AI i svensk sjukvård: tillämpningar, nytta och vad som krävs

En radiolog i Lund granskar mammografibilder tillsammans med ett AI-system. En sjuksköterska i Västra Götaland får journalanteckningen färdigskriven medan patienten fortfarande sitter kvar i rummet. Det här är inte pilotprojekt längre — det är vardag i delar av svensk vård 2026. Men avståndet mellan de regioner som kommit långt och de som knappt börjat är enormt.

Mammografin är det tydligaste genombrottet

Den svenska MASAI-studien i Region Skåne är den mest citerade av alla. Drygt 100 000 kvinnor lottades mellan vanlig dubbelgranskning av två radiologer och AI-stödd granskning. Resultaten som publicerades i The Lancet visade att AI-stödet hittade fler cancrar — ungefär 20–30 procent fler beroende på vilken delrapport man tittar på — utan att antalet falska larm ökade.

Lika viktigt: granskningsbördan för radiologerna minskade med drygt 40 procent. I ett land där bristen på radiologer är kronisk är det siffran som får regiondirektörer att lyssna. Flera regioner har sedan dess infört AI-stöd i screeningflödet, och Karolinskas ScreenTrustCAD-studie pekade åt samma håll.

Dokumentationen är den tysta vinnaren

Det som sparar mest tid just nu är inte diagnostik utan pappersarbete. Vårdpersonal lägger en betydande del av arbetsdagen på dokumentation, och AI-baserad taligenkänning plus automatisk sammanfattning av patientmötet — så kallade AI-skrivare — testas nu i flera regioner.

Principen är enkel: mötet spelas in, modellen strukturerar innehållet enligt journalmallen, läkaren granskar och signerar. Kvalitetsfrågan handlar om svenska medicinska termer, dialekter och flerspråkiga samtal. Tekniken bakom liknar den i vanliga verktyg för röst och tal, men kraven på precision och sekretess är av en helt annan storleksordning.

Fler områden där det faktiskt används

• Digital patologi. Vävnadsprover skannas och AI markerar misstänkta områden — prostatacancer är det mest mogna användningsområdet i Sverige.
• Frakturdetektion. Akutröntgen där modellen flaggar sannolika frakturer, särskilt på jourtid när erfaren radiolog saknas på plats.
• Triage och 1177. Symtombedömning och prioritering av inkommande ärenden, med människa som fattar beslutet.
• Ögonbottenscreening. Diabetesretinopati är ett av de första områdena där CE-märkta AI-system fick verklig spridning i Europa.
• Administration. Remisshantering, schemaläggning och kodning — områden där AI-agenter automatiserar arbetsflöden på ungefär samma sätt som i näringslivet.

Regelverket: tre lager som måste stämma samtidigt

Här snubblar många projekt. Ett AI-system som påverkar diagnos eller behandling är en medicinteknisk produkt och måste CE-märkas enligt EU:s förordning om medicintekniska produkter (MDR, 2017/745). Det är Läkemedelsverket som är marknadskontrollmyndighet i Sverige.

Ovanpå det ligger EU:s AI-förordning (2024/1689). Huvuddelen av reglerna började tillämpas den 2 augusti 2026 — alltså för bara några veckor sedan. För AI som är inbyggd i medicintekniska produkter gäller högriskkraven först från den 2 augusti 2027. Verksamheter som köper in system nu behöver med andra ord ställa krav som ännu inte är obligatoriska, men som blir det inom ett år.

Tredje lagret är dataskyddet: GDPR plus patientdatalagen (2008:355) och Socialstyrelsens föreskrifter om journalföring och behandling av personuppgifter. Och på sikt förordningen om det europeiska hälsodataområdet (EHDS, 2025/327), som trädde i kraft 2025 och tillämpas stegvis mot slutet av decenniet. EHDS är den som på riktigt kan lösa tillgången till träningsdata.

Det här krävs för att det ska funka

1. Journalintegration. Ett AI-verktyg som kräver att personalen loggar in i ett separat system används inte. Det måste in i Cosmic, Melior eller TakeCare där arbetet faktiskt sker.

2. Validering på svenska data. En modell tränad på amerikanska patienter kan prestera sämre här. Lokal validering före breddinförande är inte överkurs, det är minimikrav.

3. Tydligt ansvar. Legitimerad personal bär ansvaret för beslutet. Det kräver att systemet visar varför det flaggat något, och att det går att avvika utan att det blir en administrativ mardröm.

4. Val av modelltyp. Ska patientdata skickas till en amerikansk molnleverantör eller ska modellen köras lokalt? Frågan om öppna kontra proprietära modeller är skarpare i vården än någon annanstans.

5. Utbildning. Vi såg samma mönster när AI slog igenom i skolan — tekniken kommer före kompetensen, och då blir resultaten ojämna.

Slutsats

Svensk sjukvård har bevisat att AI kan hitta fler cancrar och frigöra tid. Det som saknas är inte teknik utan struktur: gemensamma upphandlingskrav, nationell validering och integration i journalsystemen. Arbetar du i vården — börja med att fråga vilken CE-märkning ett tänkt verktyg har och vem som ansvarar för besluten det påverkar. De två frågorna sorterar bort merparten av det som inte håller.