Varför gravida tackar nej till vaccin – och hur AI hjälper

En sak blir tydlig varje gång vintersäsongen drar igång i Sverige: vården kan ha tydliga rekommendationer, vacciner kan vara kostnadsfria – och ändå varierar vaccintäckningen kraftigt. För gravida blir det extra laddat. Beslutet handlar sällan om ”för eller emot vaccin” i största allmänhet. Det handlar om risk, ansvar, tillit och vardagslogistik – samtidigt.

Det är därför Karolinska institutets nya intervjustudie om vaccination under graviditet är så intressant. Forskarna vill förstå hur gravida resonerar, vilka hinder som faktiskt stoppar ett ja, och vad som får tveksamhet att tippa över till ett beslut. För oss som jobbar med AI inom läkemedel och bioteknik är det här mer än en folkhälsofråga: det är ett skolboksexempel på hur kvalitativa insikter och datadrivna metoder kan mötas för att skapa mer jämlika vårdinsatser.

Vad studien VIPS-Q försöker fånga – det som siffror missar

Kärnan i VIPS-Q är att kartlägga beslutsprocessen, inte bara utfallet. I Sverige rekommenderas gravida vaccination mot influensa (inför höst- och vintersäsong) och kikhosta (året runt). Ändå finns variation mellan regioner och mellan grupper inom samma region. Utan att förstå varför det ser ut så riskerar åtgärderna att bli generella – och därmed ineffektiva.

I VIPS-Q ska forskare genomföra djupintervjuer med cirka 40 kvinnor som fött barn för 3–12 månader sedan. Hälften har vaccinerat sig under graviditeten (till exempel mot influensa, kikhosta, RSV eller covid-19) och hälften har inte gjort det. Utöver det planeras fokusgrupper med barnmorskor och läkare i mödrahälsovården.

Varför kvalitativa intervjuer är strategiskt viktiga

Intervjuer ger svar på ”hur tänkte du?” och det är ofta där de verkliga hindren gömmer sig:

• ”Jag hann inte boka tid.”
• ”Jag fick olika besked av olika personer.”
• ”Jag litade på min barnmorska, men inte på informationen jag läste själv.”
• ”Det kändes säkrare att vänta.”

Sådant blir sällan synligt i registerdata eller regionstatistik. Och det är exakt den typen av data som AI behöver kompletteras med, om man vill bygga modeller som håller i verkligheten.

Ett robust AI-stöd i vården börjar nästan alltid med ett enkelt steg: att man tar människors beslut på allvar och faktiskt frågar hur de fattar dem.

Det som styr beslutet: tillit, tillgänglighet och ”friktionen” i vardagen

De flesta vaccinbeslut under graviditet påverkas av tre faktorkluster:

1. Tillit och förståelse (vad jag tror om risk/nytta)
2. Bemötande och rekommendationer (vem som säger vad, och hur)
3. Praktisk genomförbarhet (hur lätt det är att faktiskt få vaccinet)

Det låter självklart, men i praktiken går vården ofta direkt på punkt 1 och glömmer punkt 3. Om vaccination kräver extra besök, extra bokning, extra logistik – då ökar risken för nej även hos den som i grunden är positiv.

Barnmorskan är ofta den avgörande ”beslutsnoden”

I svensk mödrahälsovård har barnmorskan en unik roll. Många gravida har få andra återkommande vårdkontakter, och relationen är ofta förtroendebaserad. Studier av hälsobeteenden brukar visa att en tydlig, personlig rekommendation från en betrodd vårdprofession väger tungt.

Det gör också att variation i arbetssätt – mellan mottagningar, regioner och individer – kan skapa variation i vaccintäckning. Inte för att någon gör fel, utan för att systemet lämnar för mycket åt lokala rutiner.

När vaccin blir en klassfråga – trots att ”det är gratis”

Influensavaccin och kikhostevaccin är gratis för gravida i Sverige. Ändå kan socioekonomiska skillnader slå igenom via andra mekanismer:

• språkliga barriärer
• hälsolitteracitet (förmågan att värdera och använda medicinsk information)
• tidigare erfarenheter av vården
• möjligheten att ta sig till en mottagning på dagtid

Och för RSV-vaccin är ekonomin mer direkt: i dagsläget kan det kosta omkring 2 000 kronor, vilket gör att tillgången i praktiken blir ojämlik. Samtidigt erbjuds nyfödda ett alternativt skydd via antikroppsläkemedel.

Här kommer AI in: från intervjusvar till skalbara insikter

AI är inte en ersättning för mänskliga samtal. AI är ett sätt att göra lärdomarna från dessa samtal användbara i större skala. När man väl förstår vilka mönster som finns i beslutsprocessen kan man designa bättre informationsflöden, smartare erbjudanden och mer träffsäkra insatser.

1) AI för att hitta mönster i kvalitativ data

Intervjustudier ger rik data, men analysen är tidskrävande. Med modern språk-AI kan man:

• tematisera stora textmängder snabbare (utan att tappa spårbarhet)
• hitta återkommande uttryck för oro (t.ex. ”skada barnet”, ”för lite testat”, ”för många vacciner”)
• jämföra hur resonemang skiljer sig mellan grupper (t.ex. förstföderskor vs omföderskor)
• identifiera ”vändpunkter” där information blev avgörande

Poängen är inte att en modell ska ”tolka åt forskaren”, utan att forskare kan få bättre överblick och ställa skarpare följdfrågor i analysen.

2) Prediktiva modeller som styr resurser – men bara om de byggs rätt

När vården har data om:

• vilka grupper som oftare tackar nej
• var i processen nej uppstår (bokning, information, bemötande)
• vilka mottagningar som lyckas bättre

…då kan AI hjälpa regioner att prioritera insatser. Exempel:

• extra tid för rådgivning på mottagningar där tveksamhet är hög
• automatiserad men personalstyrd uppföljning efter MVC-besök
• riktade informationsinsatser på rätt språk och med rätt format

Men här tar jag ställning: prediktion utan ansvar är farligt. Modeller måste granskas för bias och vara transparenta i hur de används. Annars riskerar man att förstärka ojämlikhet genom att ”förutse” den.

3) Personalisering som faktiskt respekterar individen

Personalisering i vården får inte bli manipulation. Den ska göra det lättare att fatta ett informerat beslut. Ett realistiskt mål är att AI hjälper vården att:

• matcha rätt information till rätt person vid rätt tidpunkt
• förklara risk/nytta på ett sätt som är begripligt
• minska friktion (bokning, påminnelser, samordning)

Jag har sett många digitala satsningar där man antar att mer information löser problemet. Ofta är det tvärtom: bättre information + mindre krångel är kombinationen som flyttar nålen.

Praktiska åtgärder som kan öka vaccintäckningen redan nästa säsong

Det går att förbättra mycket utan att vänta på nya riktlinjer eller nya system. Här är fem åtgärder som ofta ger effekt – och som AI kan förstärka.

1) Standardisera rekommendationen – men behåll det mänskliga

En kort, konsekvent rekommendation minskar variationen:

• ”Jag rekommenderar att du tar kikhostevaccin i graviditeten för att skydda barnet första tiden.”
• ”Jag rekommenderar influensavaccin under vintersäsongen för att minska risken för svår influensa under graviditet.”

Det ska inte låta som ett manus. Men budskapet ska vara tydligt och likvärdigt.

2) Bygg bort friktion: erbjud vaccination där kvinnan redan är

Om vaccination kan ges på MVC i samband med ett besök, sjunker tröskeln direkt. Om det kräver ytterligare bokning eller annan plats, tappar man många på vägen – även bland dem som egentligen vill.

3) Gör ”vanliga invändningar” till en del av samtalet

Många tveksamheter är förutsägbara. Sätt ord på dem tidigt:

• oro för fostret
• rädsla för biverkningar
• upplevelsen av att vaccinet är ”nytt”
• känslan av att det är ”för mycket på en gång”

När vården adresserar invändningar proaktivt minskar behovet av att den gravida ska ”googla färdigt” hemma.

4) Följ upp med rätt kanal vid rätt tid

En enkel uppföljning 24–72 timmar efter ett MVC-besök kan vara avgörande. AI kan hjälpa till att tajma och formulera uppföljningen, men det ska finnas en tydlig väg till mänsklig kontakt.

5) Mät rätt saker – inte bara antal doser

Vaccintäckning är ett resultatmått. Vården behöver också processmått:

• andel som fick en tydlig rekommendation
• andel som fick möjlighet att vaccinera sig direkt
• vanligaste orsakerna till nej (kodade på ett konsekvent sätt)

När man mäter processen kan man förbättra den. Där blir AI mest användbart: i analysen av mönster och avvikelser.

Vanliga frågor som dyker upp (och hur vården kan svara bättre)

”Varför rekommenderas influensavaccin just under graviditet?”

Svaret bör vara rakt: graviditet kan öka risken för svår influensa, och skyddet gagnar både den gravida och barnet.

”Skyddar kikhostevaccin verkligen barnet?”

Ja, mekanismen är enkel att förklara: mamman bildar antikroppar som passerar moderkakan och skyddar det nyfödda barnet tidigt i livet.

”Varför varierar rekommendationerna över tid, som för covid-19?”

Det är en tillitsfråga. Vården vinner på att säga som det är: rekommendationer ändras när riskläget och immuniteten i befolkningen förändras. För många är det ett tecken på att systemet följer data, inte på att man ”inte vet”.

Nästa steg för AI inom läkemedel och bioteknik: från projekt till rutin

VIPS-Q pekar på en större sanning: de svåraste vårdproblemen är sällan tekniska – de är beteendemässiga och organisatoriska. AI kan hjälpa, men bara om vi tar människors faktiska vardag på samma allvar som vi tar modellens AUC-värde.

För ledare inom life science, regioner och digital hälsa är det här ett tydligt spår inför 2026: kombinera kvalitativ förståelse (intervjuer, fokusgrupper, klinisk erfarenhet) med AI-analys som kan skala lärdomarna. Resultatet blir inte bara bättre vaccintäckning, utan också en mer jämlik vård där insatser hamnar där de gör störst nytta.

Om du jobbar med data, kliniska studier eller beslutsstöd: vad skulle hända om vi började optimera hela beslutsresan – inte bara informationsbladet?