AI kan göra Alzheimerbehandling kostnadseffektiv

TLV:s besked om Leqembi (lecanemab) sticker ut på ett sätt som borde få varje person som jobbar med läkemedel, vård eller life science att stanna upp: enligt myndighetens analys är behandlingen inte kostnadseffektiv – inte ens om läkemedlet vore gratis. När en sådan formulering hamnar i rubrikerna handlar det sällan om “priset” i sig. Det handlar om allt runt omkring.

För mig är det här ett av de tydligaste exemplen på varför AI inom läkemedel och bioteknik behöver kopplas ihop med hälsoekonomi och vårdens verklighet. När nyttan är osäker, när målgruppen är svår att ringa in, och när uppföljning och infrastruktur drar stora kostnader – då räcker det inte att optimera molekylen. Man måste optimera hela kedjan.

Leqembi-debatten är därför större än ett enskilt Alzheimerläkemedel. Den pekar rakt på en fråga som kommer dominera 2026: Hur bygger vi evidens och arbetssätt som gör avancerade terapier möjliga att införa – utan att regionerna går på knäna?

Varför “inte ens gratis” är en varningssignal

När TLV kan landa i att ett läkemedel inte vore kostnadseffektivt även utan inköpskostnad betyder det att andra kostnadsdrivare dominerar. För Alzheimerbehandlingar handlar det ofta om tre saker:

1. Diagnostik och patientselektion (vem har rätt sjukdomsstadium och rätt biomarkörprofil?)
2. Behandlingslogistik och uppföljning (infusioner, tät monitorering, bilddiagnostik, biverkningshantering)
3. Osäker långtidseffekt (om effekten är måttlig och/eller kortvarig blir kostnaden per vunnet kvalitetsjusterat levnadsår hög)

När nyttan är svår att bevisa och resursåtgången är hög hamnar hälsoekonomin i en rävsax. TLV måste räkna på verkligheten i svensk vård: personalbrist, bilddiagnostikköer, varierande tillgång till biomarkörer och en vårdkedja där mycket faller på anhöriga och kommunal omsorg.

Det intressanta är att det finns ett uppenbart “tekniskt” svar på flera av dessa kostnadsdrivare: bättre prediktion, bättre urval och bättre uppföljning. Det är exakt där AI gör mest nytta – om den används rätt.

Kritiken mot utvärderingen visar ett klassiskt problem

I den rapporterade diskussionen lyfts att TLV:s analys skiljer sig tydligt från företagets egen och att båda analyserna får kritik, med en svensk hälsoekonom som vill se omtag med nya antaganden.

Det här är inget unikt för Leqembi. Det är ett återkommande mönster när:

• kliniska data är starka nog för godkännande men svagare för “svensk vardagsnytta”
• effektmått inte översätts rent till livskvalitet och omsorgsbehov
• rätt patientgrupp är smal men diagnostiken är bred och dyr

Det är också här AI kan bli en bro mellan klinik, regulatorik och ekonomi: genom att minska osäkerheten i antaganden och göra uppföljningen billigare och mer träffsäker.

AI som gör skillnad: från “alla” till rätt patient

Kostnadseffektivitet i Alzheimer handlar mer om målgrupp än om läkemedelspris. Om behandlingen bara hjälper en delmängd, och om biverkningsrisker kräver resurstung monitorering, är det avgörande att hitta rätt patienter tidigt.

1) AI-stödd tidig upptäckt i primärvård och minnesmottagning

Den dyraste patienten är ofta den som får rätt insats för sent. Samtidigt ska man vara ärlig: tidig upptäckt utan behandlingskonsekvens är mest en kostnad. Poängen är att AI ska användas för att styra till rätt nästa steg, inte bara flagga “risk”.

Praktiska tillämpningar som redan är realistiska i svensk kontext:

• prediktionsmodeller som kombinerar kognitiva testmönster, läkemedelslistor, komorbiditet och vårdkonsumtion
• triage-stöd som föreslår vilka patienter som bör gå vidare till biomarkörtestning
• automatiserad sammanställning av anamnes och funktionsnivå (för att minska administration)

Det här kan korta ledtider och minska andelen “felremisser”, vilket direkt påverkar kostnaderna i TLV-liknande kalkyler.

2) Patientselektion med multimodala biomarkörer

För amyloidriktade terapier är biomarkörfrågan central. Om patienten inte har rätt patologi eller är i fel stadium blir nyttan låg och risken relativt sett hög.

AI kan här bidra med:

• multimodala modeller som väger samman blodbiomarkörer, bilddiagnostik, klinik och genetik
• standardiserad tolkning av bilddata för jämnare kvalitet mellan regioner
• probabilistiska beslutstöd (“sannolik nytta vs risk”) som gör urvalet mer transparent

En tydlig tumregel: ju bättre urval, desto bättre “effekt per behandlad patient” – och desto mindre resursslöseri.

3) Prediktion av biverkningar och monitoreringsbehov

En ofta underskattad del av kostnaden är övervakning och hantering av biverkningar (till exempel behov av upprepade kontroller). Om alla patienter monitoreras lika intensivt blir det dyrt. Om man monitorerar för lite blir det farligt.

AI kan användas för riskstratifiering:

• vilka patienter kräver tätare bilddiagnostik?
• vilka kan följas med enklare, billigare protokoll?
• vilka bör inte behandlas alls?

Det är en hälsoekonomisk vinst som sällan syns i kliniska prövningar, men som syns direkt i införande.

Där kostnadseffektivitet ofta faller: vårdens “dolda” kostnader

TLV:s perspektiv blir hårt när man räknar på helheten, och det är i grunden rimligt. Ett läkemedel kan vara kliniskt relevant men ändå ohållbart i stor skala om:

• vårdkapaciteten inte räcker (personal, MR-tider, minnesutredningar)
• logistiken kräver nya flöden (infusionsplatser, uppföljningsprotokoll)
• effekten flyttar kostnader snarare än minskar dem (t.ex. mer diagnostik men liten minskning i omsorg)

Här kan AI hjälpa – men bara om den implementeras som en del av processdesign.

AI som processmotor, inte bara en modell

Det som fungerar i praktiken är ofta “tråkigare” än en flashy algoritm:

• automatiserade arbetslistor och prioriteringar
• beslutsstöd som dokumenterar varför ett val gjordes
• integration med journalsystemets vardag (minimalt klickande)

När AI minskar administration och variation i vårdprocessen kan man frigöra kapacitet. I hälsoekonomi är frigjord kapacitet pengar.

Så kan AI förbättra TLV-typiska underlag och minska osäkerhet

Ett stort skäl till att företag och myndigheter landar olika är antaganden. Antaganden om långtidseffekt, om hur snabbt sjukdomen försämras utan behandling, om omsorgskostnader, och om följsamhet.

AI kan bidra på två konkreta sätt:

1) Real-world evidence (RWE) som faktiskt går att lita på

Sverige har styrkan i register och relativt god datamognad, men RWE blir snabbt brusigt. AI kan användas för att:

• matcha behandlade och obehandlade kohorter mer robust
• hantera bortfall och varierande uppföljning
• hitta subgrupper där effekt och kostnad skiljer sig markant

Det här kan göra framtida omprövningar snabbare och mer förankrade i svensk vardag.

2) Dynamiska hälsoekonomiska modeller

Många kalkyler blir statiska: man stoppar in medelvärden och får ett enda svar. Men Alzheimer är heterogent. Det ger ett bättre beslutsunderlag om man modellerar:

• individuella sjukdomsbanor
• olika vårdvägar mellan regioner
• scenarier för kapacitetsbegränsningar

När AI används för att kalibrera och uppdatera modeller med nya data över tid blir kostnadseffektivitet mindre av en engångsdom och mer av en löpande styrsignal.

En mening jag tycker fler borde använda i den här debatten: ”Kostnadseffektivitet är inte en egenskap hos läkemedlet, utan hos systemet som använder det.”

Från debatt till leads: en praktisk checklista för life science-team

Om du jobbar i biotech, medtech, data/AI eller på en regionnära innovationsenhet: det finns ett tydligt “nästa steg” efter Leqembi-rubrikerna. Här är en checklista jag själv hade drivit.

Checklista: 7 frågor att besvara innan nästa TLV-runda

1. Vilken patientsubgrupp ger störst nytta per resursinsats? (inte bara klinisk effekt)
2. Vilka data saknas för att bevisa nytta i svensk vård? (funktion, omsorg, anhörigbörda)
3. Vilken del av vårdflödet är flaskhalsen? (MR, minnesutredning, infusion, uppföljning)
4. Hur kan AI minska onödiga steg? (triage, auto-dokumentation, riskstratifiering)
5. Hur mäter ni effekt efter 6, 12 och 24 månader? (RWE-plan innan införande)
6. Kan ni designa ett utfallsbaserat upplägg? (ersättning kopplad till mätbara utfall)
7. Hur bygger ni förtroende? (transparens, bias-kontroll, klinisk förankring)

Den här listan är också en bra kravspec för upphandling eller partnerskap: den tvingar fram vad som faktiskt påverkar kostnadseffektivitet, inte bara vad som är tekniskt möjligt.

Vad betyder detta för AI inom läkemedel och bioteknik 2026?

Leqembi-fallet gör en sak väldigt tydlig: AI som bara fokuserar på upptäckt och utveckling räcker inte. För att terapier ska nå patienter i Sverige behöver AI även adressera införande, selektion, uppföljning och hälsoekonomi.

Det är en förflyttning som gynnar de aktörer som kan kombinera:

• klinisk förståelse (sjukdom och patientflöden)
• datakompetens (multimodala modeller, RWE, MLOps)
• hälsoekonomi (kostnad per effekt, budgetpåverkan, osäkerhet)

Den som kan översätta “modellens output” till beslut som TLV, regioner och kliniker kan använda får ett övertag.

Nästa steg: bygg en AI-plan som tål TLV:s verklighet

Om du vill att avancerade Alzheimerbehandlingar ska bli kostnadseffektiva i Sverige finns en tydlig strategi: gör målgruppen smalare, flödet billigare och effekten mer mätbar. AI är inte magi, men den är bra på just de tre sakerna.

Jag tror dessutom att vi kommer se fler situationer där läkemedlets listpris blir mindre centralt än kringkostnaderna. Den som kan visa att man minskar diagnostikspill, monitoreringsbörda och variation mellan regioner kommer att stå starkare – både i införande och i prisdialog.

Vilken del av Alzheimerflödet skulle ge störst hälsoekonomisk effekt om den förbättrades med AI: tidig triage, biomarkörselektion eller uppföljning i vardagen?