AI och EMA: så snabbar data upp nya covidvaccin

EMA:s läkemedelskommitté CHMP har nyligen rekommenderat godkännande av ett nytt mRNA-vaccin mot covid-19 (Modernas Mnexspike). Det är lätt att läsa en sådan rubrik som “ännu ett vaccin” och bläddra vidare. Jag tycker det är ett misstag. Varje nytt EMA-beslut är i praktiken ett stresstest av Europas förmåga att värdera data snabbt, rättvist och säkert – särskilt när viruset fortsätter att förändras.

Det som händer bakom kulisserna är minst lika intressant som själva rekommendationen. Vi pratar om stora kliniska dataset, snabbt skiftande riskbilder, komplexa produktionskedjor och en regulatorisk process där kvalitet på evidens slår allt annat. Här har AI och avancerad dataanalys en tydlig roll: inte för att “ersätta” regulatorer, utan för att göra beslutsunderlaget mer robust, mer spårbart och mindre tidskrävande.

I den här delen av vår serie ”AI inom läkemedel och bioteknik” använder jag EMA:s gröna ljus som en konkret fallstudie: vad krävs egentligen för att ett vaccin ska nå mål, och var kan AI faktiskt kapa tid utan att tumma på säkerheten?

EMA:s rekommendation: vad säger den – och vad säger den inte?

En CHMP-rekommendation betyder att EMA bedömer att nytta–risk-balansen för vaccinet är positiv, baserat på inskickad dokumentation. Det är en viktig milstolpe, men det är inte en “magisk stämpel” som gör att allt är klart. Efter rekommendationen följer formalia på EU-nivå, och därefter tar nationella system vid kring upphandling, riktlinjer och implementering.

Det vi vet från den publika informationen är att vaccinets effekt har utvärderats i en studie med cirka 11 000 deltagare och att det handlar om ett mRNA-vaccin som kodar för delar av ett protein från SARS‑CoV‑2. För utvecklings- och regulatoriska team är 11 000 inte bara en siffra – det är en indikation på datavolym, event-rate-problematik, subgruppsanalyser och hur mycket arbete som krävs för att få dataset “regulator-ready”.

Varför “ännu ett mRNA-vaccin” fortfarande spelar roll

Det korta svaret: redundans och alternativ är en styrka i folkhälsa.

• Nya vacciner kan ge bättre matchning mot cirkulerande varianter.
• De kan ha praktiska fördelar (t.ex. dosering, hantering, leveranskapacitet).
• Fler godkända produkter minskar sårbarhet i leveranskedjor.

Men i en europeisk kontext handlar det också om att varje nytt vaccin tvingar fram bättre processer för hur vi bedömer evidens – och där är AI relevant.

Där AI gör mest nytta: från klinisk analys till regulatoriskt beslutsstöd

AI ger störst effekt när den används för att minska friktion i dataflöden och för att göra analyser mer reproducerbara. Här är de områden där jag ser att AI redan idag kan spara månader i utvecklings- och godkännandeprocesser – utan att sänka ribban.

Snabbare och renare kliniska data (utan att chansa)

Mycket tid går åt till “datahygien”: att hitta avvikelser, dubbelregistreringar, saknade värden, kodningsfel och inkonsekvenser mellan källor (eCRF, labb, wearables, SAE-rapporter). Här kan ML-modeller användas som avvikelsedetektorer och prioriteringsmotorer.

Praktiskt exempel:

• Modellen flaggar patientposter med osannolika kombinationer (t.ex. dosdatum efter uppföljningsbesök).
• Systemet prioriterar de queries som mest sannolikt påverkar primära endpoints.
• QA-teamet jobbar riskbaserat i stället för “allt lika mycket”.

Det är ingen liten skillnad. Det flyttar resurser från administration till vetenskap.

Prediktiva riskmodeller för säkerhet (signalspaning med disciplin)

Vaccinsäkerhet är ett område där man vill vara både snabb och extremt försiktig. AI kan bidra med tidig signalspaning genom att analysera mönster i biverkningsrapporter och jämföra mot bakgrundsincidens i relevanta populationer.

Det viktiga är ramen runt tekniken:

• Trösklar och larmregler måste vara fördefinierade.
• Modellen måste vara spårbar: varför blev det en flagga?
• Resultatet måste gå att granska med klassiska metoder (t.ex. stratifierade analyser).

AI ska inte vara “domare”. Den ska vara en snabb och konsekvent assistent.

Automatiserad dokumentation: den tråkiga delen som tar längst tid

Regulatoriska ansökningar kräver omfattande dokumentation: studiedesign, analysplaner, kvalitetsdokument, produktionsdata, riskhanteringsplaner och sammanställningar av evidens. Här finns en stor potential i AI-stöd för:

• att skapa första utkast av sammanfattningar baserade på godkända mallar,
• att kontrollera konsistens mellan tabeller, figurer och text,
• att hitta motsägelser (t.ex. olika versioner av endpoint-definitioner).

Det handlar mindre om “språkmodeller som skriver” och mer om kvalitetssäkring i dokumentflödet.

En bra tumregel: AI ska kapa tid i repetitiva steg, men aldrig ta bort mänskligt ansvar i beslutspunkter.

EMA och AI: vad som krävs för att regulatorer ska lita på modellen

AI i regulatoriska sammanhang faller ofta på en enkel sak: tillit. EMA (och andra myndigheter) bryr sig inte om att något är tekniskt imponerande. De bryr sig om att det är validerat, spårbart och relevant.

Här är tre krav som jag anser är icke-förhandlingsbara om du vill använda AI i klinik/regulatorik:

1) Spårbarhet och audit trail

Varje datapunkt som påverkar ett beslut måste kunna följas: från källa → transformation → analys → resultat. Det gäller särskilt om AI används för att prioritera avvikelser eller tolka text.

2) Validering mot “ground truth”

Du behöver visa hur modellen presterar mot en definierad referens:

• sensitivitet/specificitet för att hitta relevanta avvikelser,
• stabilitet över tid och mellan studiesajter,
• bias-analys (missar modellen vissa grupper?).

3) Robusthet när verkligheten ändras

Covid-19 har lärt oss att förutsättningar ändras snabbt: varianter, immunitet i befolkningen, testmönster, vårdsökande. AI-modeller måste ha plan för:

• drift (modellens prestanda glider),
• omträning,
• “fallback”-process om modellen stängs av.

Det här är inte bara tekniska detaljer. Det är det som gör att AI kan användas i skarpa regulatoriska flöden.

En praktisk plan: så kan biotech-team använda AI inför EMA-dialog

För team inom biotech och läkemedel som vill gå från “AI på PowerPoint” till verklig effekt finns en ganska rak väg. Här är en konkret plan jag brukar rekommendera.

Steg 1: Välj ett smalt användningsfall med tydlig ROI

Bra första use cases är sådant som är mätbart och repetitivt:

1. Riskbaserad data cleaning (query-prioritering)
2. Automatisk kodningskontroll (MedDRA/WHODrug-avvikelser)
3. Konsistenskontroll i dokumentpaket (CSR-moduler)

Målet är att kunna säga: “Vi sparade X timmar och minskade Y fel.” Inte “det kändes bättre”.

Steg 2: Bygg governance innan du bygger modell

Det låter tråkigt, men det är här framgången sitter:

• datakatalog och datadefinitioner,
• rollbaserad åtkomst,
• versionshantering av dataset och modeller,
• tydliga regler för när människa måste granska.

Steg 3: Förbered regulatoriskt språk

Om du använder AI i en process som påverkar regulatoriska dokument eller analyskedjor behöver du kunna beskriva:

• syfte och begränsningar,
• valideringsupplägg,
• riskanalys (vad händer om modellen har fel?),
• kontrollmekanismer.

Det är exakt den typen av tydlighet som skapar förtroende i dialoger med myndigheter.

Vanliga frågor som dyker upp (och raka svar)

“Kan AI göra att EMA godkänner vaccin snabbare?”

Ja – indirekt. AI kortar tiden i steg som handlar om datahantering, signalspaning och dokumentproduktion. Själva kravet på evidens försvinner inte, och det ska det inte heller.

“Är det säkert att använda AI i kliniska studier?”

Det är säkert när AI används inom en kontrollerad process med validering, audit trail och mänsklig granskning. Det är osäkert när AI blir en svart låda utan tydliga stoppregler.

“Behöver mindre bolag ens bry sig?”

Ja. Mindre bolag har ofta mindre utrymme för omtag. AI kan minska risken för sena dataproblem som annars kostar tid, pengar och förtroende.

Varför just nu: december, booster-säsong och högre krav på tempo

Att CHMP rekommenderar ett nytt covid-19-vaccin i december 2025 passar en verklighet där vaccination och riskhantering ofta intensifieras under vinterhalvåret. Samtidigt har marknaden och vården blivit mer krävande: uppdaterade varianter, logistik, tydlig nytta för riskgrupper och bättre beslutsstöd i regionerna.

Det gör att “time-to-decision” blir en konkurrensfaktor – inte genom att slarva, utan genom att ha bättre processer. Min ståndpunkt är att AI, rätt implementerad, är ett av få verktyg som kan öka tempot utan att försämra kvaliteten.

Det är också därför EMA-beslut som det här är intressanta långt utanför covid: samma principer gäller för onkologi, sällsynta sjukdomar och nästa generations vacciner.

Nästa steg för dig som vill göra det här på riktigt

Om du arbetar i läkemedel, biotech eller med kliniska prövningar och vill använda AI för att få mer fart i utveckling och regulatorisk leverans: börja med ett område där resultatet går att mäta på 8–12 veckor. När du har en fungerande “motor” för datakvalitet och spårbarhet blir det mycket enklare att skala till mer avancerade modeller.

Jag tror att de bolag som vinner 2026 inte är de som pratar mest om AI, utan de som gör regulatoriskt kompatibel AI till en del av sin vardag. EMA:s fortsatta godkännanden blir då inte bara nyheter – de blir kvitton på att bättre dataarbete ger snabbare patientnytta.

Vilken del av din egen utvecklingskedja skulle du vilja att en AI-assistent tog hand om först: datarensning, säkerhetssignalering eller dokumentkonsistens?