Graviditet och vaccin: så kan AI stärka beslutsstöd

När influensan börjar cirkulera på allvar och barnavårdscentraler fylls av hostande småsyskon blir en sak tydlig: timing spelar roll. För gravida kan en infektion bli tuffare än man tror, och därför rekommenderas i Sverige vaccination mot influensa under höst- och vintersäsong – och vaccin mot kikhosta året runt. Ändå ser vi stora skillnader i vaccintäckning mellan regioner och mellan olika grupper.

Det är precis den här klyftan forskare vid Karolinska institutet vill förstå bättre genom den kvalitativa intervjustudien VIPS-Q: vad avgör om en gravid tackar ja eller nej till vaccin? Inte bara i teorin, utan i verkliga livet – med tidspress, oro, råd från barnmorskan, partnerns åsikter och allt annat som pågår.

För oss som följer serien AI inom läkemedel och bioteknik är det här mer än en vaccinfråga. Det är ett tydligt case på hur AI och data kan användas för att göra vården mer patientcentrerad: från bättre information och mer träffsäkert beslutsstöd till jämlikare implementering.

Därför varierar vaccintäckningen – och varför det är ett problem

Kärnpunkten: När vaccintäckningen varierar kraftigt är det sällan “brist på vilja” som är den enda förklaringen. Det handlar nästan alltid om en mix av information, tillgänglighet och tillit.

I VIPS-Q intervjuas cirka 40 kvinnor 3–12 månader efter förlossning. Hälften vaccinerade sig (mot influensa, RSV, covid-19 och/eller kikhosta) och hälften gjorde det inte. Studien kompletteras med fokusgrupper med läkare och barnmorskor i mödrahälsovården. Den här kombinationen är smart: beslutet formas i mötet mellan individens situation och vårdens sätt att erbjuda.

Beslutet är sällan binärt

Det som ofta missas i debatten är att “nej” ibland betyder:

• “Inte just nu, jag vill läsa mer.”
• “Jag skulle ha tagit det om det fanns på min mottagning.”
• “Jag litade på barnmorskan i min förra graviditet, men inte den här gången.”
• “Jag hade tagit det om jag visste att det skyddar barnet direkt.”

För läkemedels- och biotechaktörer är den här nyansen avgörande. Om vi vill öka uptake räcker det inte att producera mer material. Vi behöver förstå vilken typ av hinder som dominerar för olika grupper.

Kostnad kan skapa en ny ojämlikhet

Influensa- och kikhostevaccin är gratis för gravida i Sverige. RSV-vaccin är däremot inte generellt kostnadsfritt och kan ligga runt 2 000 kronor. Det är en konkret brytpunkt: när pris blir ett filter riskerar vi att skapa ett system där skyddet blir starkare för dem som redan har resurser.

Vad VIPS-Q egentligen testar: vårdens “beslutsinfrastruktur”

Kärnpunkten: VIPS-Q handlar inte bara om att mäta attityder – den kartlägger hur beslut skapas i en specifik kontext.

Intervjufrågorna i studien pekar mot fyra områden som jag tycker alla som jobbar med patientstöd borde analysera:

1. Riskuppfattning: Hur värderas risken med sjukdomen kontra risken med vaccinet?
2. Informationskvalitet: Vem informerar, hur, när och med vilken trovärdighet?
3. Praktisk tillgänglighet: Finns vaccinet där kvinnan ändå är (MVC), eller krävs extra steg?
4. Sociala faktorer: Partner, familj, sociala medier, tidigare vårderfarenheter.

Det är också här AI kan bidra – inte genom att “övertala”, utan genom att skapa bättre förutsättningar för informerade beslut.

Barnmorskan är ofta den viktigaste kanalen

Studien lyfter barnmorskans roll som central. Det är logiskt: det är en relation med hög frekvens och ofta hög tillit.

Men här finns en utmaning som sällan sägs högt: barnmorskor arbetar i ett högt tempo och med varierande tillgång till uppdaterade stöd. Om beslutsstödet blir ojämnt, blir vaccintäckningen ofta ojämn.

Så kan AI förbättra beslutsstöd för vaccination under graviditet

Kärnpunkten: AI kan göra beslutsstöd mer personligt, mer konsekvent och mer jämlikt – om det byggs med rätt data och rätt etik.

När man säger “AI i vården” tänker många på diagnostik. Men i mödrahälsovård handlar en stor del av nyttan om kommunikation och timing. Här är fyra praktiska användningsområden som passar just vaccinationsbeslut under graviditet.

1) Personligt anpassad information som faktiskt går att ta till sig

Många patienter får idag samma broschyr oavsett bakgrund. AI kan hjälpa till att anpassa:

• språk och läsnivå
• vad som betonas (skydd för mamma vs skydd för barn)
• format (kort text, FAQ, ljud, video)

Det viktiga är att det sker utan att förändra fakta, bara hur de presenteras.

En bra tumregel: Personalisering ska öka begriplighet – inte trycka på känsloknappar.

2) Prediktiva modeller som hittar “var” ojämlikheten uppstår

Om vi saknar nationell överblick över vilka gravida som vaccinerar sig (som VIPS-teamet beskriver), blir det svårt att styra insatser. Med rätt register- och vårddata kan AI identifiera mönster som annars försvinner i medelvärden:

• regioner eller mottagningar med stora drop-offs
• skillnader kopplade till socioekonomi eller språk
• tidpunkter i graviditeten där erbjudandet missas

Det här är inte till för att peka finger. Det är till för att sätta in rätt stöd på rätt plats.

3) Beslutsstöd i vårdmötet – samma kvalitet varje gång

Tänk ett kliniskt stöd som, baserat på patientens situation (graviditetsvecka, säsong, riskfaktorer, tidigare vaccinationer), ger ett kort underlag:

• rekommenderad vaccination nu
• vanliga frågor kopplade till just den profilen
• förslag på formuleringar som är sakliga och empatiska

För vårdpersonal kan det spara tid och minska variation. För patienten kan det kännas tryggare.

4) Snabbare lärande från kvalitativa data (utan att förlora mänskligheten)

VIPS-Q är en kvalitativ studie. Den typen av material är rikt men tidskrävande att analysera.

AI kan bidra genom att:

• tematisera stora mängder intervjutext
• hitta återkommande argument och hinder
• jämföra mönster mellan vaccinerade och ovaccinerade

Men här måste man vara hård med kvalitet: AI får inte ersätta forskarens tolkning, bara effektivisera det tunga grovjobbet.

Etik och tillit: AI får inte bli “övertalningsmaskin”

Kärnpunkten: Om AI upplevs manipulativt tappar vi det viktigaste kapitalet i mödrahälsovården – tillit.

Graviditet är en period där många redan känner sig bedömda. Därför behöver AI-lösningar för beslutsstöd byggas med tre principer:

Transparens

Patienten ska förstå:

• varför hon får viss information
• vad den baseras på
• vad som är rekommendation och vad som är val

Rättvisa (jämlikhet)

Modeller måste testas för snedvridning. Annars riskerar man att:

• ge sämre stöd till grupper som redan har lägre tillgång
• förstärka skillnader mellan mottagningar

Autonomi

Det måste vara enkelt att säga: “Jag vill vänta” eller “Jag vill prata mer”, utan att systemet pressar.

Det är här jag tar tydlig ställning: AI i patientkommunikation ska utvärderas lika hårt som ett läkemedel i sin kontext. Inte kliniskt på samma sätt, men i effekt på tillit, förståelse och jämlikhet.

Praktiska nästa steg för läkemedels- och biotechteam

Kärnpunkten: Den som vill skapa leads inom AI i läkemedel och bioteknik behöver visa att man kan gå från data till faktisk implementering i vården.

Om du jobbar med digitala lösningar, real world data eller patientstöd finns här en konkret “att göra”-lista inspirerad av VIPS-Q:s upplägg:

1. Kartlägg beslutsresan för vaccination under graviditet i din region: från rekommendation till injektion.
2. Identifiera friktion: var faller processen? Bokning, logistik, oro, språk?
3. Bygg en MVP för beslutsstöd som stöttar barnmorskan, inte ersätter henne.
4. Mät rätt saker:
   • uptake per mottagning
   • upplevd förståelse (patientrapporterat)
   • upplevd tillit
   • jämlikhet över grupper
5. Planera för säsong: influensa är en vinterfråga, och vårdflöden i december ser annorlunda ut än i april.

Vad vi kan förvänta oss härnäst

VIPS-Q planerar intervjuer med nyblivna mammor under våren och fokusgrupper med vårdpersonal under hösten 2026. Analysen tar minst ett halvår, och de första publikationerna väntas under 2027. Det låter långt bort, men det är precis så här robust kunskap byggs.

För oss i AI inom läkemedel och bioteknik är budskapet rätt tydligt: beslutsstöd är en klinisk produkt, även när den “bara” handlar om information. Den måste designas, testas och följas upp.

Om AI ska göra nytta i känsliga populationer som gravida behöver den vara både smart och ödmjuk. Smart nog att minska friktion och förbättra jämlikhet. Ödmjuk nog att respektera att beslutet alltid är individens.

Vilken typ av AI-stöd skulle du själv lita på om du behövde fatta ett medicinskt beslut som påverkar både dig och ditt barn?