Swetrial och AI: så kan Sverige öka kliniska prövningar

Sverige har ett konkret problem i kliniska studier: vi är ofta bra på idéer, men sämre på genomförande i skala. När svenska prövningssajter bara levererar 40–50 % av de patienter man åtagit sig i globala prövningar – när nivån som krävs snarare ligger på minst 80 % – blir effekten brutal: företag och forskargrupper väljer helt enkelt andra länder nästa gång.

Det är därför satsningen Swetrial är mer än en ny organisation eller en ny logotyp. Den är ett försök att bygga en nationell motor för kliniska prövningar, med tydligare samordning mellan myndigheter, vård, akademi, industri och patienter. Och här kommer min tydliga ståndpunkt: utan smart användning av data och AI riskerar Swetrial att bli ännu en välmenande samverkansplattform som rör sig för långsamt. Med AI kan den däremot bli den struktur som faktiskt gör att Sverige levererar.

I den här delen av vår serie ”AI inom läkemedel och bioteknik” tittar vi på vad Swetrial vill åstadkomma – och exakt var AI kan göra störst skillnad, från patientrekrytering och prövningslogistik till jämlik tillgång och snabbare beslut.

Swetrial i praktiken: från extra arbetsmoment till vårdflöde

Swetrials mål är i grunden enkelt att förstå: göra kliniska prövningar till en naturlig del av vårdens flöden. Det är en stor kulturförändring. I dag ligger prövningar ofta ”vid sidan av” vården: några eldsjälar driver dem, och resten av verksamheten försöker få ihop det med ordinarie patienttryck.

Swetrial leds i etableringsfasen av Peter Asplund, som tidigare utredde hur Sverige kan öka antalet kliniska prövningar och nu fått uppdraget att realisera förslagen. Kontinuiteten är en styrka: man slipper börja om från noll och kan hålla ihop den ”röda tråden”. Men uppdraget är också praktiskt: samordna, följa upp och kommunicera så att fler prövningar faktiskt blir av.

Två leveranser som avgör trovärdigheten

Första året pekas två fokusområden ut:

1. Mål och handlingsplan för partnerskapsmodellen – hur parterna ska samarbeta, inklusive mallar för överenskommelser och avtal.
2. Förmågan att leverera patienter enligt åtagande – för att bygga förtroende i globala prövningar.

Det andra är nyckeln. För industrin är inte antalet powerpointbilder intressant. Det är leveransprecisionen som räknas.

Där AI gör störst skillnad: rekrytering, matchning och retention

Den snabbaste vägen till fler kliniska prövningar går via samma flaskhals om och om igen: rätt patient, på rätt plats, i rätt tid. Här är AI inte ”nice to have”. Det är ett verktyg för att få praktiken att fungera.

AI för patientmatchning i journaldata (utan att tumma på integritet)

Nyckelpunkten är att många patienter finns, men de hittas inte. Vården saknar tid och systemstöd för att identifiera lämpliga deltagare.

Med AI kan man:

• använda NLP (språkteknologi) för att tolka journaltext och hitta inklusions-/exklusionskriterier
• prioritera patienter som sannolikt uppfyller kriterier och flagga dem i klinikens arbetsflöde
• minska manuell screening, som ofta är den dyraste och mest frustrerande delen av rekryteringen

Den viktiga principen: AI ska föreslå – människa ska besluta. Då får man hastighet utan att göra avkall på patientsäkerhet.

Prediktiv modellering: vilka patienter fullföljer studien?

Rekrytering är bara halva jobbet. Många studier faller på att deltagare hoppar av.

AI kan användas för att förutse risk för avhopp baserat på exempelvis:

• logistiska hinder (resväg, återbesök, tidsfönster)
• samsjuklighet och läkemedelsbörda
• tidigare vårdkontakter och följsamhetsmönster

Poängen är inte att ”välja bort” patienter, utan att sätta in stöd tidigt: extra uppföljning, digitala påminnelser, hembesök där det är möjligt eller mer flexibla provtagningslösningar.

Operativ AI: få prövningen att fungera i vardagen

Det Swetrial vill uppnå – att prövningar blir en del av vårdflöden – kräver operationsledning.

AI kan bidra genom:

• resursplanering för prövningssjuksköterskor, provtagning och bilddiagnostik
• automatiserad kontroll av protokollavvikelser (t.ex. missade tidsfönster)
• tidig signalering om sites som ligger efter i rekrytering, så att stöd kan sättas in innan det blir kris

Det här är inte glamoröst. Men det är exakt den typen av ”tråkig” effektivitet som gör att Sverige kan gå från 50 % leverans till 80 %.

Jämlik tillgång till kliniska studier: AI som praktisk jämlikhetsmotor

En av de tydligaste ambitionerna är mer jämlik tillgång till prövningar oavsett var i landet man bor. Det är lätt att hålla med om i teorin och svårt i praktiken, särskilt när avancerade studier koncentreras till universitetssjukhus.

Så kan AI minska geografiska skillnader

AI kan stötta jämlikhet på två nivåer:

1. Upptäckt: hitta patienter även i regioner där prövningar traditionellt inte bedrivs.
2. Genomförande: möjliggöra decentraliserade moment (digitala uppföljningar, hemsjukvårdsprovtagning, fjärrmonitorering) med smart triagering.

När man kombinerar detta med standardiserade arbetssätt (Swetrials partnerskapsmodell) får man något som faktiskt skalar: fler kliniker kan delta utan att varje site måste uppfinna hjulet.

Relevanta terapiområden där nyttan blir direkt

Peter Asplund lyfter särskilt cancer, precisionsmedicin och kognitiva sjukdomar som demens som områden där behovet av fler prövningar är stort.

Det är också områden där AI har tydliga tillämpningar:

• onkologi: biomarkörmatchning och bildanalys för respons
• precisionsmedicin: kombination av genetik, fenotyp och behandlingshistorik
• demens: tidig identifiering, kohortbyggande och mer standardiserade utfallsmått

När patientflödena blir bättre kommer fler patienter in tidigare i innovationskedjan. Det är där hälsoeffekten finns.

Norden och Europa: varför Swetrial måste tänka som ett nätverk

Sverige kan inte konkurrera med USA eller Kina genom att försöka vara ”störst”. Vi måste vara snabbast i samordning och bäst på förutsägbar leverans.

Asplund pekar på ett nordiskt perspektiv: tillsammans är vi 25–30 miljoner invånare. Det är en stor patientbas, särskilt för sällsynta sjukdomar, subgrupper i precisionsmedicin och studier där man behöver representativitet.

Lärdom från Danmark (och vad Sverige kan göra annorlunda)

Danmark har länge arbetat med en modell (Trial Nation) och har mer än dubbelt så många kliniska prövningar per invånare som Sverige. En del av framgången är tydlig samverkan mellan offentlig och privat sektor och ett system som gör det lätt att komma igång.

Sverige väljer en annan organisatorisk hemvist: Swetrial ligger inom Läkemedelsverket, vilket ger närhet till politiken och till myndighetskompetens.

Min tolkning: den placeringen är smart – men bara om den kombineras med tempo och tydliga mätetal. Myndighetsmiljö kan ge stabilitet, men riskerar också att ge långsamhet. AI-stödd uppföljning och transparenta dashboards kan bli motvikten.

Juridik och data: hinder som måste lösas för att AI ska ge effekt

Swetrial kan förbättra processer, men vissa frågor kräver lag- och regelutveckling. Det pågår en utredning kring möjliga förändringar, bland annat:

• hantering av biologiska prover från personer med nedsatt beslutsförmåga (biobanksfrågor)
• möjligheten till randomiserade klusterprövningar
• språkkrav i ansökningar utan att sänka patientsäkerhet

Tre dataprioriteringar som ofta glöms bort

Om målet är fler kliniska prövningar och bättre leverans räcker det inte att ”ha data”. Man måste kunna använda den.

Här är tre praktiska prioriteringar jag tycker Sverige borde driva hårt i Swetrial-konteksten:

1. Gemensamma datadefinitioner för prövningsdrift (rekryteringsstatus, screen fail, avhopp, protokollavvikelser) så att jämförelser blir meningsfulla.
2. Integrationsvägar mot vårdens system så att prövningar inte kräver dubbel dokumentation.
3. Styrning för ansvarsfull AI: tydligt vem som äger modeller, hur bias mäts, hur beslut granskas och hur patienter informeras.

Det är inte ”AI-strategi”. Det är basplattan som gör att AI över huvud taget går att använda i vardagen.

Så kommer ni igång: en konkret checklista för 2026

Om du sitter i biotech, pharma, CRO, region, sjukhus eller akademi och vill vara relevant i Swetrial-ekosystemet, finns det några steg som ger effekt snabbt.

1. Kartlägg er leveransprecision: hur ofta når ni rekryteringsmål och varför missar ni?
2. Identifiera var tiden försvinner: screening, avtal, datainmatning, monitorering eller uppföljning.
3. Välj ett AI-case med tydligt utfall:
   • snabbare screening (tidsbesparing)
   • högre rekryteringsgrad (patienter/månad)
   • lägre avhoppsgrad (retention)
4. Bygg governance tidigt: informationssäkerhet, patientinformation, modellgranskning.
5. Mät varje månad, inte varje år: det är så man skapar förtroende i globala prövningar.

Den viktigaste poängen: välj hellre ett smalt problem och lös det ordentligt än att försöka ”AI-fiera” hela prövningskedjan på en gång.

Sverige kan vinna – men bara om vi blir förutsägbara

Swetrial sätter fingret på det som länge varit Sveriges akilleshäl: genomförandekraft i kliniska prövningar. Ambitionen att göra prövningar till en naturlig del av vårdens flöden är helt rätt. Den kommer dessutom i en tid (december 2025) när konkurrensen om prövningar hårdnar och när både patienter och företag förväntar sig snabbare processer.

Min slutsats är tydlig: Swetrial behöver AI som ett praktiskt verktyg för leverans – inte som ett innovationsprojekt vid sidan av. När Sverige kan visa att vi hittar rätt patienter snabbare, fullföljer åtaganden och gör deltagande enklare för patienten, då kommer prövningarna tillbaka.

Om kliniska prövningar om fem år är något man förväntas bli tillfrågad om i vården, som Asplund beskriver, är frågan vi borde ställa redan nu: vilka beslut tar vi 2026 för att göra den vardagen möjlig – och vilka data behöver vi för att komma dit?