AI för komplexa läkemedelsfrågor: från LIC till klinik

December i svensk sjukvård betyder ofta fulla mottagningar, pressade vårdplatser och fler snabba beslut än vad någon egentligen vill erkänna. Samtidigt har läkemedelsfrågorna blivit svårare. Inte “kan jag dela tabletten?”-svåra, utan sådana som kräver litteratursökning, värdering av osäker evidens och ibland rena detektivinsatser.

Det syns tydligt i arbetet hos Sveriges läkemedelsinformationscentraler (LIC) och i webbtjänsten svelic.se, som nu passerat fem år. Där publiceras avidentifierade utredningar baserade på frågor från vårdpersonal och farmaceuter – ofta hämtade direkt ur ett enskilt patientfall. Exempel som fångar vardagen: interaktioner mellan naturläkemedel och warfarin, intratekal användning av lokalanestetika med konserveringsmedel, behandling vid amning eller off label-förskrivning till barn.

Min ståndpunkt är enkel: LIC-modellen är en kvalitetsstandard som fler borde ta efter – och AI är nästa logiska förstärkning. Inte för att ersätta farmakologer och apotekare, utan för att kapa ledtider, hitta rätt evidens snabbare och göra svåra bedömningar mer spårbara.

Varför läkemedelsfrågorna blir mer komplexa

Den direkta orsaken är att vården använder fler avancerade terapier, och att patienterna oftare har flera samtidiga tillstånd.

Biologiska läkemedel och nya terapiplattformar driver komplexitet

När fler patienter behandlas med biologiska läkemedel, immunmodulerande behandlingar och specialläkemedel ökar antalet frågor som inte går att besvara med en snabb titt i produktresumén.

Komplexiteten kommer bland annat från:

• Immunologiska mekanismer som påverkar risk för infektioner, vaccinationer och laboratorietolkning
• Brist på direkt jämförande studier (särskilt mellan olika biologiska alternativ)
• Real world-problem: kylkedja, hållbarhet, blandbarhet, administreringsfel och spårbarhet (batch)
• Kombinationsterapier där interaktioner inte alltid är kartlagda

En sak som fastnar från LIC:s arbete är formuleringen att “det händer nästan aldrig att man kan svara direkt”. Det är ett varningstecken – inte om kompetensen, utan om informationsbördan.

Patientfallen blir mer “unika” än riktlinjerna

Riktlinjer och vårdprogram är nödvändiga, men de är byggda för genomsnitt. Frågorna till LIC uppstår när verkligheten avviker:

• graviditet och amning
• barn och ungdomar
• multisjuklighet och polyfarmaci
• njur- och leverpåverkan
• kombination av receptläkemedel, OTC och naturpreparat

Det är också här som AI kan göra mest nytta: i glappet mellan “vad som står” och “vad som gäller för den här patienten”.

LIC och svelic.se: en process som prioriterar kvalitet

Den viktigaste poängen med LIC är inte att de “har svaren”. Det är att de har en metod.

Så byggs ett LIC-svar – och därför litar kliniken på det

När en fråga kommer in tar en utredare (ofta ST-läkare eller apotekare) över, gör litteratursökning och skriver en utredning. Därefter granskas den av annan specialist, kontrasigneras och kvalitetssäkras ofta i rond.

Det är värt att stanna vid tre principer som gör den här modellen stark:

1. Spårbarhet: det går att följa hur slutsatsen har dragits.
2. Oberoende: man gör en egen tolkning av kunskapsläget, inte bara återger produkttext.
3. Språkdisciplin: man “väger orden på guldvåg” eftersom kliniken kan agera på rådet.

Det här är också exakt de principer man bör kräva av AI i läkemedelsnära användning.

Varför “företagsinformation” inte räcker i vardagen

Läkemedelsföretagens medicinska information är ofta korrekt, men typiskt avgränsad till fastställda dokument och indikationer. LIC:s uppgift blir i stället att:

• göra en samlad evidensbedömning när data är splittrade
• resonera kring off label-situationer
• väga risk–nytta i ett specifikt patientfall

Det är en annan roll. Och den rollen kommer inte minska de kommande fem åren.

Vad AI faktiskt kan bidra med i läkemedelsinformation (utan att riskera patientsäkerhet)

AI kan avlasta de delar av kedjan som tar tid men inte kräver kliniskt ansvarstagande. Rätt byggt blir AI en “förstärkning” av LIC-arbetet – inte en genväg runt det.

1) Snabbare triagering: rätt fråga till rätt expert

Ett återkommande slöseri i kunskapsarbete är felstarten: frågan landar hos fel person, i fel format, med för lite kontext.

AI kan hjälpa genom att:

• strukturera inkommande frågor (läkemedel, patientfaktorer, målfråga)
• identifiera om det är en interaktionsfråga, dosfråga, biverkningssignal eller administreringsfråga
• föreslå vilken LIC/kompetensprofil som bör ta ärendet

Det här är inte “smart klinik”. Det är smart logistik.

2) Litteratursökning på steroider – men med tydliga räcken

Den stora tiden i en utredning går ofta åt till att hitta och sortera underlag. AI kan snabba upp detta genom:

• semantisk sökning över interna kunskapsbaser och publicerade abstrakt
• automatisk extraktion av nyckeldata (population, dos, utfall, riskmått)
• klustring av studier efter kvalitet och relevans

Men: i läkemedelsinformation måste AI vara designad för källtrohet. Om modellen “hittar på” en studie är det värre än att inte hitta någon alls.

Praktiskt krav jag tycker man ska ställa: AI-verktyg i LIC-liknande arbete ska alltid kunna visa vilket textunderlag varje påstående bygger på. Inga undantag.

3) Förslag till svarstext som går att granska (inte publicera direkt)

Här finns stor potential. AI kan skapa ett första utkast som:

• sammanfattar evidensläget i tydliga nivåer (starkt/medel/svagt)
• listar osäkerheter och relevanta patientfaktorer
• föreslår kliniskt användbara formuleringar och alternativa handlingsvägar

Det är i praktiken samma arbetssätt som många redan använder manuellt – fast snabbare. Poängen är att slutprodukten fortfarande ska kontrasigneras och kvalitetssäkras.

4) Signalspaning: upptäcka mönster i inkomna frågor

När frågor blir mer komplexa är det lätt att missa att de också kan bära på systeminformation.

AI kan analysera frågor över tid och hitta:

• återkommande problem kring en viss substans eller produkt
• nya typer av felanvändning kopplat till administration eller förpackning
• områden där riktlinjer saknas eller är otydliga

Det kan användas för utbildningsinsatser, lokala PM och förbättringsarbete.

En praktisk “AI + LIC”-modell för 2026: så skulle det kunna fungera

Det mest realistiska nästa steget är inte en helautomatisk rådgivningstjänst, utan en assisterad utredningspipeline.

Förslag: fyra nivåer av stöd

1. Inmatning och struktur: AI hjälper frågeställaren att beskriva patientfallet komplett (ålder, graviditet/amning, njurfunktion, doser, tidslinje).
2. Sök och sammanställ: AI hämtar relevant underlag och markerar evidensluckor.
3. Utkast: AI skriver ett granskningsbart svar med tydliga antaganden.
4. Mänsklig sign-off: LIC-specialist granskar, justerar och kontrasignerar.

Det här matchar hur LIC redan arbetar, men minskar friktionen. Och det gör det enklare att skala utan att tumma på kvalitet.

Tre saker man måste bestämma innan man “släpper på” AI

Om du jobbar i läkemedelsinformation, klinisk farmakologi, apotek eller med life science IT, börja här:

• Ansvar: vem äger sluttexten och vem tar kliniskt ansvar?
• Datagränser: vad får modellen se, och hur avidentifieras patientdata?
• Kvalitetsmått: hur mäter ni träffsäkerhet, källstöd och tidsvinst?

Min erfarenhet är att AI-projekt faller när man börjar med teknik och slutar med ansvar. Det ska vara tvärtom.

Vanliga frågor (som brukar dyka upp direkt)

“Kan AI svara på läkemedelsfrågor själv?”

Den säkra linjen är: AI kan föreslå och sammanställa, men inte ensam stå för kliniska rekommendationer. I praktiken behöver man mänsklig granskning, särskilt när evidensen är svag eller patienten avviker från studiedata.

“Räcker inte produktresumé och FASS?”

Nej, inte när frågan gäller kombinationer, särskilda patientgrupper eller situationer där data är indirekta. Produktinformation är basen, men LIC-uppdraget handlar om den svåra delen: tolkningen.

“Är svelic.se till för patienter?”

Nej. Tjänsten och LIC riktar sig till hälso- och sjukvård och andra med läkemedelsansvar. För allmänheten finns andra kanaler.

Därför är detta en nyckelfråga för “AI inom läkemedel och bioteknik”

AI i läkemedel och bioteknik handlar ofta om tidig forskning: målidentifiering, molekyldesign, kliniska prövningar och biomarkörer. Men jag tycker att vi ibland missar den andra halvan av värdekedjan: hur kunskap används i vårdens vardag.

LIC och svelic.se visar något viktigt: Sverige har redan en fungerande modell för oberoende, evidensbaserad läkemedelsinformation. Nästa steg är att göra den modellen mer skalbar, mer tillgänglig och snabbare – utan att släppa kraven på spårbarhet och patientsäkerhet.

Om de kommande fem åren innebär ännu mer biologiska läkemedel, fler individualiserade behandlingar och fler kombinationsterapier, då kommer behovet av beslutsstöd bara öka. Frågan är inte om AI ska in i läkemedelsinformation, utan hur vi gör det på ett sätt som stärker tilliten istället för att urholka den.