrka/beredningsform
• Finns i rätt tid (dygnsrytm, helg, jour)

2) Segmentera sortimentet med en riskklassning

Allt kan inte hanteras lika. Gör en enkel indelning:

• Klass A: kritiska, svårersättliga, ofta korta hållbarheter
• Klass B: viktiga men ersättningsbara
• Klass C: standard, låg risk

AI-modeller blir mycket bättre när du tränar och optimerar per segment.

3) Bygg en datapipeline innan du automatiserar beslut

Det som ofta saknas är inte AI – det är pålitliga masterdata:

• artikeldata och substitutregler
• förpackningsstorlekar och hållbarhet
• korrekt enhetsstruktur (kliniker, lagerpunkter)
• spårbarhet i uttag (varför togs det ut?)

4) Bestäm hur människa och modell samarbetar

AI ska inte ”bestämma allt”. Den ska:

• föreslå beställningar
• flagga risk
• simulera scenario

Men det måste finnas tydliga beslutspunkter och ansvar: vem godkänner, vem eskalerar, vem omfördelar mellan sjukhus?

5) Mät effekten med tre mått som alla förstår

Håll det enkelt och konsekvent:

• Servicegrad (hur ofta rätt läkemedel fanns när det behövdes)
• Kassation/svinn (kronor och andel)
• Totalkostnad för brist (akutinköp, alternativbehandling, produktionsbortfall)

När de tre rör sig åt rätt håll samtidigt har du hittat en fungerande modell.

Vanliga frågor jag får (och raka svar)

Kommer större lager alltid minska brister?

Nej. Större lager minskar vissa brister, men utan bra prognoser och omfördelningsrutiner kan du ändå få fel sortiment på fel plats.

Är AI för läkemedelslogistik realistiskt i offentlig sektor?

Ja, men bara om man prioriterar datakvalitet och styrning. De flesta misslyckanden beror på otydligt ägarskap, inte på algoritmer.

Hur hänger detta ihop med biotech och läkemedelsbolag?

När regioner tar hem logistiken blir kraven högre på leveransprecision, transparens och samarbetsplanering. Bolag som kan dela prognosunderlag, restnoteringsinformation och substitutionslogik får en tydlig fördel.

Nästa steg: beredskap som går att räkna hem

Region Östergötlands beslut att ta hem läkemedelsförsörjningen är en signal om vart Sverige är på väg: mer kontroll, mer beredskap och mer ansvar i egen regi. Det ökar kraven på att hantera risk som en profession – inte som ett projekt vid sidan av.

För den som arbetar med AI inom försäkring och riskhantering finns en lärdom här: samma metoder som används för att förutsäga skador och styra risk kan användas för att förutsäga brister, styra lager och minska avbrott i vården. Skillnaden är att ”skadan” i det här fallet kan bli inställda operationer och försämrad patientsäkerhet.

Vill du ta nästa steg i din organisation? Börja med en inventering av vilka beslut i läkemedelsförsörjningen som i dag tas på magkänsla – och vilka som skulle kunna tas med stöd av prognoser, scenarier och tydliga riskmått. Vilket beslut skulle ge mest effekt redan innan 2028?