AI hittar bukspottkörtelcancer tidigare – så ändras vården

Bukspottkörtelcancer har ett brutalt rykte av en enkel anledning: den upptäcks ofta för sent. När symtomen väl blir tydliga är tumören i många fall svår eller omöjlig att operera bort, och då krymper handlingsutrymmet snabbt. I en stor internationell studie (publicerad 2025-12-12) presterade ett AI-system bättre än erfarna röntgenläkare på att identifiera bukspottkörtelcancer i datortomografibilder.

Det här är mer än en snygg siffra i en forskningsartikel. För mig är det ett av de mest konkreta exemplen just nu på vad AI inom läkemedel och bioteknik faktiskt kan betyda i praktiken: tidigare diagnos, bättre urval till behandling och i förlängningen mer personlig medicin.

Samtidigt finns en fälla: många organisationer tror att ”en bra modell” automatiskt leder till bättre vård. Most companies get this wrong. Nyttan uppstår först när AI:n är införd i kliniskt arbetsflöde, validerad, övervakad och kopplad till beslut som förändrar patientens resa.

Vad studien visar – och varför siffrorna är ovanligt viktiga

Studien jämförde ett AI-system mot 68 röntgenläkare från 40 institutioner i 12 länder. Underlaget var stort: totalt 3 440 patienter, och den slutliga utvärderingen gjordes på en separat kohort om 1 130 patienter. Över 430 AI-utvecklare från 46 länder bidrog med algoritmer, där de tre bästa kombinerades till den modell som utvärderades.

Resultatet som många kommer citera är måttet AUROC:

• AI-systemet: AUROC 0,92
• Röntgenläkare: AUROC 0,88

AUROC över 0,9 räknas typiskt som mycket hög träffsäkerhet. Skillnaden kan se liten ut, men i screening- och triagesammanhang kan den betyda två saker som är avgörande för vården:

1. Fler verkliga tumörer hittas (färre missade fall).
2. Färre falskt positiva fynd (färre onödiga uppföljningar, oro och belastning).

”Bättre än radiologer” är fel rubrik – rätt rubrik är ”bättre tillsammans”

Det mest praktiska sättet att läsa resultatet är inte att AI ”ersätter” radiologen. Det som skapar värde är när AI blir en andra granskare som:

• flaggar subtila fynd som lätt missas under tidspress
• standardiserar bedömningen mellan sjukhus
• gör det lättare att prioritera rätt patienter för snabb uppföljning

I klinisk vardag handlar kvalitet ofta om att minska variation. AI är särskilt bra på just det.

Varför bukspottkörtelcancer är perfekt (och otacksam) för AI

Bukspottkörteln sitter ”besvärligt”, tumörer kan vara små, och tidiga förändringar kan vara svåra att skilja från normal anatomi eller inflammation. Dessutom upptäcks sjukdomen ofta när patienten redan gjort flera vårdkontakter.

Det gör bukspottkörtelcancer till ett område där AI kan bidra på tre nivåer:

1) Tidigare detektion i bild – när tid är behandling

Det mest direkta värdet är förbättrad tolkning av datortomografi. Men den strategiskt viktiga effekten är vad som händer efter att ett fynd upptäcks tidigare:

• fler patienter blir operabla
• fler kan inkluderas i kliniska prövningar
• fler kan matchas mot riktade behandlingar baserat på biomarkörer

Det är här kopplingen till läkemedelssektorn blir tydlig: diagnostiken styr vilka patienter som ens kommer i fråga för en viss behandling.

2) Bättre uppföljning av cystor och förstadier

Forskarna beskriver nästa steg: att använda AI för att följa patienter med cystor eller förstadier. Det här är en stor grej, för uppföljning är ett klassiskt område där vården brottas med:

• många kontroller
• små förändringar över tid
• svåra beslut om när man ska agera

En bra AI-lösning kan fungera som en förändringsdetektor som jämför bilder över tid mer konsekvent än en människa kan göra under stress.

3) Bron till personlig medicin

Personlig medicin handlar inte bara om genetik. Den handlar om att rätt patient får rätt åtgärd i rätt tid. AI i bilddiagnostik kan bli det tidiga filter som gör att:

• molekylär diagnostik beställs tidigare
• behandlingsbeslut baseras på mer komplett data
• riskgrupper identifieras innan sjukdomen ”syns” kliniskt

Från modell till nytta: så ser en fungerande klinisk implementation ut

Det här är delen som ofta saknas i nyhetsrapporteringen. Att en modell har AUROC 0,92 i en studie är inte samma sak som att den förbättrar vården i verkligheten.

En fungerande implementering brukar kräva fem byggstenar:

1) Tydligt användningsfall: triage, second read eller beslutsstöd?

AI som ”bara ger en sannolikhet” blir lätt hyllvärmare. Bestäm istället exakt roll:

• Triage: prioritera vilka undersökningar som ska granskas först
• Second read: AI flaggar misstänkta områden innan slutlig signering
• Beslutsstöd: AI + kliniska data ger rekommendation om nästa steg

2) Prospektiv validering i klinisk vardag

Forskarna vill gå vidare med prospektiva studier. Bra. Det är först då man ser:

• påverkan på väntetider
• påverkan på remissflöden
• hur ofta AI:n triggar rätt uppföljning

3) Mätetal som vården bryr sig om

AUROC är ett modellmått. Vården behöver verksamhetsmått, till exempel:

• andel patienter som diagnosticeras i operabelt stadium
• tid från bild till behandlingsstart
• antal onödiga uppföljningar per upptäckt cancerfall

4) Övervakning, drift och ”model drift”

Data förändras: nya skannrar, nya protokoll, nya patientmixar. En AI-lösning måste ha:

• kontinuerlig prestandaövervakning
• larm vid avvikelse
• plan för omträning och revalidering

5) Ansvar och transparens

AI i diagnostik kräver tydliga svar på:

• vem som har medicinskt ansvar
• hur beslut dokumenteras
• hur patientnytta och risk kommuniceras

Det här är inte byråkrati. Det är patientsäkerhet.

Varför Sveriges roll är strategisk – och hur life science kan vinna på det

Att Karolinska institutet medverkar i ett internationellt samarbete med Radboud universitetssjukhus och Universitetet i Bergen är inte bara en fjäder i hatten. Det stärker en position som Sverige redan vill äga: klinisk AI i skarp vårdmiljö.

Sverige har tre fördelar som gör att just AI inom bioteknik och läkemedel kan få extra fart här:

1. Starka universitetssjukhus och registertradition som kan möjliggöra robusta studier.
2. Mogen medicinteknisk infrastruktur (PACS, standardiserade flöden) där AI kan kopplas in.
3. Närhet mellan vård, akademi och industri som gör att proof-of-concept kan bli produkt.

Min tydliga ståndpunkt: om vi menar allvar med att skapa leads och tillväxt i svensk life science, ska vi sluta jaga generiska ”AI-plattformar” och istället investera i kliniska, mätbara användningsfall som detta.

Vanliga följdfrågor (och raka svar)

Kommer AI att ersätta radiologer?

Nej. AI ersätter inte radiologer, den ersätter variation och missar under tidspress. Radiologen är fortfarande ansvarig för helhetsbedömning, kommunikation och klinisk kontext.

Vad krävs för att detta ska bli standard i svensk vård?

Tre saker: prospektiv evidens i svensk miljö, tydlig regulatorisk väg för medicinteknisk AI, och ett införande som inte ökar klick och administration för kliniker.

Hur hänger detta ihop med läkemedelsutveckling?

Tidigare och säkrare diagnostik ger bättre patientselektion till prövningar, snabbare behandlingsstart och bättre matchning till biomarkörstyrda terapier. Diagnostik är i praktiken en del av behandlingskedjan.

Nästa steg för företag och team som vill agera 2026

Om du jobbar i läkemedel, bioteknik, diagnostik eller vård-IT och vill göra det här praktiskt, gör så här:

1. Välj en smal pilot: till exempel second read för bukspottkörtelcancer på datortomografi.
2. Sätt affärs- och vårdmål i siffror: väntetid, operabilitet, falskt positiva, resursåtgång.
3. Bygg tvärfunktionellt: radiologi, onkologi, IT, informationssäkerhet, juridik, produkt.
4. Planera drift från dag 1: övervakning, incidenthantering, reträning, ansvar.
5. Förbered dataflöden: standardiserade protokoll och loggning för spårbarhet.

Det är så man går från en lovande modell till en lösning som faktiskt räddar liv.

Bukspottkörtelcancer kommer inte bli ”enkel” att upptäcka över en natt. Men när AI visar högre träffsäkerhet än en stor internationell grupp erfarna radiologer – och dessutom pekar mot bättre uppföljning av förstadier – då har vi ett tydligt tecken på vart vården är på väg.

Jag tror att 2026 blir året då fler sjukhus slutar prata om ”AI-satsningar” och börjar prata om AI som en del av diagnostikkedjan. Frågan är inte om tekniken fungerar. Frågan är vilka som hinner införa den på ett sätt som ger mätbar patientnytta först.