Cannabisterapier: svag evidens och AI som granskar

Det finns en siffra som fastnar: 27 %. Så många i USA och Kanada uppgav i en undersökning (2018) att de använder cannabis/cannabinoider för saker som smärta, ångest och sömn. Det är en massiv användning för behandlingar där det, enligt en ny kunskapsöversikt publicerad 2025-12-09, ofta saknas stabilt vetenskapligt stöd.

Det här är inte bara en debatt om cannabis. Det är en påminnelse om något större: hur lätt vårdens beslut och patienters förväntningar kan driva iväg från evidensen när forskning är spretig, studier är små, preparat skiljer sig åt och medier/marknad springer före.

I vår serie AI inom läkemedel och bioteknik använder jag den här nyheten som ett konkret exempel på varför AI-baserad evidensanalys blir allt mer nödvändig – för forskare, biotech-bolag, kliniker och beslutsfattare som vill separera signal från brus.

Vad den nya översikten säger – och varför det svider

Kärnbudskapet är tydligt: de flesta medicinska användningar av cannabis har svagt eller obefintligt forskningsstöd. Översikten leddes av forskare från University of California, Los Angeles, med medverkan från flera amerikanska toppuniversitet, och granskade över 2 500 studier publicerade mellan 2010-01 och 2025-09.

Det svider av två skäl:

1. Användningen ökar, särskilt i USA, och cannabis/cannabinoider marknadsförs (direkt eller indirekt) som lösningar på en lång lista av besvär.
2. Evidensgraden hänger inte med för de vanligaste indikationerna, bland annat kronisk smärta.

Samtidigt finns en viktig nyansering: vissa cannabisbaserade läkemedel har godkänd indikation och där finns också bättre stöd. Problemet är att debatten ofta klumpar ihop allt: CBD-olja, inhalerade högpotenta produkter, standardiserade läkemedel, licenspreparat – som om de vore samma sak.

Godkänd behandling är inte samma sak som ”cannabis”

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.

Det är värt att säga rakt ut: det här är inte argument för att allt cannabis fungerar. Det är argument för att standardiserade produkter med tydlig indikation kan fungera, medan många andra användningar saknar stöd.

Varför blir evidensen svag just för cannabisterapier?

Det enkla svaret: det är svårt att göra bra studier när ”behandlingen” inte är en sak. Cannabisområdet lider av flera systemfel som gör att forskningsläget blir rörigt och svårt att tolka.

Heterogena produkter och doser

En klinisk studie på en standardiserad beredning är inte jämförbar med:

• olika THC/CBD-kvoter
• olika administrationssätt (inhalation, kapsel, olja, spray)
• olika potenser
• varierande dosering och titrering

När man sedan försöker sammanfoga studier i en översikt uppstår ett klassiskt problem: man blandar äpplen och päron och hoppas få en fruktsallad med p-värde.

Indikationer med stark placeborespons

Kronisk smärta, sömnproblem och ångest har ofta:

• subjektiva utfallsmått
• hög placeborespons
• samsjuklighet (depression, stress, substansbruk)

Det betyder inte att effekten alltid är placebo – men det betyder att studiedesignen måste vara extra vass för att visa robust nytta.

Observationsstudier dominerar

Översikten lyfter också en begränsning: den var inte systematisk, och många inkluderade studier var observationsstudier. Observationsdata är värdefulla, men de är sårbara för bias:

• vilka väljer cannabis?
• vad gör de samtidigt (andra läkemedel, fysioterapi, alkohol, sömnhygien)?
• hur ser sjukdomsförloppet ut utan behandling?

Resultatet blir ofta: många datapunkter, men svag kausalitet.

Riskbilden: varför ”ofarligt” är en dålig utgångspunkt

Ett tydligt budskap i översikten är att man också måste prata om risker. Särskilt:

• dagligt bruk
• inhalerade produkter
• högpotenta produkter

har kopplats till hjärt-kärlutfall som högre förekomst av kranskärlssjukdom, hjärtinfarkt och stroke.

Min hållning här är ganska bestämd: om evidensen för nytta är svag ska toleransen för risk vara låg. Det är en princip som gäller oavsett terapi – men den glöms ofta bort när något uppfattas som ”naturligt”.

Läget i Sverige: mer nyans än många tror

I svensk kontext blir det snabbt polariserat: antingen ”cannabis hjälper allt” eller ”cannabis hjälper inget”. Verkligheten är mer administrativt och kliniskt kantig.

SBU:s linje: viss signal, men otillräckligt underlag

Svenska SBU har tidigare kommenterat forskningsläget kring cannabinoider vid smärta. Bedömningen har varit att vissa studier antyder viss lindring vid kronisk smärta, men att underlaget är otillräckligt för att vara säker.

Det här är ett rimligt mellanläge: signal kan finnas, men den är inte stabil nog för bred rekommendation.

Licensförskrivning: när det blir ”en egen evidensvärld”

Utöver godkända läkemedel kan läkare förskriva medicinsk cannabis på licens när motsvarande alternativ saknas. Det kan vara medicinskt motiverat i enskilda fall, men det skapar en utmaning:

• uppföljning varierar
• dokumentation blir ojämn
• effektmått blir ostandardiserade

När många gör lite olika, blir det svårt att lära av erfarenheten.

Där AI faktiskt gör skillnad: evidensanalys i praktiken

Här kommer bryggan till vår serie: vi har inte brist på publikationer – vi har brist på syntes som går att lita på.

AI kan inte trolla fram bra randomiserade studier. Men AI kan göra tre saker som är direkt relevanta för cannabisterapier och andra omdiskuterade behandlingar.

1) Snabbare och mer konsekvent screening av litteratur

När en översikt omfattar 2 500+ studier uppstår flaskhalsar:

• vilka studier ska inkluderas?
• hur klassas risk för bias?
• vilka utfall är jämförbara?

Moderna AI-verktyg för evidence mining kan:

• triagera studier mot inklusionskriterier
• flagga inkonsekvenser i rapportering
• extrahera dos, beredning, population, utfall och biverkningar strukturerat

Det minskar manuellt slit och gör processen mer spårbar.

2) Bättre jämförelser mellan ”olika cannabis”

En huvudorsak till svag evidens är produktvariationen. AI kan hjälpa till att skapa ordning genom:

• klustring av studier efter THC/CBD-kvot, administreringsform och dosnivå
• normalisering av utfallsmått (t.ex. smärtskattning) för att möjliggöra metaanalys
• identifiering av vilka undergrupper som verkar ha nytta (om några)

Det här är inte marknadsföring. Det är ett sätt att sluta diskutera cannabis som en monolit.

3) Säkrare signaler om risker i real-world data

När RCT:er är få blir registerdata och journaldata viktiga. AI kan stödja farmakovigilans genom:

• mönsterigenkänning för sällsynta biverkningar
• bättre hantering av confounding via kausala modeller
• tidig varningssignal för riskgrupper (t.ex. kardiovaskulär risk + inhalerad högpotent produkt)

Rätt byggt blir det här ett verktyg för både vård och myndigheter: snabbare upptäckt av risk, tidigare justering av riktlinjer.

Så använder du nyheten praktiskt – tre spår för biotech, klinik och ledning

Det räcker inte att säga ”evidensen är svag”. Frågan är vad man gör åt det.

För biotech och FoU: designa studier som går att tolka

Om ni utvecklar cannabinoidbaserade terapier, eller utvärderar dem, är min rekommendation:

• Standardisera produkt och dosregim (annars försvinner effekten i brus).
• Förregistrera primära utfall och analyspopulation (undvik ”pick and mix”).
• Välj objektivare mått där det går (t.ex. funktionsmått, konsumtion av räddningsmedicin, biomarkörer).

AI kan hjälpa till i protokollfasen genom att simulera vilka designval som sannolikt ger tolkningsbarhet.

För kliniker: ha ett ärligt evidenssamtal utan att bli moralist

Ett bra samtal kan vara kort och rakt:

• Vad är målet (smärta, sömn, spasticitet)?
• Vad är evidensen för just det tillståndet?
• Vilka risker är relevanta för patienten (hjärta/kärl, psykisk hälsa, beroenderisk, interaktioner)?
• Hur följer vi upp effekt och biverkningar på ett mätbart sätt?

Poängen är att patienten ska få fakta, inte en predikan.

För beslutsfattare: gör licens- och uppföljningsdata användbara

Om licensförskrivning används behöver systemet bli lärande:

• gemensamma uppföljningsmått (PROMs + kliniska mått)
• strukturerad dokumentation av preparat, dos, administrationssätt
• standardiserad rapportering av biverkningar

Annars bygger man en parallell behandlingsvärld där man aldrig blir klokare.

En bättre väg framåt: mindre tyckande, mer maskinläsbar evidens

Cannabisterapier har hamnat i en situation där förväntningarna är större än datan. Översikten från 2025 pekar på glappet, och den svenska bilden är liknande: några godkända indikationer, en del osäker smärtevidens, och i övrigt mycket som fortfarande är mer tro än vetande.

Det är precis här AI i läkemedel och bioteknik ska få ta plats – inte för att ”bevisa” en ståndpunkt, utan för att:

• göra forskningsläget mer transparent
• hitta vilka patientgrupper som eventuellt har nytta
• upptäcka risker tidigare
• hjälpa oss prioritera vilka studier som faktiskt behöver göras

Om du jobbar med kliniska studier, medicinsk strategi eller data i vården: vilken terapi i din egen pipeline lider just nu av samma problem som cannabisterapier – många datapunkter, men svag syntes? Det är ofta där nästa stora effektivitetsvinst finns.