Antidepressiva i Sverige: kan AI ge bättre behandling?

Nio procent. Så många flickor i Sverige i åldern 15–19 år hämtade ut antidepressiva under 2021. I Danmark och Norge låg motsvarande siffra på drygt tre procent. Skillnaden är inte marginell – den är 2–5 gånger i flera ungdomsgrupper.

Det som gör siffrorna extra skarpa är att behandlingsrekommendationerna i Sverige, Danmark och Norge i stora drag liknar varandra. Det betyder att vi inte kan skylla på “olika riktlinjer” och gå vidare. Något annat driver den svenska ökningen.

Jag tycker att det här är en av de viktigaste frågorna för svensk life science just nu – och ett område där AI inom läkemedel och bioteknik kan bidra på riktigt. Inte genom fler dashboards, utan genom bättre beslut: rätt insats, rätt patient, rätt uppföljning. Särskilt inom mental hälsa, där effekter och biverkningar ofta syns först efter veckor och där vården många gånger saknar tid.

Sverige sticker ut – och det handlar inte om riktlinjer

Den tydligaste slutsatsen från den nordiska jämförelsen är enkel: Sverige använder mer antidepressiva än Danmark och Norge, trots liknande rekommendationer.

För vuxna är användningen i Sverige 1,3 till 2 gånger högre än i grannländerna. För barn och unga är skillnaderna större. I åldern 10–19 år är användningen 2–5 gånger högre i Sverige jämfört med Danmark och Norge. Och i gruppen 15–19 år hämtade nästan 9 % av svenska flickor ut antidepressiva 2021.

Det här pekar mot att förklaringen ligger någon annanstans än “vad som står i dokumenten”. När Läkemedelsverket beskriver skillnaden som anmärkningsvärd är det ett byråkratiskt sätt att säga: det här behöver vi förstå bättre, snabbt.

Tre typer av förklaringar som ofta missas

Rapporten pekar på tre breda kategorier som sannolikt samverkar:

• Diagnostiska faktorer: Vem får diagnos, hur tidigt, och hur skiljer sig diagnostik mellan regioner och vårdnivåer?
• Strukturella faktorer: Tillgång till psykologisk behandling, väntetider, kontinuitet, skollov/terminstryck, primärvårdens kapacitet.
• Sociokulturella faktorer: Normer kring psykisk ohälsa, hjälpsökande beteende, förväntningar på snabb lindring och acceptans för läkemedel.

Min erfarenhet från data- och vårdprojekt är att strukturen ofta är den tysta motorn. Om KBT har tre månaders kö men recept kan skrivas i dag, då blir läkemedel lätt “den praktiska vägen”. Det behöver inte vara fel – men det bör vara medvetet, och följas upp.

Vad betyder ökningen för vården – och för patienterna?

Den direkta effekten av högre förskrivning är inte bara ökade läkemedelskostnader. Den verkliga kostnaden (och nyttan) ligger i vad som händer med:

• behandlingskvalitet (får rätt patient rätt behandling?),
• uppföljning (ser vi tidiga varningssignaler?),
• polyfarmaci (kombinationer över tid),
• avslut och nedtrappning (hur många blir kvar längre än planerat?).

Ungdomar: större effekt av små systemfel

När förskrivningen ökar mest bland yngre blir kraven på precision hårdare.

Antidepressiva kan hjälpa, men ungdomar är också en grupp där:

• symtom kan vara situationsbundna (skola, sömn, stress),
• samsjuklighet kan vara svårtolkad (ångest, ADHD, ätstörningar),
• biverkningar kan påverka skolgång, relationer och motivation.

Här räcker det inte med “förskriv och hoppas”. Man behöver tät uppföljning, mätbara mål och tydlig plan. Det är exakt den typen av flöde där AI kan ge stöd – om vi bygger det rätt.

Här passar AI in: från statistik till beslut som håller i verkligheten

AI blir intressant när den hjälper oss att svara på frågor som vården redan ställer, men inte har tid eller dataflöden för att besvara konsekvent.

Kärnan är: Sverige har data om läkemedelsanvändning. Vi har också (delvis) data om diagnoser, vårdkontakter och utfall. AI kan knyta ihop dem i praktisk uppföljning.

1) AI för att förstå “varför Sverige?” på riktigt

För att förstå skillnaderna mellan länder (och mellan regioner i Sverige) räcker inte ett snittvärde. Man behöver bryta ner:

• nyinsättningar vs långtidsanvändning
• dosnivåer och preparatval
• samtidig användning av andra psykofarmaka
• kontaktmönster (primärvård, BUP, elevhälsa)
• socioekonomiska och geografiska mönster

Med maskininlärning kan man bygga modeller som identifierar vilka faktorer som statistiskt hänger ihop med ökande förskrivning. Inte för att peka finger, utan för att hitta var systemet behöver förstärkning.

En bra modell här är inte en svart låda. Den ska kunna säga: “I de här områdena ser vi fler nyinsättningar när väntetiden till psykologstöd överstiger X dagar” eller “i de här grupperna ser vi högre risk för återinsättning inom 6 månader efter avslut.”

2) AI-stött personlig medicin inom psykisk hälsa

Personlig medicin i psykiatrin har släpat efter, delvis för att biologiska markörer är svårare och för att utfallen är mer subjektiva. Men det betyder inte att vi ska acceptera “trial-and-error” som standard.

AI kan bidra genom att kombinera:

• patientens tidigare behandlingsrespons
• biverkningsprofil
• samsjuklighet och andra läkemedel
• symtomskattningar över tid
• vårdkontaktfrekvens (som proxy för behov)

Målet är konkret: öka andelen som får rätt förstahandsval och minska onödiga byten. För patienten betyder det mindre lidande och snabbare stabilisering. För vården betyder det färre återbesök som drivs av att behandlingen aldrig satt sig.

3) Smartare dosering och tidigare varningssignaler

Doseringsfrågan är ofta underskattad i debatten. I praktiken är dosjusteringar och uppföljningsintervall det som avgör om en behandling blir trygg.

AI kan användas för att:

• flagga patienter med hög risk för avbrott (t.ex. uteblivna uthämtningar)
• upptäcka mönster som tyder på biverkningsproblem (t.ex. ökad kontaktfrekvens, akutbesök, sömnläkemedel tillkommer)
• föreslå standardiserade uppföljningspunkter efter insättning och doshöjning

Det handlar inte om att ersätta klinikern. Det handlar om att se till att ingen faller mellan stolarna för att kalendern var full.

En enkel princip: om vården kan följa upp diabetes med labbvärden och tydliga trösklar, kan vi också följa upp antidepressiva med strukturerade mått och automatiserade signaler.

Så bygger man AI som faktiskt hjälper – och inte skapar mer friktion

De flesta organisationer gör samma misstag: de börjar med teknik och slutar med fler klick.

Här är en bättre ordning, särskilt för mental hälsa och antidepressiva.

Steg 1: Definiera ett kliniskt beslut som ska förbättras

Välj ett beslut som återkommer ofta och där variationen är hög, till exempel:

1. När ska vi följa upp efter insättning?
2. Vem bör erbjudas psykologisk behandling parallellt?
3. Vilka patienter behöver extra stöd vid nedtrappning?

Om man inte kan formulera beslutet i en mening är det för tidigt att träna en modell.

Steg 2: Använd data ni redan har – men gör den användbar

Vården sitter på mer data än man tror, men den ligger ofta i silos. För antidepressiva är de mest praktiska datakällorna ofta:

• förskrivning/uthämtning
• diagnoskoder
• vårdkontakter och tidpunkter
• enkla skattningsskalor (när de används konsekvent)

Det räcker långt för första versionen.

Steg 3: Designa för förtroende

AI-stöd i psykiatrin måste vara extra tydligt:

• Varför flaggas en patient?
• Vilken åtgärd föreslås?
• Vilken osäkerhet finns?

Om modellen inte går att förklara på 30 sekunder i ett teammöte kommer den inte att användas.

Steg 4: Mät rätt utfall

Mät inte bara “antal varningar”. Mät sådant som spelar roll:

• tid till uppföljning efter insättning
• andel planerade nedtrappningar som genomförs
• återinsättning inom 3–6 månader
• patientrapporterade mått på funktion (inte bara symtom)

Vanliga frågor som brukar dyka upp (och raka svar)

Är högre användning alltid ett problem?

Nej. Det kan betyda att fler får hjälp. Men när skillnaderna är så stora och ökningen är bred (särskilt bland unga) behöver vi veta om behandlingen är rätt, tillräckligt uppföljd och kombinerad med andra insatser när det behövs.

Kan AI verkligen hjälpa inom mental hälsa när data är “mjuka”?

Ja, om man siktar på rätt nivå. AI är ofta bättre på risktriagering och uppföljningsstöd än på att “ställa diagnos”. Det räcker för att förbättra vårdflöden och patientsäkerhet.

Är detta en fråga för läkemedelsutveckling eller vårddata?

Båda. För industrin ger mönstren en signal om behov, långtidseffekter och patientsegment. För vården handlar det om kvalitet, jämlikhet och resursstyrning. Den bästa nyttan uppstår när man kopplar ihop perspektiven.

Nästa steg: från “anmärkningsvärd skillnad” till mätbar förbättring

Siffrorna om antidepressiva i Sverige är inte bara statistik. De är en beskrivning av hur vårt system hanterar psykisk ohälsa – särskilt hos unga. Och när Läkemedelsverket säger att orsakerna inte kan fastslås med nuvarande underlag, är det i praktiken en uppmaning: bygg bättre uppföljning, bättre analys och bättre beslutsstöd.

Här passar AI inom läkemedel och bioteknik in som ett verktyg för att knyta ihop kedjan: från förskrivning och uppföljning till lärande om vilka patienter som faktiskt blir hjälpta – och vilka som behöver något annat.

Om du arbetar i läkemedelsbolag, biotech, region, vård-IT eller med registerdata: börja smått. Välj ett konkret beslut i antidepressivkedjan och gör det mätbart. Bygg sedan AI-stöd som minskar variation, förbättrar uppföljning och ger patienter en tryggare resa.

Vilken del av antidepressivbehandlingen tror du skulle vinna mest på AI-stött uppföljning: insättning, dosjustering – eller avslut?