AI-säkrad läkemedelsförsörjning när regioner tar hem lagret

När en region väljer att ta hem läkemedelsförsörjningen är det sällan en ”logistikfråga”. Det är en patientsäkerhetsfråga, en beredskapsfråga – och i praktiken en styrningsfråga där data avgör om vården får rätt läkemedel i rätt tid.

Region Östergötland har beslutat att säga upp sin externa läkemedelsleverantör och i stället bygga upp större läkemedelslager vid sjukhusen till 2028. Bakgrunden är bland annat nya lagkrav kopplade till höjd beredskap som träder i kraft 2026. Jag gillar den här typen av beslut, inte för att ”mer lager” är en universallösning – utan för att det tvingar fram ett nytt sätt att jobba med prognoser, risk och tillgänglighet.

Här finns en tydlig lärdom för alla som arbetar i gränslandet mellan vård, läkemedel och bioteknik: när försörjningskedjan flyttar närmare vården måste planeringen bli smartare. Det är exakt där AI kan göra nytta – inte som en PR-etikett, utan som ett konkret planeringsstöd som minskar brister och frigör tid.

Varför regioner tar hem läkemedelslogistiken

Regioner tar hem logistiken för att få mer kontroll över tillgänglighet, kostnader och beredskap. När lager och distribution ligger hos en extern part kan ansvaret kännas tydligt på pappret, men i verkligheten uppstår gränssnitt: vem äger datan, vem bestämmer servicenivåer, vem prioriterar vid brist?

I Östergötlands fall handlar det om att inte förlänga avtalet med en extern leverantör och i stället sköta lagerhantering och distribution i egen regi. Det innebär ofta tre praktiska förändringar:

1. Större buffertlager nära vården (på sjukhusnivå, ibland även kliniknivå).
2. Tydligare styrning av sortiment: vilka produkter måste alltid finnas hemma, vilka kan beställas vid behov?
3. Ett nytt operativt ansvar: personal, systemstöd, inventering, kvalitet och avvikelsehantering.

Det här kan låta som att man ”tar tillbaka något man redan kan”. Men jag har sett hur svårt det blir om man inte samtidigt tar kontroll över datan – och gör den användbar.

Beredskap är inte bara fler hyllmeter

Större lager förbättrar robustheten, men skapar också nya risker:

• Kapitalbindning och svinn (utgångsdatum, kylkedja, batchbyten)
• Ökad komplexitet (fler artiklar, fler plock, fler lokala variationer)
• Falsk trygghet om lagret inte matchar faktisk efterfrågan

Nyckeln är att bygga lager som är dynamiska: de ska spegla verklig konsumtion, säsongsmönster, behandlingsskiften och kända bristsignaler.

Vad förändringen betyder för patientsäkerhet och vårdkapacitet

Det mest konkreta värdet är enkelt: färre ”vi har inte” vid ordinationsögonblicket. När ett läkemedel saknas handlar det sällan om att vården ”inte kan jobba”. Det handlar om tidsförluster, substitutioner, extra kontakter och i värsta fall fördröjd behandling.

Tre situationer där brist slår hårt

• Akuta flöden: anestesi, antibiotika, antidoter – minuter spelar roll.
• Onkologi och infusion: planerade behandlingar med komplex schemaläggning; en missad dos är inte ”bara en miss”.
• Kroniska behandlingar: substitutionsbyten kan skapa följsamhetsproblem och öka belastningen i primärvård och apotek.

När regioner bygger upp större lager nära sjukhusen får de bättre förutsättningar att hålla uppe kapaciteten. Men effekten blir större om man samtidigt styr hur lagret används: vad som är reserverat för vissa flöden, hur man ersätter vid brist, och hur man undviker att en enhet hamstrar på bekostnad av en annan.

Patientsäker läkemedelsförsörjning handlar mindre om ”stora lager” och mer om rätt lager på rätt plats, uppdaterat i rätt takt.

Där AI faktiskt gör skillnad: från magkänsla till prognos

AI och avancerad analys gör skillnad när de tar bort manuellt gissande och ersätter det med förklarbara prognoser och tydliga beslutsregler. I praktiken handlar det om att kombinera flera datakällor som redan finns i vården – men som ofta ligger i silos.

Datapusslet som krävs

För att få ett AI-drivet planeringsstöd att fungera behöver man typiskt:

• Historisk förbrukning per enhet (dygn/vecka)
• Behandlingsmönster och kliniska protokoll (t.ex. kurser, cykler)
• Inköps- och leveransdata (ledtider, restnoteringar)
• Lagerstatus och svinn (utgång, temperaturavvikelser)
• Säsong och händelser (influensatopp, semesterperioder)

Runt jul och nyår – där vi är nu, 2025-12-21 – ser många sjukhus en klassisk kombination: färre planerade ingrepp på vissa håll, men samtidigt hög belastning på akutmottagningar och infektionsflöden. Den typen av skifte är exakt vad bra prognosmodeller ska kunna hantera utan att personalen behöver ”räkna om allt” manuellt.

Vilka AI-metoder passar bäst?

Det är sällan en enda modell som löser allt. Ett robust upplägg är ofta en stack:

• Tidsserieprognoser för volymer (förbrukning per substans och enhet)
• Klassificering för risk (”risk för brist inom 14 dagar: hög/medel/låg”)
• Optimering för beställningspolicy (säkerhetslager, beställningspunkt, orderkvantitet)
• Simulering för scenarier (leveransstopp, epidemivåg, batchåterkallelse)

Det viktiga är att modellen inte blir en svart låda. Farmaci, inköp och verksamhet behöver kunna se varför systemet föreslår mer av ett läkemedel och mindre av ett annat.

Praktisk modell: så bygger man ett AI-stött beredskapslager

Ett bra beredskapslager är en designfråga. Jag brukar tänka i tre nivåer: kritikalitet, variation och ersättbarhet. De tre tillsammans avgör vilken servicenivå du ska planera för.

1) Segmentera sortimentet (ABC + klinisk kritikalitet)

Börja med en segmentering som speglar vårdens verklighet:

• A-kritiska: livräddande/ingen rimlig ersättning (högsta servicenivå)
• A-värde: dyrt/hög omsättning (kräver precision för att minimera svinn)
• B/C: standardartiklar med fler alternativ (lägre buffert, tätare uppföljning)

Poängen: ett större lager ska inte betyda ”mer av allt”. Det ska betyda mer av rätt saker.

2) Sätt mätbara mål – och följ dem varje vecka

AI är mest nyttigt när det kopplas till tydliga KPI:er. För läkemedelsförsörjning brukar dessa ge bäst styrning:

• Servicegrad (t.ex. andel orderrader levererade samma dag)
• Bristsituationer per 1 000 ordinationer
• Svinn i kronor och procent (utgång, kasserat p.g.a. kylkedja)
• Ledtidens variation (inte bara snittledtid)

När regionen tar hem logistiken blir det extra tydligt: det som inte mäts hamnar i mejltrådar och jourlösningar.

3) Bygg in ”brist-intelligens” i planeringen

De flesta bristsituationer är inte helt oförutsägbara. Tecknen finns ofta tidigt:

• ökande restnoteringar och förlängda ledtider
• fler akuta beställningar
• substitutioner som driver upp konsumtionen av alternativ

Ett AI-stöd kan flagga det här som en sammanhängande riskbild och föreslå åtgärder:

• höj säkerhetslager tillfälligt
• styr om mellan sjukhus internt
• aktivera alternativa behandlingsrekommendationer (med farmaceutisk granskning)

Kopplingen till läkemedel och bioteknik: från lager till patient

I vår serie om AI inom läkemedel och bioteknik pratar vi ofta om AI i discovery, kliniska studier och biomarkörer. Men verkligheten är att AI först blir riktigt värdefull när den påverkar patienten här och nu.

Läkemedelsförsörjning är en sådan punkt. Den sitter mitt emellan industri och vård och påverkas av:

• nya terapier (t.ex. mer avancerade biologiska läkemedel med kylkedja)
• fler individanpassade behandlingsregimer
• högre krav på spårbarhet och kvalitet

När regioner tar hem lager och distribution blir det också lättare att koppla ihop försörjningsdata med kliniska data på ett kontrollerat sätt. Det öppnar för mer precisa prognoser: inte bara ”förbrukning per vecka”, utan ”förbrukning givet planerad behandlingsvolym”.

När planering baseras på faktisk vårdproduktion i stället för historiska snitt minskar både brist och överlager samtidigt.

Vanliga frågor jag får (och raka svar)

”Betyder större lager att kostnaderna ökar?”

Ja, initialt binder du mer kapital och får mer att hantera. Men med bra styrning kan totalen bli lägre genom färre expressorder, mindre vårdstörning och minskat svinn. Utan analysstöd blir det ofta dyrare.

”Är AI överkurs för en region?”

Nej. Det är överkurs att tro att man kan hantera tusentals artiklar, varierande ledtider och bristsignaler med manuella Excel-flöden och samtidigt uppfylla beredskapskrav.

”Vad är första steget om vi vill testa AI i läkemedelslogistik?”

Välj 20–50 kritiska artiklar, samla 12–24 månaders historik, och bygg en enkel prognos + riskflagga. Bevisa nytta i liten skala innan du skalar.

Nästa steg för regioner och leverantörer som vill ligga före

Östergötlands beslut är ett tydligt tecken på vart Sverige är på väg: mer egen kontroll, mer beredskap, mer krav på datadriven styrning. Det är sunt. Men det blir inte automatiskt effektivt.

Om du arbetar i en region, på ett sjukhusapotek, i läkemedelsindustrin eller i biotekniksektorn: börja prata om läkemedelsförsörjning som en datadisciplin. Bygg team där farmaci, logistik, IT och verksamhet faktiskt delar samma bild.

Och den mer obekväma frågan som fler borde ställa 2026: om en leveransstörning varar i 30 dagar – vet vi då exakt vilka patienter som påverkas först, och vilka åtgärder som ger minst medicinsk risk?