Fågelinfluensa och AI: så bygger ni smart beredskap

En aggressiv variant av fågelinfluensa A (H5N1) har spridits ovanligt mycket bland tama och vilda fåglar i Sverige och övriga Europa. Det här är inte ännu en “rubrik som går över” – det är en tydlig stress-test av vår beredskap. Ju fler utbrott i djurpopulationer, desto fler tillfällen för virus att hamna nära människor. Och varje sådan kontakt är ett datapunkt i ett större riskmönster.

Samtidigt är vi i slutet av 2025, mitt i en säsong där säsongsinfluensa redan pressar primärvård och laboratoriekapacitet. Det är precis i den miljön som de svåra scenarierna uppstår: dubbla infektioner, felprioriterad provtagning, fördröjda signaler i övervakningen.

Min poäng är enkel: H5N1 är inte “nästa pandemi” per automatik – men det är ett av de virus som realistiskt kan bli det. Det som avgör utfallet är hur snabbt vi upptäcker förändringar, hur väl vi förstår spridningen och hur effektivt vi kan gå från signal till åtgärd. Här har AI och modern bioteknik ett konkret jobb att göra, inte som buzzword, utan som verktyg i vardagsberedskapen.

Varför H5N1 är en pandemirisk – och vad som faktiskt krävs

Pandemirisken uppstår först när ett fågelinfluensavirus får förmåga till effektiv smitta mellan människor. I dagsläget kan människor bli smittade via kontakt med infekterade fåglar (och ibland andra djur), men viruset sprids normalt inte vidare från människa till människa.

Det som oroar smittskyddsexperter är två mekanismer:

1) Fler “chanser” för viruset när utbrotten är många

När utbrotten ökar i omfattning – som i södra Sverige med stora utbrott på produktionsanläggningar och omfattande dödlighet bland vilda fåglar – ökar också sannolikheten för att virus hamnar i fel sammanhang: nära människor, i miljöer där provtagning inte sker direkt, eller i kedjor där smittan hinner gå under radarn.

2) Dubbla infektioner kan skapa nya virusvarianter

Det mest konkreta “mardrömsscenariot” är att H5N1 och säsongsinfluensa infekterar samma person. Influensavirus kan då byta genetiska segment (reassortment), och i värsta fall uppstår en ny variant med både hög smittsamhet och allvarlig sjukdom.

En mening som håller i alla beredskapsmöten: “Pandemier startar ofta i glappet mellan djurdata och människodata.”

Det här glappet är exakt där AI-metoder kan bidra: genom att koppla samman signaler från djurhälsoövervakning, human provtagning, laboratorieresultat och vårddata – snabbt nog för att spela roll.

Vilka som löper högst risk i Sverige – och varför åtgärderna ser ut som de gör

Yrkesexponering är den tydligaste riskfaktorn i nuläget. Det gäller bland annat:

• Personal inom äggproduktion och fjäderfäuppfödning
• Viltvårdare och personer som hanterar vilda fåglar
• Veterinärer och djurhälsopersonal
• Personal i anläggningar där stora flockar hålls tätt (hög virusbelastning vid utbrott)

Sveriges strategi har i huvudsak byggt på tre delar:

Skyddsutrustning och rutiner

Det låter banalt, men det är ofta där kedjan brister. Rätt masktyp, ögonskydd, handskar, avklädningsrutiner och smitthygien är låg-teknologiska men hög-effektiva verktyg. AI ersätter inte det här – men AI kan hjälpa oss se var rutinerna brister genom bättre incidentrapportering och riskklassning.

Postexpositionsprofylax med antivirala läkemedel

Antivirala läkemedel kan ges förebyggande efter riskabel kontakt med sjuka eller döda fåglar för att förhindra att sjukdomen bryter ut. I praktiken handlar det om snabba beslut i regionala smittskyddsenheter: vem ska få profylax, när och på vilka kriterier?

Det är ett perfekt exempel på en process som ofta blir personberoende. Med välgjorda beslutsstöd (AI eller regelbaserade) kan man:

• standardisera riskbedömningen
• minska variation mellan regioner
• dokumentera beslut spårbart för uppföljning

Provtagning och genetisk övervakning

När smittskyddet följer utvecklingen är genetiska analyser av virus en av de viktigaste indikatorerna på förändrad risk. Ju tidigare man ser mutationer som indikerar anpassning till människa, desto snabbare kan man skala upp åtgärder.

AI kan här bidra med triage av vilka prover som bör helgenomsekvenseras först, baserat på kontext (geografi, djurslag, exponering, klinik).

Vaccinläget: varför “finns i EU” inte betyder “finns i praktiken”

Det finns tre EU-godkända humana vacciner mot fågelinfluensa för icke-pandemiskt läge, men Sverige har hittills inte infört vaccination för yrkesexponerade. Skälen är i grunden rimliga: begränsad real-world-data, särskilt kring skydd mot allvarlig sjukdom som kräver sjukhusvård.

Finland testade en mer aktiv linje 2024–2025 och rapporterade ett högt immunsvar, men med låg anslutning i målgruppen. Det säger något viktigt: vaccination är inte bara biologi, det är beteende och logistik.

Här är en ståndpunkt jag tycker fler borde ta: om vi väntar på perfekt evidens innan vi bygger distributions- och acceptansmodeller, kommer vi alltid vara sena.

AI kan hjälpa på två sätt:

1) Prognoser och målgruppsprecision

I stället för breda, generella erbjudanden kan man modellera:

• vilka arbetsmoment som ger störst exponering
• vilka anläggningar/regioner som har högst sannolikhet för utbrott
• vilka veckor i säsongen risken toppar

Det gör det möjligt att rikta insatser och kommunikation mer träffsäkert.

2) “Evidence flywheel” i realtid

Det stora hindret för nya vacciner i beredskapsläge är ofta att data kommer långsamt. Med modern analys kan man skapa en löpande uppföljning av:

• biverkningsrapportering (signalspaning)
• serologiska data (immunsvar)
• sjukfrånvaro och misstänkta infektioner i målgrupper

Det är inte magi. Det är bra datainfrastruktur plus bra modeller.

Så används AI i praktiken för att upptäcka och bromsa zoonoser

AI är mest värdefullt när det kopplar ihop tre saker: tidig signal, snabb prioritering och tydliga åtgärder. För fågelinfluensa och liknande zoonoser brukar det landa i fem användningsområden.

1) AI-baserad smittövervakning (djur + människa)

De mest användbara modellerna är inte de mest avancerade, utan de som är robusta och förklarbara. En regional “riskmotor” kan väga samman:

• rapporter om döda vilda fåglar
• utbrott i fjäderfäbesättningar
• laboratoriefynd
• geografiska kluster
• vårddata (t.ex. influensaliknande symtom hos exponerade)

Resultatet bör vara en enkel output: grön/gul/röd och en lista över rekommenderade åtgärder.

2) Genomik + maskininlärning för mutationsrisk

När man sekvenserar virus kan AI stötta genom att:

• flagga kända mutationsmönster associerade med anpassning till människa
• jämföra nya sekvenser mot historiska kluster
• prioritera vilka prover som kräver snabb expertgranskning

Det här är särskilt relevant när labben är överbelastade under influensasäsong.

3) Simulering av scenarier och resursplanering

ECDC har lyft behovet av scenarioplanering för pre-pandemiska influensavirus. I praktiken behöver regioner svar på frågor som:

• Hur många provtagningskit går åt om vi skalar upp?
• Vilken påverkan får det på annan diagnostik?
• Hur mycket antiviralt lager bör flyttas närmare riskområden?

AI-baserade simuleringar (och ibland enklare operationsanalys) kan ge svar som går att agera på.

4) Beslutsstöd för antivirala läkemedel

Postexpositionsprofylax är tidskritisk. Ett bra beslutsstöd kan bygga på standardiserade kriterier:

1. Typ av kontakt (direkt hantering, städning, avlivning)
2. Skyddsutrustning (korrekt/inkorrekt)
3. Exponeringstid
4. Symtom och feber
5. Samtidig cirkulation av säsongsinfluensa

Det gör bedömningen snabbare och mer jämlik.

5) Snabbare vaccinutveckling och uppskalning i bioteknik

När ett nytt influensavirus hotar är tiden brutal. Här bidrar AI framför allt med:

• antigen-design (vilka delar av virus som ska riktas)
• optimering av kandidater före labbtester
• urval av prototypvacciner som snabbast kan anpassas

Sverige har avtal om produktionskapacitet och lager av antivirala läkemedel för pandemiläge. AI gör inte avtalen bättre – men kan förkorta steget mellan “vi ser något” och “vi startar omställning”.

Vad organisationer i Life Science kan göra redan i vinter (konkret)

Beredskap byggs före krisen, inte under den. Om du jobbar i läkemedel, bioteknik, diagnostik, region eller myndighetsnära verksamhet finns det fem praktiska steg som ofta ger mest effekt per investerad krona.

1) Gör en “datarevison” av er övervakning

• Vilka datakällor har ni i dag (djur, labb, vård, logistik)?
• Vilka kommer in med fördröjning?
• Vad saknas för att kunna upptäcka avvikelser tidigt?

2) Skapa en minimal riskdashboard (inte ett monsterprojekt)

Bygg något som går att använda varje vecka:

• karta med kluster
• trendlinjer för utbrott/rapporter
• provtagningsvolym och svarstider
• tydliga trösklar för eskalering

3) Standardisera beslutslogik för profylax och provtagning

Målet är att två personer i olika regioner ska fatta liknande beslut givet samma input. Det är ett kvalitetssäkringsproblem, inte ett “AI-problem”.

4) Planera kommunikation för målgrupper med låg acceptans

Finlands låga anslutning visar att “erbjudande” inte räcker. Testa budskap tidigt, tillsammans med arbetsgivare och fack. Mät förståelse, inte bara räckvidd.

5) Säkra upp samverkan mellan laboratorier och verksamhet

Under vintertoppar är flaskhalsen ofta inte viljan, utan kapaciteten. Gör det lätt att:

• prioritera prover
• dela sekvensdata
• återkoppla fynd till fältet

Beredskap handlar om tempo – och AI är en tempofråga

Fågelinfluensa A (H5N1) i Sverige är just nu främst en fråga om övervakning, skydd av yrkesexponerade och snabb hantering av riskkontakter. Vacciner finns på EU-nivå, men strategin i Sverige är fortsatt försiktig, i väntan på mer data om skydd mot svår sjukdom.

För oss som jobbar med AI inom läkemedel och bioteknik är lärdomen tydlig: den största vinsten kommer när AI kopplar ihop beredskapens många små beslut – prov som ska tas, prover som ska sekvenseras, personer som ska få profylax, resurser som ska flyttas. Det är där minuter blir dagar, och dagar blir skillnaden mellan kontroll och eskalering.

Om H5N1 någon gång tar steget till effektiv smitta mellan människor kommer frågan inte vara om vi har en modell. Frågan blir om vi byggde systemen, samarbetena och datagrunden i tid.