Tranexamsyra vid kirurgi: färre transfusioner

Det är lätt att tro att blodtransfusioner är “business as usual” vid större operationer. Men varje enhet blod är också en resurs som måste finnas på plats i rätt tid, hanteras säkert och ges till rätt patient – och det kommer med risker och kostnader. Därför väckte en kanadensisk randomiserad studie (presenterad på hematologikongressen Ash i december 2025) uppmärksamhet: patienter som fick tranexamsyra inför större operationer behövde färre blodtransfusioner än de som fick placebo, utan att säkerheten försämrades.

För oss som följer serien ”AI inom läkemedel och bioteknik” är det här mer än en nyhet om ett välkänt läkemedel. Det är ett konkret exempel på hur smartare läkemedelsanvändning kan minska invasiva åtgärder – och hur AI kan hjälpa vården att göra rätt sak för rätt patient genom bättre riskstratifiering, dosering, uppföljning och implementering.

Varför färre blodtransfusioner är en stor sak

Blodtransfusioner räddar liv, men de ska inte vara en slentrianåtgärd. Det centrala är att transfusion ofta är en reaktiv insats: man fyller på när blödningen redan har hänt och Hb sjunkit. Om vi kan minska blödningen från början behöver färre patienter transfusion, vilket ger en rad vinster.

Patientnytta: mindre risk, snabbare återhämtning

Nyckelpoängen är enkel: mindre perioperativ blödning ger mindre fysiologisk stress. Även när transfusion ges korrekt finns det kända risker, till exempel transfusionsreaktioner, volymbelastning och immunologiska effekter. Dessutom kan transfusioner vara kopplade till längre vårdtider i vissa sammanhang (även om sambanden varierar mellan patientgrupper).

Resultatet från den kanadensiska studien – färre transfusioner utan försämrad säkerhet – stärker en riktning som många kliniker redan rör sig mot: blod ska användas när det behövs, inte för att det “brukar bli så”.

Systemnytta: blod är en begränsad resurs

I Sverige, precis som i många andra länder, är blodförsörjning en logistisk utmaning. Säsongsvariationer och perioder med lägre blodgivning (till exempel kring storhelger) gör att minskad efterfrågan i operationsflödet kan ge märkbar effekt.

Det är också en kvalitetsfråga: om ett sjukhus minskar transfusionsbehovet i elektiv kirurgi kan man frigöra resurser till akuta situationer där transfusion är avgörande.

Tranexamsyra: ett “gammalt” läkemedel med modern relevans

Tranexamsyra är en antifibrinolytisk behandling som hjälper kroppen att stabilisera blodkoaglet genom att motverka nedbrytning av fibrin. Praktiskt betyder det: när kirurgin orsakar blödning får kroppen bättre förutsättningar att “hålla tätt”.

I RSS-underlaget lyfts att behandlingen gav färre blodtransfusioner jämfört med placebo i en randomiserad studie på tio sjukhus i Kanada. I artikeln kommenterar en svensk överläkare, Agneta Wikman, att hon uppfattar studien som välgjord och efterlyser liknande riktlinjer inför elektiva operationer i Sverige, med fokus på att optimera patienten och ge tranexamsyra vid blödningsrisk.

Preoperativ optimering: där många tappar bort sig

Här är en obekväm sanning: många organisationer är bättre på att hantera blödning än att förebygga den. Preoperativ optimering kräver planering, ansvarsfördelning och uppföljning.

Ett robust arbetssätt inför elektiv kirurgi handlar ofta om tre spår:

1. Identifiera anemi och järnbrist i tid (veckor snarare än dagar)
2. Optimera Hb och järnstatus med rätt behandling
3. Planera blodbesparande strategier i operationsflödet, där tranexamsyra kan vara en del

Tranexamsyra blir i det sammanhanget inte en “extra medicin”, utan ett verktyg i ett patient blood management-tänk: mindre blödning, färre transfusioner, bibehållen säkerhet.

Säkerhet: det man alltid måste tåla att bli granskad för

När man pratar antifibrinolytika kommer frågan snabbt: “Ökar det trombosrisken?” Det är rätt fråga att ställa.

Poängen i nyheten är att studien inte visade försämrad säkerhet trots minskade transfusioner. För klinisk implementering räcker det ändå inte med ett övergripande budskap. Man vill veta:

• Vilka operationstyper ingick?
• Vilka dosregimer användes?
• Hur definierades “säkerhet” (t.ex. tromboembolism, njurpåverkan, stroke, mortalitet)?
• Vilka patienter exkluderades?

Här kommer vi till en av de tydligaste kopplingarna till vår serie: AI kan hjälpa oss att bryta ned “säkerhet” och “nytta” per patientprofil, i stället för att vi bara tittar på en medeleffekt.

Där AI faktiskt gör skillnad: från rätt patient till rätt protokoll

AI behövs inte för att “uppfinna” tranexamsyra på nytt. AI behövs för att använda läkemedel smartare och säkrare i verkligheten. Det är där de stora effekterna ofta finns, särskilt i kirurgi där variationen mellan patienter är enorm.

Riskstratifiering: vem ska ha tranexamsyra – och vem ska inte?

Den praktiska utmaningen är att “någon som helst blödningsrisk” kan betyda allt från en marginell riskökning till ett riktigt högriskfall. Här kan AI, byggt på operationsdata och journaldata, bidra med:

• Prediktion av transfusionsbehov (t.ex. baserat på Hb, antikoagulantia, tidigare blödning, ingreppstyp, BMI, njurfunktion)
• Prediktion av blödningskomplikationer (reoperation, hematom, stor blodförlust)
• Samtidig trombosriskmodellering (för att undvika fel patient)

En bra modell ger inte bara en siffra. Den ger en motivering som går att använda kliniskt, till exempel: “Hög risk för transfusion drivs av preoperativ anemi och förväntad lång operationstid.”

Dosering och timing: små beslut som styr stora utfall

Tranexamsyra är ett exempel på något vården ofta underskattar: timing är en intervention i sig. Om ett sjukhus ger läkemedlet för sent, för tidigt, eller med inkonsekvent dosering mellan team, försvinner en del av effekten.

AI-stöd kan hjälpa till på två sätt:

1. Beslutsstöd i vårdflödet: “Patienten uppfyller kriterier, ge enligt protokoll vid induktion.”
2. Processanalys: upptäcka var i flödet avvikelser uppstår (t.ex. helger, specifika team, vissa operationssalar)

Det här är klassisk “quality improvement”, men med modern motor: data från anestesijournal, operationsplanering och labb.

Kliniska studier och real-world evidence: snabbare lärloop

Ett läkemedel kan vara välstuderat och ändå användas suboptimalt i praktiken. Här är AI extra nyttigt:

• Smartare studiedesign: bättre inklusionskriterier, mer homogena riskgrupper
• Automatiserad uppföljning av utfall i real-world-data (t.ex. transfusion, reoperation, trombosdiagnoser)
• Tidiga signaler om avvikande utfall när protokoll rullas ut brett

Det betyder inte att AI ersätter randomiserade studier. Det betyder att vi får kortare väg från evidens till stabil klinisk praxis, och snabbare upptäckt av när praxis driver åt fel håll.

Så kan svenska team omsätta resultaten i praktiken (utan att det blir ett projekt som dör)

Det som skiljer sjukhus som lyckas med blodbesparande strategier är inte viljan – det är operationaliseringen. Här är ett upplägg jag har sett fungera i andra vårdflöden: börja smalt, mät hårt, skala lugnt.

En konkret checklista inför elektiv kirurgi

Anpassa efter specialitet, men håll strukturen:

1. Preoperativ screening (2–6 veckor före)
   • Hb, ferritin och relevanta järnmarkörer enligt lokal rutin
   • Läkemedelsgenomgång: antikoagulantia, trombocythämmare, NSAID
2. Riskklassning
   • Blödningsrisk: ingreppstyp + patientfaktorer
   • Trombosrisk: tidigare VTE, cancer, immobilisering, m.m.
3. Protokoll för tranexamsyra
   • Standarddos och tidpunkt (definierat i PM)
   • Kontraindikationer tydligt listade
4. Transfusionsstrategi
   • Tydliga Hb-trösklar och kliniska kriterier
   • Dokumentation av indikationen (för lärande)
5. Uppföljning varje månad
   • Transfusionsfrekvens per ingrepp
   • Blödningskomplikationer
   • Tromboemboliska händelser

Mätetal som snabbt visar om ni är på rätt väg

Om ni bara följer “antal transfusioner” missar ni halva bilden. Följ minst:

• Andel patienter som transfunderas per operationstyp
• Enheter blod per patient (median och spridning)
• Reoperation p.g.a. blödning
• Tromboembolism inom 30 dagar
• Andel som får tranexamsyra enligt protokoll (processmått)

När AI används i den här miljön är processmåttet ofta avgörande. Om modellen säger “ge” men bara 55 % faktiskt får läkemedlet i rätt tid, är det inte en modellfråga. Det är en flödesfråga.

En bra riktlinje i kirurgin är att mäta både utfall och följsamhet. Annars jagar man spöken.

Vanliga frågor som brukar dyka upp (och raka svar)

“Gäller detta bara vissa typer av kirurgi?”

Effekten av tranexamsyra är mest relevant där blödningsrisken är reell, särskilt vid större ingrepp. Exakt vilka operationer som gav mest nytta beror på studiedetaljer och lokal mix. Men principen är generell: där blödningen driver transfusioner finns potential.

“Om vi redan har låga transfusionstal, är det värt det?”

Ja, ofta. När transfusionsnivåer redan är låga kan vinsten vara mindre i absoluta tal, men stor i standardisering och säkerhet. Dessutom kan man minska variationen mellan team, vilket brukar vara ett kvalitetsmått i sig.

“Var kommer AI in om vi ‘bara’ ska följa ett protokoll?”

AI gör mest nytta i tre lägen:

• När ni vill hitta rätt patienter (riskmodeller)
• När ni vill säkerställa följsamhet (arbetsflödesstöd)
• När ni vill övervaka säkerhet i verkligheten (real-world-uppföljning)

Nästa steg: från kongressdata till svensk vardag

Tranexamsyra är inte ny. Det nya är att evidensen fortsätter att skärpa bilden: färre transfusioner kan uppnås utan att tumma på säkerheten när behandlingen används rätt och i rätt kontext. För svensk elektiv kirurgi är det här ett tydligt argument för att se över preoperativa riktlinjer, särskilt kopplat till anemi, järnbrist och standardiserade blodbesparande protokoll.

Och här blir kopplingen till AI inom läkemedel och bioteknik väldigt konkret: AI är inte ett sidoprojekt vid sidan av kliniken. Det är ett sätt att skala god praxis, minska onödig variation och upptäcka risker tidigare.

Om du skulle välja en sak att göra efter att ha läst detta: ta fram era senaste 12 månader av data för en stor elektiv operationskategori och ställ två frågor: Hur stor del av transfusionerna hade vi kunnat förebygga? och Vilken del av variationen beror på patientmix – och vilken del beror på hur vi jobbar?