Leqembi och kostnadseffektivitet: så kan AI minska osäkerhet

3,6–4,3 miljoner kronor per vunnet QALY. Det är intervallet som TLV landar i för Leqembi (lekanemab) i två scenarioanalyser – och siffrorna säger mer om osäkerhet än om ett exakt pris på hälsa.

Det här är precis den typ av läge där många företag inom läkemedel och biotech (och en hel del regioner) fastnar: ett läkemedel är godkänt, effekten ser ut att finnas, men budgetpåverkan, införandekostnader och långtidseffekt är för oklara för att beslut ska kännas trygga.

I vår serie AI inom läkemedel och bioteknik använder jag Leqembi-fallet som ett konkret exempel på något jag tycker svensk vård ofta underskattar: när osäkerheten är hög blir data och modellering minst lika viktiga som själva läkemedlet. Och här kan AI göra verklig nytta – inte genom magi, utan genom bättre prognoser, smartare urval och snabbare uppföljning.

TLV:s besked om Leqembi: siffror, men också frågetecken

TLV:s bedömning är tydlig på en punkt: det hälsoekonomiska underlaget har mycket hög osäkerhet. Myndigheten redovisar därför två scenarier där kostnaden per vunnet kvalitetsjusterat levnadsår (QALY) blir cirka 3,6 miljoner kronor i scenario 1 och 4,3 miljoner kronor i scenario 2.

Det här är inte bara en teknikalitet. När intervallet blir så pass brett betyder det i praktiken att små antaganden i modellen kan flytta resultatet kraftigt: behandlingstid, kvarvarande effekt efter avslut, vårdkostnader för infusioner, och hur många som faktiskt kommer att utredas och bli aktuella.

Klinisk nytta finns – men långtidseffekten är nyckeln

TLV konstaterar att kliniska studier visar att lekanemab:

• minskar amyloida plack i hjärnan
• bromsar försämringen av kognitiv funktion

Samtidigt pekar TLV på obesvarade frågor som är avgörande i verkligheten:

• Hur länge håller effekten?
• Vad händer när behandlingen avslutas?
• Vilka följdkostnader uppstår i vården vid bred implementering?

Min erfarenhet är att just “vad händer sen?” ofta är det som spräcker kalkylerna – inte läkemedelskostnaden på raden för sig.

Införandekostnaden är inte en fotnot

Leqembi ges som infusion och kräver regelbundna mottagningsbesök. TLV bedömer också att införandet sannolikt gör att fler söker demensutredning, vilket driver kostnader och pressar kapacitet.

TLV lyfter dessutom risken för undanträngningseffekter: om vården måste prioritera ner annan verksamhet för att klara infusioner, monitorering och utredningar.

Och här blir det extra intressant: den sortens kapacitets- och trängseleffekter är ofta svåra att fånga i traditionella hälsoekonomiska modeller, men de är helt avgörande för regionernas vardag.

Varför Leqembi blir ett stresstest för svensk beslutslogik

Leqembi är godkänt för tidig Alzheimers sjukdom hos patienter som inte är bärare av ApoE4 eller endast har enkel uppsättning. Hur stor den aktuella svenska patientgruppen är anges som sekretess i TLV:s rapport, men TLV refererar en studie där cirka 13 % av personer med demensdiagnos skulle kunna omfattas.

Det här skapar ett klassiskt beslutsdilemma:

• Behandlingen kan skjuta upp behovet av särskilt boende (kostnadsdämpande).
• Samtidigt kan införandet kräva mer diagnostik, fler besök och mer sjukhusresurser (kostnadsdrivande).

Problemet är att svensk styrning ofta är uppdelad i stuprör. Beslutet om subvention eller rekommendation blir ett hälsoekonomiskt resonemang, medan kapacitetsfrågan hamnar i verksamhetsplanering – och då missar man helhetsbilden.

NT-rådet får inte bara ett läkemedel – de får en systemfråga

TLV lämnar sin bedömning vidare till NT-rådet, som ska göra en sammanvägd bedömning och ge rekommendation till regionerna.

I praktiken handlar det om tre parallella beslut:

1. Är nyttan rimlig i relation till kostnaden?
2. Går det att införa utan att knäcka kapaciteten?
3. Kan pris och villkor utformas så att osäkerheten blir hanterbar?

Det är här jag tycker att debatten ofta blir för förenklad. Man pratar om “ja eller nej”, när rätt fråga är “hur inför vi – och hur mäter vi tidigt att det fungerar?”.

Där AI faktiskt kan minska osäkerheten (och göra besluten snabbare)

AI i läkemedel och bioteknik förknippas ofta med läkemedelsdesign och screening. Men i Leqembi-fallet är den mest direkta nyttan snarare: bättre beslutsunderlag, bättre patientselektion och bättre uppföljning i vården.

1) AI för att förutsäga långtidseffekt med real world data

TLV:s stora osäkerhet handlar bland annat om långtidseffekt och vad som händer efter avslutad behandling. Det är svårt att fånga med korta studier.

Här kan AI användas för att:

• kombinera studiedata med registerdata (t.ex. kognition, vårdkonsumtion, boendeform)
• bygga prediktiva modeller för sjukdomsprogression
• simulera olika behandlingsstrategier (t.ex. behandlingslängd, paus, återinsättning)

Det viktiga är inte att AI “gissar rätt” på individnivå. Det viktiga är att man får snävare intervall i prognoserna och snabbare upptäcker om antaganden i modellen inte håller.

En bra AI-modell gör inte beslutet enkelt. Den gör osäkerheten tydligare – och därmed möjlig att prissätta och hantera.

2) AI för smartare patienturval och färre felbehandlingar

Infusionsbehandlingar med hög kostnad per patient tål inte slarv i urvalet.

AI-stöd kan bidra till:

• identifiering av patienter i “rätt” sjukdomsfas (t.ex. utifrån journaldata, testresultat, bilddiagnostik)
• riskstratifiering för biverkningar och komplikationer
• prioritering i utredningskedjan (så att de med hög sannolikhet för behandlingsnytta utreds först)

Det här är inte bara klinik. Det är ekonomi.

Om man kan minska andelen patienter som genomgår en lång och dyr utredning utan att ändå bli behandlingskandidater, då minskar införandekostnaden direkt.

3) AI som motor i uppföljningsbaserade avtal (outcomes-based)

TLV noterar att prissänkningar kraftigt påverkar kostnad per QALY. Men när osäkerheten är hög blir traditionell “fast rabatt” ofta en trubbig lösning.

En mer robust modell är uppföljningsbaserade avtal, där betalning kopplas till utfall. För att det ska fungera krävs:

• tydliga utfallsmått (t.ex. kognitiv skala, tid till särskilt boende, vårdkonsumtion)
• datainfrastruktur för kontinuerlig uppföljning
• riskjustering så att vårdgivare inte “väljer bort” svårare patienter

AI kan automatisera delar av detta: datainsamling, utfallsberäkning, signalering om avvikande resultat och riskjustering.

Min ståndpunkt: om Sverige vill kunna införa nya demensläkemedel utan att hamna i årliga budgetkriser, då behöver vi bli bättre på dynamisk prissättning och snabb uppföljning. AI är ett av få verktyg som kan skala det arbetet.

4) AI för kapacitetsplanering: infusioner, MR, utredningar

TLV varnar för undanträngning och extra investeringar. Det är en operationsfråga – men den kan modelleras.

Med AI-stödd kapacitetsplanering kan regioner:

• prognosticera inflöde av remisser efter ett införandebeslut
• optimera schemaläggning för infusioner och uppföljningsbesök
• simulera flaskhalsar (t.ex. bilddiagnostik, minnesmottagningar)

Det låter “administrativt”, men det är ofta det som avgör om en rekommendation blir verklighet.

Praktiska nästa steg för regioner och bolag (om ni vill minska friktionen)

Leqembi visar att kostnadseffektivitet i Sverige inte bara avgörs av priset, utan av hela införandemaskineriet. Här är en konkret checklista jag hade börjat med redan innan nästa terapivåg når NT-rådet.

För regioner: bygg ett “införande med mätning” från dag 1

1. Definiera 3–5 utfall som går att följa i rutinflöde (inte bara i forskningsprotokoll).
2. Sätt en baslinje: hur ser vårdkonsumtion och progression ut utan behandlingen?
3. Skapa en data pipeline där journal, läkemedelsadministration och relevanta testresultat kan följas.
4. Planera kapacitet för utredningar och infusioner med scenarier (låg/medel/hög efterfrågan).

För läkemedelsbolag: kom med svar innan frågorna ställs

• Förbered RWE-upplägg (real world evidence) som matchar svenska register och kliniska processer.
• Föreslå avtalsmodeller som hanterar osäkerhet: volymtak, stegvis införande, utfallsbaserad ersättning.
• Leverera verktyg som minskar vårdbördan: digital uppföljning, beslutsstöd, utbildningspaket.

Om bolag inte hjälper vården med implementeringen blir det lätt ett nej – även när effekten är relevant.

Vanliga följdfrågor jag får om AI och hälsoekonomi

“Kan AI ersätta TLV:s hälsoekonomiska modeller?”

Nej. Men AI kan förbättra dem genom bättre prediktioner, fler scenarier och snabbare kalibrering mot verkliga utfall.

“Är det inte riskabelt att använda AI i kliniska beslut?”

Jo, om man gör det som svart låda. Rätt väg är transparens, validering och att AI fungerar som beslutsstöd – inte domare.

“Var börjar man om data är splittrad?”

Börja med ett smalt pilotflöde: en region, en mottagningstyp, tydliga utfall, kort rapportcykel. Det ger fart och förtroende.

Vad Leqembi egentligen lär oss om AI i svensk läkemedelsinförande

TLV:s besked om Leqembi är inte ett domslut. Det är ett kvitto på att vi står inför en ny era där läkemedel för kroniska neurodegenerativa sjukdomar kommer med hög klinisk komplexitet och hög systempåverkan.

Om vi fortsätter fatta beslut med för grova verktyg kommer varje nytt läkemedel att kännas som en risk. Om vi däremot kombinerar hälsoekonomi med AI-baserad uppföljning, patientselektion och kapacitetsplanering kan osäkerhet bli något vi hanterar – inte något som stoppar allt.

Jag tror att 2026 blir året då fler regioner börjar kräva mätbar implementering som standard, inte som projekt. Frågan är: vilka aktörer inom läkemedel och biotech är redo att bygga den infrastrukturen tillsammans med vården?