AI mot missbruk av licensförskrivning – så minskar ni risk

900 miljoner kronor. Så mycket sålde svenska apotek licens- och extemporeläkemedel för under 2024 – och försäljningen har ökat med 50 % sedan 2020. När en marknad växer snabbt samtidigt som datakvaliteten är sämre och ansvaret är utspritt, får man en klassisk riskmix: hög kostnad, låg transparens och goda möjligheter att tänja på regler.

Det är precis den bilden TLV målar upp i sin delrapport om licens- och extemporeläkemedel (publicerad 2025-12-10): systemet är byggt för att hjälpa patienter med särskilda behov, men ett litet antal förskrivare kan utnyttja luckor så att läkemedelsförmånerna används på sätt som inte var tänkt.

Jag tycker TLV sätter fingret på något som fler branscher redan brottas med – och som vår serie om AI inom försäkring och riskhantering handlar om: när regelverk, ersättningssystem och mänskliga beslut möts i stora flöden uppstår avvikelser. De går att hitta. Och AI är ett av de mest praktiska verktygen för att göra det systematiskt.

Vad TLV faktiskt varnar för – och varför det spelar roll

TLV:s huvudpoäng är enkel: licens- och extemporeförskrivning behövs, men kontrollen och styrningen räcker inte när förmånen belastas i stor skala.

Licens och extempore: nödventiler i läkemedelssystemet

Licensförskrivning är en möjlighet när:

• det saknas godkända läkemedel i Sverige för ett visst tillstånd, eller
• ett godkänt läkemedel inte passar en specifik patient.

Då kan Läkemedelsverket besluta om licens för läkemedel som inte är godkänt i Sverige men finns i annat land. Extempore är en annan nödventil: apotek tillverkar ett läkemedel specifikt för en person.

Båda typerna ingår som huvudregel i läkemedelsförmånerna. Det är bra för patienten – men skapar också en tydlig riskyta för överutnyttjande.

Systemfelen TLV pekar på

TLV beskriver flera strukturella svagheter som i kombination blir farliga:

• Luckor som kan utnyttjas av ett fåtal: vissa substanser tycks förskrivas på sätt och i volymer som inte är avsedda.
• Fri prissättning på licensläkemedel: stora prisskillnader mellan partihandlare.
• Sämre datakvalitet i försäljnings- och förskrivningsdata jämfört med annan läkemedelsstatistik.
• Uppdelat tillsynsansvar mellan många myndigheter.

TLV nämner bland annat kraftig ökning av extemporeläkemedel med cannabinoider och licensläkemedel med botulinumtoxin B.

”Systemet är utformat för att ge patienter med särskilda behov tillgång till läkemedel inom högkostnadsskyddet. Men då systemet i vissa fall används på sätt som det inte var tänkt är risken att vissa patienter eller grupper gynnas framför andra.”

Här finns en tydlig parallell till försäkring: när ersättningsregler är rimliga i normalfallet, men går att utnyttja i marginalen, tenderar marginalen att växa.

Varför klassiska kontroller inte räcker (och vad AI kan göra bättre)

Man kan absolut lägga på fler manuella kontroller, fler checklistor och fler stickprov. Problemet är att det skalar dåligt.

Licens- och extemporeflöden har flera typiska drag som gör dem svåra att granska manuellt:

• många aktörer (förskrivare, apotek, partihandlare, regioner, myndigheter)
• olika datakällor och olika datastandarder
• starka medicinska undantag (vilket gör ”enkla regler” riskabla)
• prissättning som kan variera kraftigt

AI är inte en ersättning för medicinsk bedömning eller tillsyn. Men AI är väldigt bra på att:

1. hitta mönster människor missar i stora datamängder
2. ranka risk (vad ska granskas först?)
3. ge tidiga signaler innan kostnader och skador eskalerar

I riskhantering brukar man säga: om du inte kan se avvikelsen tidigt, kommer du betala för den sent.

Så kan AI upptäcka missbruk av licensförskrivning i praktiken

Den mest värdeskapande användningen är avvikelsedetektion och bedrägerianalys – samma typ av metoder som försäkringsbolag använder för att identifiera ovanliga skadebeteenden.

1) Avvikelsedetektion på förskrivarnivå

Nyckeln är att inte stirra sig blind på en enskild volym, utan se profilen:

• volym per substans jämfört med jämförbara specialister
• andel licens/extempore av total förskrivning
• plötsliga nivåskiften (”knyckar”) efter policy- eller leveransförändringar
• geografiska kluster: ovanligt hög användning i en region

En enkel men ofta träffsäker modell är att beräkna en riskpoäng baserad på avvikelse mot peer group. Det är inte en dom – det är en prioriteringslista för granskning.

2) Kombinera pris- och beteendesignaler

TLV lyfter att fri prissättning ger stora prisskillnader. Här kan AI bidra genom att koppla ihop:

• inköps-/försäljningspris
• förskrivningsmönster
• leverantörsval över tid

Det gör det möjligt att flagga situationer som ser ut som:

• konsekvent val av dyrare alternativ utan medicinsk förklaring
• ”prisdrivande” byten som sammanfaller med specifika aktörer

I försäkringsvärlden är detta motsvarigheten till att upptäcka när en viss verkstadskedja systematiskt fakturerar högre belopp för samma skada.

3) Identifiera riskabla substanser och indikationer tidigt

När TLV nämner cannabinoider och botulinumtoxin B är det ett exempel på hur vissa områden blir extra känsliga. AI kan hjälpa genom att:

• övervaka nya trender per substans/beredning
• skapa varningsnivåer när tillväxttakten avviker kraftigt
• stödja beslut om riktade informationsinsatser eller fördjupad granskning

4) Textanalys av licensmotiveringar och journalanteckningar (med tydliga skydd)

Många kritiska uppgifter finns i fri text. Med modern språk-AI kan man:

• strukturera motiv och indikationer
• hitta återkommande mallformuleringar som inte säger något
• flagga bristfälliga underlag för manuell uppföljning

Det här kräver strikt juridik, informationssäkerhet och loggning. Men potentialen är stor när datakvaliteten i övrigt är ojämn.

Styrning och risk: så hänger TLV:s åtgärder ihop med AI

TLV har redan rört sig från analys till styrning. Från 2025-11-01 finns nya föreskrifter som ger TLV rätt att besluta att vissa extemporeläkemedel inte ska ingå i läkemedelsförmånerna. TLV utreder också möjligheten att sätta takpris för vissa licensläkemedel.

Det här är klassisk riskkontroll: minska incitamenten och täpp till luckor. Men två saker brukar hända när man bara ändrar regler:

1. Aktörer anpassar sig snabbt.
2. Missbruk flyttar till nästa svagare punkt.

Därför behövs en övervakningsförmåga som är lika adaptiv. Det är här AI passar in som ett komplement till nya regler.

En praktisk målbild för 2026: “tidig varning” + samverkan

TLV vill under 2026 samla myndigheter, regioner, förskrivare, farmaceuter och apoteksaktörer för långsiktiga lösningar, med fokus på licensläkemedel.

Om jag fick önska en konkret leverans från ett sådant arbete skulle den vara:

• en gemensam uppsättning riskindikatorer (”red flags”)
• standardiserad datarapportering för licens/extempore
• ett delat arbetssätt för utredning: vem gör vad när en signal uppstår?

AI blir då motorn som kontinuerligt räknar och prioriterar – medan människor fattar beslut.

Checklista: så kommer ni igång med AI-baserad tillsyn utan att skapa nya risker

Många organisationer fastnar i teknikprat. Här är ett mer jordnära upplägg jag sett fungera i riskhanteringsprojekt.

Steg 1: Bestäm vad som är “avvikelse” i er verklighet

Skriv ner 10–15 tydliga indikatorer, till exempel:

• extremt hög volym av en substans per förskrivare
• ovanligt många licenser per patientgrupp
• prisavvikelse över en viss nivå för samma produkt
• tillväxt över X % på 90 dagar i en region

Steg 2: Bygg en dataminimodell (och förbättra den iterativt)

När TLV säger att datakvaliteten är sämre är det en signal att börja enkelt:

• definiera obligatoriska fält
• logga saknade värden
• skapa en ”datakvalitets-score” per källa

AI blir bara så bra som det ni matar in – men ni behöver inte perfekt data för att få värde.

Steg 3: Designa granskning som en försäkringsprocess

Översätt gärna från försäkringens arbetssätt:

1. Triagering: AI prioriterar ärenden.
2. Utredning: specialistgranskning av de mest riskfyllda fallen.
3. Återkoppling: beslut, dialog, eventuell sanktion.
4. Lärande: modellen uppdateras baserat på utfallet.

Steg 4: Sätt skyddsräcken – annars tappar ni förtroendet

AI i vårdnära processer kräver extra disciplin:

• tydliga syften (tillsyn och rätt användning av förmånen)
• minimerad dataåtkomst (principen om minsta möjliga)
• spårbarhet: varför flaggades detta?
• separera ”signal” från ”beslut”

När man gör det rätt ökar förtroendet – för att granskningen blir mer konsekvent.

Vad detta betyder för er som jobbar med risk, compliance och försäkring

TLV:s delrapport är ett case på samma grundproblem som försäkringsbranschen känner igen: små beteendeavvikelser kan bli stora kostnader om de får pågå.

För den som arbetar med underwriting, skadehantering eller bedrägeridetektion är parallellen tydlig:

• licens/extempore = ”specialfall med hög varians”
• fri prissättning = ”kostnadsrisk med låg transparens”
• uppdelat ansvar = ”operativt glapp där avvikelser kan överleva”

AI gör inte systemet ”snällare”. AI gör systemet mer observerbart.

Vill ni använda det här caset som en startpunkt: kartlägg vilka processer hos er som har samma tre egenskaper – hög kostnad, svag datakvalitet, många aktörer. Där finns nästan alltid snabb ROI.

Och den större frågan jag tycker vi borde ställa inför 2026 är enkel: när staten skärper reglerna för att stoppa missbruk, vilka organisationer sitter då redan på en övervakningsförmåga som faktiskt upptäcker nästa variant i tid?