AI och trippelagonister: nästa steg i viktnedgång

28,7 %. Det är den genomsnittliga viktnedgången som rapporterats efter 68 veckor med den högsta dosen av läkemedelskandidaten retatrutid i en randomiserad studie på vuxna med övervikt eller obesitas och samtidig knäartros. Placebogruppen gick ned 2,1 %. Det är en siffra som får både kliniker, investerare och utvecklingsteam att spetsa öronen.

Men den mest intressanta frågan är inte bara hur mycket vikt deltagarna tappade. Den mer avgörande frågan för oss som följer serien ”AI inom läkemedel och bioteknik” är: Hur tar vi oss från lovande tidiga resultat till robust evidens, rätt patienter, rätt dos och rimlig säkerhet – snabbare och med färre felsteg?

Jag tycker att många underskattar hur mycket av nästa kapitel i obesitasbehandling som kommer att avgöras av dataarbete: studieupplägg, fenotypning, biomarkörer, biverkningsmönster och prediktion av vilka som faktiskt får långsiktig nytta. Där är AI inte en fin extra funktion. Det är infrastrukturen.

Retatrutid i korthet: vad studien faktiskt signalerar

Retatrutid sticker ut för att den är en trippelagonist: den stimulerar receptorer för GLP-1, GIP och glukagon. Det betyder i praktiken att man försöker påverka flera biologiska spår samtidigt: aptitreglering, insulinrespons och energibalans.

I den aktuella randomiserade studien ingick 445 deltagare med övervikt/obesitas och knäartros, som fick 9 mg, 12 mg retatrutid eller placebo. Efter 68 veckor rapporterades:

• 28,7 % genomsnittligt vikttapp i högdosgruppen
• 2,1 % genomsnittligt vikttapp i placebogruppen
• 1 av 8 patienter på aktiv substans upplevde ingen knäsmärta vid studiens slut
• Vanligaste biverkningarna var mag–tarmrelaterade, i linje med andra inkretinbaserade behandlingar

En viktig detalj: resultaten var vid rapporteringstillfället inte peer-review-granskade och inte publicerade i tidskrift ännu. Det här är inte ovanligt i läkemedelsutveckling, men det påverkar hur hårt man ska hålla i slutsatserna.

Varför knäartros-dimensionen spelar roll

Knäartros är ett smart val av samtidiga besvär i en obesitasstudie. Det är konkret, påverkar livskvalitet och har en tydlig mekanisk koppling till vikt. Om ett läkemedel både ger stort vikttapp och förbättrar smärta/funktion kan det förändra hur vården prioriterar behandling – inte minst i Sverige där resurser, remissvägar och uppföljning är praktiska flaskhalsar.

Men det skapar också en analysutmaning: smärta påverkas av vikt, inflammation, aktivitet, placeboeffekt och förväntan. Att separera effekten av viktnedgång från andra mekanismer kräver bra data och bra modeller.

Därför är trippelagonister så svåra – och så lockande

Trippelagonister är lockande eftersom de kan ge större effekt, men de är svåra eftersom de kan ge mer komplex säkerhetsprofil. När man påverkar flera receptorer samtidigt uppstår en sorts biologisk “mixning” där nettoeffekten inte alltid är intuitiv.

En praktisk konsekvens är att utvecklingsprogrammet måste svara på fler frågor än för en singel- eller dubbelagonist:

• Vilken receptorprofil ger bäst effekt för vilka patienter?
• Vilken dos- och titreringsstrategi minimerar avhopp p.g.a. GI-biverkningar?
• Vilka patienter får snabb respons men tappar effekt över tid?
• Finns det subgrupper där glukagonkomponenten ger oönskade effekter (t.ex. puls, blodtryck, levermarkörer)?

Här ser jag ofta att bolag fastnar i ett traditionellt “en dos passar alla”-tänk för länge. Det blir dyrt och långsamt.

AI-perspektivet: multipla mål kräver multipel analys

AI passar särskilt bra när målet inte är ett enda utfall (”viktnedgång”) utan en balans mellan flera mål:

• Effekt (vikt, midjemått, HbA1c, aptit)
• Funktion (smärta, gångförmåga, aktivitetsnivå)
• Säkerhet (GI, gallblåsa, pankreasmarkörer, kardiometabola signaler)
• Adherens (avhopp, dosreduktion, uppehåll)

Det här är i praktiken ett multiobjektiv-optimeringsproblem. Klassisk statistik räcker långt, men AI gör det möjligt att arbeta mer systematiskt med trade-offs och tidiga varningssignaler.

Så driver AI utvecklingen av obesitasläkemedel – på riktigt

AI accelererar inte genom magi, utan genom att reducera osäkerhet tidigt. För trippelagonister finns tre AI-spår som ger tydlig affärs- och kliniknytta.

1) Prediktiv modellering för dos, titrering och avhopp

GI-biverkningar är inte bara en medicinsk fråga – de är ett kommersiellt och kliniskt problem eftersom de driver avhopp och sämre följsamhet. AI-modeller kan tränas på tidiga signaler (vikthastighet, rapporterade symtom, labbvärden, tidigare läkemedel, sömn, aktivitetsdata) för att:

• förutsäga vilka patienter som behöver långsammare titrering
• identifiera risk för avhopp innan det händer
• föreslå adaptiva dosstrategier i studier

Det här kan göra skillnaden mellan en “snygg kurva” i en pressrelease och en behandling som fungerar i vardagen.

2) Smartare patientselektion och fenotypning

Obesitas är inte en enhetlig diagnos. Det är en paraplyterm för flera biologiska och beteendemässiga profiler. Med AI kan man kombinera kliniska data, labb, bilddiagnostik, journaltext och ibland även digitala biomarkörer för att hitta subgrupper:

• “snabbresponders” vs “långsam respons men stabil”
• patienter med hög risk för GI-biverkningar
• artrospatienter där smärtreduktion sannolikt följer vikttapp

I Sverige finns dessutom en unik möjlighet: välstrukturerade vårddata och registermiljöer (med rätt juridik och etik) kan stödja extern validering. För bolag och vårdgivare är det ett konkurrensmedel.

3) AI i studiedesign: färre misstag, bättre evidens

Många kliniska program missar på grund av studiedesign snarare än läkemedlets inneboende potential. AI kan hjälpa med:

• simulering av studiedesign (antal deltagare, endpoints, uppföljningstid)
• upptäckt av confounders (t.ex. förändrad aktivitet p.g.a. minskad smärta)
• bättre hantering av “missing data” när deltagare hoppar av

För trippelagonister, där effektstorlekarna är stora men säkerhets- och tolerabilitetsprofilen kan avgöra adoptionen, är det här extra viktigt.

En bra AI-strategi i kliniska studier handlar mindre om att “förutsäga allt” och mer om att ställa rätt frågor tidigt och mäta rätt saker.

Vad betyder rekordnivåer av vikttapp för marknaden 2026?

Om ~30 % viktnedgång håller i peer-review och i fler populationer blir det en ny referensnivå. Då flyttas fokus snabbt från “kan vi få ned vikt?” till:

• Hur säkert går det att använda brett?
• Vad händer efter 2–3 år?
• Hur ser kroppssammansättningen ut (fettmassa vs fettfri massa)?
• Vilka patienter bör prioriteras om efterfrågan överstiger tillgången?

Här är min ståndpunkt: vi är på väg mot en period där den vinnande produkten inte bara har bäst effekt, utan bäst “systemfit” – alltså hur den fungerar ihop med vårdens logistik, uppföljning och patienternas vardag.

AI kommer att vara centralt för “systemfit” eftersom uppföljningen behöver bli smartare:

• automatiserad risktriagering
• personaliserade uppföljningsintervall
• tidig upptäckt av biverkningar
• kombination av läkemedel + beteendestöd där det faktiskt behövs

Vanliga följdfrågor (och raka svar)

Är trippelagonist alltid bättre än GLP-1?

Nej. Högre effekt i genomsnitt betyder inte bäst för alla. Vissa patienter prioriterar tolerabilitet, andra har samsjuklighet som styr val, och kostnad/ersättning spelar stor roll i Sverige.

Varför ser vi så stora effekter just nu?

För att vi har lärt oss att:

• optimera titrering
• välja endpoints som fångar kliniskt relevant förändring
• designa molekyler som påverkar flera signalvägar

AI förstärker detta genom bättre beslut i varje steg.

Vad är den största risken när resultat kommer via pressmeddelande?

Att detaljer saknas: bortfall, subgruppssvar, biverkningsgrad, hantering av missing data och hur robust effekten är under olika antaganden. Det är därför peer-review och full datarelease spelar roll.

Så kan team inom pharma och biotech agera redan nu

Det snabbaste sättet att vinna tid är att göra data “AI-klara” tidigt. För bolag som jobbar med obesitas, metabol sjukdom eller artrosnära indikationer brukar följande ge snabb effekt:

1. Bygg en datamodell för kliniska utfall + tolerabilitet (inte bara primär endpoint).
2. Planera för subgruppsanalys från start: vilka biomarkörer, vilka PRO-mått (patientrapporterade utfall), vilken aktivitetsdata?
3. Sätt upp ett ramverk för modellvalidering: intern validering i studien och extern validering i real world data.
4. Gör AI till ett beslutsstöd, inte ett PowerPoint-spår: vem tar beslutet, när, och med vilken tröskel?

Om du vill skapa leads internt eller externt är det här också bra samtalsöppnare: konkret, mätbart och kopplat till kliniska risker.

Nästa kapitel: från “viktnedgång” till precisionsbehandling

Retatrutid-resultaten är en påminnelse om att vi nu befinner oss i en fas där läkemedel kan ge viktnedgångar som för bara några år sedan lät orealistiska. Men effekten är bara halva historien. Den andra halvan är vem som får effekt, vem som får biverkningar och hur vården ska orka följa upp.

Det är därför AI inom läkemedel och bioteknik inte är en trendspaning för 2026 – det är ett arbetssätt som krävs för att omsätta starka signaler från kliniska studier till säker, skalbar behandling i verkligheten.

Om ett år kommer diskussionen inte handla om huruvida trippelagonister fungerar. Den kommer handla om hur snabbt vi kan matcha rätt patient med rätt behandling och rätt uppföljning. Vilken del av den kedjan har du mest kontroll över idag?