EU:s nya läkemedelsregler: så blir AI din snabbaste väg

Den 2025-12-11 enades EU:s ministerråd och Europaparlamentet om ett förslag till ny läkemedelslagstiftning. Det är inte bara “juridik i Bryssel”-stoff. Det här påverkar hur snabbt läkemedel kan utvecklas, hur robust säkerhetsarbetet måste vara och hur man visar att nyttan faktiskt når patienter i hela EU.

För dig som jobbar i läkemedel, bioteknik eller medtech i Sverige finns en tydlig signal: kraven på evidens, spårbarhet och effektivare processer skruvas upp. Och det är precis där AI passar in — inte som en ersättning för expertis, utan som ett sätt att få bättre kvalitet i beslut, snabbare cykler i utvecklingen och mindre friktion i regulatoriska flöden.

Jag tycker många bolag gör ett misstag här: man ser regler som ett hinder och AI som “innovation”. I praktiken är de två bästa kompisar. Ny lagstiftning är ett ramverk för skalbarhet — och AI är verktygslådan som gör det möjligt att leva upp till ramverket utan att bränna budgeten.

Vad EU vill uppnå – och varför det spelar roll för AI

EU:s reformagenda för läkemedel (så som den kommunicerats i samband med överenskommelsen) kretsar typiskt kring tre mål: snabbare och mer effektiv reglering, starkare försörjning/beredskap och bättre incitament för innovation där behoven är stora (till exempel antibiotika och vissa sällsynta sjukdomar).

För AI inom läkemedel och bioteknik betyder det här en sak i klartext: du får inte bara bygga en bra modell — du måste kunna bevisa hur du byggde den, hur den övervakas och hur resultaten påverkar patientnytta och säkerhet.

Det leder till två praktiska konsekvenser:

• AI blir mer värdefull i operativt kvalitetsarbete: dokumentation, spårbarhet, signalspaning och processstyrning.
• AI blir mer värdefull i strategisk utveckling: design av studier, urval av mål, prediktion av risker och optimering av tillverkning.

Snabbare regulatorik kräver “regulatorisk automatisering”

När EU trycker på för effektivare arbete hos myndigheter (till exempel EMA) händer något intressant i företagens vardag: kravet på tydliga, maskinläsbara underlag ökar. Det kan handla om standardiserade datapaket, mer strukturerade riskbedömningar och bättre kontinuitet mellan preklinisk, klinisk och post-marketing.

AI kan här göra stor skillnad genom att:

1. Strukturera regulatoriska dokument (t.ex. CTD-moduler) och flagga avvikelser mot interna mallar.
2. Spåra härledning (“data lineage”) från rådata → analys → tabell/figur → påstående.
3. Automatisera kvalitetskontroller på dataset, kod och rapporter innan submission.

En “snabbare” myndighetsprocess är i praktiken en process som belönar bolag som lämnar in konsekvent, komplett och granskningsvänligt material.

Säkerhet och tillgänglighet: AI som motor i farmakovigilans och supply

När EU skärper fokus på säkerhet och tillgänglighet landar mycket ansvar hos MAH:er, tillverkare och deras partners. Och här är min ståndpunkt: det går inte att möta moderna krav på patientsäkerhet med manuella arbetssätt i stor skala.

AI i farmakovigilans: från “inkorg” till signal

Farmakovigilans är ofta fullt av halvstrukturerade data: fallrapporter, fritext, inkommande mejl, litteratur, call center-noteringar. Det är också ett område där responstid och kvalitet spelar roll.

AI kan bidra på tre nivåer:

• Inläsning och triage: NLP-modeller kan klassificera ärenden, hitta saknade fält och prioritera potentiellt allvarliga signaler.
• Signal detection: statistiska och ML-baserade metoder kan identifiera mönster i rapportströmmar över tid, särskilt när de kombineras med exponeringsdata.
• Kvalitetsgranskning: modeller kan upptäcka inkonsekvenser (t.ex. dos–tid–händelse) och föreslå kompletteringsfrågor.

Det fina är att nyttan inte bara blir snabbare. Den blir mer jämn. Du får mindre variation mellan handläggare och mindre risk att kritiska signaler hamnar fel i kön.

Tillgänglighet och bristsituationer: prediktion slår reaktion

Läkemedelsbrister är inte ett “it-problem” men AI kan göra dig mindre sårbar. Genom att kombinera historisk efterfrågan, produktionsdata, leverantörsrisk och logistik kan man bygga prognosmodeller som tidigt varnar för flaskhalsar.

Praktiskt exempel (utan att låsa till en viss datakälla):

• Om en råvaruleverantör får längre ledtider under Q1
• samtidigt som säsongsefterfrågan historiskt ökar
• och batchutfall nyligen försämrats

…då kan en modell föreslå att du tidigarelägger produktion, säkrar alternativa leverantörer eller justerar säkerhetslager.

Det här kopplar direkt till EU:s ambition om robustare tillgång: förmågan att agera innan bristen uppstår.

Innovation under nya regler: AI gör kliniken smartare (och billigare)

När regelverk moderniseras skapas ofta en tydligare förväntan på att företag använder bättre metoder för att visa effekt, säkerhet och nytta. I praktiken betyder det press på kliniska team: snabbare rekrytering, bättre studiedesign och färre protokollavvikelser.

5 sätt AI passar in i den nya EU-logiken

1. Smartare studiedesign (before first patient in)

   • Simulering av endpoints och power med hjälp av historiska data.
   • Optimering av inklusionskriterier för att minska rekryteringstid.

2. Snabbare patientrekrytering (utan att tumma på etik)

   • Matchning av patienter mot protokoll via strukturerad journaldata.
   • Förhands-screening som minskar onödiga besök.

3. Riskbaserad monitorering som faktiskt fungerar

   • Modeller som hittar sites med avvikande mönster i dataproduktion.
   • Tidiga varningar om protokollglidning.

4. Subgruppsanalys och personlig medicin med bättre spårbarhet

   • Transparenskrav går att möta med modellkort, versionskontroll och robusta valideringspaket.

5. Regulatoriskt förberedda “real-world evidence”-flöden

   • AI för datarensning, kodning och kohortdefinition.
   • Fokus på reproducerbarhet och audit trail från dag 1.

Min erfarenhet är att bolag som lyckas här inte börjar med “vilken modell ska vi ha?”. De börjar med: vilket regulatoriskt beslut ska vi stödja — och vilken minsta dataprodukt krävs för att beslutet ska hålla?

Antibiotika och andra områden med särskilda incitament: AI som hävstång

EU har under flera år signalerat att antibiotikaresistens kräver nya styrmedel och att innovation i vissa områden behöver riktade incitament. När incitament väl finns på bordet blir nästa flaskhals ofta operativ: att hitta kandidater, optimera lead-serier, och snabbt identifiera tox- och resistensrisker.

AI kan göra skillnad tidigt i kedjan:

• Target identification: nätverksanalys på omics-data för att hitta biologiskt rimliga mål.
• Molekylgenerering och screening: prioritering av kandidater för labbvalidering.
• Prediktion av ADMET: tidig gallring av substanser som sannolikt faller på tox eller PK.

Det här är inte magi. Det är ett sätt att lägga mer av budgeten där den ger värde: på experiment som verkligen behöver göras.

Så bygger du AI som klarar nya krav: en praktisk checklista

Om du vill att AI ska bli en verklig tillgång under EU:s nya läkemedelsregler behöver du bygga för granskning. Det betyder att “modellprestanda” är viktigt, men inte tillräckligt.

Här är en enkel checklista jag brukar använda:

Datagrund

• Definiera datakällor, ägarskap och behörigheter (inkl. personuppgiftshantering).
• Dokumentera datapipeline och transformationssteg.
• Sätt kvalitetsmått: täckningsgrad, saknade värden, driftsmätningar.

Modellstyrning

• Versionshantera modeller och features.
• Skriv modellkort: syfte, begränsningar, träningsdata, bias-risk, validering.
• Planera omträning och “change control” som om det vore en GxP-komponent.

Validering och övervakning

• Validera mot kliniskt relevanta mått (inte bara AUC/F1).
• Implementera drift- och bias-monitorering.
• Bygg audit trail: vem gjorde vad, när, med vilken data.

Människa-i-loopen

• Sätt tydliga beslutsgränser: vad får modellen föreslå och vad får den inte?
• Kräv motiveringar och loggade beslut när människor accepterar/avslår förslag.

En mening som brukar landa väl i både QA och ledning: “Vi ska kunna förklara resultatet, reproducera det och visa att det övervakas.”

Vad betyder det här för svenska bolag under 2026?

När 2025 går mot sitt slut ser jag två realistiska scenarier för 2026:

• Bolag som väntar på “exakt text” och fortsätter som vanligt får bråttom när processer måste anpassas.
• Bolag som redan nu bygger AI-stöd för dokumentation, signalspaning och studiedrift får en mjukare övergång — och snabbare väg till marknad.

Sverige har en stark position i life science, men vi är också beroende av att kunna samarbeta över gränser: CRO:er, tillverkare, myndighetsdialoger och multinationella studier. Gemensamma dataformat, spårbarhet och robusta AI-flöden är inte bara “nice to have” längre.

Om du följer vår serie AI inom läkemedel och bioteknik har du sett samma mönster i flera delar av kedjan: de vinnande teamen gör AI till en del av kvalitetssystemet, inte ett sidoprojekt.

Nästa steg är konkret: välj ett flöde där regelkrav och operativ belastning möts (PV-triage, CTD-automatisering, RWE-kohorter eller supply-prognoser) och bygg en första version som tål intern audit. När det sitter kan du skala.

Och den fråga jag hade ställt till din organisation inför 2026 är enkel: vilken del av ert regulatoriska arbete vill ni fortfarande göra manuellt om 18 månader — och varför?