AI och Swetrial: så får Sverige fler kliniska prövningar

Sverige har ett problem som få utanför branschen pratar om vid julbordet: vi är ofta för långsamma och för spretiga när globala kliniska prövningar ska planeras, bemannas och levereras. När andra länder visar upp förutsägbarhet och snabb rekrytering hamnar Sverige lätt längre ner på listan.

Det är därför satsningen Swetrial är så intressant just nu. I mitten av december 2025 beskrev Swetrials nytillträdde etableringschef Peter Asplund ett tydligt mål: fler kliniska prövningar i Sverige, mer jämlik tillgång – och bättre förmåga att faktiskt leverera de patienttal vi åtar oss. Jag gillar det anslaget. Det är mindre vision och mer verkstad.

Och här kommer min tydliga ståndpunkt, i linje med vår serie AI inom läkemedel och bioteknik: Swetrial lyckas inte fullt ut utan AI och digitala arbetssätt som är byggda för vårdens verklighet. Det handlar inte om futurism. Det handlar om att fixa flaskhalsarna som alla redan känner av.

Swetrial i praktiken: målet är förutsägbarhet och leverans

Swetrial är tänkt som en plattform som stärker Sveriges roll inom kliniska studier genom samordning mellan myndigheter, vård, patienter, akademi och industri. Peter Asplunds första fokus är ovanligt konkret: få fram mål, handlingsplan och en partnerskapsmodell som gör samarbetet fungerande i vardagen.

Två saker som avgör om Sverige får fler studier

Artikeln pekar särskilt ut två drivare som jag också ser som avgörande i nästan varje prövningsupplägg:

1. En tydlig samarbetsmodell: avtal, överenskommelser, gemensamma arbetssätt. Utan detta blir varje studie ett specialprojekt.
2. Rekryterings- och leveransprecision: Sverige behöver komma upp i leveransgrad. Asplund nämner att vi ofta når 40–50 % av rekryteringsmålen när vi borde ligga på minst 80 %.

Det är en brutal siffra. Och det är exakt här AI kan bidra – inte genom att ”automatisera allt”, utan genom att öka träffsäkerheten, sänka friktionen och ge bättre beslutstöd.

Varför detta spelar extra stor roll 2025–2026

Kring årsskiftet 2025/2026 sker mycket samtidigt:

• Precisonsmedicin skalar upp i kliniken, särskilt inom cancer.
• Kognitiva sjukdomar (t.ex. demens) får fler sena fas-studier, ofta med komplexa inklusionskriterier.
• Vården är fortfarande pressad: bemanning, köer och administrativ börda gör att kliniska prövningar lätt hamnar ”utanför flödet”.

När Asplund säger att prövningen om fem år ska vara en naturlig del av vårdens flöden sätter han fingret på kärnan: prövningar kan inte vara ett sidoprojekt. De måste bli en del av normal drift.

Där AI faktiskt gör skillnad: från patienturval till studieledning

AI i kliniska prövningar fungerar bäst när den används som en operativ förstärkare av teamet – inte som en ersättare. Jag brukar tänka på tre nivåer: hitta rätt patienter, få studien att rulla, och använda data smartare.

AI för patientidentifiering: snabbare, jämlikare rekrytering

Den snabbaste vägen till fler kliniska studier i Sverige är att bli bättre på att matcha patienter till prövningar – tidigt och systematiskt.

AI-baserad screening kan:

• läsa strukturerad data (diagnoskoder, labbvärden, läkemedelslistor)
• tolka ostrukturerad text (journalanteckningar, remissvar) med NLP
• flagga patienter som matchar inklusions-/exklusionskriterier
• skapa rekryteringslistor för vårdteamet, med spårbar motivering

Det här är extra relevant när Asplund lyfter jämlik tillgång ”oavsett var i landet man bor”. Om matchning bara sker där en eldsjäl råkar finnas blir det varken jämlikt eller skalbart.

Kliniska prövningar skalar inte med fler PowerPointar – de skalar med bättre matchning och mindre administration.

AI för att nå 80 %: prognoser, riskflaggor och åtgärder

Att gå från 40–50 % till 80 % i leverans handlar sällan om en enda stor grej. Det handlar om att fånga små problem tidigt.

AI kan bidra med:

• Rekryteringsprognoser per site och region (baserat på historik, inflöde, säsongsmönster)
• Riskmodeller som flaggar när en site är på väg att halka efter (t.ex. lång tid till första besök, många screening failures)
• Åtgärdsrekommendationer: mer personalstöd, förenklad logistik, extra patientinformation, eller omfördelning av mål

Det här är studieledning som går från reaktivt till proaktivt. Och det är exakt den typ av ”precision” Asplund pratar om – fast översatt till ett digitalt arbetssätt.

AI för dataanalys: snabbare insikter utan att tumma på kvalitet

AI kan också förbättra kvaliteten i prövningar, särskilt i tidiga analyssteg:

• automatisk upptäckt av avvikande mönster i datapunkter (”data drift”, outliers)
• bättre hantering av saknade värden och realtidsvalidering
• snabbare sammanställning av säkerhetssignaler och monitoreringsunderlag

Det minskar risken för sena ”datastäd”-projekt som ofta försenar slutsatser och publikationer.

Norden och Europa: Swetrial vinner på att tänka som en produkt

Asplund lyfter Danmark som jämförelse: de har mer än dubbelt så många kliniska prövningar per invånare som Sverige och har byggt sin plattform Trial Nation över tid. Min tolkning: Danmark har behandlat sin prövningsförmåga som något man designar, mäter och förbättrar.

Tre mätetal som Swetrial bör äga (och publicera)

Om Swetrial vill bli trovärdigt för globala sponsorer behöver plattformen vara datadriven. Jag hade velat se tre KPI:er som återkommer varje kvartal:

1. Tid till första patient (FPI): från feasibility till första inkluderade patient.
2. Leveransgrad på rekrytering: faktisk inklusion / åtagande (målet bör vara ≥ 80 %).
3. Andel vårdenheter med ”trial-ready”-process: ett standardiserat minimipaket för prövningar.

AI kommer in som möjliggörare eftersom KPI:erna annars blir dyra att följa upp manuellt.

Ett konkret scenario: 25–30 miljoner i Norden

När Asplund pratar om ett nordiskt patientunderlag på 25–30 miljoner är det en tydlig signal: konkurrensen är inte längre ”Sverige vs Danmark”, utan ”Norden vs USA/Kina” i vissa terapiområden.

Men för att Norden ska kännas som en sammanhållen region krävs interoperabilitet, gemensamma datastandarder och praktiska arbetssätt. AI kan fungera som ett lager som harmoniserar variationen – men bara om grunderna finns på plats: dataåtkomst, juridik, och governance.

Juridik och etik: där Sverige tappar tempo (och hur AI påverkas)

Sverige har juridiska hinder som bromsar kliniska prövningar. Artikeln nämner bland annat:

• biobankslagens begränsningar kring prover från personer med nedsatt beslutsförmåga
• frågor om randomiserade klusterprövningar
• språkkrav vid ansökningar

Här är min praktiska take: AI-projekt i kliniska prövningar dör ofta i gråzonen mellan juridik och verksamhet. Därför behöver Swetrial (och aktörer runtom) jobba med ”policy som produkt”: tydliga mallar, standardiserade DPIA-processer, och enhetliga tolkningar för multicenterstudier.

AI och patientsäkerhet: vad som måste vara sant

AI kan aldrig bli en genväg runt etik. Den måste tvärtom göra patientsäkerheten enklare att upprätthålla.

För att AI ska vara försvarbart i prövningsflöden bör följande krav vara uppfyllda:

• Spårbarhet: varför föreslogs en patient? Vilka kriterier matchade?
• Människa i loopen: kliniker tar beslutet, AI föreslår.
• Bias-kontroll: systemet får inte systematiskt missa vissa grupper.
• Informationssäkerhet: minsta möjliga data, rätt åtkomst, tydliga loggar.

Det här låter som hygienfaktorer – och det är precis poängen. När hygienfaktorerna sitter blir det plötsligt lättare för vården att säga ja.

Så blir kliniska prövningar en del av vårdens flöde (inte en extra uppgift)

Swetrials framtidsbild är rimlig: när du eller jag går till vården ska vi, om relevant, få frågan om vi vill delta i en klinisk prövning. Men det kräver att prövningar är designade för kliniken.

Fyra byggblock som gör det möjligt

Jag har sett att följande arbetssätt brukar ge effekt snabbast:

1. Trial-ready mottagning: standardiserad rollfördelning (PI, studiesköterska, data manager) och tydligt schema.
2. Digital pre-screening: AI-stöd som ger en kort lista, inte 200 ”kanske”-patienter.
3. Patientkommunikation som funkar: tydliga texter, rätt språkversioner, enkel samtyckeshantering.
4. Studieops som mäts: FPI, screening rate, dropout-risk, och tid till datapunkt.

När dessa finns på plats går det snabbt att skala – särskilt inom områden som cancer, precisionsmedicin och demens där behovet är stort och inklusionskriterierna är snäva.

Nästa steg: vad du kan göra redan Q1 2026

Om du jobbar i läkemedelsbolag, biotech, CRO, vård eller akademi och vill bidra till att Sverige blir mer attraktivt som prövningsland, hade jag prioriterat tre saker direkt efter helgerna:

1. Kartlägg var rekrytering tappar fart: är det screening, samtycke, logistik, personal eller uppföljning?
2. Testa AI i ett avgränsat steg: t.ex. journalbaserad pre-screening för ett terapiområde på 1–2 sites.
3. Sätt ett leveransmål som märks: inte ”bättre rekrytering”, utan ”från 50 % till 75 % i nästa studie” och följ upp varje vecka.

Swetrial kan bli plattformen som gör detta lättare att göra tillsammans, i stället för att varje aktör ska uppfinna sin egen modell.

Frågan som blir kvar – och som jag tycker är rätt att ställa nu, innan planerna cementeras – är enkel: När kliniska prövningar blir en naturlig del av vårdens flöden, vem äger då de digitala verktygen som gör jobbet möjligt?