Leqembi och TLV: så kan AI minska kostnadsosäkerhet

3,6–4,3 miljoner kronor per vunnet kvalitetsjusterat levnadsår. Där landar TLV:s scenarioanalyser för Leqembi (lekanemab) i den hälsoekonomiska bedömning som nu lämnas vidare till NT-rådet. Men det mest intressanta är inte bara siffran – utan ordet “osäkerhet” som genomsyrar hela underlaget.

För alla som jobbar med läkemedel, biotech, Market Access eller vårdinförande i Sverige är det här en bekant sits: ett nytt biologiskt läkemedel visar klinisk effekt, men hälsoekonomin vilar på antaganden som är svåra att bevisa innan man behandlat tusentals patienter i verkligheten. Och då uppstår frågan som många regioner brottas med: hur tar man bra beslut när både nytta, kostnader och kapacitet är rörliga mål?

I vår serie ”AI inom läkemedel och bioteknik” använder jag Leqembi som ett konkret case. Inte för att “AI löser allt”, utan för att AI och prediktiv analys faktiskt är ovanligt väl lämpade för just det TLV pekar på: långsiktig effekt, vårdkostnader och införande i ett redan pressat system.

Vad TLV egentligen säger om Leqembi – bortom rubriken

Kärnan i TLV:s budskap är tydlig: det finns hög osäkerhet i underlaget, och därför redovisas flera scenarioanalyser. När kostnaden per QALY hamnar runt 3,6 miljoner i ett scenario och 4,3 miljoner i ett annat är det ett tecken på att modellen är känslig för antaganden.

Två osäkerheter dominerar: effekt över tid och kostnad i vården

TLV lyfter särskilt:

• Hur länge behandlingseffekten kvarstår (varaktighet)
• Vad som händer när behandlingen avslutas (”rebound”, kvarstående nytta eller inte)
• Hur stora vårdkostnaderna blir för införande (infusioner, uppföljning, MRI/monitorering, fler utredningar)
• Undanträngningseffekter: att annan vård kan få stå tillbaka om kapaciteten inte byggs ut

Det här är inte akademiska frågetecken. De avgör om regionerna ser Leqembi som en kontrollerbar investering eller som en kapacitets- och budgetrisk.

Leqembi i praktiken: mer än ett läkemedelspris

Ett vanligt missförstånd i prisdiskussioner är att allt handlar om listpris. I verkligheten är ”cost to treat” ofta summan av:

1. Läkemedelskostnad
2. Administrationskostnad (infusion på mottagning)
3. Diagnostik/urval (t ex biomarkörer, genetik som ApoE4)
4. Säkerhetsuppföljning
5. Systemeffekter (fler remisser, mer utredning, mer radiologi)

Det är exakt här TLV:s resonemang blir relevant för AI: kostnadsbilden är en processkedja, inte en rad i en prislista.

Varför just Alzheimer skapar extra svår hälsoekonomi

Alzheimer och tidig demens är ett av de mest svårmodellerade områdena i hälsoekonomi. Skälet är enkelt: kostnaderna kommer sent, men besluten måste tas tidigt.

Nyttan är lång, men evidensen är kort

Kliniska studier kan visa biomarkörförändringar (t ex minskade amyloida plack) och mätbar bromsning i kognitiv försämring. Men för TLV/NT-rådet räcker inte ”bromsar lite” – man måste kunna översätta effekten till:

• färre år med svår sjukdom
• senarelagd flytt till särskilt boende
• lägre omsorgskostnader
• förbättrad livskvalitet för patient och närstående

Problemet? Den typen av utfall kräver ofta uppföljning i många år. Därför tvingas modellen anta hur kurvan ser ut efter studiens slut.

Vårdkapacitet blir en del av kostnadseffektiviteten

Leqembi ges som infusion och kräver återkommande vårdkontakter. Det betyder att även om läkemedlet “är värt det” kliniskt kan införandet ändå bli svårt om:

• minnesmottagningar saknar tider
• radiologi/MR är fullbokad
• primärvården redan har högt tryck på utredningar

Det här gör att kostnadseffektivitet inte bara handlar om kronor per QALY utan om genomförbarhet. TLV är ovanligt tydliga med att kapacitetskrav kan skapa undanträngning.

Så kan AI minska osäkerheten TLV pekar ut

AI hjälper inte genom att ersätta TLV:s metodik, utan genom att ge bättre indata och bättre prognoser. Den stora vinsten är att AI kan göra osäkerhet mer mätbar och därmed mer förhandlingsbar.

1) Prediktiva modeller för effektens varaktighet

Den viktigaste osäkerheten är långsiktig effekt: hur länge har patienten nytta av behandlingen? Här finns en praktisk AI-approach:

• Träna modeller på kombinationer av kliniska mått (kognition, funktion), biomarkörer och bilddata
• Prognostisera individuella förlopp (progressionshastighet)
• Simulera hur olika behandlingslängder påverkar behovet av särskilt boende

Det handlar inte om att “gissa” framtiden, utan om att använda historiska och real world-data för att skatta sannolikhetsfördelningar i stället för enstaka antaganden.

En bra hälsoekonomisk modell är sällan den som har rätt punktestimat – utan den som bäst beskriver osäkerheten och hur den förändras när mer data kommer in.

2) AI för resurs- och kapacitetsplanering vid införande

Införande av infusionsterapier påverkar flöden. AI kan användas som beslutsstöd för:

• patientvolymsprognoser (hur många blir aktuella per region, per kvartal)
• simulering av mottagningskapacitet (köbildning, väntetider, flaskhalsar)
• schemaläggningsoptimering (infusionsstolar, personal, MR-tider)

Det här är extra relevant i december 2025, när många regioner går in i budget- och planeringsarbete inför 2026. Om man kan visa att införandet kan ske med kontrollerade väntetider och minimerad undanträngning blir diskussionen mer konkret.

3) Bättre urval: rätt patient, rätt tid

Leqembi är godkänt för tidig Alzheimer hos patienter som inte är bärare av ApoE4 eller bara har den i enkel uppsättning. I praktiken betyder det att patientselektion blir avgörande.

AI kan bidra till:

• att kombinera biomarkörer, klinik och bilddata för riskstratifiering
• att identifiera patienter med hög sannolikhet att få klinisk nytta
• att minska “trial-and-error” i vården

Ur hälsoekonomiskt perspektiv är detta centralt: om nyttan koncentreras till en tydligt definierad grupp kan kostnad per QALY sjunka utan att priset ändras – eftersom effekten per behandlad patient ökar.

4) Real world evidence som uppdaterar modellen löpande

TLV:s modell är i grunden statisk vid beslutstillfället. Men verkligheten är dynamisk.

Med AI-stöd och bra dataplattformar kan man skapa en lärande uppföljning där man varje kvartal/halvår uppdaterar:

• faktisk behandlingslängd
• avbrott och orsaker
• vårdkontakter och kostnader
• funktionella utfall (t ex hemtjänst, boendeform)

Det öppnar för mer sofistikerade riskdelningsupplägg: om utfallet blir sämre än förväntat justeras villkoren. Om utfallet blir bättre kan införandet breddas.

Praktiska nästa steg för biotech och regioner (det som ofta saknas)

Det finns en bättre väg än att fastna i “pris är för högt” kontra “nyttan är stor”. Jag har sett att de mest framgångsrika införandena bygger på gemensam operativ plan mellan bolag, region och ibland akademi.

För läkemedelsbolag/biotech: gör osäkerheten hanterbar

Prioritera tre leverabler tidigt:

1. En transparent kostnadsmodell för vårdflödet (inte bara läkemedlet)
2. Ett förslag på RWE-upplägg som passar svensk vård (enkel datainsamling)
3. Scenarioanalys för kapacitet (vad krävs i mottagning, radiologi, utredning)

Målet är att NT-rådet och regionerna ska känna att de kan säga ja utan att ta en “blank check” på kapacitet.

För regioner: koppla införande till kapacitetsdata, inte magkänsla

Om du sitter med införandefrågor är det här ett rimligt minimum:

• Kartlägg infusionskapacitet per sjukhus (stolar, personal, tider)
• Kartlägg MR-kapacitet och ledtider
• Gör en volymprognos i tre nivåer (låg/medel/hög) och planera för medelnivån
• Bestäm vilka utfall som ska följas upp från dag 1

Det blir svårare att argumentera emot ett införande om regionen samtidigt kan visa att man har en plan för att undvika undanträngning.

Vanliga frågor som dyker upp om Leqembi, TLV och AI

Är 3,6–4,3 miljoner per QALY “för dyrt” i Sverige?

Det finns ingen fast svensk gräns som gäller för alla områden. TLV väger in svårighetsgrad, behov och etiska principer. Men nivåerna signalerar att pris och/eller osäkerhet måste ner för att rekommendationen ska bli enklare.

Varför spelar prisförhandling så stor roll i TLV:s rapport?

För att kostnaden per QALY är mycket känslig för läkemedelspris när patientvolymen är stor och behandlingen lång. Även måttliga rabatter kan flytta hela kalkylen.

Kommer AI att ersätta hälsoekonomiska modeller?

Nej. AI är bäst som motor för bättre prognoser och snabbare uppdatering av antaganden. TLV:s ramverk behövs fortfarande för att fatta jämförbara beslut.

Vad jag hoppas att Leqembi-case lär oss inför 2026

TLV:s bedömning av Leqembi är en påminnelse: innovativa biologiska läkemedel kommer allt oftare med en evidensprofil som är “tillräcklig för godkännande” men “otillräcklig för trygg kostnadsprognos”. Det är ingen som gör fel. Det är systemets logik.

Nästa steg är att bygga införanden som tål osäkerhet. Där passar AI i läkemedel och bioteknik ovanligt bra: prediktiv modellering, bättre patienturval och real world evidence kan göra osäkra antaganden till mätbara intervall – och göra prisdialogen mer faktabaserad.

Om du arbetar med Market Access, hälsoekonomi eller införande av nya terapier: vilka två datapunkter skulle du behöva för att känna dig tryggare i beslutet kring Leqembi – effektens varaktighet eller vårdens kapacitetskostnad?