AI flyttar in i vården – men läkaren behövs mer än någonsin
Från svensk mammografiscreening till proteinernas tredimensionella värld: här gör tekniken skillnad, och här återstår bevisen.
AI kan hitta mönster i röntgenbilder, föreslå läkemedelsmolekyler och skriva utkast till journaler. Men en träffsäker modell är inte automatiskt en bättre behandling. Sjukvårdens verkliga genombrott uppstår först när tekniken fungerar för rätt patienter, i rätt arbetsflöde och med ett tydligt mänskligt ansvar.
Av Erik SandellSkribent · Forskning och genombrottTvå läkare, eller en läkare och en algoritm?
Vid ett bröstradiologiskt arbetsbord passerar mammografibilder över skärmen. Uppgiften är att hitta de få undersökningar som kan visa cancer bland alla normala. En liten förtätning eller en grupp kalkprickar kan behöva utredas. Samtidigt kan ett falskt alarm innebära oro, fler bilder och ibland vävnadsprov.
Här har AI prövats på riktigt i svensk sjukvård. I den randomiserade MASAI-studien, inom mammografiscreeningen i Region Skåne, lottades drygt 80 000 kvinnor till AI-stödd granskning eller vanlig dubbelgranskning av två radiologer. AI gav undersökningarna en riskpoäng och användes för att styra vilka som skulle granskas av en eller två läkare. Systemet kunde också markera misstänkta fynd.
Den första publicerade säkerhetsanalysen, 2023, visade 6,1 upptäckta cancerfall per 1 000 undersökningar med AI-stöd, jämfört med 5,1 i kontrollgruppen. Radiologernas granskningsarbete minskade samtidigt med 44,3 procent. Andelen falskt positiva screeningresultat var ungefär densamma.
Det var ett lovande resultat, men inte ett bevis för att AI minskar dödligheten i bröstcancer. Fler upptäckta tumörer behöver sättas i relation till bland annat överdiagnostik och intervallcancer: cancer som upptäcks mellan screeningtillfällena. Den första analysen besvarade inte alla dessa frågor.
Skillnaden är central för hela medicinens AI-utveckling. Att hitta fler avvikelser är en teknisk prestation. Att människor lever längre eller får färre besvär är en klinisk vinst. Det ena kan leda till det andra, men sambandet måste undersökas.
MASAI illustrerar dessutom en mer realistisk framtid än den autonoma robotläkaren: programmet sorterar och uppmärksammar, medan läkaren tolkar och tar ställning. Genombrottet ligger lika mycket i arbetsfördelningen som i algoritmen.
Bildanalys: mönsterseende med blinda fläckar
Medicinsk bild-AI bygger ofta på djupa neurala nätverk. Under träningen får modellen se stora mängder undersökningar tillsammans med facit, exempelvis radiologers markeringar eller diagnoser bekräftade genom vävnadsanalys. Modellens miljontals parametrar justeras så att dess förutsägelser bättre stämmer med träningsmaterialet.
Den lär sig inte anatomi som en läkarstudent. Den lär sig statistiska samband mellan bildmönster och utfall. Vissa samband motsvarar välkända sjukdomstecken, andra kan vara svåra att tolka. Ett resultat kan därför vara användbart utan att modellens beslutsväg är fullständigt begriplig.
I bruk: AI-baserade produkter används bland annat för att analysera medicinska bilder, mäta strukturer och uppmärksamma misstänkta fynd. FDA:s amerikanska förteckning över AI-baserade medicintekniska produkter domineras av radiologi. Förteckningen visar dock marknadstillstånd, inte att varje produkt används brett eller förbättrar patienters hälsa.
AI:s styrka är att snabbt och konsekvent bearbeta stora datamängder. Den kan jämföra många bildområden, göra upprepade mätningar och hjälpa till att prioritera arbetslistor. Det är uppgifter som människor kan utföra, men sällan med samma uthållighet och skala.
Svagheten är beroendet av sammanhanget. En modell tränad vid ett sjukhus kan prestera sämre när den möter en annan kamera, patientgrupp eller undersökningsrutin. Den kan också utnyttja oavsiktliga ledtrådar, som bildmarkörer eller skillnader mellan sjukhus, i stället för själva sjukdomen.
Därför krävs extern validering: testning på material som verkligen är fristående från träningen. Därefter behövs helst prospektiva studier där verktyget prövas i vårdens faktiska flöde. En hög träffsäkerhet på ett sparat bildarkiv säger inte hur läkare reagerar på felaktiga varningar under ett pressat arbetspass.
Även en träffsäker modell kan skapa problem om den larmar för ofta. När en sjukdom är ovanlig kan många positiva svar vara falska. Det praktiska värdet beror därför på både känslighet, specificitet och vilka patienter som undersöks.
Proteinernas karta öppnar nya vägar
Ett annat medicinskt AI-genombrott sker långt från undersökningsrummet. Proteiner är cellernas arbetsmaskiner. Deras tredimensionella former påverkar vilka molekyler de binder och vilka reaktioner de driver. För läkemedelsutvecklare kan en struktur vara en karta över möjliga angreppspunkter.
Traditionellt bestäms proteinstrukturer med experimentella metoder som röntgenkristallografi och kryoelektronmikroskopi. Dessa är kraftfulla men kan kräva omfattande arbete. AlphaFold2, beskrivet i Nature 2021, visade att AI kunde förutsäga många proteinstrukturer med en noggrannhet som i flera fall närmade sig experimentellt bestämda strukturer.
Modellen kombinerar information om aminosyrasekvensen med bland annat evolutionära mönster hos besläktade proteiner. Om två positioner förändras tillsammans genom evolutionen kan det ge ledtrådar om hur de samverkar. Nätverket bearbetar sådana relationer och förfinar en tredimensionell modell.
AlphaFold3, publicerat 2024, utvidgade ambitionen till komplex med bland annat proteiner, DNA, RNA och små molekyler. Systemet använder en diffusionsbaserad metod för att generera atomkoordinater. Förenklat lär det sig att stegvis omvandla en brusig representation till en möjlig molekylstruktur.
Forskningsverktyg i användning: Strukturprediktion hjälper forskare att formulera hypoteser och planera experiment. Den är däremot inte ett rutinverktyg som ensamt avgör en patients behandling.
En förutsagd struktur är heller inte samma sak som en fungerande medicin. Proteiner rör sig, ändrar form och samverkar med sin miljö. En till synes passande molekyl kan binda för svagt, brytas ned för snabbt eller påverka andra proteiner med farliga följder.
AI kan korta vägen till en prövbar hypotes. Den kan inte göra hypotesen sann utan prövning.
Den viktiga vinsten är därför inte att laboratoriet blir överflödigt. Det är att forskare kan välja mer informativa experiment och utforska biologiska frågor som tidigare var svåra att angripa.
Läkemedel: snabbare idéer, långsam bevisning
Läkemedelsutveckling innehåller flera olika problem: hitta ett biologiskt mål, konstruera en molekyl, bedöma säkerhet och visa att behandlingen hjälper människor. AI kan bidra i varje steg, men framgång i ett steg garanterar inte framgång i nästa.
Ett uppmärksammat exempel är antibiotikaforskningen bakom halicin, publicerad i Cell 2020. Forskarna tränade en modell på molekylers förmåga att hämma bakterietillväxt och använde den för att söka efter kandidater i andra molekylsamlingar. Halicin identifierades genom denna AI-stödda screening och undersöktes sedan experimentellt, bland annat i möss.
Det var ett exempel på hur modellen kunde prioritera en substans med en struktur som skilde sig från många etablerade antibiotika. Det var inte ett färdigt antibiotikum för sjukvården. För det krävs ytterligare utveckling och kliniska studier.
Generativa modeller går ett steg längre: de kan föreslå nya molekylstrukturer som optimeras mot flera önskade egenskaper. Men måtten som modellerna optimerar är ofta approximationer. En kandidat måste också kunna tillverkas, nå rätt vävnad och tolereras i rätt dos.
Ett konkret utvecklingsprogram gäller hämning av proteinet TNIK vid fibrossjukdom. En studie i Nature Biotechnology 2024 beskrev AI-stödd identifiering av målet och utveckling av en läkemedelskandidat, tillsammans med prekliniska och tidiga kliniska resultat. Det visar att AI-stödda projekt kan ta sig från datorförslag till prövning på människor. Det bevisar inte i sig behandlingens långsiktiga nytta.
Fortfarande under prövning: Påståendet att AI generellt gör läkemedelsutveckling billigare och snabbare behöver bättre jämförelser. Bolagens tidsangivelser kan börja först när vissa förarbeten redan är gjorda. Misslyckade projekt syns dessutom mindre än framgångarna.
Den hårda frågan är om fler säkra och effektiva läkemedel når patienter, inte hur många molekyler ett system kan generera. Kliniska försök är därför fortsatt den avgörande flaskhalsen och skyddsmekanismen.
Journalen, kön och den personliga behandlingen
Den mest vardagsnära förändringen kan vara mindre spektakulär än nya läkemedel: AI som hjälper till med dokumentation. Så kallade omgivningslyssnande assistenter kan omvandla samtalet under ett besök till ett journalutkast. Taligenkänning fångar orden och en språkmodell organiserar innehållet.
I bruk: Sådana verktyg används redan i vårdverksamheter, men införandet varierar. Grundprincipen bör vara att vårdpersonalen granskar och godkänner texten. En välformulerad anteckning kan innehålla fel, lägga till en uppgift som aldrig sagts eller tappa bort ett avgörande ”inte”.
Det finns också en skillnad mellan talad information och kliniska slutsatser. Om patienten säger att en medicin inte hjälper är det inte automatiskt ett belägg för att den saknar effekt. Dos, följsamhet och behandlingstid kan behöva utredas. Språkmodellen får inte tyst omvandla osäkerhet till ett fastslaget faktum.
Triage är känsligare. Ett system som sammanfattar symtom kan vara användbart, men ett system som avgör vem som kan vänta påverkar tillgången till vård. Digitala symtomformulär är dessutom inte nödvändigtvis AI; många bygger på fördefinierade regler.
För AI-baserad triage måste man särskilt studera undertriage: patienter som felaktigt bedöms kunna avvakta. Språksvårigheter, atypiska symtom och flera samtidiga sjukdomar kan göra uppgiften svårare. En säker tjänst behöver tydliga vägar till mänsklig bedömning och uppföljning av vad som faktiskt händer patienterna.
Personlig medicin innebär i sin tur att välja behandling utifrån individens sjukdomsprofil. Inom cancer används redan molekylära analyser för vissa behandlingsval, men detta är inte automatiskt AI. AI:s tänkta mervärde är att kombinera fler datatyper: exempelvis tumörbilder, genförändringar och tidigare behandlingar.
Till stor del forskning: Modeller som väger samman sådana data kan hitta grupper med olika prognos. Men att förutsäga ett sjukdomsförlopp är inte samma sak som att veta vilken behandling som förändrar det. För det senare krävs studier som kan skilja behandlingseffekt från andra skillnader mellan patienterna.
Vem förstår patienten?
Vad kan då AI göra som läkaren inte kan? Framför allt bearbeta information i en skala som ingen människa klarar: söka igenom enorma molekylrymder, jämföra bildmönster och väga samman tusentals mätvärden. Den kan också reproducera en avgränsad analys utan att bli trött.
Läkaren kan däremot undersöka kroppen, reagera på motsägelsefulla uppgifter och fråga varför patienten egentligen kom. Ett normalt provsvar kan vara lugnande i ett sammanhang och otillräckligt i ett annat. Beslutet kan dessutom handla om värderingar: hur mycket biverkningar är patienten beredd att acceptera för en möjlig vinst?
AI kan formulera empatiska svar och stödja sådana samtal. Men den har ingen egen erfarenhet av lidande och bär inte det professionella ansvaret. Det gör vårdpersonalen och vårdorganisationen. Ansvar får inte lösas upp mellan utvecklare, inköpare och användare när något går fel.
Människan är samtidigt ingen perfekt säkerhetsventil. Läkare kan bli överdrivet följsamma mot ett automatiskt förslag, särskilt när tiden är knapp. Att skriva ”läkaren granskar” räcker därför inte. Gränssnitt, utbildning och rimlig arbetsbelastning måste göra granskningen verklig.
För Sverige är kombinationen av register, forskning och organiserad vård en möjlighet att utvärdera systemen långsiktigt. Men känsliga hälsodata kräver laglig åtkomst, säker hantering och tydliga användningsändamål. Bra historiska data ersätter inte heller testning i dagens vård.
Nästa stora framsteg kan därför vara ett mindre dramatiskt system som gör rätt sak varje dag: färre missade fynd, mindre dokumentationsarbete eller snabbare bedömning för den som verkligen behöver den. För att veta vilka system som levererar detta måste vården mäta patientnytta, fel och arbetsbelastning efter införandet, inte bara före.
Framtidens bästa sjukvård är inte nödvändigtvis den med mest AI. Det är den som vet när AI ska användas, när den ska ifrågasättas och när en människa måste ta över.
Källor
- Kristina Lång med flera, Artificial intelligence-supported screen reading versus standard double reading in the Mammography Screening with Artificial Intelligence trial (MASAI): a clinical safety analysis of a randomised, controlled, non-inferiority, single-blinded, screening accuracy study (2023)
- U.S. Food and Drug Administration, Artificial Intelligence-Enabled Medical Devices (Löpande uppdatering)
- John Jumper med flera, Highly accurate protein structure prediction with AlphaFold (2021)
- Josh Abramson med flera, Accurate structure prediction of biomolecular interactions with AlphaFold 3 (2024)
- Jonathan M. Stokes med flera, A Deep Learning Approach to Antibiotic Discovery (2020)
- Feng Ren med flera, A small-molecule TNIK inhibitor targets fibrosis in preclinical and clinical models (2024)
- World Health Organization, Ethics and governance of artificial intelligence for health: WHO guidance (2021)
Ställ frågor om "AI flyttar in i vården – men läkaren behövs mer än någonsin". Svaren bygger på tidningens egna artiklar.
