AI kan avlasta LIC när läkemedelsfrågor blir svårare

En fråga som "kan aroniabär påverka warfarin?" kan låta som en detalj. I praktiken kan det vara skillnaden mellan stabil INR och en blödning. Och det är precis den typen av verklighetsnära, knepiga läkemedelsfrågor som allt oftare landar hos Sveriges läkemedelsinformationscentraler (LIC) och publiceras via svelic.se.

Jag tycker att det här är en av de mest underskattade flaskhalsarna i svensk läkemedelsanvändning: vi har mer data än någonsin, men mindre tid än någonsin att göra rätt tolkning i ett specifikt patientfall. Samtidigt har läkemedlen blivit mer avancerade – biologiska läkemedel, kombinationsbehandlingar, off label-situationer, samsjuklighet, polyfarmaci, graviditet och amning.

Det är här AI inom läkemedel och bioteknik passar in på riktigt. Inte som en ersättare av klinisk farmakologi och sakkunniga utredare, utan som ett verktyg som kan göra LIC:s arbete snabbare, mer konsekvent och mer skalbart – utan att tumma på den professionella kvaliteten.

Varför läkemedelsfrågor blivit mer komplexa (och varför det syns hos LIC)

Den korta förklaringen: de enkla frågorna löser vården ofta själv; det som återstår är det svåra.

LIC får i hög grad in frågor där standardkällor, produktresuméer och lokala riktlinjer inte räcker. Och det är inte ett tecken på svaghet i systemet – snarare tvärtom. När primärinformation blir lättare att hitta, flyttar gränsen för vad som kräver expertstöd.

Tre saker driver komplexiteten

1. Avancerade terapier och biologiska läkemedel Biologiska läkemedel, immunterapier och målstyrda behandlingar innebär ofta mer komplex farmakologi, fler specialfall och mer osäker evidens i vissa patientgrupper.

2. Polyfarmaci och samsjuklighet i vardagen Många patienter, särskilt äldre, står på 5–10 läkemedel. Interaktioner handlar inte längre om A + B, utan om A + B + C + njurfunktion + nutrition + följsamhet.

3. Gråzoner i evidensen Produktresuméer är nödvändiga men begränsade: de täcker inte alltid kliniskt relevanta "vad händer om"-scenarier. LIC:s roll blir att göra en oberoende syntes av studier, fallrapporter och klinisk rimlighet.

"Man får vara detektiv och dra slutsatser utifrån evidensen." Den formuleringen fångar jobbet bättre än något annat.

Så skapar svelic.se värde – processen som gör svaren användbara

Nyckeln är inte bara vad man hittar, utan hur man granskar och formulerar det.

Det som gör LIC/svelic särskilt relevant för svensk hälso- och sjukvård är att svaren:

• utgår från ett konkret patientfall (men publiceras avidentifierat)
• bygger på strukturerad litteratursökning
• kvalitetssäkras genom kontrasignering och ofta gemensamma ronder
• formuleras med stor språklig precision ("vi väger våra ord på guldvåg")

Det här liknar mer en intern "mini-HTA" (health technology assessment) för en klinisk frågeställning än ett traditionellt FAQ.

Varför företagsinformation inte räcker

Läkemedelsföretagens medicinska information är ofta bunden till fastställd produktinformation. Det är rimligt – ansvaret är tydligt avgränsat. Men kliniken behöver ibland mer:

• tolkning av data i specialpopulationer (t.ex. amning, pediatrik)
• bedömning av rimlighet när direkta studier saknas
• praktisk handläggning i gränsfall

LIC tar den rollen, och tar ansvar för sina tolkningar.

AI som "extra utredare": vad den faktiskt kan göra i LIC-flödet

AI är som bäst när den tar bort friktion i arbetet – inte när den gissar svaret.

Jag ser fyra områden där AI kan stärka läkemedelsinformationsarbete utan att undergräva kvaliteten.

1) Smart triage: snabbare väg från fråga till rätt expert

Många frågor kräver rätt kompetens direkt: klinisk farmakologi, infektionsläkemedel, biologics, pediatrik, toxikologi.

En AI-modell kan:

• kategorisera frågan (interaktion, dosering, hållbarhet, biverkan, off label)
• identifiera kritikalitet (tidskänslighet, risknivå)
• föreslå vilket LIC-team eller vilken specialistprofil som bör hantera den

Effekten blir kortare ledtid och mindre "felstart" i utredningen.

2) Litteratursökning som börjar där människan annars slutar

Utredningarna bygger på att hitta rätt studier och data.

AI kan här fungera som ett accelerationslager:

• föreslå relevanta söktermer och synonymer (INN, substansklasser, brand names)
• extrahera centrala utfallsmått ur artiklar (t.ex. exponering, AUC, säkerhetssignaler)
• skapa en första grovsortering av evidens (RCT, kohort, fallrapport, in vitro)

Det sparar tid, men det viktiga är att människan gör den slutliga evidensvärderingen.

3) Konsekvent formulering och "språklig kvalitetssäkring"

LIC-svar måste vara kliniskt användbara och juridiskt/etiskt robusta.

AI kan hjälpa till att:

• föreslå tydligare struktur (bakgrund → evidens → bedömning → rekommendation)
• identifiera otydliga formuleringar eller interna motsägelser
• skapa sammanfattningar anpassade för mottagare (apotek, avdelning, vårdcentral)

Här blir AI mer som en avancerad redaktör än en medicinsk domare.

4) Återanvändning av kunskap: hitta liknande fall i svelic snabbare

Svelic är en skattkista, men som alla arkiv är den som bäst när man hittar rätt.

Med semantisk sökning kan AI:

• matcha nya frågor mot tidigare utredningar även när ordvalet skiljer sig
• föreslå "närmast relevant" svar och vad som skiljer patientfallet åt
• bygga en intern kunskapskarta: vilka substanser, riskgrupper och frågetyper som dominerar

Det gör att fler får nytta av redan gjorda utredningar – exakt det LIC själva säger att de vill.

Riskerna: där AI kan ställa till det (och hur man undviker det)

Det största misstaget är att behandla AI som en källa istället för en processmotor.

Tre konkreta risker i läkemedelsinformation:

Hallucinationer och "falsk säkerhet"

En språkmodell kan låta tvärsäker även när den saknar stöd. I läkemedelsfrågor är det livsfarligt.

Motdrag:

• krav på spårbarhet: varje påstående ska kunna kopplas till ett underlag
• "no citation, no claim" som arbetsprincip i utredningsdelen
• tydliga osäkerhetsgrader i svar (vad vet vi, vad vet vi inte)

Bias mot publicerad och positiv evidens

AI tenderar att spegla det som finns mest av i textmassor – inte det som är mest kliniskt relevant.

Motdrag:

• explicit modellstöd för evidenshierarki
• checklista som tvingar fram sökning efter negativa studier, säkerhetssignaler och regulatoriska varningar

Sekretess och patientsäkerhet

Många frågor utgår från patientfall. Även avidentifiering kan gå fel om processen är slarvig.

Motdrag:

• kör AI i kontrollerade miljöer (on-prem eller avtalade vårdmiljöer)
• automatisk kontroll av personuppgifter innan publicering
• rollbaserad åtkomst och loggning

Praktiska nästa steg: så kan en svensk organisation börja 2026

Det finns en bättre väg än "köp en chatbot". Bygg ett smalt, mätbart arbetsflöde.

Här är ett upplägg jag själv hade valt om målet är snabbare och säkrare läkemedelssvar:

1. Starta med semantisk sök i egna utredningar Mät: träffprecision, tid till relevant tidigare fall, användarnöjdhet.

2. Inför AI-stöd för triage och frågekvalitet Mät: andel frågor som kräver kompletteringar, ledtid till påbörjad utredning.

3. Lägg till AI-assisterad litteraturlista (inte AI-svar) Mät: tid till första evidensöversikt, antal missade nyckelstudier.

4. Kvalitetssäkra med "dubbelkontroll" och spårbarhet Mät: antal korrigeringar i kontrasignering, konsistens mellan svar.

När detta fungerar kan man börja diskutera mer avancerade steg som prediktiva riskmodeller för interaktioner i specialpopulationer eller automatiserad flaggning av nya säkerhetssignaler.

LIC + AI är inte framtidsprat. Det är nästa arbetsmiljöfråga.

Svelic.se har på fem år byggt upp ett system som tar kliniska läkemedelsfrågor på allvar: noggrann process, kollegial granskning och ett tydligt uppdrag mot hälso- och sjukvård.

Samtidigt: om frågorna blir mer komplexa och volymerna ökar, kommer vi behöva förstärka förmågan att läsa, sortera och återanvända kunskap. Där är AI inom läkemedel och bioteknik en praktisk förstärkare – särskilt i Sverige, där vi ofta har hög digital mognad men begränsade resurser per expert.

Om du jobbar i ett biotechbolag, en region, en sjukhusorganisation eller på ett apotek: börja med att ställa en enkel fråga internt. Vilken del av vårt läkemedelsinformationsarbete är mest repetitiv, och vilken del kräver verklig expertbedömning?

Svaret på den frågan avgör var AI ger mest effekt – och var den absolut inte ska användas.