AI + Swetrial: så ökar Sverige kliniska prövningar

Sverige har ett konkret problem i klinisk forskning: vi är ofta bra på idéerna, men sämre på leverans. När etableringschefen för Swetrial, Peter Asplund, pekar på att Sverige i globala prövningar ofta bara når 40–50 % av utlovad patientrekrytering (när minst 80 % behövs), säger han egentligen något som många i branschen känner igen: det är inte forskningen som är flaskhalsen – det är genomförandet.

Det är här Swetrial blir intressant. Inte för att det är ännu ett projekt på en PowerPoint, utan för att det försöker göra kliniska prövningar till en naturlig del av vårdens flöden. Och i den resan finns en tydlig förstärkare: AI inom läkemedel och bioteknik. Rätt använd kan AI hjälpa Sverige att rekrytera snabbare, följa upp smartare och leverera mer förutsägbart – utan att tumma på patientsäkerhet.

Jag gillar Asplunds formulering om att det ska vara “roligt att gå upp på morgonen”. Den entusiasmen är inte bara känsla. Den är en signal om att något praktiskt går att förbättra – och att förbättringen kan mätas.

Swetrial i praktiken: från sidouppgift till vårdflöde

Swetrials kärna är enkel: samordna myndigheter, vård, patienter, akademi och industri för att öka antalet kliniska prövningar i Sverige – och göra dem mer jämlikt tillgängliga oavsett var man bor.

Det konkreta målet är inte bara “fler studier”. Det handlar om att Sverige ska bli ett land som sponsorer och forskargrupper kan lita på:

• Tydliga mål och handlingsplan för hur partnerskapet ska fungera
• Modell för överenskommelser och avtal mellan aktörerna
• Bättre leveransprecision i rekrytering (från 40–50 % mot minst 80 %)

Den stora kulturella förflyttningen Asplund beskriver är den viktigaste:

Om fem år ska den kliniska prövningen vara en naturlig del av vårdens flöden.

Det är exakt där AI kan göra skillnad. För att få in prövningar i vårdflöden behöver vi minska administration, öka träffsäker matchning och skapa uppföljning som inte blir ännu ett “extra moment”.

Varför Sverige tappar tempo

När kliniska prövningar hamnar “vid sidan av” vårdens vardag uppstår tre klassiska problem:

1. Patienter hittas för sent (eller inte alls), trots att de finns i systemet.
2. Studiepersonal dränks i manuella moment (screening, journalgranskning, dokumentation).
3. Variation mellan regioner gör att jämlik tillgång blir svårt i praktiken.

Swetrial adresserar samordningen. AI adresserar friktionen i varje steg.

AI som motor: tre områden där effekten blir direkt mätbar

AI ska inte säljas in som magi. Den ska sättas in där den ger mätbara förbättringar i kliniska prövningar. Här är tre områden där jag tycker att Sverige har mest att vinna – snabbt.

1) Smartare rekrytering: från ”letande” till ”matchning”

Den snabbaste vinsten ligger i att använda AI för att hitta lämpliga patienter tidigare.

Vad AI gör bra: läsa stora mängder text och strukturera ostrukturerad information.

I praktiken betyder det att en modell kan:

• flagga potentiellt matchande patienter baserat på journaltext, diagnoskoder, labbvärden och läkemedelslistor
• föreslå varför patienten matchar (”förklarbarhet” i urvalet)
• skapa en arbetslista till prövningssjuksköterskor som är prioriterad och spårbar

Det här är extra relevant i områden Asplund pekar ut: cancer, precisionsmedicin och kognitiva sjukdomar som demens. I demensutredningar och onkologi finns ofta mycket data – men det är utspritt. AI kan hjälpa vården att hitta kandidater utan att någon behöver lägga kvällar på journalgranskning.

Vad som krävs för att det ska fungera: gemensamma datadefinitioner, tydliga behörigheter och arbetssätt där vården äger patientdialogen. AI ska föreslå, inte fatta beslut.

2) Stabil leverans: prognoser som gör åtaganden realistiska

När Sverige bara levererar 40–50 % av rekryteringsmålen skadas förtroendet. Det kostar pengar, men framför allt kostar det framtida studier.

AI kan användas för att göra leveransförmåga prognostiserbar, ungefär som när man planerar bemanning i vården – fast för studier:

• Förväntat antal matchande patienter per vecka
• Förväntad andel som tackar ja (baserat på historik, logistik, avstånd, belastning)
• Identifiering av tidiga risker: “Den här siten kommer tappa tempo om 2 veckor”

Det här är inte bara effektivitet. Det är en kvalitetsfråga: när åtaganden blir realistiska minskar stressen i studieorganisationen och protokollavvikelser tenderar att gå ned.

3) Decentraliserade prövningar: AI som stöd, inte ersättning

Vintern 2025 är en tid då vården pratar mycket om kapacitet, köer och bemanning. Om kliniska prövningar ska bli en del av flödet kan de inte kräva att alla patienter reser långt eller att varje besök måste ske på ett universitetssjukhus.

AI kan hjälpa till genom att:

• triagera vilka uppföljningar som kan ske digitalt och vilka som kräver fysisk undersökning
• upptäcka avvikelser i hemmonitorering (t.ex. symtomdagböcker, bärbara sensorer) och larma studiepersonal
• sammanfatta patientrapporterade utfall så att studieteam sparar tid

Det här passar särskilt bra i långvariga prövningar inom neurologi och kroniska sjukdomar, där uppföljningsbördan annars blir tung.

Norden som hävstång: dataskala utan att tappa förtroende

Asplund lyfter Norden som en strategisk yta med 25–30 miljoner invånare. Det är helt rätt tänkt: kliniska prövningar konkurrerar globalt, och Europa behöver samarbeta för att mäta sig med USA och Kina.

Men nordiskt samarbete blir inte automatiskt effektivt bara för att vi “vill”. Två saker avgör om det fungerar:

1. Standardiserade processer (hur vi startar prövningar, avtal, site-setup, etikflöden)
2. Data som är jämförbara (samma begrepp, samma kodning, samma kvalitetsnivå)

AI blir kraftfull när den tränas, utvärderas och följs upp på ett konsekvent sätt. Om Sverige via Swetrial kan bidra till nordiska standarder får vi en fördel: större patientbas, bättre statistisk styrka och snabbare rekrytering – utan att tumma på lokala krav.

Danmark som jämförelse – och vad Sverige faktiskt kan kopiera

Danmark lyfts som framgångsrikt med sin modell och fler prövningar per invånare. Jag tycker att det mest kopieringsbara ofta är det tråkiga:

• gemensamma mallar
• tydliga service levels (”så här snabbt svarar vi”)
• en kultur där kliniska prövningar inte ses som ett störmoment

AI hjälper inte om grunden är otydlig. Men när grunden sitter kan AI göra den snabbare.

Juridiken: där många AI-projekt fastnar (men inte behöver)

Artikeln tar upp juridiska hinder som nu utreds vidare: biobanksfrågor för personer med nedsatt beslutsförmåga, randomiserade klusterprövningar och språkkrav.

Det här spelar direkt in i AI inom läkemedelsutveckling och kliniska studier, eftersom AI ofta behöver:

• tydliga regler för sekundäranvändning av data
• transparens i samtycke och informationsgivning
• robusta processer för att hantera bias och patientsäkerhet

Min ståndpunkt: Sverige vinner inget på att bromsa, men vi förlorar mycket på att vara otydliga. För AI-stödda prövningar är förutsägbarhet nästan viktigare än att reglerna är “perfekta”. Företag och akademi kan anpassa sig – om de vet vad som gäller.

Så kommer ni igång: en praktisk AI-checklista för prövningsmiljöer

För dig som jobbar i pharma, biotech, CRO, vård eller akademi och vill ligga rätt i linje med Swetrials riktning: börja med operativa steg som går att mäta på 8–12 veckor.

1. Kartlägg var tiden försvinner idag

   • screeningtid per inkluderad patient
   • andel manuella moment i studieadministration
   • orsaker till att patienter tackar nej

2. Välj en AI-användning med tydligt utfall

   • exempel: NLP-stöd för pre-screening eller automatiserad sammanfattning av patientbesök

3. Sätt en baslinje och ett mål

   • t.ex. “öka screening-träffsäkerhet från 20 % till 35 %” eller “korta tid till första patient in med 14 dagar”

4. Bygg in patientsäkerhet och spårbarhet från start

   • loggning, versionskontroll av modeller, tydliga ansvariga roller

5. Planera för drift, inte bara pilot

   • utbildning, support, uppföljning och hur ni hanterar modellförändringar

Det fina är att det här också bygger förtroende. Och i kliniska prövningar är förtroende en valuta.

Vad Swetrial kan bli – om AI används med fokus

Swetrial kan bli plattformen som gör att Sverige tar tillbaka initiativet i kliniska prövningar. Men då behöver vi vara brutalt praktiska: mäta leverans, minska friktion och göra studier till en del av vårdens vardag.

AI är inte sidospåret. AI är verktygslådan för att nå det Asplund pekar på: att patienter snabbare får tillgång till nya behandlingar och att Sverige blir mer attraktivt som prövningsland.

Om fem år är den intressanta frågan inte om AI används i kliniska prövningar i Sverige. Den frågan är redan besvarad. Den intressanta frågan är: har vi använt AI för att faktiskt leverera – och gjort det på ett sätt som vården och patienterna tycker känns självklart?

Vill du veta var ni ska börja i just er organisation: välj ett rekryteringsflöde, välj en mätpunkt och sätt upp en pilot som går att skala. Energin finns. Nu behöver den riktas dit den gör skillnad.