Litium, njurar och AI: tryggare beslut vid bipolär sjukdom

Det finns läkemedel som räddar liv och samtidigt skrämmer både patienter och vårdpersonal. Litium är ett av dem. Det är fortfarande det mest effektiva läkemedlet för att förebygga återfall och suicid vid bipolär sjukdom – men det bär också på en välkänd risk: påverkan på njurarna.

Den 2025-12-10 belönades ett långsiktigt, vårdnära forskningsprojekt vid Umeå universitet med utmärkelsen Guldpillret. Det är inte en prisnotis i mängden. För mig är det ett tydligt tecken på vart psykiatrin är på väg: mer datadriven, mer tvärprofessionell och mer fokuserad på individens långsiktiga säkerhet. Precis den typ av miljö där AI inom läkemedel och bioteknik kan bidra på riktigt.

Varför litiumforskningen är en milstolpe för patientsäkerhet

Litium är effektivt därför att det faktiskt gör det som många andra stämningsstabiliserande läkemedel har svårare att matcha: det minskar återfall och sänker suicidrisken vid bipolär sjukdom. Men behandlingen är “svårstyrd” i praktiken, eftersom den kräver uppföljning av nivåer, biverkningar och samsjuklighet över många år.

Det här är kärnan i varför LisIE-projektet (Lithium – Study into Effects and Side Effects) förtjänar uppmärksamhet: det angriper en verklig klinisk målkonflikt – livräddande effekt kontra långsiktig organskada – med data som sträcker sig långt bortom en traditionell studie.

LisIE har följt över 1 700 patienter sedan 2010 och har hittills resulterat i 18 vetenskapliga publikationer, baserade på journaldata som i vissa fall går tillbaka till 1965. Sådana tidslinjer är ovanliga. Och de är guld värda när man vill förstå långtidseffekter.

Den “obekväma” frågan som många undvikit

En fråga har hängt över litiumbehandling i decennier: Kan njurfunktionen återhämta sig när litium sätts ut?

Det har funnits en idé om en “point of no return” – att när njurfunktionen väl är tillräckligt nedsatt så spelar det ingen roll om man slutar. LisIE-teamets resultat från en studie publicerad i januari (årtal enligt artikeln) pekar åt ett mer handlingsinriktat håll: den snabba förlusten av njurfunktion upphör när litium sätts ut, vilket betyder att man kan bevara njurfunktionen bättre på sikt genom att byta behandling.

Det är kliniskt sprängstoff, på ett lågmält sätt.

Vad LisIE lär oss om individualiserad litiumbehandling

Den mest praktiska insikten från projektet är också den mest vardagliga: alla patienter beter sig inte likadant över tid.

Forskarna visar stora variationer i hur snabbt njurfunktionen försämras. Vissa kan förlora hälften av njurfunktionen på cirka 10 år, medan andra kan ha njurfunktion som är normal för sin ålder efter mer än 40 år på litium.

Det gör att standardråd (“litium är farligt för njurarna” eller “litium är alltid värt det”) blir för trubbiga. Verkligheten är mer granular.

Från enstaka provsvar till “förlustkurvor”

En tydlig rekommendation från arbetet är att följa den årliga förlusten av njurfunktion hos varje patient. Det skiftar fokus:

• Från “hur ser kreatininet ut just nu?”
• Till “hur brant är patientens trendlinje över tid?”

En brant kurva betyder högre sårbarhet. Och det är först när både patient och behandlare ser kurvan som man kan prata om framtiden utan att gissa.

Delat beslutsfattande som faktiskt håller i längden

En detalj i berättelsen fastnar: när patienten får vara delaktig i informerade beslut minskar efterklokheten, sorgen och känslan av att något “bara hände”. I praktiken ser det ut så här:

1. Patienten får en begriplig bild av risk (till exempel en trend för eGFR över tid).
2. Man pratar om scenarier: fortsätta, pausa, byta läkemedel, återinsätta.
3. Patienten väljer utifrån sina värderingar (till exempel “jag vill undvika dialys till varje pris” kontra “jag vill inte riskera återfall”).

Det här är inte mjuka värden. Det är patientsäkerhet.

Där AI kan göra nästa steg möjligt (utan att ta över vården)

AI inom läkemedel och bioteknik handlar inte bara om att hitta nya molekyler. En minst lika viktig (och ofta mer realistisk) effekt är att förbättra hur vi använder läkemedel vi redan har – särskilt när behandlingen pågår i decennier.

Litium är ett perfekt exempel: mycket data, lång uppföljning, flera riskdimensioner och behov av tidiga varningssignaler.

1) Prediktion: Vem riskerar snabb njurfunktionsförlust?

LisIE visar att vissa patienter tappar njurfunktion snabbt. Nästa fråga blir: kan vi förutse vilka det är tidigt?

Här passar maskininlärning, eftersom den kan väga in fler signaler än vad en människa orkar hålla i huvudet samtidigt, till exempel:

• tidigare trend i eGFR/kreatinin (inte bara senaste värdet)
• litiumdoser och serumhalter över tid
• episoder av dehydrering, infektion eller litiumintoxikation
• samsjuklighet (till exempel hypertoni, diabetes)
• läkemedelsinteraktioner (NSAID, ACE-hämmare/ARB, diuretika)
• vårdkontinuitet och provtagningsmönster

Målet är inte att ersätta klinikern. Målet är att ge en tidig riskflagga så att man kan intensifiera uppföljning eller diskutera alternativ innan skadan blir etablerad.

2) Beslutsstöd: Från “röd-gul-grön” till konkreta handlingsplaner

Många beslutsstöd stannar vid riskklassning. Det räcker inte.

Bra kliniskt AI-stöd för litium skulle istället kunna föreslå nästa steg, kopplat till lokala riktlinjer:

• när ska nästa prov tas (baserat på risk och trend)
• när ska nefrolog kopplas in
• vilka läkemedelsbyten är rimliga att diskutera
• hur man säkert pausar och eventuellt återinsätter litium

Det viktiga är att rekommendationerna är spårbara (varför föreslogs detta?) och anpassade till kliniskt flöde.

3) Farmakovigilans i realtid: fånga det ovanliga snabbt

LisIE noterar att litiumförgiftning är ovanligt (i Norrbotten statistiskt 1 patient per 100 behandlingsår), men att tidig dialys är viktig om det sker.

AI kan bidra genom att kombinera laboratoriedata, journaltext och läkemedelslistor för att upptäcka mönster som ofta föregår intoxikation:

• stigande litiumvärden
• samtidig magsjuka/dehydrering
• nyinsatta interagerande läkemedel
• utebliven provtagning i riskperioder

Det här är klassiskt område för AI i vården: hög konsekvens, låg frekvens.

Tvärprofessionellt arbete är inte en bonus – det är modellen

Det mest sympatiska i historien är att allt startade med att en psykiatriker och en njurläkare hade “helt olika åsikter” och tog det på allvar. Den klyftan finns fortfarande i många organisationer: psykiatri för sig, somatik för sig.

Men litiumbehandling struntar i våra organisatoriska gränser. Den påverkar hjärna, njurar, sköldkörtel, vätskebalans och ibland akuta förlopp. Då blir tvärprofessionellt arbete inte en fin ambition, utan ett krav.

AI-projekt som lyckas i läkemedels- och biotekniksektorn bygger på samma princip:

• kliniker som kan problemet och konsekvenserna
• data-/AI-kompetens som kan modellera verkligheten utan att förenkla sönder den
• informatik/IT som kan få in det i arbetsflödet
• kvalitet och juridik som säkrar spårbarhet, integritet och patientsäkerhet

När den kedjan saknas blir AI lätt en pilot som aldrig blir vardag.

Praktiska råd: så kan verksamheter använda lärdomarna redan nu

Alla har inte ett 15-årigt forskningsprogram. Men det går att börja smart.

För vårdteam som behandlar bipolär sjukdom

• Bygg trendvana: visa eGFR som kurva i journalmallar och på mottagningsbesök, inte bara enstaka värden.
• Standardisera uppföljning, individualisera intensitet: samma struktur för alla, tätare provtagning för dem med brantare kurva.
• Gör risk samtalsbar: prata scenarier tidigt, innan det blir panik vid en plötslig försämring.
• Följ upp avbrott: LisIE pekar på att män avslutar litium utan läkarkontakt i högre grad än kvinnor. Sätt rutiner för att fånga upp uteblivna uttag/prover.

För data- och AI-team i regioner och life science

• Börja med en enkel prediktionsfråga: “Vem riskerar snabb eGFR-förlust kommande 12–24 månader?” är ofta mer görbart än “optimera allt”.
• Säkra datakvalitet: långtidstrender kräver harmoniserade labbvärden, tidsstämplar och läkemedelsdata.
• Bygg för klinisk granskning: modeller som inte går att förklara får ingen plats i en litiumdiskussion där insatsen är hög.

För bioteknik- och läkemedelsbolag

• Se litium som en mall: om ni utvecklar CNS-läkemedel med lång behandlingstid behöver ni tidigt planera för real world evidence och långtidsuppföljning.
• Gör säkerhet mätbar i vardagen: den som kan visa “så här följer vi risk över tid” vinner förtroende hos vården.

Nästa kapitel: från litiumkurvor till personlig psykiatri i stor skala

Det som belönades med Guldpillret 2025 är i grunden enkelt: samla långsiktig data, arbeta tvärprofessionellt och omsätt resultat i rutiner som gör människor tryggare. Effekten blir större än en enskild publikation. Den blir en ny standard för hur man pratar om risk.

Och här blir kopplingen till serien ”AI inom läkemedel och bioteknik” tydlig. AI är som mest användbar när den förstärker ett arbetssätt som redan är rätt: systematik, uppföljning och respekt för variation mellan individer.

Om du arbetar med klinisk utveckling, vårddata eller AI i life science är en konkret nästa steg att identifiera ett område där ni redan har lång behandlingstid och komplex riskprofil – och fråga er: vilken “förlustkurva” borde vi följa där, men gör det inte idag?