AI och litium: säkrare val vid bipolär sjukdom

2010 startade ett forskningsprojekt i norra Sverige som i dag omfattar över 1 700 patienter, bygger på journaldata ända tillbaka till 1965, och har resulterat i 18 vetenskapliga publikationer. Det låter kanske som en klassisk registerstudie. Men effekten har varit ovanligt konkret: vårdpersonal och patienter har fått bättre underlag för att fatta beslut om ett av psykiatrins mest effektiva – och mest riskfyllda – läkemedel.

När årets Guldpiller 2025 gick till psykiatrikern Ursula Werneke och njurläkaren Michael Ott för LisIE-projektet (Lithium – Study into Effects and Side Effects) var det en påminnelse om något många bolag och regioner fortfarande missar: långsiktig läkemedelssäkerhet är en datafråga. Och där blir kopplingen till vår serie AI inom läkemedel och bioteknik självklar.

Litium räddar liv genom att minska återfall och suicid vid bipolär sjukdom. Samtidigt skrämmer risken för njurpåverkan både patienter och kliniker. Här har LisIE visat att vi kan gå från ”antingen/eller” till ”rätt behandling för rätt person vid rätt tidpunkt” – och att AI kan göra nästa steg möjligt i praktiken.

Varför litium är svårt: livräddande effekt möter njurrisk

Litium är den mest väldokumenterade behandlingen för att förebygga återfall och suicid vid bipolär sjukdom. Det är inte en liten sak. Bipolär sjukdom innebär skiftningar i stämningsläge och aktivitetsnivå, ofta med perioder av djup depression och perioder av mani eller hypomani. För många är stabilitet inte bara en kvalitetsfråga – det handlar om överlevnad.

Samtidigt finns en baksida som länge skapat osäkerhet: njurpåverkan. I kliniken blir det lätt svartvitt:

• Fortsätt litium och oroa dig för njurarna.
• Avsluta litium och oroa dig för psykiatrin.

Det här är precis den typ av problem där vården historiskt har lutat sig mot generella riktlinjer och ”klinisk magkänsla”. Problemet? Risken är inte densamma för alla.

LisIE-teamet visade tydligt att det finns stora individuella variationer: vissa patienter kan tappa hälften av sin njurfunktion på cirka 10 år, medan andra kan ha åldersadekvat njurfunktion efter mer än 40 års litiumbehandling. När variationen är så stor blir ”genomsnittspatienten” ett dåligt beslutsstöd.

Genombrottet: när litium sätts ut kan förlusten av njurfunktion bromsa

Kärninsikten från LisIE som bör påverka rutiner redan nu är enkel: den snabba förlusten av njurfunktion kan upphöra när litium sätts ut.

Den ursprungliga frågan som dök upp redan 2009 var både kliniskt och psykologiskt laddad: Kan njurfunktionen återhämta sig om litium sätts ut? Bakom frågan låg idén om en ”point of no return” – att när njurarna väl är skadade finns ingen vits att sluta.

Resultaten från en studie publicerad i januari (enligt källtexten) pekar i en annan riktning: att avbryta litium kan stoppa den snabba försämringen, vilket gör att njurfunktionen bättre kan bevaras över tid genom byte till annat stämningsstabiliserande läkemedel. Och om patienten inte klarar sig psykiskt utan litium kan läkemedlet återinsättas med samma effekt som tidigare.

Det här är en praktisk nyhet, inte bara akademisk. Den flyttar beslutet från ett permanent ”allt eller inget” till en mer dynamisk strategi:

1. Identifiera patienter med brant njurfunktionsförlust tidigt.
2. Testa utsättning/byte innan skadan blir etablerad.
3. Ha en plan för återinsättning om psykiatrin försämras.

Där AI passar in: från årsvisa prover till prediktiva riskkurvor

AI:s styrka här är inte att ersätta läkaren, utan att göra komplexa, långsiktiga mönster synliga i tid. LisIE visar värdet av stora datamängder; AI gör det möjligt att omsätta den typen av kunskap till vardagliga beslut.

Från ”en siffra” till en personlig lutning

Rekommendationen i materialet är att följa den årliga förlusten av njurfunktionen för varje patient. Det är smart, men det är också lätt att det blir manuellt, ojämnt och beroende av hur stressad mottagningen är.

AI-modeller kan i stället:

• beräkna en individuell eGFR-lutning (hur snabbt njurfunktionen faller),
• jämföra mot patienter med liknande profil (ålder, kön, behandlingstid, nivåer, samsjuklighet),
• flagga ”avvikande” förlopp tidigt,
• simulera scenarier: Vad händer med njurrisk om vi fortsätter 24 månader? Vad händer om vi byter nu?

Det är exakt den typ av riskkurva som gör delat beslutsfattande lättare. En bra riskkurva är ofta mer pedagogisk än tio minuters förklaring.

Integrera psykiatri och somatik – på riktigt

En av de mest intressanta delarna i berättelsen är själva samarbetet mellan psykiatri och njurmedicin. I praktiken sitter data ofta i olika system, följs upp olika och tolkas med olika ”glasögon”.

AI kan fungera som en gemensam analysyta där man väger flera utfall samtidigt:

• psykiatriska återfall (till exempel vårdkontakter, inläggningar, läkemedelsjusteringar),
• njurmarkörer (eGFR-trend, kreatinin, akuta försämringar),
• andra biverkningar (till exempel sköldkörtelpåverkan),
• adherence-signaler (förnyade recept, uteblivna provtagningar, abrupt utsättning).

När de här signalerna sätts ihop blir det lättare att se helheten: inte bara ”hur mår patienten i dag?” utan ”vart är patienten på väg?”

Ett konkret AI-case: tidig varning för snabb njurfunktionsförlust

Om vissa patienter kan tappa halva njurfunktionen på 10 år, då är tid den mest kritiska resursen. Ett pragmatiskt AI-case i en region kan vara:

• Träna en modell som identifierar patienter med risk för brant eGFR-fall baserat på tidiga datapunkter (första 12–24 månaderna av trend).
• Skapa ett beslutsstöd som föreslår: tätare provtagning, läkemedelsgenomgång, diskussion om alternativ.
• Mäta effekten i en enkel utfallsuppföljning: färre akuta försämringar, bättre timing för byte/utsättning, bibehållen psykiatrisk stabilitet.

Det här är en rimlig ”startnivå” för AI i läkemedelssäkerhet: tydligt problem, tydligt utfall, och möjlighet att göra vården mer jämlik.

Praktiska lärdomar för vård, bolag och bioteknik

LisIE är inte bara en litiumhistoria. Det är en mall för hur man gör vårdnära evidens som faktiskt ändrar rutiner. Här är lärdomarna jag tycker är mest användbara om du jobbar med läkemedel, data eller klinik.

1) Gör patientsäkerhet mätbar över tid

Många organisationer är bra på punktinsatser (en ny rutin, en utbildning). Färre är bra på att mäta risk som en kurva. Här borde fler tänka som LisIE:

• följ patienter länge,
• använd verkliga journaldata,
• gör det jämförbart mellan kliniker och regioner.

2) Bygg beslutsstöd som är begripligt för patienten

En stark detalj i materialet är hur delaktighet förändrar konsultationen: när patienten får vara med och förstå riskerna blir beslutet mer hållbart.

AI kan lätt bli en ”svart låda”. Undvik det. Det som fungerar i praktiken är:

• visuella trender (enkla grafer),
• scenarier (fortsätta vs byta),
• tydliga trösklar (”brantare kurva = högre känslighet”).

3) Ta abrupt utsättning på allvar

LisIE pekar på att män avslutar litium utan läkarkontakt i dubbelt så hög grad som kvinnor. Det är en patientsäkerhetsrisk i sig.

Här finns en tydlig AI- och dataanalysmöjlighet:

• hitta mönster som föregår abrupt utsättning (missade provtagningar, sena uttag, uteblivna uppföljningar),
• sätt in tidiga stödinsatser (påminnelser, snabbare telefontid, läkemedelssamtal).

4) Satsa på tvärdisciplin – det betalar sig

Det började med ett samtal mellan två specialister med olika perspektiv. Den sortens ”kreativa krock” är underskattad. I AI-projekt inom läkemedel och bioteknik är det ofta skillnaden mellan:

• en modell som blir en powerpoint, och
• ett verktyg som faktiskt används i mottagningsrummet.

Vanliga frågor som patienter och kliniker ställer (och hur data kan hjälpa)

Ska alla som tar litium vara oroliga för njurarna?

Nej. Risken varierar kraftigt mellan individer. Poängen är att upptäcka dem som tappar njurfunktion snabbt och agera tidigt.

Om njurvärdena försämras, måste man alltid sluta?

Nej. Nya resultat pekar på att den snabba försämringen kan upphöra när litium sätts ut, vilket gör timing och uppföljning centralt. I vissa fall kan litium även återinsättas om psykiatrin kräver det.

Varför räcker inte riktlinjer?

Riktlinjer är bra, men de är generella. När variationen är så stor behövs individualiserade riskkurvor och tätare återkoppling. Det är här AI och avancerad dataanalys gör mest nytta.

Nästa steg: från prisbelönt forskning till skalbar AI i kliniken

Guldpillret 2025 till LisIE visar att vården kan producera kunskap som både är robust och praktiskt användbar. För mig är den tydligaste fortsättningen att koppla den här typen av långsiktiga data till AI för prediktiv läkemedelssäkerhet – inte som experiment, utan som en rutin.

Om du jobbar med läkemedel och bioteknik i Sverige är det här en bra tid att agera. Regioner letar efter projekt som ger mätbar nytta, och patienter förväntar sig mer delaktighet. Litiumfallet är ett tydligt exempel där vinsten är dubbel: bibehållen psykiatrisk stabilitet och bättre njurskydd.

Frågan är inte om vi kan bygga beslutsstöd som förutser risk. Frågan är vilka terapier vi vågar börja med – och om vi bygger dem så att både läkare och patient faktiskt vill använda dem.