AI kan stärka evidensen för cannabisterapier

Att över 2 500 studier om cannabis och cannabinoider har publicerats sedan 2010 – och ändå landar en ny översikt i att stödet ofta är svagt eller obefintligt – är en obekväm signal till hela life science-sektorn. Inte för att frågan är oviktig, utan för att forskningen ofta blir spretig: olika preparat, olika doser, olika utfallsmått och patientgrupper som inte går att jämföra.

För oss som jobbar med AI inom läkemedel och bioteknik är det här ett perfekt exempel på när tekniken faktiskt kan göra nytta utan att någon behöver “tro” på den. När evidensen är tunn eller fragmenterad kan AI hjälpa oss att sortera, standardisera och prioritera vad som ska studeras – och hur.

Den här texten tar avstamp i den nya kunskapsöversikten (publicerad 2025-12-09) som pekar på svagt stöd för många cannabisterapier, och bygger vidare: varför blir det så här, vad betyder det för Sverige, och vilka AI-metoder kan realistiskt förbättra forskningsläget redan 2026?

Varför “svagt stöd” trots massor av forskning?

Kärnproblemet är inte brist på artiklar – det är brist på jämförbarhet. När cannabis används medicinskt hamnar man snabbt i ett lapptäcke av produkter (THC-dominant, CBD-dominant, blandningar), administrationssätt (oral, inhalation, spray), varierande styrkor och otydliga kliniska mål.

Den aktuella forskningsöversikten granskade mer än 2 500 studier (2010–2025) och pekar på att många vanliga användningsområden – exempelvis kronisk smärta – inte har robust evidens. Det kan låta kontraintuitivt, men är faktiskt vanligt i områden där:

• patienterna skiljer sig mycket åt (smärta är flera diagnoser i en),
• måtten är “mjuka” (sömnkvalitet, ångest, upplevd smärta),
• dosering och innehåll varierar kraftigt,
• studierna blir små och korta.

Heterogenitet: cannabis är inte en “substans” i praktiken

När någon säger “medicinsk cannabis” kan det betyda helt olika saker. Det är en av de största orsakerna till att forskningsfältet får svårt att bygga kumulativ kunskap.

En praktisk jämförelse från läkemedelsutveckling: om vi i en meta-analys skulle blanda flera statiner i olika doser, olika behandlingslängd och olika patientgrupper – och dessutom inkludera observationsstudier och RCT:er om vartannat – skulle slutsatsen ofta bli: svårt att säga något säkert.

Studiedesign och bias: när “verkligheten” inte kan skiljas från effekten

Översikten lyfter också begränsningar: den var inte systematisk och många ingående studier var observationsstudier där confounding kan spela stor roll. I cannabisterapier är det extra relevant eftersom användning ofta hänger ihop med andra faktorer: samsjuklighet, samtidig medicinering, sociala faktorer och tidigare behandlingsmisslyckanden.

En hård men rättvis formulering: “Om vi inte kan skilja behandlingseffekt från livssituation, då mäter vi inte läkemedel – vi mäter kontext.”

Vad gäller i Sverige – och varför skillnaden mot USA spelar roll

Sverige har en mer avgränsad läkemedelslogik för cannabisbaserade behandlingar. I praktiken finns två godkända cannabisbaserade läkemedel:

• Sativex (nabiximols) mot spasticitet vid MS när andra alternativ inte räcker.
• Epidyolex (cannabidiol) som tillägg vid vissa svårbehandlade epilepsiformer.

Utöver detta kan läkare förskriva på licens när motsvarande alternativ saknas.

Det här är viktigt: när ett preparat är godkänt finns det tydligare produktdefinition, dosering och indikation. Det är precis den typen av standardisering som gör att evidens kan byggas.

Samtidigt visar svenska bedömningar (exempelvis en SBU-kommentar om cannabinoider vid smärta) ett återkommande mönster: vissa studier antyder lindring, men underlaget räcker inte för att säga att effekten är säker eller kliniskt meningsfull för rätt patienter.

Riskbilden måste tas på lika stort allvar som effektfrågan

Översikten lyfter möjliga risker med dagligt bruk, särskilt inhalerade/högpotenta produkter, kopplat till kardiovaskulär risk (kranskärlssjukdom, hjärtinfarkt, stroke). För svensk kontext betyder det att “alternativ behandling” inte får bli en genväg runt farmakovigilans.

Min erfarenhet är att många team underskattar hur mycket nytt evidensarbete som krävs när en behandling både har varierande exponering och socialt laddad användning. Det är inte ett argument mot forskning – tvärtom. Men det är ett argument för bättre metoder.

Där AI faktiskt gör skillnad: från rörig evidens till testbara hypoteser

AI är som mest användbar när problemet handlar om volym, variation och mönsterigenkänning. Cannabisterapier checkar alla tre boxarna.

1) AI för evidenskartläggning: snabbare och mer konsekvent översiktsarbete

När forskare går igenom tusentals publikationer blir de mänskliga flaskhalsarna tydliga: screening, kvalitetsbedömning, extraktion av data och harmonisering av utfall.

Med moderna NLP-metoder (språkmodeller och informationsutvinning) kan man:

• identifiera studier som faktiskt matchar en PICO-fråga,
• extrahera dos, administrationssätt, studieduration och utfallsmått,
• flagga risk för bias baserat på rapporteringsmönster,
• gruppera studier efter jämförbar produktprofil (t.ex. THC/CBD-kvot).

Det ersätter inte metodkompetens. Men det kan minska tiden från idé till evidensbild – och göra det lättare att uppdatera översikter löpande, vilket är extra relevant i ett snabbt publicerande fält.

2) AI för att standardisera “vad vi menar” med behandling

Här finns en konkret vinst: ontologier och datastandarder.

AI-stödd harmonisering kan hjälpa forskningsgrupper att mappa olika benämningar och produktdata till en gemensam struktur:

• aktiv substans/profil (THC, CBD, andra cannabinoider),
• dosintervall och exponering,
• administrationsväg,
• indikationsdefinition (t.ex. neuropatisk smärta vs nociceptiv).

När datan blir jämförbar blir nästa steg (riktiga effektanalyser) plötsligt möjligt.

3) AI i kliniska studier: smartare rekrytering och bättre end points

Om kronisk smärta är ett område med svaga bevis handlar det ofta om att vi testar på “fel” sätt. AI kan förbättra kliniska studier utan att kompromissa med reglering:

• Fenotypning av patienter: klustra smärtpatienter i mer homogena undergrupper baserat på journaldata, PROs och biomarkörer.
• Prediktiva modeller för responders: identifiera vilka som har högre sannolikhet att svara på en viss cannabinoidprofil.
• Digitala biomarkörer: använda data från wearables/sömnmätning som kompletterar subjektiva skattningar.

Det här är inte science fiction. Det är samma typ av metodik som redan används inom onkologi, neurologi och kardiologi – och som nu kan appliceras på terapier där signalen är svag och brusnivån hög.

4) Real world data (RWD): där hype ofta finns, men potentialen är riktig

Många vill använda RWD som genväg till “bevis”. Jag tycker man ska vara striktare än så.

AI på RWD är värdefullt när målet är hypotesgenerering och säkerhetssignaler, inte när man försöker ersätta randomiserade studier.

Exempel på rimliga RWD-frågor där AI kan bidra:

• Finns det patientgrupper där vårdkonsumtion minskar efter insättning?
• Ökar risken för fall, kognitiva biverkningar eller interaktioner vid vissa kombinationer?
• Vilka dosmönster är kopplade till avbruten behandling?

Om man kopplar detta till svensk verklighet (register, uppföljning, farmakovigilans) kan det bli en praktisk motor för att prioritera vilka RCT:er som är mest värda att göra.

En pragmatisk plan för 2026: så bygger man bättre evidens snabbare

Målet är inte att “bevisa cannabis”. Målet är att snabbt identifiera var effekten finns – och var den inte finns – med minsta möjliga slöseri. Här är ett upplägg jag skulle föreslå för ett biotech, ett akademiskt konsortium eller en FoU-nära vårdaktör.

Steg 1: Bygg en evidensgraf

Samla publicerade studier och strukturera dem i en grafdatamodell:

• nod = studie, preparatprofil, indikation, utfall
• kant = relation (jämförbarhet, doslikhet, metodlikhet)

AI används för att automatisera extraktion och gruppering. Resultatet blir en karta som visar var evidens faktiskt klustrar – och var den är tunn.

Steg 2: Definiera “minsta gemensamma” end points

För smärta och sömn behövs ett baspaket av utfallsmått som alltid ingår. Annars blir varje ny studie en ö.

Ett realistiskt baspaket kan vara:

• smärtintensitet (standardiserad skala),
• funktion (t.ex. aktivitetsförmåga),
• sömn (subjektivt + objektivt mått när möjligt),
• biverkningar och avbrott,
• samtidig opioid/analgetikaanvändning.

Steg 3: Kör små, snabba RCT:er där AI gör rekryteringen vass

Små studier är inte problemet. Dåligt designade små studier är problemet.

Med AI-stöd för urval (strikt inklusion, homogen grupp) kan en mindre RCT ge tydligare signal. Och om signal saknas kan man avsluta tidigt med hedern i behåll.

Steg 4: Koppla på säkerhetsuppföljning från dag 1

Särskilt för produkter och administrationssätt där kardiovaskulär risk diskuteras. Säkerhet ska inte vara en eftertanke.

Vanliga frågor jag får (och raka svar)

Hjälper medicinsk cannabis vid kronisk smärta?

Evidensen är ofta svag eller osäker för många smärttillstånd. Det betyder inte “ingen effekt”, men att vi inte kan säga säkert vilka patienter som har nytta och på vilken produkt/dos.

Varför finns det godkända cannabisläkemedel om stödet är svagt?

För vissa avgränsade indikationer finns bättre underlag. Godkännande handlar om specifika preparat, inte om cannabis som generell behandling.

Kommer AI ersätta kliniska studier?

Nej. AI kan göra kliniska studier smartare, snabbare och mer riktade, men evidens för effekt kräver fortfarande robust studiedesign.

Nästa steg: vill ni bygga evidens som håller?

Den nya kunskapsöversikten säger egentligen en sak: fältet behöver bli mer disciplinerat. Mindre spret, mer standardisering, bättre jämförbarhet. Där kan AI göra jobbet som människor är dåliga på: sortera stora mängder information konsekvent och hitta mönster som går att testa.

Om ni arbetar med läkemedelsutveckling, kliniska studier eller evidensstrategi i Sverige 2026 är min ståndpunkt tydlig: alternativa behandlingar förtjänar samma evidensmaskineri som allt annat. Det är så man skyddar patienter, sparar FoU-budget och undviker att “populära” terapier får glida fram på förväntningar.

Vilket område skulle du vilja se nästa AI-drivna evidenslyft inom: smärta, sömn, ångest – eller något helt annat där forskningen fastnat i fragment?