AI-stöd vid tranexamsyra: färre transfusioner i kirurgi

Blod är en av sjukvårdens mest begränsade resurser. Det märks extra tydligt i december, när influensasäsong, vinterkräksjuka och ett högre tryck på akuten ofta sammanfaller med helger och bemanningsutmaningar. Varje undviken blodtransfusion är därför mer än en rad i journalen: det är mindre belastning på blodlager, färre logistikkedjor som kan fallera och en potentiellt säkrare vårdprocess.

Det är här tranexamsyra kommer in. En randomiserad studie från Kanada (presenterad på hematologikongressen Ash) visar att tranexamsyra inför större operationer gav färre blodtransfusioner än placebo utan att kompromissa med säkerheten. Jag gillar den här typen av resultat, inte för att tranexamsyra är nytt, utan för att det tydliggör något många organisationer fortfarande missar: vi har redan effektiva verktyg – men vi använder dem inte alltid konsekvent, i rätt patient, vid rätt tidpunkt.

Och det är exakt den luckan AI kan fylla. Inte genom att ”ersätta” klinikern, utan genom att göra det lättare att fatta standardiserade, datadrivna och spårbara beslut om läkemedelsval, dosering och behandlingsplan inför kirurgi.

Tranexamsyra: varför mindre transfusioner spelar roll

Tranexamsyra är ett antifibrinolytiskt läkemedel som minskar nedbrytningen av koagel. Översatt till operationsmiljö: mindre blödning och därmed minskat behov av blodtransfusion för vissa patientgrupper.

Det viktiga i studien som lyfts är inte bara effekten, utan att den uppnås utan att tumma på säkerheten i den jämförda designen (tranexamsyra vs placebo). Kliniskt är det en avgörande kombination, eftersom man alltid väger minskad blödning mot risker som tromboembolism, interaktioner och patientens grundrisk.

En svensk röst i artikeln, överläkare Agneta Wikman, uttrycker det rakt: inför elektiva operationer bör man optimera patienten med bra blod- och järnvärden, och ge tranexamsyra när det finns blödningsrisk. Det är en pragmatisk hållning som sätter ljuset på processen snarare än en enskild produkt.

Varför transfusionsreduktion är mer än ekonomi

Färre transfusioner är inte bara en kostnadsfråga. Det handlar om:

• Patientsäkerhet: varje transfusion innebär risker (reaktioner, överföring, volymbelastning). Riskerna är ofta små men aldrig noll.
• Flöde i operationsprogrammet: transfusionsbehov kräver koordinering, provtagning, crossmatch, lager och personal.
• Resiliens i systemet: när blodlager blir ansträngda påverkas akuta situationer och traumaflöden.

Om en relativt enkel åtgärd kan minska transfusionsbehov i utvalda fall, är det svårt att argumentera emot en mer systematisk implementering.

Varför vi fortfarande får ojämn användning i praktiken

Det är lätt att tro att en evidensbaserad rutin automatiskt blir standard. Verkligheten? Många sjukhus jobbar fortfarande med en blandning av lokala PM, preferenser per klinik och variation mellan operatörer och anestesiteam.

Tre återkommande orsaker jag ser:

1. Riskbedömning sker för sent. Om blödningsrisk, Hb och järnstatus inte fångas tidigt i den preoperativa processen hamnar man i ”brandkårsutryckning” dagen innan operation.
2. Rädsla för biverkningar blir en broms. Osäkerhet kring trombosrisk eller kontraindikationer leder ibland till att man avstår även när nettovinsten sannolikt är tydlig.
3. Beslutsstöd saknar helhetsbild. Data finns ofta utspridda: labb, läkemedelslista, tidigare VTE, BMI, njurfunktion, diagnoser och operationskod ligger i olika vyer.

Det här är inte ett kunskapsproblem. Det är ett arbetsflödesproblem. AI passar bäst just där: när beslut är repetitiva, riskvägda och datatungt kontextberoende.

Så kan AI förbättra läkemedelsval och dosering inför kirurgi

AI kan ge mest nytta när den används som ett klinisk beslutsstöd som är integrerat i preoperativa flöden. Målet är inte att skapa en ”svart låda” som säger ja/nej, utan en modell som:

• förklarar varför den föreslår tranexamsyra
• visar vilka datapunkter som väger tyngst
• dokumenterar beslutsunderlag i journalen

1) Prediktera transfusionsrisk – tidigt

Den mest praktiska vinsten: AI kan använda historiska operationsdata för att beräkna sannolikheten för transfusion för en specifik patient och planerad operation.

Ett robust riskscore kan väga in:

• planerad ingreppstyp och förväntad blödningsvolym
• preoperativt Hb, ferritin, transferrinmättnad
• antikoagulantia/antiaggregantia och utsättningsplan
• njurfunktion, ålder, tidigare blödning, tidigare VTE
• operationslängd (prognos), ASA-klass, BMI

När riskflaggan kommer 2–6 veckor innan operation kan vården hinna:

• korrigera järnbrist/anemi
• planera blodstrategi
• ta ställning till tranexamsyra i god tid

2) Patientselektera: vem har mest nytta av tranexamsyra?

Tranexamsyra är inte en ”one size fits all”. AI kan hjälpa till att hitta de patienter där nettoeffekten är störst: hög blödningsrisk + låg tolerans för blodförlust.

Ett bra beslutsstöd bör kunna säga något i stil med:

”Patienten har hög sannolikhet för transfusion baserat på Hb 112 g/L, planerad större ortopedisk kirurgi och tidigare transfusion. Tranexamsyra rekommenderas om inga kontraindikationer.”

Det här är citerbart, granskningsbart och går att använda i teamdiskussionen.

3) Dosering och timing – där många missar detaljerna

I praktiken är det ofta timing som avgör effekt. AI kan stödja genom att koppla dosrekommendationer till:

• vikt
• njurfunktion (dosjustering)
• operationsstart (exakt administreringstid)
• samtidig antikoagulantiahantering

Det fina är att detta går att automatisera utan att göra vården rigid. Det kan vara en ”förifylld ordination” som anestesiläkaren bekräftar eller justerar.

4) Säkerhet: upptäcka kontraindikationer och riskmönster

På pappret är kontraindikationer tydliga. I vardagen är de ofta dolda i fritext eller i gamla epikriser.

Med NLP (språkmodeller) kan AI:

• flagga tidigare VTE-händelser
• hitta dokumentation om kramper (relevant vid vissa doser/indikationer)
• identifiera riskabla kombinationer eller dubbelordinationer

Det minskar risken för både över- och underbehandling.

Från en studie till svensk rutin: vad krävs för att lyckas

Att ”bara införa en riktlinje” räcker inte. Det som fungerar är en kombination av vårdprocess, datastöd och uppföljning.

En konkret implementeringsmodell (som faktiskt går att driva)

1. Standardisera preoperativ screening (Hb och järnstatus vid rätt tidpunkt för rätt ingrepp).
2. Definiera ett lokalt beslutsflöde för tranexamsyra (indikationer, kontraindikationer, dosering, ansvar).
3. Bygg ett AI-stött riskverktyg som ger en enkel rekommendation + förklaring.
4. Mät tre saker i samma dashboard:
   • transfusionsfrekvens per ingrepp
   • komplikationer kopplade till blödning/trombos
   • följsamhet till tranexamsyra-protokoll
5. Gör förbättringar kvartalsvis (inte vartannat år). Det är så variationen minskar.

Vanliga frågor som brukar komma upp (och raka svar)

”Räcker inte vanliga riktlinjer?” Riktlinjer är nödvändiga men ofta för generella. AI hjälper när patienterna inte är ”genomsnittliga” och när data ligger utspridd.

”Kan vi lita på en modell?” Du ska inte lita blint på den. Men du kan kräva transparens: vilka variabler, vilken prestanda, hur ofta den omtränas och hur bias hanteras.

”Blir det inte mer administration?” Inte om det byggs rätt. Ett beslutsstöd ska spara klick och minska osäkerhet, annars ska det bort.

Vad det här säger om AI inom läkemedel och bioteknik

Tranexamsyra-exemplet är en bra påminnelse i vår serie om AI inom läkemedel och bioteknik: den stora vinsten kommer ofta när AI kopplar ihop tre världar som traditionellt sitter i silos:

• kliniska studieresultat (effekt och säkerhet)
• real world data (hur vården faktiskt gör)
• individdata (vem som har nytta och vem som har risk)

När de tre möts kan man skapa en vård som både är mer konsekvent och mer individanpassad. Det är precis den typen av ”praktisk precision” svensk sjukvård behöver 2026, när kraven på effektivitet, patientsäkerhet och bemanning drar åt olika håll.

Det jag tycker att fler borde göra redan nu är att behandla perioperativ läkemedelsstrategi som ett dataområde i sig: en plats där AI kan hjälpa till att prioritera, standardisera och följa upp.

Om du arbetar med läkemedel, medtech, kliniska studier eller operationsflöden: börja med att välja ett område där utfallet är mätbart (som transfusioner), där en intervention är tydlig (tranexamsyra + anemioptimering) och där datan redan finns i journalsystemet.

Frågan framåt är enkel och obekväm: vilka andra beprövade läkemedel använder vi för ojämt – och hur mycket bättre skulle resultaten bli om AI hjälpte oss att göra rätt varje gång?