Svagt stöd för cannabisterapier – så kan AI hjälpa

27 procent. Så stor andel av personer i USA och Kanada uppgav i en undersökning från 2018 att de använder cannabis eller cannabinoider i medicinskt syfte – för smärta, ångest eller sömn. Samtidigt landar en ny kunskapsöversikt i att evidensen för de flesta sådana användningsområden är svag eller obefintlig.

Det här glappet mellan förväntan och vetenskapligt underlag är inte bara en “cannabisfråga”. Det är en läkemedelsutvecklingsfråga. När ett ämnesområde har många produkter, många varianter och spretiga studier blir det svårt att veta vad som faktiskt fungerar – och för vem.

I vår serie ”AI inom läkemedel och bioteknik” passar detta perfekt som exempel på en större poäng: när kliniska data är röriga och ojämna kan AI vara verktyget som gör forskningen mer träffsäker, snabbare och mer kostnadseffektiv. Inte genom att ersätta kliniska prövningar, utan genom att hjälpa oss designa bättre prövningar och tolka komplexa datamängder med mindre bias.

Vad den nya översikten säger – och varför den väger tungt

Kärnresultatet är enkelt: de flesta medicinska användningar av cannabis saknar tillräckligt vetenskapligt stöd. Översikten (publicerad i JAMA) sammanställde mer än 2 500 studier från perioden 2010-01 till 2025-09, från observationsstudier till randomiserade prövningar.

Det intressanta är inte bara slutsatsen, utan mönstret bakom den:

• Många studier är små, korta och använder olika produktformuleringar.
• Utfallet mäts på olika sätt (smärtskattningar, livskvalitet, sömnindex, etc.).
• Patientgrupperna är heterogena (olika diagnoser, samsjuklighet, annan medicinering).

När evidensen blir så splittrad får vi en situation där “cannabis hjälper mot X” låter rimligt i samtal och i sociala medier, men är svårt att belägga med robust data.

Översikten lyfter också att det finns cannabisbaserade läkemedel med godkänd indikation och bättre underlag för just dessa avgränsade användningar, exempelvis vid illamående efter cytostatikabehandling och vid viktnedgång vid aids (i USA-kontext). Det är en viktig markör: det går att få evidens – men då krävs standardiserade preparat och tydliga indikationer.

Varför kronisk smärta blir testet som så många misslyckas med

Den vanligaste “vardagsindikationen” för medicinsk cannabis internationellt är kronisk smärta. Problemet: kronisk smärta är inte en enhetlig sjukdom, utan ett paraply.

Svar först: Svag evidens vid kronisk smärta beror ofta på att studier blandar olika smärttyper och att placeboeffekten är stor.

Smärta är flera biologier, inte ett symptom

Neuropatisk smärta, nociceptiv smärta, central sensitisering, inflammatorisk smärta – de har delvis olika mekanismer. När studier rekryterar “kronisk smärta” som en bred grupp blir signalen svag, även om en mindre subgrupp faktiskt skulle kunna ha nytta.

Doser, beredningsform och innehåll varierar mer än folk tror

“Cannabis” kan i praktiken betyda allt från CBD-dominanta oljor till inhalerade produkter med hög THC-halt. Det gör att två studier kan påstå sig testa “medicinsk cannabis” men i realiteten testa två helt olika interventioner.

Placeboeffekten och förväntanseffekten är extra stark

Smärta är subjektiv och påverkas av sömn, stress, tidigare erfarenheter och förväntningar. Det gör blinding och jämförbarhet kritiskt – och det är ofta där evidensen faller.

Riskbilden: nyttan måste alltid vägas mot mätbara skadeutfall

Översikten lyfter möjliga risker, särskilt vid dagligt bruk och vid inhalerade/högpotenta produkter. Bland annat nämns kopplingar till hjärt–kärlhändelser som kranskärlssjukdom, hjärtinfarkt och stroke.

Här blir det tydligt varför evidensbaserad utveckling spelar roll: om en behandling har liten eller osäker effekt, men en möjlig riskökning, blir nyttobalansen snabbt negativ.

En bra tumregel i läkemedel är att låg effekt kräver låg risk. Om risken stiger måste effekten vara tydlig.

Sverige: två godkända läkemedel – och ett licenslandskap som kräver kontroll

I Sverige finns två godkända cannabisbaserade läkemedel:

• Sativex (nabiximols): mot spasticitet vid multipel skleros när annan behandling inte räcker.
• Epidyolex (cannabidiol): som tillägg vid vissa svårbehandlade epilepsiformer.

Dessutom kan läkare i vissa fall förskriva medicinsk cannabis på licens när alternativ saknas.

Svar först: Den svenska modellen visar att cannabisbaserade läkemedel fungerar bäst när de behandlas som vilket läkemedel som helst: standardiserat innehåll, tydlig indikation, uppföljning.

Det är också här AI-frågan blir praktisk. Sverige har starka register och en tradition av uppföljning – vilket gör landet extra intressant för AI-stödd real world evidence (RWE), om man gör det rätt.

När evidensen är svag: vad AI faktiskt kan bidra med (och vad den inte kan)

AI i läkemedel och bioteknik är mest värdefullt när verkligheten är komplex: många variabler, många subgrupper, mycket brus. Cannabisområdet är skolboksexemplet.

Svar först: AI kan göra tre saker bättre än traditionella arbetssätt: hitta rätt patientgrupper, förbättra studiedesign och upptäcka säkerhetssignaler tidigt.

1) Bättre fenotypning: “vilken smärta har patienten egentligen?”

Med hjälp av maskininlärning kan man kombinera journaltext, diagnoskoder, läkemedelshistorik, laboratorievärden och patientrapporterade mått för att skapa mer precisa patientprofiler.

Praktisk konsekvens:

• Kliniska prövningar kan rekrytera mer homogena grupper.
• Effektsignalen blir starkare med färre patienter.
• Man kan testa hypotesen att cannabinoider fungerar för en viss mekanism, inte “smärta generellt”.

2) AI för kliniska prövningar: design som minskar risken för “falskt negativt”

Många cannabisstudier riskerar att bli missvisande av tre skäl: fel målpopulation, fel dosintervall, eller fel utfallsmått.

AI kan stödja:

• Simulering av prövningsupplägg (vilka endpoints ger mest power?)
• Adaptiva designer där doser/armar kan justeras enligt fördefinierade regler
• Prediktiva modeller för dropout-risk (vanligt i smärtstudier)

Det här är inte science fiction. Det är metodutveckling som redan används i andra terapiområden, och som cannabisfältet behöver ta igen.

3) Säkerhet och signalspaning: när riskerna är sällsynta men viktiga

Hjärt–kärlsignaler kan vara svåra att fånga i små RCT:er. AI-modeller kan analysera stora datamängder från register, biverkningsrapporter och klinisk rutin för att:

• identifiera riskmönster (t.ex. kombinationer med andra läkemedel)
• skilja på korrelation och sannolik kausalitet med bättre confounder-justering
• peka ut vilka hypoteser som ska testas prospektivt

Viktigt: AI ersätter inte randomiserade prövningar. Men AI kan göra att vi randomiserar rätt saker, i rätt grupper, med rätt utfall.

Vanliga frågor jag får – och raka svar

“Betyder svag evidens att cannabis inte fungerar?”

Nej. Det betyder att vi ofta inte vet om det fungerar, eller hur stor effekten är jämfört med placebo och befintlig behandling. Och i vissa fall finns data som talar för liten effekt hos vissa grupper.

“Varför finns godkända cannabisbaserade läkemedel om evidensen är svag?”

Därför att evidensläget skiljer sig mellan indikationer och preparat. Standardiserade läkemedel med tydlig indikation kan ha helt annan datakvalitet än “cannabis” som bred kategori.

“Kan AI ‘bevisa’ effekt snabbare?”

AI kan inte trolla fram effekt. Däremot kan AI minska slöseri i forskning: färre feltajmade studier, bättre urval, mer relevanta endpoints och snabbare signal till beslut.

Så går man från hype till evidens: en konkret plan för 2026

Om jag skulle sätta en agenda för cannabisbaserade terapier i läkemedelsutveckling, skulle den se ut så här:

1. Standardisera interventionen: tydligt innehåll (CBD/THC), renhet, dos, beredningsform.
2. Segmentera indikationen: sluta studera “kronisk smärta” som en klump.
3. Bygg dataryggraden: harmonisera utfallsmått (smärta, funktion, sömn, biverkningar).
4. Använd AI tidigt: för att välja patientgrupp, endpoints och dosintervall.
5. Säkerhetsuppföljning som default: särskilt hjärt–kärl, psykiatriska utfall och interaktioner.

Det här är exakt samma logik som svensk life science redan använder i andra områden. Skillnaden är att cannabisfältet har halkat efter metodmässigt.

En tydlig poäng för svensk life science: AI behövs när verkligheten är rörig

Svagt forskningsstöd för cannabisterapier är inte ett argument för att ge upp. Det är ett argument för att bli mer vuxen i hur vi tar fram evidens. Och där passar AI in, särskilt i gränslandet mellan kliniska prövningar och data från vården.

Om du arbetar i läkemedel, bioteknik eller klinisk forskning är frågan inför 2026 inte “ska vi använda AI?”. Frågan är: vilka beslut vill vi fatta snabbare – utan att tumma på kvalitet?

Vill du att nästa våg av studier inom cannabisbaserade terapier ska ge tydliga svar, behöver vi kombinera klassisk klinisk metodik med AI-stödd analys och prövningsdesign. Det är där evidens byggs som håller för både patienter, vård och myndigheter.