Leqembi och TLV: där AI kan minska osäker kostnad

När TLV räknar på Leqembi landar kostnaden på cirka 3,6–4,3 miljoner kronor per vunnet kvalitetsjusterat levnadsår (QALY) – och myndigheten beskriver osäkerheten som mycket hög. Det är en siffra som snabbt blir mer än en budgetpost. Den blir en praktisk fråga om vårdkapacitet, prioriteringar och hur Sverige tar in nästa våg av sjukdomsmodifierande behandlingar vid Alzheimers.

Det här är också en perfekt fallstudie för vår serie ”AI inom läkemedel och bioteknik”. För i TLV:s rapport syns exakt var dagens modeller knakar: långtidseffekt, verkliga vårdkostnader, patienturval och logistiken runt infusioner och uppföljning. Där kan AI i hälsoekonomiska analyser göra skillnad – inte genom att gissa, utan genom att minska osäkerhet med bättre data, bättre prognoser och snabbare scenarioanalys.

Vad TLV faktiskt säger – och varför siffran inte räcker

TLV:s kärnbudskap är rakt: underlaget är osäkert, därför redovisas två scenarier. Det är inte ett tecken på svaghet. Det är en ärlig markering om att en traditionell hälsoekonomisk modell bara är så bra som antagandena bakom.

3,6–4,3 miljoner kronor per QALY: varför spridningen spelar roll

Svar först: Spridningen visar att små skillnader i antaganden ger stora skillnader i resultat, vilket gör prisförhandling och införandebeslut svårare.

I praktiken kan en TLV-analys tippa åt olika håll beroende på:

• Hur länge behandlingseffekten varar (månader vs år gör enorm skillnad)
• Vad som händer efter avslutad behandling (”håller vinsten i sig” eller försvinner den?)
• Kostnader i vården som inte bara är läkemedelspris (infusioner, MR-uppföljning, biverkningsmonitorering, mottagningsbesök)

Det TLV också pekar på – och som ofta underskattas i debatten – är undanträngningseffekter. Om man bygger upp kapacitet för infusioner och diagnostik kan annan vård behöva stå tillbaka, om man inte gör extra investeringar.

Leqembi i verkligheten: effekt, patienturval och ”systemkostnaden”

Svar först: Leqembi kan bromsa kognitiv försämring i tidig Alzheimer, men införandet driver kostnader i fler led än själva läkemedlet.

Leqembi (lekanemab) är godkänt i EU för tidig Alzheimers sjukdom (lindrig kognitiv störning/lindrig demens) och för en avgränsad genetisk grupp kopplad till ApoE4. TLV beskriver att kliniska studier visar minskade amyloida plack och bromsad kognitiv försämring. Samtidigt återstår centrala frågor:

• Varaktighet: Hur länge är effekten kliniskt meningsfull?
• Efter avslut: Sker en ”catch-up”-försämring eller ligger patienten kvar på en bättre bana?
• Vårdens genomförbarhet: Hur många infusionstider, vilken uppföljning, vilken radiologikapacitet?

Den dolda kostnadsdrivaren: fler utredningar och mer logistik

När en behandling blir aktuell tidigt i sjukdomsförloppet får vården ett tryck på att hitta patienter tidigare. TLV lyfter att fler sannolikt söker demensutredning. Det är bra ur patientperspektiv – men det kräver:

• fler minnesmottagningstider
• mer diagnostik (inklusive biomarkörer)
• mer samordning mellan primärvård, specialistvård och bilddiagnostik

Samtidigt finns en kostnadsdämpande del: om sjukdomen bromsas kan det ta längre tid till särskilt boende, vilket i Sverige ofta är en av de största kostnadsposterna över tid.

Där AI faktiskt hjälper TLV/NT-rådet: från ”två scenarier” till hundra

Svar först: AI kan göra osäkerheten mer hanterbar genom bättre prediktioner, mer realistiska vårdflöden och snabbare uppdatering av modeller när ny evidens kommer.

När TLV lämnar över underlaget till NT-rådet blir nästa steg i praktiken en balans mellan nytta, risk, kostnad och genomförbarhet. Jag tycker många missar att genomförbarhet är en egen dimension: en behandling kan vara rimlig på papper men omöjlig i ett ansträngt system.

Här finns tre AI-spår som är relevanta redan 2025.

1) AI för långtidseffekt: bättre prognoser än ”antag X år”

Hälsoekonomiska modeller behöver projicera effekt långt bortom studietiden. För Alzheimer är det extra svårt eftersom progressionen varierar mellan individer.

AI kan bidra genom att:

• bygga prediktionsmodeller på registerdata och kliniska kohorter för att uppskatta progression (t.ex. sannolikhet för övergång mellan sjukdomsstadier)
• använda time-to-event-modeller som uppdateras när ny real world evidence kommer
• simulera hur behandlingsrespons skiljer sig mellan undergrupper (ålder, komorbiditet, biomarkörprofil)

Det gör inte osäkerheten noll. Men det gör den mätbar och mer verklighetsnära.

2) AI för vårdflöden: kapacitetsmodellering som faktiskt speglar regionerna

TLV pekar på osäkerheten i vårdens kostnader: infusioner, uppföljning och ökat utredningstryck. Här är klassisk kalkyl ofta för grov.

Med AI-stödd operationsanalys (kombination av maskininlärning och simulering) kan man modellera:

• flaskhalsar i minnesutredning (remiss → tid → biomarkör → bedömning)
• behov av infusionstider per 1 000 invånare och hur det varierar mellan regioner
• effekter av olika införandestrategier (stegvis införande, center-of-excellence, mobila team)

Det ger beslutsfattare en konkret fråga att svara på: Vad kostar det att införa detta i vår region utan att sänka annan vård? Inte bara vad kostar läkemedlet?

3) AI för säkerhet och selektion: färre fel patienter, färre kostnader

När behandlingen är avgränsad (bland annat kopplat till ApoE4-status) blir rätt patient helt avgörande. Varje felbehandlad patient är dubbelt dyr: kostnad utan nytta och potentiell risk.

AI kan stärka selektion genom att kombinera:

• strukturerad data (diagnoskoder, läkemedel, labb)
• bilddata (MR-mönster)
• kognitiva tester och funktionella mått

Målet är inte att ersätta klinikern, utan att skapa ett beslutsstöd som gör urvalet jämnare mellan mottagningar och regioner.

En praktisk tumregel: ju dyrare terapin är, desto mer värde finns i att minska variationen i patienturval och uppföljning.

Prisförhandlingar och AI: vad som kan göras redan innan beslut

Svar först: AI kan användas för att analysera pris-elasticitet, riskdelning och vilka parametrar som driver QALY-kostnaden mest.

TLV redovisar att prissänkningar jämfört med listpris påverkar kostnaden per QALY kraftigt. Det betyder att förhandling inte bara är ett ”prut” – det är ett sätt att flytta en behandling från orealistisk till möjlig.

AI kan stötta förhandling och införande med:

1. Känslighetsanalys i stor skala: vilka 5 antaganden driver 80 % av osäkerheten?
2. Outcomes-baserade upplägg: identifiera mätbara utfall (t.ex. tid till sjukdomsstegsövergång) som kan kopplas till betalning
3. Early warning: upptäcka om verkliga utfall avviker från modellen tidigt, så avtalet kan justeras

Det här är extra relevant för sjukdomsmodifierande Alzheimerläkemedel, där nytta ofta ackumuleras över tid medan kostnaderna kommer direkt.

Praktiska nästa steg för regioner och life science-team

Svar först: Börja med datagrunden och en enkel ”införande-simulator” innan ni satsar på stora AI-projekt.

För att få effekt inom 6–12 månader (inte 3 år) brukar jag rekommendera en trappa:

1. Datakartläggning: Vilka datakällor finns för demensutredning, infusioner, MR och uppföljning? Var finns luckorna?
2. Gemensamma definitioner: Vad räknas som ”start”, ”avbrott”, ”uppföljning”, ”biverkningshändelse”? Utan detta blir AI bara fina grafer.
3. Pilot med beslutsstöd: En modell som predikterar kapacitetsbehov och kostnader för ett fåtal mottagningar.
4. Skalning med styrning: Införande kräver processägare, inte bara data scientists.

För läkemedelsbolag och biotech-team är budskapet lika tydligt: real world evidence-planen behöver vara klar tidigt. När TLV säger ”hög osäkerhet” är det en inbjudan att leverera bättre uppföljning – inte en förolämpning.

Var tar det här vägen 2026?

Leqembi ligger nu hos NT-rådet för nästa steg. Samtidigt finns Kisunla (donanemab) i kulisserna, vilket gör att svensk sjukvård kan stå inför två sjukdomsmodifierande Alzheimerbehandlingar med liknande införandefrågor.

Om Sverige vill fatta snabbare och tryggare beslut behöver vi bli bättre på att:

• uppdatera hälsoekonomiska modeller med svenska real world data
• mäta och styra kapacitet, inte bara läkemedelskostnader
• använda AI i läkemedelsutvärdering som verktyg för transparens: vilka antaganden gäller, vilka datapunkter saknas, vad händer om verkligheten avviker?

Det är här AI inom läkemedel och bioteknik blir konkret: mindre gissning, mer kontrollerad osäkerhet.

Om du arbetar med införande, evidens, data eller pris/avtal: vilka två parametrar i just er Alzheimer-vård tror du driver kostnaden mest – läkemedelspriset, kapaciteten för infusioner, diagnostikflödet eller något helt annat?