AI och myelom: så driver data bättre behandlingar

När hematologer beskriver nya fas 3-data som ”de hittills mest imponerande resultaten” vid myelom, då är det läge att stanna upp. Det var exakt den reaktionen som följde rapporter om en kombination där den bispecifika antikroppen teklistamab ges tillsammans med daratumumab – med tydligt bättre sjukdomskontroll än standardbehandling och dessutom bättre överlevnad.

Men här är saken: de kliniska resultaten vi ser på kongresser och i pressmeddelanden är bara toppen av ett isberg. Under ytan finns en växande mängd teknik som gör att studier kan designas smartare, patienter hittas snabbare och biomarkörer tolkas mer konsekvent. Och i allt fler projekt är AI inom läkemedel och bioteknik inte en ”sidofunktion”, utan en förutsättning för att få ut maximal nytta av både data och läkemedel.

Den här texten använder myelomnyheten som en konkret krok för att prata om det som ofta missas: hur AI och avancerad dataanalys kan bidra till att starka behandlingar också blir stark evidens, snabbare – och med bättre precision.

Varför teklistamab + daratumumab sticker ut

Kärnan är enkel: kombinationer av högeffektiva terapier kan ge en djupare och mer varaktig respons hos patienter med återfall i myelom jämfört med tidigare standardregimer. Teklistamab (en bispecifik antikropp som riktar immunsystemet mot myelomceller) har redan väckt stort intresse, och när den kombineras med daratumumab (en etablerad antikroppsterapi) blir den kliniska effekten i de rapporterade fas 3-resultaten ovanligt tydlig.

Det som fick många att höja på ögonbrynen var inte bara ”bättre respons”, utan hur överlevnadskurvorna beskrevs: att de pekar mot potentialen för funktionell bot hos en del patienter. I myelomvärlden är det stora ord. Myelom har länge varit sjukdomen där man kan vinna tid – men sällan prata om bot i praktiken.

Vad betyder ”funktionell bot” i en klinisk vardag?

En funktionell bot brukar i praktiken betyda att:

• sjukdomen blir långvarigt kontrollerad utan pågående tung behandling,
• patienten har ingen mätbar sjukdom med standardmetoder (och ibland även med djupare MRD-mätning),
• återfall sker mycket sent eller inte alls inom relevant uppföljningstid.

För läkemedelsutveckling och sjukvårdsstyrning är begreppet viktigt eftersom det flyttar fokus från ”progressionsfri överlevnad” till något som liknar ett nytt mål: hållbar remission med bibehållen livskvalitet.

AI bakom kulisserna: därför blir kliniska studier bättre

Direkt svar: AI gör kliniska studier vassare genom bättre patienturval, snabbare rekrytering, mer robust biomarköranalys och smartare säkerhetsuppföljning. Det är inte magi – det är statistisk styrka och datakvalitet.

I praktiken ser jag fyra områden där AI redan gör skillnad, särskilt inom hematologi och onkologi:

1) Patienturval som matchar behandlingens biologi

Myelom är inte en enhetlig sjukdom. Det är ett spektrum av genetiska förändringar, klonala populationer och mikromiljöeffekter. När terapier blir mer avancerade blir det också mer avgörande att rätt patienter hamnar i rätt studiearm.

AI kan stödja detta genom att:

• identifiera mönster i laboratorie-, flödescytometri- och sekvensdata som korrelerar med svar,
• föreslå subgrupper som annars skulle ”försvinna” i medelvärden,
• minska risken för skeva jämförelser genom bättre stratifiering.

Det här är extra relevant för bispecifika antikroppar och andra immunterapier där respons kan bero på fler faktorer än en enda mutation.

2) Rekrytering och site-performance: den tråkiga delen som avgör allt

Den mest förbisedda sanningen inom läkemedelsutveckling är att många studier inte faller på hypotesen – de faller på genomförandet. Rekrytering tar för lång tid, fel patienter inkluderas, och avvikelser i protokollhantering urholkar datan.

AI-stödda arbetssätt (ofta i kombination med RWE, real-world evidence) kan:

• hitta patienter snabbare genom strukturerad + ostrukturerad journaldata,
• förutse vilka prövningscenter som kommer prestera bäst,
• flagga tidiga kvalitetsproblem i datarapportering.

För en fas 3-studie kan detta i praktiken innebära månader sparade. I onkologi är månader inte bara tid – det är konkurrens, kostnad och patientnytta.

3) Biomarkörer och MRD: där AI kan minska ”tolkningsbrus”

När behandlingar blir mer effektiva blir mätproblemet större: hur skiljer man ”nästan borta” från ”borta på riktigt”? I myelom används bland annat MRD (minimal residual disease) med känsliga metoder.

AI kan bidra genom att:

• standardisera tolkning av komplexa mätningar,
• kombinera multipla signaler (t.ex. MRD + imaging + blodmarkörer) till en mer stabil riskprofil,
• identifiera tidiga tecken på återfall innan de syns i traditionell uppföljning.

Det här är en nyckel om vi på allvar ska prata om funktionell bot. Utan bra mätning vet vi inte vilka patienter som faktiskt når dit.

4) Säkerhet och biverkningar: mer än bara rapportering

Bispecifika antikroppar kan ge immunrelaterade biverkningar, och kliniska protokoll kräver ofta noggrann övervakning. AI-baserad signalanalys kan ge tidig varning när riskmönster uppstår.

Ett pragmatiskt mål är inte att ”automatisera läkaren”, utan att:

• upptäcka avvikande förlopp tidigare,
• prioritera rätt patienter för tätare uppföljning,
• stödja beslut om dosering, premedicinering och behandlingspauser.

Vad det här betyder för svensk bioteknik och läkemedelsutveckling

Direkt svar: myelomresultaten visar varför Sverige bör satsa på AI-kompetens i hela kedjan – från translationell forskning till klinisk drift och regulatoriskt underlag.

Sverige har en stark position i registerdata, biobanker och klinisk forskning. Men den verkliga flaskhalsen 2026 är sällan ”saknar data”. Det är att:

• data är splittrad mellan system,
• analyskapaciteten är ojämn,
• governance (juridik, etik, spårbarhet) inte är designad för AI i produktion.

För bolag som vill generera leads inom AI inom läkemedel är detta ett guldläge, men bara om man pratar om rätt problem: drift, kvalitet och beslut – inte bara modeller.

Ett konkret exempel: ”kombinationsterapi kräver kombinationsdata”

När två potenta läkemedel kombineras ökar komplexiteten:

• fler möjliga interaktioner,
• fler patientfaktorer som påverkar utfallet,
• större behov av adaptiva analysplaner.

Det är här AI och modern biostatistik möts. En bra AI-strategi i kliniska studier handlar ofta om tre saker:

1. Datamodellering som tål variation mellan center och populationer
2. Tydliga endpoints som kan mätas robust (inklusive MRD)
3. Spårbarhet: från rådata till beslut, så att regulatorer och kliniker kan lita på resultaten

Praktiska takeaways: så kommer du igång med AI-stöd i kliniska studier

Direkt svar: börja där AI skapar mätbar effekt inom 90 dagar – och bygg sedan ut. Jag har sett för många projekt som startar med ”vi behöver en modell” och slutar med att datan inte går att använda.

Här är en mer fungerande ordning:

Steg 1: Välj en smal, dyr smärtpunkt

Bra första use cases i onkologi/myelom är ofta:

• prediktion av rekryteringstakt per site
• automatisk screening av inklusions-/exklusionskriterier
• avvikelsedetektion i eCRF-data (datakvalitet)
• risktriage för säkerhetsuppföljning

Steg 2: Sätt ”definitionen av klart” innan ni tränar något

Bestäm i förväg:

• vilken KPI som ska förbättras (t.ex. rekryteringstid, antal queries, protocol deviations)
• hur ni validerar (retrospektivt + prospektivt)
• vem som äger beslutet när AI säger ”flagga”

Steg 3: Bygg governance som en produkt, inte ett dokument

Om AI ska skapa värde i klinisk utveckling måste den gå att revidera och förklara. Det innebär:

• versionshantering av data och modeller
• audit trails
• tydliga behörigheter
• en plan för när modellen blir fel (för det kommer den att bli)

Vanliga frågor jag får (och raka svar)

Kan AI ”förklara” varför en patient svarar på teklistamab?

Den kan hjälpa, men den ersätter inte biologin. AI är bäst på att hitta mönster i högdimensionell data, och kan peka ut kombinationer av markörer som är värda att testa mekanistiskt.

Är AI mest relevant i tidig forskning eller i fas 3?

Båda, men på olika sätt. I tidig forskning handlar det om hypotesgenerering och målidentifiering. I fas 3 handlar det om precision i genomförande och analys: rekrytering, endpoints, datakvalitet, säkerhet.

Kommer det här påverka vården i Sverige 2026?

Ja, men ojämnt. Kliniker med vana att arbeta strukturerat med data och multidisciplinära team kommer snabbare kunna omsätta nya regimer och uppföljningsstrategier. De som saknar infrastruktur riskerar att hamna efter, även om läkemedlen finns.

Det här är riktningen: starkare behandlingar kräver smartare data

Myelomfältet rör sig mot kombinationer som kan ge mycket djupa responser, och fas 3-resultat kring teklistamab + daratumumab är en tydlig markör för vart vi är på väg. När kliniker börjar prata om funktionell bot förändras också kraven på hur vi mäter, följer upp och väljer behandling.

För dig som jobbar i läkemedel, biotech eller klinisk forskning är budskapet rakt: det räcker inte att ha en effektiv molekyl. Du behöver en datamotor som gör effekten trovärdig, reproducerbar och skalbar. Det är precis där AI inom läkemedel och bioteknik gör störst nytta.

Om du planerar nästa studie, nästa biomarkörstrategi eller nästa plattform för klinisk drift: vilka delar av processen är fortfarande byggda för 2015 – och vilka måste designas om för 2026?