Litium, njurar och AI: säkrare vård vid bipolär sjukdom

När Guldpillret 2025 gick till ett litiumprojekt i norra Sverige var det inte för en ny tablett, utan för något som ofta glöms bort i läkemedelsvärlden: långsiktig, vårdnära kunskap som faktiskt ändrar beslut i mottagningsrummet.

Projektet LisIE vid Umeå universitet har följt litiumbehandling vid bipolär sjukdom i en omfattning som få länder kan matcha: över 1 700 patienter, journaldata som sträcker sig tillbaka till 1965, och 18 publikationer hittills. Resultaten har redan påverkat hur man kan prata om risk, nytta och framför allt timing—när det är klokt att fortsätta, byta eller pausa.

Det här är också en perfekt berättelse för vår serie ”AI inom läkemedel och bioteknik”. För när vi väl har decennier av kliniska data blir nästa steg ganska uppenbart: AI kan hjälpa oss att hitta mönster som människor missar, förutse vem som löper störst risk för biverkningar och göra uppföljning mer träffsäker—utan att kompromissa med litiums livräddande effekt.

Litium fungerar – men priset kan bli högt

Litium är fortfarande det stämningsstabiliserande läkemedel som tydligast visat effekt för att förebygga återfall och suicid vid bipolär sjukdom. Den kliniska nyttan är ofta dramatisk: färre maniska skov, färre djupa depressioner och en stabilare vardag.

Samtidigt är litium också ett läkemedel med en baksida som kräver respekt. Den mest omtalade är påverkan på njurfunktionen, men även sköldkörtel och risken för litiumförgiftning måste vägas in. Det gör behandlingen “svårstyrd” i praktiken—inte för att den är mystisk, utan för att den kräver kontinuitet och bra monitorering.

Här finns en återkommande missuppfattning i vården: att litiumrisker är så pass stora att det i många fall är säkrast att undvika läkemedlet. Jag tycker det är fel utgångspunkt. Den smartare frågan är: Vilka patienter kan stå på litium länge med låg risk, och vilka behöver tidiga åtgärder?

Myten om “point of no return” i njurarna

En av LisIE-projektets ursprungsfrågor tog 16 år att besvara: Kan njurfunktionen återhämta sig om litium sätts ut?

Resultatet från en studie publicerad i januari (enligt projektets sammanfattning) pekar på något konkret och kliniskt användbart: den snabba förlusten av njurfunktion upphör när litium sätts ut. Det betyder att en planerad utsättning eller ett byte till annat stämningsstabiliserande läkemedel kan bevara njurfunktionen bättre på sikt.

Det fina—och praktiskt viktiga—är också att om utsättningen inte fungerar psykiskt kan litium återinsättas med samma effekt som tidigare. Det tar udden av rädslan som annars kan låsa både läkare och patient i ett “antingen-eller”-läge.

LisIE visar en sak tydligt: variationen är enorm

LisIE-teamet beskriver stora skillnader i hur snabbt olika personer tappar njurfunktion under litiumbehandling.

• Vissa kan förlora hälften av njurfunktionen på cirka 10 år.
• Andra kan ha normal njurfunktion för sin ålder efter mer än 40 år på litium.

Det här är kärnan i modern läkemedelssäkerhet: medelvärden räcker inte. En riktlinje som passar “genomsnittspatienten” riskerar att vara för sen för dem som faller brant—och i onödan begränsande för dem som faller långsamt.

Från punktmätningar till förlustkurva

En av de mest användbara rekommendationerna från projektet är att följa årlig förlust av njurfunktion per individ, alltså inte bara titta på enstaka kreatininvärden eller eGFR vid ett tillfälle.

En brantare nedgångskurva signalerar att patienten är mer känslig för njurskada. Det öppnar för något som låter självklart men sällan görs konsekvent: att presentera framtidsscenarier för patienten och fatta beslut tillsammans.

När risk blir begriplig blir beslut möjliga.

Där AI faktiskt passar in: tidig varning, personlig uppföljning, bättre samtal

AI i läkemedelsuppföljning handlar inte om att ersätta klinikern. Det handlar om att göra det lättare att göra rätt i tid—särskilt när datamängden är stor och tidspressen hög.

Med litium finns tre AI-nära användningsområden där nyttan kan bli stor, snabbt.

1) Prediktionsmodeller för njurrisk – innan kurvan blir brant

LisIE visar att vissa patienter tappar njurfunktion snabbt. Nästa steg är att förutse vilka de är, så tidiga åtgärder kan sättas in.

En praktisk AI-modell i svensk vårdmiljö skulle kunna använda:

• tidigare eGFR-trend (”lutning” över tid)
• ålder, kön, samsjuklighet (t.ex. hypertoni, diabetes)
• läkemedelslista (t.ex. NSAID, ACE-hämmare/ARB, diuretika)
• litiumkoncentrationer och variation över tid
• episoder av dehydrering, infektioner, akuta inläggningar

Poängen är inte att skapa en “magisk” riskpoäng, utan ett beslutsstöd som säger: ”den här patientens förlustkurva ser ut att accelerera—lägg en plan nu.”

2) AI-stödd monitorering som minskar glapp och tappade patienter

LisIE lyfter också ett beteendemönster: män avslutar litium utan läkarkontakt i dubbel utsträckning jämfört med kvinnor. Det är en patientsäkerhetsrisk i sig—utsättning kan ge återfall, och återinsättning utan plan kan bli rörig.

Här kan AI i vårdflöden göra nytta utan att ens vara “avancerad” i klassisk mening:

• identifiera patienter som missar provtagning eller återbesök
• flagga avvikande provmönster (för glesa kontroller, många ombokningar)
• trigga automatiska, anpassade påminnelser via vårdkanaler

Det är prosaiskt, ja. Men det är exakt den typen av förbättring som ger fler säkra behandlingsår.

3) Beslutsstöd som gör delat beslutsfattande enklare

En stark del i berättelsen från forskarna är patientens roll. När patienten får vara delaktig blir mötet mindre traumatiskt och mer konstruktivt.

AI kan hjälpa till genom att generera begripliga scenarier baserat på patientens egna data:

• “Om nuvarande trend fortsätter: ungefärlig eGFR-utveckling på 2, 5, 10 år”
• “Om litium pausas/byts: sannolik påverkan på njurtrend (osäkerhet intervall)”
• “Om litium återinsätts: uppföljningsplan och tätare kontroller första 3 månaderna”

Det här blir ett bättre samtalsunderlag än generella varningar. Det gör risk konkret—och respektfull.

Praktisk checklista: så kan en AI-vänlig litiumuppföljning se ut 2026

Vill man koppla ihop långsiktig litiumforskning med AI inom läkemedel och bioteknik behöver man börja i rätt ände: datakvalitet, rutiner och tydliga beslutspunkter.

Här är en konkret modell som jag sett fungera bättre än “vi tar prover lite då och då”-strategin:

1. Standardisera datapunkter: eGFR, kreatinin, litiumkoncentration, TSH/T4, vikt, blodtryck, aktuella läkemedel.
2. Beräkna trend, inte bara nivå: följ individens eGFR-lutning minst årligen (helst rullande 12–24 månader).
3. Definiera larmnivåer: vad räknas som “brantare kurva” lokalt? Sätt trösklar som triggar extra uppföljning.
4. Skapa åtgärdspaket: när larm triggas, vad händer då? (t.ex. tätare provtagning, nefrologkontakt, dosjustering, diskussion om byte).
5. Bygg in delat beslut: ett strukturerat samtal där scenarier dokumenteras och patientens preferenser blir synliga.
6. Följ utsättning som en behandling: om litium pausas/byts, ha tät uppföljning för psykisk stabilitet—och en plan för återinsättning.

Det här är dessutom precis den typ av struktur som gör att AI-modeller kan tränas och användas säkert. Utan standardiserade flöden får du varken bra prediktioner eller förtroende i verksamheten.

Vanliga frågor kliniker ställer – och raka svar

Kan man stå på litium hela livet?

Ja, en del patienter kan göra det, särskilt de som har långsam förlust av njurfunktion och stabila litiumvärden. Men det kräver regelbunden monitorering och en plan för vad som triggar förändring.

Är litiumförgiftning vanligt?

LisIE beskriver litiumförgiftning som ovanlig: i Norrbotten cirka 1 patient per 100 behandlingsår. Om det inträffar är tidig dialys viktig.

Vad vinner man på att använda AI här?

Man vinner tid och precision: tidigare upptäckt av riskpatienter, färre missade kontroller och bättre underlag för samtal. AI blir ett sätt att göra den vårdnära forskningen operativ i vardagen.

Nästa steg: från långsiktig forskning till precisionspsykiatri

Det mest hoppfulla med LisIE är inte bara resultaten i sig, utan sättet de kom till: psykiatri och somatik som samarbetar runt en gemensam patientrisk. Den logiken är exakt densamma som krävs när AI ska in i läkemedelsuppföljning: tvärprofessionellt, vardagsnära och mätbart.

Om du arbetar i läkemedelsbolag, medtech, region eller bioteknik och vill skapa nästa nivå av läkemedelssäkerhet är litium ett tydligt “pilot-case”. Data finns. Uppföljningsbehovet är etablerat. Nyttan är konkret.

Frågan jag tycker fler borde ställa inför 2026 är: Vilka andra etablerade läkemedel har vi där riskerna är kända—men där AI skulle kunna göra uppföljningen personlig på riktigt?