AI och TLV: därför kan gratis Leqembi ändå bli “dyrt”

TLV:s besked om Alzheimerläkemedlet Leqembi sticker ut: enligt myndighetens analys skulle behandlingen inte vara kostnadseffektiv ens om läkemedlet vore gratis. Det är en formulering som får folk att haja till – inte bara för att Leqembi är ett av de mest omtalade biotekniska läkemedlen inom Alzheimer på länge, utan för att den blottar en obekväm sanning i svensk vårdstyrning.

När ett läkemedel “faller” på kostnadseffektivitet trots noll pris handlar det nästan alltid om systemkostnaderna runt omkring: diagnostik, infusioner, uppföljning, biverkningshantering, bilddiagnostik, personal, logistik – och framför allt osäkerhet i effekt och långsiktiga utfall. Det här är exakt den typ av beslutssituation där AI inom läkemedel och bioteknik kan göra störst nytta: inte genom att skapa hype, utan genom att göra modellerna mer verklighetsnära, snabbare att uppdatera och lättare att granska.

Artikeln om TLV:s utvärdering (publicerad 2025-12-17) och kritiken från svensk hälsoekonomisk expertis är därför mer än en nyhet. Den är ett case i varför dagens hälsoekonomiska arbetssätt behöver moderniseras – och varför AI-baserade analyser är nästa logiska steg för Sverige.

Vad betyder “inte kostnadseffektivt även om priset är 0 kr”?

Det betyder att den totala kostnaden per vunnet hälsoutfall (ofta uttryckt som kostnad per QALY, kvalitetsjusterat levnadsår) blir för hög jämfört med vad vården brukar acceptera – även när läkemedelskostnaden tas bort.

I praktiken landar man då i tre huvudförklaringar:

1. Behandlingsinfrastrukturen är dyr. Leqembi ges som infusion, kräver planering, vårdresurser och monitorering.
2. Uppföljningen är tung. För anti-amyloidbehandlingar är bilddiagnostik och säkerhetsuppföljning centralt, eftersom vissa biverkningar behöver fångas tidigt.
3. Effekten är för osäker i rätt patientgrupp. Om nettoeffekten (i QALY) blir liten eller osäker, blir kvoten snabbt ogynnsam.

En enkel tumregel: Om nyttan är osäker och processkostnaderna är säkra, vinner processkostnaderna nästan alltid i en kostnadseffektivitetsmodell.

Det här är också förklaringen till varför TLV:s analys kan skilja sig kraftigt från företagens egna modeller. Företag tenderar att optimera antaganden kring adherence, urval av patienter, vårdflöden och långsiktig effekt. TLV behöver göra antaganden som håller för svensk vardag och en bredare, mer heterogen verklighet.

Varför blir TLV:s och bolagets analyser så olika?

Skillnaderna beror sällan på “räknefusk”. De beror på att hälsoekonomi är en kedja av antaganden. Små avvikelser i kedjan kan ge stora utslag i slutresultatet.

Antaganden som ofta avgör hela utfallet

Här är de antaganden jag oftast ser som mest avgörande i den här typen av utvärderingar:

• Målpopulation: Vem får behandlingen i praktiken? Strikt biomarkörstyrt urval eller bredare kliniskt urval?
• Tidshorisont: Räknar man på 5 år, 10 år eller livstid? Alzheimer är långsamt progressiv – men vårdens resurser belastas tidigt.
• Persistens och avbrott: Hur många fullföljer? Hur hanteras avbrott i modell?
• Effektöverföring: Hur översätter man kognitiva testresultat till livskvalitet (QALY) och behov av särskilt boende?
• Resursåtgång: Hur många MR/CT, neurologbesök, infusionstider, akuta insatser och extra labb krävs?
• Biverkningar: Hur ofta uppstår kliniskt relevanta händelser som kräver vårdinsats?

När en svensk expert (som i artikeln) menar att utvärderingen bör göras om med nya antaganden är det i grunden en fråga om: vilka antaganden speglar svensk klinisk verklighet bäst, och vilka är mest rimliga under osäkerhet?

Här passar AI in: bättre modeller, snabbare iterationer, mer transparens

AI i hälsoekonomi handlar inte om att ersätta TLV, regionerna eller kliniken. Det handlar om att göra beslutsunderlaget mer robust och mer uppdaterbart när ny evidens kommer.

1) AI kan förbättra patientselektionen (och därmed QALY)

Kostnadseffektivitet för Alzheimerbehandlingar avgörs ofta av att rätt patienter behandlas tidigt – och att patienter med hög risk för biverkningar eller låg sannolik nytta identifieras.

AI kan bidra genom att kombinera:

• kliniska data (ålder, komorbiditet, läkemedel)
• kognitiva testmönster
• bilddiagnostik
• blod- och CSF-biomarkörer
• real world data från svensk vård

Resultatet blir mer precisa prediktioner av förväntad nytta och förväntad resursåtgång. När variationen minskar förbättras både medicinsk kvalitet och hälsoekonomisk precision.

2) AI kan göra kostnadskomponenterna mindre “schabloniga”

Många modeller bygger på genomsnittskostnader: “en infusion kostar X”, “en MR kostar Y”. Men vårdprocesser varierar enormt mellan regioner och sjukhus.

Med AI-stödd process mining (analys av vårdflöden i journalsystem och bokningsdata) kan man:

• kartlägga verkliga patientflöden
• räkna faktisk tidsåtgång och personalmix
• identifiera flaskhalsar (t.ex. MR-köer)
• simulera kapacitetsbehov vid införande

Det gör en avgörande skillnad i ett scenario där läkemedelspriset är mindre viktigt än kringkostnaderna.

3) AI kan hantera osäkerhet bättre än “en modell med några scenarier”

Traditionellt gör man känslighetsanalyser med ett antal alternativ: bästa fall, sämsta fall, några rimliga scenarier. Det fungerar – men det är grovkornigt.

AI och modern probabilistisk modellering kan istället hjälpa till att:

• lära fördelningar från real world data
• identifiera vilka parametrar som faktiskt dominerar osäkerheten
• föreslå vilken ny evidens som är mest värdefull att samla in (så kallad value of information)

Det här är viktigt för regioner som står inför beslut om införande, men också för bolag som vill designa uppföljningsstudier som minskar osäkerheten där det spelar mest roll.

Ett praktiskt exempel: när “gratis” ändå spräcker budgeten

Om vi tänker bort läkemedelspriset helt återstår det som ofta blir den stora posten: implementeringen.

En förenklad lista över kostnadsdrivare för en infusionbaserad Alzheimerbehandling kan vara:

• Utredning och biomarkörtestning för att bekräfta rätt diagnos och stadium
• Kapacitet för infusioner (lokal, sjuksköterska, övervakning, schemaläggning)
• Återkommande bilddiagnostik och läkaruppföljning
• Handläggning av biverkningar (extra besök, akutinsatser, inläggningar)
• Administration, koordinering och patientstöd

Om effekten samtidigt är modest i populationen, eller koncentrerad till en mindre subgrupp, hamnar modellen lätt i läget: höga säkra kostnader + osäkra nyttor.

Här blir AI en strategisk möjlighet: om AI kan hjälpa vården att välja rätt patientgrupp och optimera flödet minskar kostnaden per QALY utan att man behöver “tro mer” på effekten än evidensen tillåter.

Så kan svenska aktörer använda AI redan 2026

Det här är inte ett femårsprojekt. Det går att göra i små, kontrollerade steg med tydlig governance.

För regioner och vårdgivare

1. Bygg en lokal “cost-to-serve”-modell för Alzheimerflödet: tider, resurser, MR-kapacitet, återbesök.
2. Inför AI-stödd triagering i utredningen (beslutsstöd, inte automatiska beslut) för att prioritera patienter där nyttan sannolikt är högst.
3. Mät real world outcomes systematiskt (kognition, ADL, vårdkonsumtion) så att modellen kan uppdateras kvartalsvis.

För biotech- och läkemedelsbolag

1. Designa studier för generaliserbarhet, inte bara signifikans: vilka patienter finns i svensk vardag?
2. Planera för hälsoekonomisk evidens i protokollet: resursutnyttjande, uppföljningsbörda, subgruppssignaler.
3. Leverera modeller som går att granska: spårbara antaganden, känslighetsanalyser som speglar svensk logistik.

För beslutsfattare och myndigheter

1. Standardisera datagränssnitt för real world data så modeller kan uppdateras när ny evidens kommer.
2. Acceptera adaptiva införanden: villkorade beslut med tydliga mätpunkter och omprövningsdatum.
3. Sätt krav på transparens i AI-modeller: dokumentation, bias-analys och klinisk rimlighet.

Vanliga följdfrågor (och raka svar)

Är det här ett argument mot Alzheimerläkemedel?

Nej. Det är ett argument mot att införa komplexa behandlingar med svag implementeringsplan och otydlig real world-uppföljning. Det är två olika saker.

Varför pratar alla om kostnadseffektivitet när patientbehovet är enormt?

För att resurser är ändliga. Om vi lägger stora resurser på en insats med liten nytta tränger vi undan andra insatser som räddar fler QALY per krona.

Kan AI “bevisa” kostnadseffektivitet?

AI kan inte trolla fram effekt som inte finns. Men AI kan minska osäkerhet, förbättra patienturval och göra resursåtgången mer korrekt – vilket är exakt det som ofta avgör utfallet.

Nästa steg: gör hälsoekonomin mer verklig, inte mer teoretisk

TLV:s signal om att Leqembi inte skulle vara kostnadseffektivt ens om priset vore 0 kr är ett lackmustest för hela systemet. När behandlingen är logistiktung och evidensen är svår att översätta till långsiktiga patientnyttor blir klassisk modellering lätt en dragkamp om antaganden.

Min ståndpunkt är enkel: vi behöver hälsoekonomi som uppdateras lika snabbt som evidensen rör sig. AI inom läkemedel och bioteknik är inte ett sidospår här – det är det mest praktiska sättet att koppla ihop klinik, real world data och beslutsmodeller så att vi kan fatta beslut som håller även när verkligheten inte följer genomsnittet.

Om du jobbar med införande, evidens, market access eller kliniska studier: vilka två antaganden i era modeller skulle ni helst vilja ersätta med faktiska data under 2026?