AI bakom NEJM:s notabla 2025: så får du nytta nu

NEJM publicerar runt 190 längre originalstudier per år. När redaktionen plockar ut 15 “notabla” artiklar för 2025 är det ett slags facit över vilka kliniska och biotekniska spår som faktiskt bar längst. Och om du jobbar i läkemedel, biotech eller life science i Sverige finns en röd tråd som är svår att missa: data blev hårdvaluta.

Det intressanta är att AI sällan är huvudrubriken i de här studierna – men den dyker upp i kulisserna: i hur kohorter hittas, hur biomarkörer analyseras, hur utfall mäts, hur subgrupper definieras och hur nästa studie designas. Jag tycker det är precis där AI gör mest nytta 2025: inte som magi, utan som ett bättre arbetssätt.

NEJM-listan spänner från xenotransplantation (grisinjure) och cellterapi mot typ 1-diabetes till siRNA mot lipoprotein(a) och studier som visar när avancerade insatser inte ger mervärde (till exempel trombektomi i medelstora kärl). Här är vad det betyder för dig som vill skapa resultat – och leads – inom “AI inom läkemedel och bioteknik”.

NEJM:s 2025-lista visar en sak: klinisk nytta vinner

Den tydligaste signalen från årets notabla artiklar är att ribban för “impact” är högre än många tror. NEJM lyfter både studier som öppnar nya fält och studier som stänger dörrar.

Två exempel från listan:

• Trombektomi vid ischemisk stroke i medelstora kärl gav inte bättre resultat än standardbehandling i två studier. Det är inte en “misslyckad innovation” – det är värdefull kunskap som kan styra resurser, riktlinjer och framtida studieupplägg.
• Träningsprogram minskade återfall i tjocktarmscancer. Det är en påminnelse om att skalbara interventioner kan konkurrera med dyra tekniska lösningar, om evidensen är stark.

AI-kopplingen: När klinisk nytta är måttstocken blir AI mest värdefull där den kan öka sannolikheten att studier blir “rätt” från början: bättre endpoint-val, tydligare subgrupper, smartare inklusionskriterier och mer robust uppföljning.

Snabbt citat du kan ta med till ledningen

AI är mest lönsamt när det minskar antalet “fel” studier, inte när det gör en redan bra studie 3 % snabbare.

Fem AI-mönster som går att läsa mellan raderna

NEJM-artiklarna är inte en AI-katalog. Men de speglar var AI redan är praktiskt användbar i läkemedelsutveckling och bioteknik.

1) Patientselektion och subgrupper: där effekten ofta gömmer sig

Studier om immunterapi som kan ersätta kirurgi för tumörer med defekt mismatch repair, eller onkologiska strategier kring strålning mot lymfknutor, handlar i grunden om att hitta rätt patient för rätt åtgärd.

Så hjälper AI i verkligheten:

• Fenotypning från journaltext och labbdata för att hitta matchande patienter (NLP)
• Riskmodeller som förutspår återfall och styr uppföljningsintensitet
• Subgruppsanalyser som är mer robusta än “manuella” stratifieringar

Vill du ha ett konkret fokus för 2026-planen? Bygg en pipeline för kohortidentifiering (EHR + biobank + register) med spårbarhet och validering. Den skapar värde oavsett terapiområde.

2) Molekylär design och målbläddring: siRNA och små molekyler kräver data

Listan innehåller bland annat långverkande siRNA som minskade lipoprotein(a) och läkemedelskandidater för metabola sjukdomar (t.ex. tidig typ 2-diabetes). Den här typen av projekt är dataslukande: sekvenser, off-target-risk, leverans, farmakodynamik.

AI-kopplingen:

• Prediktion av målbindning och off-target
• Optimering av kemiska strukturer och egenskaper (ADMET)
• Prioritering av kandidater för prekliniska paket

Det är här många bolag “köper AI” men glömmer det tråkiga: datakvalitet, assay-standardisering och versionshantering. Resultatet blir snygga modeller som inte håller när programmet flyttar in i klinik.

3) “Proof of concept” i människa: från grisnjure till in vivo-genterapi

Att en genetiskt modifierad grisnjure kunde fungera hos människa är den typ av milstolpe som flyttar en hel disciplin. Detsamma gäller fall där patientspecifik gensaxbehandling inuti kroppen hjälper ett litet barn.

Det här är high-stakes-medicin, och det ställer extrema krav på:

• matchning mellan donator/recipient (eller vektor/patient)
• immunologisk riskbedömning
• kontinuerlig monitorering av komplikationer

AI är relevant här inte för att fatta beslut åt klinikern, utan för att göra riskbedömningar och övervakning mer konsekvent:

• signalupptäckt i realtidsdata (labbsvar, vitalparametrar)
• bildanalys av histopatologi
• prediktion av avstötning eller biverkningsmönster

Min ståndpunkt: bolag som jobbar med transplantation, genterapi eller avancerade terapier bör ha en AI-strategi för säkerhetsuppföljning lika tydlig som sin CMC-strategi.

4) “Deceptively simple”: livsstil och beteende blir mätbar behandling

Studien om träning som minskar återfall i tjocktarmscancer är extra intressant i Sverige där vården redan pratar om prevention men ofta saknar implementeringsmotor.

AI gör skillnad när den kopplar ihop intervention och följsamhet:

• personaliserade träningsupplägg baserat på riskprofil
• prediktion av avhopp och riktade stödinsatser
• objektiv mätning via wearables (när det är etiskt och praktiskt försvarbart)

Här finns också en kommersiell poäng: program som kan visa mätbar effekt blir betydligt lättare att upphandla, ersätta och skala.

5) Negativa studier sparar pengar – om du lär dig av dem

Trombektomi-resultaten är en bra påminnelse: evidens kan säga “nej”. För R&D-ledare är det ofta mer värdefullt än ett “kanske”.

AI-nyttan:

• bättre prediktion av sannolikhet för studiesuccé (PoS) baserat på historiska mönster
• simulering av studiedesign (power, endpoints, drop-out)
• adaptiva upplägg som tidigt stoppar spår utan signal

Om du vill öka ROI i kliniska studier är min erfarenhet att du ska börja med att fråga: Varför misslyckades våra tre senaste studier? Svaret är nästan alltid data, design eller operationalisering – och där kan AI hjälpa.

Så omsätter du NEJM-insikterna till en AI-plan för 2026

Du behöver inte “AI-transformera” allt. Du behöver välja rätt 1–2 arbetsflöden och göra dem riktigt bra.

En praktisk prioriteringsmodell (som funkar i verkligheten)

1. Välj ett flöde med tydlig flaskhals: patientrekrytering, safety-signalering, biomarköranalys eller protokolloptimering.
2. Sätt ett mätbart mål i siffror, till exempel:
   • minska tid till full rekrytering med 20 %
   • minska manuell granskningstid för bilddata med 30 %
   • öka andelen “screen pass” med 10 %
3. Säkerställ governance från dag 1: datalinjage, versionshantering, validering, och en plan för regulatorisk dokumentation.
4. Bygg för klinisk användning, inte demo: användarflöde, ansvarsfördelning, fallback-lägen.

Tre vanliga misstag jag ser (och hur du undviker dem)

• Misstag: Man börjar med en modell.
  • Bättre: Börja med beslutet modellen ska stödja och hur det beslutet mäts.
• Misstag: Man tränar på “allt vi har”.
  • Bättre: Träna på data som speglar framtida drift, och testa på en separat miljö.
• Misstag: Man glömmer klinisk acceptans.
  • Bättre: Involvera medicinska användare tidigt och definiera vad som räknas som “tillräckligt bra”.

Vanliga följdfrågor (och raka svar)

Behöver varje biotech-bolag egen AI-avdelning?

Nej. De flesta vinner på att ha en liten intern kärna (produktägare + data/ML-kompetens + QA/regulatoriskt stöd) och samarbeta med partners för resten.

Var i kedjan ger AI snabbast effekt?

I praktiken: patientrekrytering och datarensning i kliniska studier. De två posterna äter tid, budget och energi – och de är ofta möjliga att förbättra utan att ändra terapin.

Hur kopplar man AI till regulatoriska krav?

Genom att dokumentera AI som en del av ett kvalitetssystem: datakällor, versioner, validering, prestanda över tid och tydliga begränsningar. Treat it like a medical product, även om det “bara” är internt.

Nästa steg för dig som vill skapa leads inom AI i läkemedel och biotech

NEJM:s notabla artiklar under 2025 visar att framtidens vinnare kombinerar hård evidens med smart dataarbete. Xenotransplantation, cellterapi utan immunsuppression, siRNA och personaliserad genterapi är spännande – men det som gör dem möjliga är ofta sådant som inte hamnar på förstasidan: analyskedjor, kvalitetsdata och förmågan att lära av både ja och nej.

Om du arbetar med strategi, affärsutveckling eller FoU: välj ett område där AI kan ge ett mätbart lyft redan under Q1–Q2 2026. Bygg ett pilotcase som tål granskning. Skala först när det håller.

Frågan jag tar med mig in i 2026 är enkel: Vilket beslut i din utvecklingskedja blir bäst av att vara datadrivet – på riktigt?