AI och forskningsnyheter 2025: från IVF till genkirurgi

Det är lätt att tro att 2025:s största medicinska nyheter handlar om ännu ett nytt läkemedel. Men årets mest omtalade forskningsresultat är något helt annat: åtta barn födda efter mitokondriedonation – en form av IVF där man byter ut defekta mitokondrier för att undvika svår ärftlig sjukdom. Det är spektakulärt, ja. Men det är också ett tydligt tecken på vart medicinen är på väg: mer precis, mer datatung och mer beroende av smarta analysmetoder.

Här är min tydliga ståndpunkt: utan AI kommer vi inte kunna ta nästa steg i den här typen av behandlingar – säkert, skalbart och jämlikt. Inte för att AI “magiskt löser allt”, utan för att mängden biologisk data, komplexa riskavvägningar och uppföljningskrav redan nu är större än vad traditionella arbetssätt klarar.

Den här texten är en del av vår serie AI inom läkemedel och bioteknik och kopplar 2025 års tio största forskningsnyheter till en praktisk fråga: hur kan AI faktiskt komplettera och förbättra klinisk innovation inom genetik, reproduktionsmedicin, onkologi och avancerade terapier – i Sverige?

Mitokondriedonation: varför nyheten skakar om Sverige

Kärnpunkten: Mitokondriedonation har nu visat kliniska resultat som gör det svårt att avfärda tekniken som “för osäker”.

I juli 2025 publicerades resultat i en ledande medicinsk tidskrift: åtta barn födda efter mitokondriedonation vid en specialistklinik i Newcastle. De mitokondriella sjukdomsanlag som mödrarna bar på var antingen omätbara hos barnen eller fanns på nivåer som inte bedömdes innebära sjukdomsrisk. Dessutom låg graviditetsutfall i samma storleksordning som etablerad IVF med PGT: cirka 40% av behandlade kvinnor fick kliniska graviditeter.

I Sverige är det här extra laddat. Svensk lag förbjuder behandlingar som syftar till ärftliga genetiska förändringar, vilket i praktiken stoppar mitokondriedonation. Statens medicinsk-etiska råd (Smer) bedömde 2013 metoden som inte etiskt godtagbar, främst på grund av osäkerhet kring medicinska risker. Nu bereds frågan igen – och det är inte svårt att se varför.

Var AI kommer in: säkerhet, urval och lång uppföljning

AI kan göra mitokondriedonation mätbart säkrare genom tre konkreta bidrag:

1. Prediktiva modeller för “carryover-risk” Vid mitokondriedonation är en nyckelfråga hur mycket av moderns mitokondrier (med sjukdomsanlag) som ändå “följer med” i processen. AI-modeller kan tränas på embryologiska bilder, laboratoriedata och genetiska mätvärden för att förutsäga riskprofil innan implantation.

2. Beslutsstöd i klinisk selektion Kliniken måste väga medicinsk risk, sannolikhet för graviditet, tidigare IVF-historik och genetiska mönster. Ett bra AI-stöd ersätter inte läkaren – men kan ge en mer konsekvent och transparent prioritering.

3. Långtidsuppföljning som faktiskt blir av Åtta barn är ett litet underlag. Det som avgör om tekniken blir accepterad är uppföljning över många år. AI kan automatisera signalspaning i journaldata (med rätt juridik och governance), upptäcka avvikande mönster tidigt och minska den manuella bördan.

En mening jag tror vi kommer höra ofta 2026: “Vi har evidens – men vi behöver system som kan bära evidensen över tid.”

Från implantat som ger syn till nya immunterapier: mönstret i 2025

Kärnpunkten: 2025 års nyheter ser olika ut på ytan, men har samma underliggande behov: datadriven precision.

Bland årets toppresultat finns exempel som spänner över hela vårdkedjan:

• Delvis återställd syn vid torr makuladegeneration genom implantat i gula fläcken plus specialglasögon – effektivt men kräver träning och ger biverkningar.
• Cancerläkemedel som fungerar vid autoimmun sjukdom, där teklistamab gav symtomförbättring hos 9 av 10 svårt behandlingsrefraktära patienter och gjorde att 6 kunde pausa sin vanliga antiinflammatoriska behandling periodvis.
• Träningsprogram efter tjocktarmscancer som i en fas 3-studie minskade återfall med 6,4 procentenheter efter fem år.

Det här är en viktig läxa för alla som jobbar med läkemedel och bioteknik: innovation är inte bara molekyler. Det är kombinationer av behandling, beteende, teknik och uppföljning.

Var AI ger mest effekt: rätt patient, rätt insats, rätt tid

Här har AI en enkel men avgörande roll: att matcha insats till individ.

• I oftalmologi: AI kan analysera retinala bilder och funktionsdata för att förutsäga vilka patienter som får störst nytta av implantat och hur träningen ska individualiseras.
• I autoimmunitet: maskininlärning kan hitta biomarkörprofiler som pekar ut vilka patienter som svarar på B-cells- eller T-cellsnära behandlingar – så att man inte bränner dyr, riskfylld terapi på fel grupp.
• I rehabilitering efter cancer: AI-stödd “precisionsträning” (sensorer + individanpassade program) kan hjälpa vården att gå från “generella råd” till mätbara beteendeinterventioner.

Onkologi 2025: billig tablett, dyr antikropp – samma AI-problem

Kärnpunkten: Onkologin visar att framtiden kräver bättre subgruppering, annars blir både billigt och dyrt fel.

Två av årets mest praktiskt viktiga resultat handlar om tjock- och ändtarmscancer:

• Acetylsalicylsyra (ASA) halverade återfallsrisk i en stor tumörgenetisk undergrupp: från 14% till 7% efter tre år.
• Träning gav minskade återfall och förbättrad överlevnad, med en effekt som jämförts med läkemedel – fast utan läkemedelsbiverkningar.

Det här är nästan provocerande för branschen: en del av framtidens cancerbehandling är billig, och en annan del är beteende- och systemdriven.

AI som “subgruppsmotor” i kliniken

För att ASA bara hjälper en viss genetisk subgrupp krävs att vården:

• testar rätt patienter
• tolkar tumörgenetik korrekt
• kopplar resultatet till behandlingsbeslut utan fördröjning

Här fungerar AI som en motor för implementering:

1. Automatisk tolkning och kvalitetssäkring av tumörgenetik (variantklassning, risknivå, osäkerheter)
2. Kliniska beslutsstöd som kopplar genetiska fynd till lokala vårdprogram
3. Uppföljning av real-world outcomes så man ser att den fina studieresultateffekten också håller i vardagen

Min erfarenhet är att det är just det här steget – från publicerad studie till konsekvent klinisk tillämpning – som många organisationer underskattar.

Avancerade terapier: xenotransplantation och patientunik genterapi

Kärnpunkten: När behandlingar blir unika per patient blir AI och automatisering en förutsättning, inte ett “plus”.

Två nyheter från listan fångar samma trend från olika håll:

• Genetiskt modifierad grisnjure fungerade i människa. Patienten avled efter två månader av andra orsaker, och ytterligare fall visar att funktion kan hålla länge men inte alltid permanent.
• Skräddarsydd CRISPR/Cas9-behandling utvecklades på kort tid för ett enskilt barn med metabol rubbning i levern; symtomen dämpades avsevärt även om full bot inte uppnåddes.

Det här är inte “standardprodukter”. Det är processer – med många steg där fel kan uppstå.

AI i praktiken: kvalitet, tillverkning och riskanalys

I avancerade terapier är AI särskilt värdefullt i tre lager:

• Design: snabbare design av genterapikonstruktioner och guide-RNA med riskminimering (off-target, immunogenicitet).
• Tillverkning: processtyrning, avvikelsedetektion och batch-release baserat på mönster i produktionsdata.
• Klinik: tidig signalspaning för biverkningar och långtidsrisker – särskilt när patientantalet initialt är lågt.

Det är också här etiken blir konkret. När varje patient får en unik behandling måste besluten vara spårbara. AI-modeller som inte går att förklara eller revidera blir ett patientsäkerhetsproblem.

Etik och regelverk: varför AI måste vara med från början

Kärnpunkten: Etikfrågor i genetik och reproteknik löses inte med “åsikter” – de löses med struktur, transparens och uppföljningsbara beslut.

Mitokondriedonation ställer frågan på sin spets: vi pratar om förändringar som kan gå i arv. Samtidigt är alternativet för vissa familjer att inte få genetiskt egna barn utan hög risk för svår sjukdom.

AI kan bidra även här, men bara om man gör det rätt:

• Riskmodeller som visar vilka antaganden som ligger bakom en rekommendation
• Scenarioanalyser (”om vi sänker carryover-tröskeln, hur påverkas risk/nytta?”)
• Fairness-analys så att urval, tillgång och uppföljning inte blir snedvridna

Jag tycker Sverige har ett guldläge: starka register, hög digital mognad och vana vid nationella riktlinjer. Men det kräver att AI ses som en del av infrastrukturen – inte som ett sidoprojekt på innovationsenheten.

Praktiska nästa steg för bioteknik- och life science-team

Kärnpunkten: Vill du skapa leads och verklig nytta i “AI inom läkemedel och bioteknik” 2026 behöver du välja ett problem som äger dataflödet – inte bara en algoritm.

Här är fem konkreta projektspår som passar svenska aktörer (kliniker, biotech, medtech, CRO:er):

1. AI för embryo- och laboratoriekvalitet i IVF och närliggande reproprocesser (bildanalys + outcome-data)
2. Biomarkörstyrd patientselektion för immunterapier i autoimmun sjukdom (små kohorter, hög komplexitet)
3. Real-world evidence-plattform för nya standarder i onkologi (t.ex. ASA-subgrupp och träningsprogram)
4. Post-market övervakning av implantat och kombinationsbehandlingar (retinala implantat, träningsstöd)
5. GxP-anpassad ML-pipeline för avancerade terapier: spårbarhet, modellstyrning, audit logs

Vill du ha snabb effekt? Börja där ni redan har data och ett tydligt beslut som tas ofta.

Vart det här tar vägen 2026

Mitokondriedonation är årets stora symbolfråga: medicinsk nytta, etiskt skav, juridiska gränser och ett enormt behov av uppföljning. Men den är också en föraning om nästa fas i svensk life science: personlig medicin som kräver systematik.

AI är inte “framtidssnack” här. Det är verktyget som gör att komplexa behandlingar kan bli säkra, repeterbara och rättvist införda. Om Sverige öppnar dörren för fler genetiska interventioner – i forskning eller klinik – kommer frågan inte vara om vi använder AI, utan vilken AI, under vilket ansvar och med vilken transparens.

Vilket område tror du blir Sveriges första riktigt stora genombrott där AI gör skillnaden: reproduktionsmedicin, onkologi eller avancerade terapier?