Fågelinfluensa och AI: så minskar vi pandemirisken

Aggressiv fågelinfluensa A(H5N1) sprids just nu ovanligt brett bland tama och vilda fåglar i Sverige och i resten av Europa. Det är inte bara en djurhälsofråga. Varje gång viruset får fler “chanser” att hoppa artgränser ökar sannolikheten för att vi hamnar i ett läge där smittskydd handlar om dagar – inte månader.

Det här är också en av de tydligaste påminnelserna om varför AI inom läkemedel och bioteknik inte är en framtidsfråga, utan en beredskapsfråga. När Folkhälsomyndigheten betonar behovet av noggrann övervakning och snabb upptäckt, pekar de i praktiken på samma sak som många biotech-team redan jobbar med: mer data, snabbare analys och bättre beslut.

Jag tycker att många företag pratar om pandemiberedskap som en hyllvärmare i en pärm. H5N1 visar motsatsen: beredskap är ett fungerande system som måste vara igång innan det smäller.

Varför H5N1 är en riktig pandemikandidat

H5N1 är en pandemikandidat eftersom den kombinerar hög sjukdomspotential med möjlighet att förändras genetiskt. Den avgörande skillnaden mellan “oroande” och “akut” är om viruset blir effektivt på människa-till-människa-smitta.

Det kritiska scenariot: dubbelinfektion och genetiskt byte

Den stora mardrömmen i influensavärlden är enkel att beskriva: en människa infekteras samtidigt av H5N1 och en vanlig säsongsinfluensa. Då kan virusen i värsta fall byta genetiskt material (reassortment). Resultatet kan bli ett “nytt” influensavirus som både:

• sprids lätt mellan människor
• och samtidigt orsakar allvarlig sjukdom

Det är därför smittskyddsexperter håller H5N1 under lupp även när antalet humanfall är lågt.

Mer spridning hos fågel = fler exponeringar hos människa

När utbrott blir större – som nu med omfattande avlivningar på produktionsanläggningar och många döda vilda fåglar – ökar antalet situationer där människor kommer nära viruset. Sverige har hittills inte rapporterat fall hos människa, men den ökade spridningen gör att riskbilden förändras även utan konstaterade humanfall.

Övervakning är flaskhalsen – och AI kan ta bort den

Tidigt larm är den mest värdefulla valutan i smittskydd. Problemet är att övervakning lätt blir fragmenterad: prover tas här, analyseras där, rapporteras sent och sammanställs ännu senare. AI är starkt lämpat för att göra övervakning både snabbare och mer sammanhållen.

AI för realtidsövervakning av zoonoser

Det praktiska målet är tydligt: upptäck signaler om smitta till människa tidigt och följ virusets förändringar över tid. AI kan bidra på flera nivåer:

• Automatisk triagering av händelser: rapporter om döda fåglar, utbrott i besättningar och laboratoriefynd kan prioriteras med hjälp av riskmodeller.
• Anomalidetektion i provdata: förändringar i provresultat, geografiska kluster eller säsongsmönster kan flaggas innan människor hinner se trenden.
• Samkörning av datakällor: djurhälsodata, kliniska data, laboratoriedata och logistikdata kan vägas ihop till en gemensam riskbild.

Det här är inte “science fiction”. Många organisationer har redan byggstenarna, men ofta saknas en robust process för att få ut insikterna i operativt beslutsfattande.

Genomik + maskininlärning: snabbare koll på mutationer

ECDC lyfter scenarier och behovet av genetiska studier i övervakningen. Här är AI extra relevant.

Kärnpoängen: när sekvensering blir rutin behöver analysen skalas lika snabbt. Maskininlärning kan användas för att:

• identifiera mutationer som historiskt kopplats till ökad anpassning till däggdjur
• prioritera vilka virusisolat som bör studeras djupare i labb
• stödja “variantspaning” genom att jämföra nya sekvenser mot kända riskprofiler

AI ersätter inte virologi. Den gör att virologer slipper lägga tid på det som kan sorteras bort.

Vaccin och antivirala läkemedel: vad vi lär av Nordens olika vägval

Sverige har hittills inte rekommenderat vaccination av yrkesexponerade mot H5N1, bland annat för att erfarenhet och data för de relativt nya vaccinerna bedöms vara begränsad – särskilt vad gäller skydd mot allvarlig sjukdom som kräver sjukhusvård.

Finland har gått längre och erbjudit vaccin till personer med mycket djurkontakt. En utvärdering visade högt immunsvar, men låg anslutning i målgruppen.

Låg vaccinationsgrad är ett produktproblem, inte ett informationsproblem

När personer med uppenbar risk väljer bort vaccin är det sällan för att de “inte fått information”. Det brukar handla om:

• logistik (svårt att komma iväg)
• upplevd nytta (”risken känns ändå låg”)
• förtroende och osäkerhet kring evidens

Här kan AI och datadriven uppföljning faktiskt hjälpa: inte för att pressa folk, utan för att designa bättre insatser.

AI-stödd uppföljning av effekt och säkerhet i verkligheten

För pre-pandemiska vacciner är real-world evidence extra viktig, eftersom stora effektstudier ofta saknar underlag när sjukdomen är ovanlig.

AI kan bidra genom att:

• hitta jämförbara kontrollgrupper i registerdata
• upptäcka ovanliga biverkningsmönster snabbare
• skilja på signal och brus när datamängderna blir stora

Det är precis den typen av tillämpad AI som skapar praktiskt värde i biotech – och stärker beslutsunderlaget för myndigheter.

Antiviraler som förebyggande åtgärd

I Sveriges strategi ingår att personer som haft riskabel kontakt med döda eller sjuka fåglar kan få förebyggande antiviral behandling. Det är en rationell linje när:

• humanfall är få
• exponeringen ofta kan identifieras tydligt
• och man vill minimera risken för sjukdom och vidare utredning

AI kan även här bidra genom bättre beslutsstöd: vem ska prioriteras för profylax, vilka exponeringar är mest riskfyllda, och var behöver smittskydd stärka sin närvaro?

Yrkesgrupperna som behöver mest stöd – och vad “stöd” faktiskt betyder

Det är lätt att säga att “utsatta grupper ska skydda sig med skyddsutrustning”. I praktiken faller det på detaljer: rutiner, tidspress, utbildning och en kultur där det är okej att stanna upp.

Riskyrken vid H5N1

De mest exponerade är typiskt:

• personal inom fjäderfäproduktion (ägg, kyckling, kalkon)
• veterinärer
• viltvårdare och djurhanterare
• andra som hanterar sjuka eller döda vilda fåglar

Det som ofta missas är att risk inte bara handlar om kontakt, utan om kontaktfrekvens × skyddsnivå × tid till åtgärd.

Praktiska åtgärder som går att införa nu

Om jag själv satt i en verksamhet med djurkontakt skulle jag vilja se tre saker på plats innan vintern släpper greppet:

1. Standardiserad incidentrapportering (enkelt, snabbt, mobilanpassat)
2. Snabb tillgång till rätt skyddsutrustning (inte “finns någonstans”, utan på rätt plats)
3. Tydlig tröskel för provtagning och kontakt med smittskydd (ingen ska behöva gissa)

Det här är också områden där digitala verktyg och AI kan förenkla vardagen istället för att lägga på administration.

Från fågelinfluensa till biotech: beredskap som produkt

Pandemiberedskap beskrivs ofta som en myndighetsfråga. Jag tycker att det är en missuppfattning. Beredskap är en hel kedja där biotech och läkemedelsutveckling spelar en central roll.

Prototypvacciner och snabb anpassning

Om ett H5N1-besläktat virus skulle börja spridas mellan människor finns prototypvacciner som kan anpassas till det aktuella viruset. Sverige har avtal om produktionskapacitet och lager av antivirala läkemedel.

Men snabb produktion är bara en del. Det som avgör utfallet är ofta:

• hur snabbt vi upptäcker förändringen
• hur snabbt vi kan prioritera rätt vaccinvariant
• hur snabbt vi kan distribuera och följa upp

AI blir då ett “lim” mellan laboratoriet, tillverkningen och folkhälsobeslut.

En bättre väg: integrerade “riskkedjor”

Den mest effektiva modellen är att bygga integrerade riskkedjor där data flyter från djurhälsa och miljö till humanvård och läkemedelsberedskap.

En konkret målbild för 2026–2027 (som jag tycker fler borde våga sätta) är:

• sekvensering som standard i utbrott
• automatiserad riskklassning av nya varianter
• beslutsstöd för profylax och provtagning
• realtidsdashboards som används operativt, inte bara i rapporter

Det är exakt här svensk life science kan skapa värde: tekniskt, kliniskt och samhällsekonomiskt.

Vanliga frågor som dyker upp (och raka svar)

Kan man få fågelinfluensa av att mata småfåglar?

Risken bedöms generellt som låg, men den ökar om du hanterar sjuka eller döda fåglar. Poängen är att undvika direktkontakt och följa lokala råd.

Varför vaccinerar inte Sverige yrkesexponerade redan nu?

Sveriges linje har varit att nyttan ännu inte är tillräckligt väl underbyggd för de aktuella vaccinerna, särskilt när det gäller skydd mot svår sjukdom, och att man i stället fokuserar på skyddsutrustning och antiviral profylax efter exponering.

Hur kan AI faktiskt hjälpa – inte bara i teorin?

AI hjälper mest när den kortar tiden mellan signal och åtgärd: snabbare analys av provdata, bättre prioritering av resurser och tidigare varning om mönster som människor missar.

Nästa steg för team som jobbar med AI i läkemedel och bioteknik

Fågelinfluensa är ett tydligt case för varför AI inom läkemedel och bioteknik behöver kopplas till verkliga beredskapsflöden. Om du jobbar med data, diagnostik, vaccinutveckling eller real-world evidence finns en konkret möjlighet: bygg lösningar som gör övervakning och respons snabbare i vardagen, inte bara i kris.

Det jag själv hade prioriterat kommande kvartal är att identifiera var i kedjan “tiden rinner iväg” – provtagning, analys, rapportering, beslut eller uppföljning – och sedan använda AI för att kapa just den fördröjningen.

Om H5N1 lär oss något inför 2026 så är det här: pandemirisken växer i det tysta, men den märks i datan först. Frågan är vilka som hinner läsa den i tid.