AI i kliniska studier: lärdomar när EMA säger nej

Den 2025-12-15 kom en påminnelse som många inom läkemedel och bioteknik känner i magen: EMA:s expertkommitté CHMP rekommenderade inte villkorat marknadsgodkännande för blarcamesin, en oral läkemedelskandidat för tidig Alzheimers sjukdom. För patienter och anhöriga känns det som ännu ett uppskjutet hopp. För utvecklingsteamen är det ett brutalt kvitto på samma sak som alltid: neurodegenerativa sjukdomar är svåra, och evidenskraven är höga.

Jag tycker att sådana här avslag ofta misstolkas som ”misslyckanden”. I praktiken är de lika ofta en signal om att vår metod för att välja rätt patienter, rätt effektmått och rätt datapaket inte räcker. Och här finns en konkret möjlighet: AI i läkemedelsutveckling kan hjälpa oss att komma till EMA med mer robusta, mer sammanhängande och mer patientrelevanta bevis – tidigare.

Den här texten är en del av serien ”AI inom läkemedel och bioteknik”. Fokus är inte att spekulera i just en enskild kandidats öde, utan att använda nyheten som ett case: vad säger ett CHMP-nej om dataluckor – och hur kan AI minska risken att hamna där igen?

Vad ett CHMP-nej faktiskt betyder (och varför det händer)

Ett CHMP-nej betyder i praktiken att den samlade nyttan–risken inte bedöms tillräckligt positiv för den ansökta indikationen och populationen – även om det kan finnas lovande signaler. För villkorade godkännanden gäller dessutom en extra balans: det måste finnas övertygande sannolikhet att nyttan är kliniskt meningsfull, samtidigt som företaget kan leverera kompletterande data efter godkännandet.

I Alzheimer blir detta extra tydligt. Sjukdomen har lång progression, hög biologisk heterogenitet och stor variation i hur snabbt patienter försämras. Det gör att två studier som ”ser likadana ut” på papper kan ge helt olika resultat om patientmixen skiljer sig.

Tre vanliga orsaker till avslag i neurodegenerativa ansökningar

Det går att generalisera några återkommande mönster (utan att påstå att alla gäller här):

1. Otydlig klinisk effekt: Förändring i kognitiva skalor kan vara statistiskt signifikant men ändå kliniskt svårtolkad.
2. Fel patientsegment: Effekten finns kanske bara i en subgrupp (t.ex. viss biomarkörprofil), men studien är inte designad för att bevisa det.
3. Data som inte ”hänger ihop”: Primära och sekundära endpoints, biomarkörer, bilddata och säkerhet pekar inte åt samma håll.

När CHMP säger nej är det ofta en kombination av dessa. Budskapet till branschen är tydligt: visa mig en konsekvent kedja från mekanism → biomarkör → klinisk nytta → acceptabel säkerhet.

Där Alzheimerstudier ofta faller: heterogenitet och mätproblem

Alzheimer är inte en enhetlig sjukdom i klinisk mening. Två personer med samma diagnos kan ha olika dominanta patologier (amyloid, tau, vaskulär komponent, inflammation), olika samsjuklighet och olika kognitiv reserv. Om en prövning rekryterar brett riskerar man att späda ut en verklig effekt.

Lägg till att många effektmått är brusiga:

• Kognitiva test påverkas av dagsform, utbildningsnivå, språk och testvana.
• Funktionella skalor kan påverkas av stöd i hemmet och socioekonomi.
• Bild- och biomarkördata är dyra och samlas in ojämt mellan sites.

Det är just här AI har sin mest jordnära nytta. Inte som magi – utan som ett sätt att minska brus och öka precisionen i vem vi inkluderar, vad vi mäter och hur vi tolkar utfallet.

Hur AI kan stärka evidensen inför EMA – i praktiken

AI kan bidra i flera steg av kedjan som CHMP i praktiken granskar. Nyckeln är att använda AI som beslutsstöd och att förregistrera analysplaner så att man undviker efterhandskonstruktioner.

Patientstratifiering som minskar risken att ”späda ut” effekten

Det mest värdefulla AI kan göra i tidig Alzheimer är ofta att förbättra patientstratifiering.

Konkreta angreppssätt:

• Multimodal fenotypning: kombinera baseline-data från kognition, laboratorier, MR/PET, digitala tester och demografi för att identifiera mer homogena kluster.
• Progressionsmodeller: ML-modeller som förutspår förväntad försämring under 12–24 månader. Då kan studien rikta in sig på patienter där förändring faktiskt är mätbar.
• Biomarkördriven enrichment: AI kan hjälpa till att välja cut-offs och kombinationer av biomarkörer (t.ex. A/T/N-liknande profiler) som bättre matchar kandidatens mekanism.

En mening jag ofta återkommer till i projekt: ”Om du inte kan beskriva din responder-population, har du inte hittat den än.” AI hjälper till att göra den beskrivningen konkret och testbar.

Smartare endpoints: från brusiga skalor till signal som går att lita på

EMA vill se klinisk relevans. Samtidigt är det svårt att få tydliga signaler i korta studier. AI kan hjälpa till att skapa eller förbättra endpoints utan att byta ut kliniken.

Exempel på mer robust mätning:

• Digitala biomarkörer (t.ex. tal, motorik, sömn, kognitiva mikrotester) som samlas oftare och kan ge bättre signal–brus-förhållande.
• Bildanalys med deep learning för mer standardiserade MR-volymmått eller lesion/atrofi-mönster, mindre site-varians.
• Kompositmått: ML kan optimera vikter mellan delskalor för att maximera känslighet för förändring, men måste göras transparent och valideras strikt.

Här finns en fallgrop: AI-endpoints får inte bli en ”svart låda”. För regulatorisk acceptans krävs spårbarhet, validering och förståelse för vad modellen mäter.

Datakvalitet och avvikelsedetektion: tråkigt men avgörande

Många studier tappar kraft av praktiska skäl: protokollavvikelser, felkodning, avvikande sites, fördröjda besök. AI kan bidra med riskbaserad monitorering och tidig varning.

Det handlar om att hitta mönster som människor missar i realtid:

• ovanligt låg varians i ett site (kan tyda på slentrianpoängsättning)
• systematiska skillnader i patientmix mellan regioner
• dropout-mönster kopplat till biverkningar eller logistiska hinder

Det här är inte glamouröst, men kan vara skillnaden mellan ”oklar effekt” och ”tillräckligt tydlig effekt”.

Simuleringar som gör utvecklingsplanen vassare

AI och avancerad statistik kan stärka beslut långt innan fas 3:

• Virtuella kontrollarmar (med stor försiktighet) för att testa antaganden och designa studier mer effektivt.
• Bayesianska adaptiva designer som tidigt kan styra om rekrytering mot subgrupper med högre sannolikhet att svara.
• Power- och scenarioanalys baserat på realistiska progressionskurvor, inte bara historiska medelvärden.

Regulatoriskt kräver detta tydlighet: vad är förregistrerat, vad är explorativt, och hur undviker man bias?

”AI löser det” är fel – men AI kan göra en sak bättre än vi

Den dåliga nyheten: AI kan inte rädda en kandidat som saknar biologisk effekt. Den bra nyheten: AI är överlägset på att hitta struktur i komplexa data och göra variation begriplig.

Här är en mer realistisk målbild som jag tycker håller i verkliga projekt:

AI ska inte bevisa effekt åt dig. AI ska minska sannolikheten att du designar en studie som inte kan upptäcka en effekt som faktiskt finns.

Det skiftet är viktigt. Då blir AI en del av kvalitetssystemet och utvecklingsstrategin, inte en sista minuten-analys när resultaten redan är svåra att tolka.

Praktisk checklista inför nästa Alzheimerprogram (eller ansökan)

Om du jobbar i biotech, klinisk utveckling eller datateam och vill minska risken att hamna i ett CHMP-läge där evidensen inte räcker, är det här en konkret start:

1. Definiera responder-hypotesen tidigt: vilka biologiska och kliniska markörer ska samvariera om läkemedlet fungerar?
2. Bygg en gemensam datamodell: kognition, biomarkörer, bilddata, säkerhet och PROs ska vara harmoniserade redan från dag 1.
3. Validera AI på externa data: intern korsvalidering räcker inte när du går mot regulatorisk användning.
4. Gör modellen tolkbar där det går: använd t.ex. feature-attribution och stabilitetsanalyser och dokumentera.
5. Förregistrera analysplaner: särskilt om AI påverkar primära beslut som inklusionskriterier eller endpoint-konstruktion.
6. Planera för regulatorisk dialog: AI-komponenter behöver lika tydlig ”CMC-liknande” dokumentation som annan kritisk metodik.

Det här är arbete som många team skjuter upp. Jag tycker det är ett misstag, särskilt i Alzheimer där varje procentenhet mindre brus är dyrbar.

Vad betyder detta för Sverige och vår AI-satsning i life science?

Sverige har en praktisk fördel i AI för kliniska studier: vi är bra på register, vårddata och samarbete mellan akademi, sjukvård och industri. Men för att det ska bli regulatoriskt relevant måste vi lägga mer energi på tre saker:

• Datastandarder och interoperabilitet (så att modeller kan tränas och valideras brett)
• Prospektiv insamling av digitala biomarkörer och real world data, inte bara retrospektiva projekt
• Kompetens i gränslandet mellan ML, klinik och regulatorik

Den här typen av CHMP-beslut är en påminnelse om att innovation inte belönas för att den är smart. Den belönas när den är bevisad, begriplig och reproducerbar.

Nästa steg: gör AI till en del av evidenspyramiden

EMA:s nej till blarcamesin visar hur hårt evidenskraven slår när data lämnar tolkningsutrymme. Min take är enkel: om vi vill öka träffsäkerheten i Alzheimerutveckling måste vi sluta behandla kliniska data som en rapport i slutet av projektet och börja behandla den som en produkt som kan byggas, testas och kvalitetssäkras.

AI i kliniska studier passar perfekt där. Rätt använt hjälper det oss att välja bättre populationer, mäta mer stabilt och presentera en mer sammanhängande nytta–risk-berättelse inför EMA.

Om du stod inför att designa om en Alzheimerstudie i dag: vilken del hade du först velat göra mindre brusig – patienturvalet, endpoints eller datakvaliteten?