AI och gravidas vaccinbeslut: så ökar vi förtroendet

Influensasäsongen är här igen, och för många gravida blir ett kort samtal på MVC plötsligt ett beslut med hög insats: vaccinera sig eller avstå. Det märkliga är att vi i Sverige redan har tydliga rekommendationer (influensa och kikhosta) och att vaccinationen är kostnadsfri – ändå varierar vaccintäckningen kraftigt mellan regioner och mellan olika grupper.

Det är precis den typen av problem som ofta missförstås. Många antar att allt handlar om ”attityd” eller ”kunskapsbrist”. I praktiken handlar det lika mycket om hur information ges, när den ges, hur smidig logistiken är och vilka erfarenheter kvinnan bär med sig in i graviditeten. Det här är också ett område där AI inom läkemedel och bioteknik kan bidra: inte genom att ”övertala”, utan genom att hjälpa vården att förstå mönster, hitta friktion och göra stödet mer träffsäkert.

Karolinska institutets kvalitativa intervjustudie VIPS‑Q (Vaccination in pregnancy study – qualitative) tar sikte på exakt detta: att förstå vad som faktiskt driver gravidas beslut om vaccin. För mig är det ett av de mest konkreta exemplen på hur beteendedata, klinisk verklighet och AI kan mötas – på ett sätt som kan göra vården mer jämlik.

VIPS‑Q: varför gravida tackar ja (eller nej)

VIPS‑Q angriper kärnfrågan: vilka faktorer påverkar gravidas beslut om vaccination under graviditet? Studien genomförs som djupintervjuer med cirka 40 kvinnor 3–12 månader efter förlossning, där hälften vaccinerade sig (mot influensa, RSV, covid‑19 och/eller kikhosta) och hälften inte gjorde det. Dessutom planeras fokusgrupper med läkare och barnmorskor inom mödrahälsovården.

Det upplägget är smart av två skäl:

1. Man fångar resonemangen, inte bara utfallet. Registerdata kan visa att någon avstod, men inte varför.
2. Man speglar två perspektiv samtidigt. Dels kvinnans beslut, dels vårdpersonalens upplevelser av tvekan, frågor och hinder i vardagen.

Vad studien vill komma åt – på riktigt

Intervjufrågorna är i praktiken en karta över allt som kan gå fel (eller rätt) i vaccinationsresan:

• Hur resonerar man kring risk och nytta för sig själv och barnet?
• Vilken roll spelar barnmorskans rekommendation?
• Hur påverkar tillgänglighet: tider, drop‑in, samordning med andra besök?
• Vilka är de största hindren: oro, tidigare biverkningar, social påverkan, språk, stress, brist på tid?

Det här är beteendevetenskap i klinisk miljö. Och det är guld för den som vill bygga bättre beslutsstöd – även med AI.

Sveriges rekommendationer: samma råd, olika utfall

Den korta versionen är enkel:

• Influensavaccin rekommenderas för gravida inför höst- och vintersäsong.
• Kikhostevaccin rekommenderas för gravida året runt för att skydda det nyfödda barnet via antikroppar som överförs i moderkakan.
• Båda är gratis för gravida i hela landet.

Samtidigt pågår en diskussion om RSV-skydd. I dagsläget erbjuds inte RSV‑vaccin generellt kostnadsfritt till gravida, och prisnivån (runt 2 000 kronor) gör det i praktiken till en jämlikhetsfråga. Alternativet som används brett är antikroppsläkemedlet nirsevimab till nyfödda.

Här finns en viktig poäng för alla som jobbar med life science, folkhälsa eller AI: när ekonomiska och praktiska trösklar ändras, ändras också beslutsmönstren. Det är exakt sådant AI kan hjälpa till att modellera – om vi designar analysen rätt.

Där AI faktiskt gör nytta: från ”varför” till ”vad ska vi göra åt det?”

AI behövs inte för att ersätta barnmorskan. AI behövs för att hjälpa vården att se helheten och agera konsekvent. Den viktigaste bryggan mellan VIPS‑Q och AI är detta: kvalitativa intervjuer kan omvandlas till strukturerad kunskap som går att testa, skala och förbättra.

1) AI för att analysera intervjuer – snabbare och mer systematiskt

Kvalitativa studier är tidskrävande att analysera. Här kan moderna språkmodeller användas som stöd för forskare (inte som ”domare”) genom att:

• föreslå kodningsteman (t.ex. riskuppfattning, tillit, logistik, socialt stöd)
• hitta återkommande fraser och resonemang
• jämföra skillnader mellan grupper (vaccinerade/ovaccinerade, region, ålder, förstföderska/omföderska)

Det viktiga är transparens: temana ska gå att spåra tillbaka till citat, och forskaren måste kunna motivera varje steg.

2) Prediktiva modeller för att hitta ”friktion” i vårdflödet

När man kombinerar insikter från VIPS‑Q med befintliga vårddata (på ett integritetssäkert sätt) kan man bygga modeller som inte säger ”du borde”, utan som säger:

”Här är de situationer där vaccination ofta faller bort – och här är vad som brukar hjälpa.”

Exempel på prediktiva signaler (på gruppnivå, inte för att peka ut individer):

• sen inskrivning på MVC
• missade återbesök
• språkliga behov (tolkbokningar)
• brist på samordning mellan besök och vaccinationstillfälle

Det här kan bli underlag för förbättringsarbete: fler drop‑in‑tider, tydligare SMS‑påminnelser, vaccination i samband med rutinbesök, eller bättre material på relevanta språk.

3) Personlig medicin – fast för information och stöd

”Personlig medicin” handlar ofta om biomarkörer. Men i mödrahälsovården är personalisering av kommunikation minst lika avgörande.

AI kan hjälpa till att anpassa patientinformation utan att tumma på medicinsk korrekthet:

• korta versioner för den stressade
• fördjupning för den som vill läsa studier och riskdata
• visuella förklaringar för den som tar till sig bättre via bild
• språkversioner och lättläst

Det är inte marknadsföring. Det är vårdkvalitet.

De vanligaste hindren – och hur man minskar dem

Det som ofta avgör vaccinbeslut under graviditet är inte en enda faktor, utan en kedja. Bryt kedjan på rätt ställe så ökar täckningen.

Oro för barnet: hantera risk på ett vuxet sätt

Oro för att skada barnet är rationellt; graviditet gör riskbedömning mer känslig. Det som fungerar bäst i samtal är konkretisering:

• Vad är risken med sjukdomen under graviditet?
• Vilken nytta får barnet av kikhostevaccin via antikroppar?
• Vilka biverkningar är vanliga och ofarliga, och vilka är ovanliga?

AI kan bidra genom att ge vårdpersonal bättre beslutsunderlag och genom att kvalitetssäkra att informationen är konsekvent mellan mottagningar.

Tillit till vården: den byggs i detaljer

Tillit skapas inte av en broschyr. Den skapas av att informationen:

• kommer i rätt tid (inte sista veckan)
• är konsekvent mellan olika vårdkontakter
• ges med respekt för individens oro

VIPS‑Q:s fokusgrupper med barnmorskor och läkare blir extra viktiga här. Om vårdpersonalen själva upplever otydlighet, tidsbrist eller osäkerhet i riktlinjer, märks det direkt i patientmötet.

Praktik och logistik: små hinder blir stora

Ett återkommande mönster i många vaccinationsprogram är att folk inte ”väljer bort” – de ”hinner inte”.

En pragmatisk checklista för mottagningar:

1. Kan vaccination göras i samma besök som rutinprov?
2. Finns drop‑in några tider i veckan?
3. Får patienten en tydlig plan (datum/tid) i stället för ett generellt råd?
4. Får patienten en påminnelse (SMS/1177‑flöde) när säsongen startar?

AI kan användas för kapacitetsplanering (bemanning vs. efterfrågan) och för att hitta flaskhalsar i flödet.

Så här kan en AI-driven ”insiktskedja” se ut i praktiken

Om man vill gå från forskning till mätbar effekt utan att skapa integritetsproblem brukar jag föreslå en enkel kedja i fyra steg:

1. Kvalitativa insikter (som VIPS‑Q): förstå språk, oro, beslutspunkter.
2. Strukturerade teman: kodning av hinder/underlättare (mänskligt granskat).
3. Testbara åtgärder: t.ex. ny kallelsetext, samordnade besök, språkstöd.
4. Uppföljning: jämför vaccintäckning, upplevelse och jämlikhet mellan grupper.

Det här är ett typiskt life science-upplägg där AI är en möjlig katalysator, men där framgången avgörs av design, etik och införande i vardagen.

Vanliga frågor (som VIPS‑Q och AI kan besvara bättre)

”Varför räcker det inte med att vaccinet är gratis?”

För att kostnad bara är en del av tillgänglighet. Tid, kallelser, trygghet, språk och tidigare erfarenheter är minst lika avgörande.

”Riskerar AI att spä på misstro?”

Ja, om det upplevs som övervakning eller manipulation. Därför ska AI här användas för att förbättra processer och information på gruppnivå, med tydlig transparens och starkt integritetsskydd.

”När kommer resultat från VIPS‑Q?”

Intervjuer planeras genomföras under våren 2026 och fokusgrupper under hösten 2026. Analysen tar minst ett halvår, med målsättning att publicera första resultat under 2027.

Vad du kan göra redan nu – oavsett om du jobbar i vård, biotech eller data

Om du ansvarar för vårdflöden: börja mäta friktion. Var faller det bort? Vid information, bokning eller utförande?

Om du jobbar med AI i hälso- och sjukvård: fokusera på förklarbarhet och införande. En modell som ingen litar på eller hinner använda är bara en rapport.

Om du är i läkemedel eller bioteknik: se mödrahälsovården som en plats där AI-driven personalisering faktiskt kan göra nytta snabbt – men bara om den är respektfull, enkel och kliniskt förankrad.

Gravidas vaccinbeslut är inte ett mysterium. Det är ett system av små beslutspunkter där rätt stöd i rätt ögonblick gör stor skillnad. Och det är där AI inom läkemedel och bioteknik kan bidra mest: genom att göra vården mer lyhörd, mer jämlik och mer praktiskt fungerande.

Frågan framåt är enkel: när vi vet mer om varför beslut tas, är vi beredda att ändra hur vi organiserar stödet?