När EMA säger nej: AI som minskar risken i Alzheimerstudier

Den 2025-12-15 kom ett besked som många inom neuro och biotech känner igen i magen: EMA:s expertkommitté CHMP rekommenderade inte ett villkorat marknadsgodkännande för Anavex orala alzheimerkandidat blarcamesin vid tidig Alzheimers sjukdom. En kapsel som var tänkt att kunna tas hemma hamnar tillbaka i “inte tillräckligt övertygande”-lådan.

Det här är inte bara en nyhet om en enskild substans. Det är en påminnelse om hur hårt reglerad evidens faktiskt är – och hur dyrt det blir när en studie inte svarar på de frågor som myndigheter behöver få besvarade. För oss som jobbar med AI inom läkemedel och bioteknik är det också en konkret case: när utfallet blir nej, vilka delar av utvecklingskedjan hade kunnat göras smartare med data och AI?

Jag tycker att man ska vara försiktig med den enkla efterhandsanalysen “AI hade fixat det”. Men man kan säga något annat, mer användbart: AI kan minska sannolikheten att man ens hamnar i ett läge där CHMP upplever evidensen som otillräcklig.

Vad betyder ett CHMP-nej – praktiskt?

Ett negativt utlåtande från CHMP betyder i praktiken att EMA inte går vidare med ett godkännande i nuvarande form. För bolaget innebär det ofta en kombination av:

• omanalys av data och ytterligare regulatoriska diskussioner
• kompletterande studier, ofta dyra och tidskrävande
• förtroendefrågor i marknaden och svårare finansieringsläge

Det centrala här är inte “nej” i sig. Det centrala är varför.

Villkorat godkännande kräver en särskild sorts tydlighet

Villkorat marknadsgodkännande är tänkt för situationer där det finns ett stort medicinskt behov och där nyttan bedöms väga upp osäkerheten – men då måste det ändå finnas en robust kärna av evidens.

För alzheimerläkemedel gäller det här i extra hög grad. Sjukdomen är heterogen, progressionen varierar, och effektmått är ofta brusiga. Myndigheter vill se att:

1. patientpopulationen är tydligt definierad (”tidig Alzheimer” räcker sällan utan biomarkörer)
2. endpoints hänger ihop med klinisk nytta
3. effektsignalen är konsekvent, inte bara ett statistiskt “blipp”

När CHMP inte rekommenderar godkännande signalerar det ofta att osäkerheten i evidensen är för stor för den risknivå som ett villkorat godkännande tillåter.

Varför just Alzheimer är en perfekt storm för kliniska prövningar

Alzheimerstudier är svåra av tre skäl: urval, mätning och tid.

1) Urval: “Tidig Alzheimer” är inte en enhetlig grupp

Tidig Alzheimer kan inkludera allt från mild kognitiv svikt till tidig demens, och bakom symptomen kan det finnas olika biologiska drivare. Om studien inte selekterar med t.ex. amyloid- eller tau-biomarkörer riskerar man att blanda in personer som inte har just den patologi läkemedlet riktar sig mot.

Konsekvensen: effekten späs ut, variansen ökar, och myndigheten ser en otydlig nyttaprofil.

2) Mätning: kognition och funktion är “mjuka” endpoints

Kognitiva testbatterier och funktionsskalor påverkas av utbildningsnivå, språk, testmiljö, dagsform, och “practice effects”. Två väl genomförda besök kan ändå ge oväntat stor skillnad i resultat.

Konsekvensen: signal-brus-förhållandet blir svagt och resultatet blir svårt att tolka.

3) Tid: sjukdomsförloppet kräver långa uppföljningar

Många studier behöver 18–24 månader eller mer för att fånga skillnader i progression. Under tiden händer saker: bortfall, protokollavvikelser, sites som presterar olika, och förändringar i standard of care.

Konsekvensen: operational risk blir en lika stor risk som den biologiska.

Här kan AI faktiskt göra skillnad (och var den inte gör det)

AI ersätter inte klinisk evidens. Men AI kan göra tre saker väldigt bra: öka precisionen i urval, höja kvaliteten i data, och förkorta tiden till beslut.

AI i patientselektion: mindre heterogenitet, tydligare effekt

Den mest underskattade vinsten är ofta att hitta “rätt” patienter.

Exempel på AI-drivna angreppssätt i Alzheimerutveckling:

• Prediktionsmodeller på EHR/journaldata för att hitta patienter med snabb progression (enriched cohorts).
• Bildanalys med maskininlärning på MR/PET för att standardisera bedömningar och minska variationskällor mellan center.
• Multimodala modeller som kombinerar kognition, biomarkörer, genetik och bilddata för att minska felinklusion.

En enkel, hård tumregel: om du minskar populationens biologiska heterogenitet kan du ofta få samma statistiska kraft med färre patienter, eller få en tydligare signal med samma sample size.

AI för datakvalitet: färre “smutsiga datapunkter” som sabbar allt

Många ansökningar faller inte på att läkemedlet är “värdelöst”, utan på att data upplevs som svårtolkade. AI kan användas till quality-by-design under pågående studie:

• Anomali-detektion: flagga sites där mönster avviker (t.ex. ovanligt många perfekta score, konstiga distributionsskiften).
• Riskbaserad monitorering: prioritera monitoreringsinsatser där risken är hög, istället för att “monitorera allt lika”.
• NLP på fritext i rapporterade AEs/SAEs för snabbare och mer konsekvent kodning och signalspaning.

Det här handlar om att bygga en evidensbank som är lättare att försvara inför regulatorer.

AI i studiedesign: smartare endpoints och adaptiva beslut

I neurodegenerativa sjukdomar är valet av endpoint nästan ett strategiskt vägval. AI kan hjälpa till att:

• simulera power och varians med historiska patientnivådata
• identifiera kombinationer av endpoints som bättre korrelerar med klinisk nytta
• stödja adaptiva designer (där regelverk tillåter) för att minska “dead time”

Det är här jag ofta ser störst organisatorisk friktion: statistiker, kliniker, operations och regulatoriskt team måste vara synkade. AI är inte ett verktyg man “lägger på” sist. Det måste sitta i planeringen.

Var AI inte räddar dig

AI kan inte trolla bort:

• en för svag biologisk hypotes
• en dos som inte ger tillräcklig target engagement
• en effekt som i praktiken är för liten för klinisk relevans

Om mekanismen inte håller, då hjälper inga dashboards i världen.

“Kunde AI ha ändrat utfallet?” – ett nyttigare sätt att ställa frågan

Det är frestande att göra EMA-beslut till en tävling i efterklokhet. Jag tycker man ska ställa en annan fråga:

Hade vi kunnat minska osäkerheten i evidensen tidigare, så att ett nej kom innan ansökan – eller så att ansökan blev starkare?

Det är precis där AI passar in: tidigare beslut, tydligare hypotesprövning, mindre slöseri.

En konkret checklista inför nästa alzheimerprogram

Om du sitter på sponsor-, biotech- eller CRO-sidan och vill bygga mer “regulatorisk robusthet” kan du använda detta som startpunkt:

1. Definiera patientpopulationen med biomarkörlogik (inte bara kliniska kriterier).
2. Bygg en datakvalitetsplan där AI/ML används för tidig avvikelsedetektion.
3. Förregistrera analysstrategier och använd modellstöd för känslighetsanalyser.
4. Knyt endpoints till klinisk nytta och planera hur du ska förklara relevansen.
5. Gör en “regulatory readiness”-genomgång: vilka frågor kommer CHMP ställa, och vilka tabeller/figurer krävs för att svara?

Det låter basic. Men de flesta bolag gör fortfarande minst ett av de här stegen för sent.

Vad det här betyder för svensk biotech och life science 2026

Sverige sitter på en ovanligt bra kombination: registertradition, starka universitetssjukhus och växande AI-kompetens. Men nästa steg är mer krävande: att koppla ihop klinisk verksamhet, data governance och regulatoriskt tänk så att AI inte blir ett sidoprojekt.

Min tydliga ståndpunkt: AI i kliniska prövningar ska mätas i minskad osäkerhet och snabbare beslut, inte i flashiga modeller. Om en modell inte kan förklara hur den förbättrar evidensen inför en regulator, då är den ett kostsamt experiment.

När EMA säger nej till en alzheimerkapsel är det tragiskt för patienter som väntar på fler alternativ. Men det är också ett tydligt kvitto på vad branschen måste bli bättre på: rigorös evidens, bättre urval, och mindre brus. Där är AI inte ett modeord – det är ett arbetssätt.

Om du bygger eller driver kliniska studier inom neurodegeneration och vill använda AI för att förbättra studiedesign, dataövervakning eller patientselektion: börja med att välja en flaskhals och sätt mätbara mål. Vad skulle du behöva se om 90 dagar för att säga “det här minskar faktiskt vår regulatoriska risk”?