Tre dygn av ovisshet kan bli historia: AI på svenska sjukhus förutsäger antibiotikaresistens redan vid inläggning
Nytt AI-system förutsäger antibiotikaresistens direkt vid inläggning – tre dygns väntan kan bli historia.
När varje timme räknas
Det finns ett ögonblick på akuten som varje läkare känner igen: patienten är febrig, troligen infekterad, och antibiotikabehandlingen måste starta nu — långt innan laboratorieproverna är klara. I det tomrummet, där klinisk intuition länge fått bära hela bördan, kliver nu maskininlärningen in.
Forskare vid tolv sjukhus har tränat en modell baserad på algoritmen XGBoost på drygt 132 000 odlingsprover från 72 000 patienter. Systemet analyserar 45 variabler från patientjournaler och förutsäger med hög träffsäkerhet om en bakterie producerar ESBL — ett enzym som gör den resistent mot flera vanliga antibiotika. Vid 90 procents känslighet klarade modellen att utesluta ESBL-infektion med hela 95,8 procents noggrannhet. Det innebär att läkare kan undvika att i onödan skriva ut karbapenemer, vår sista försvarslinje mot multiresistenta bakterier, och i stället välja smalare behandling med bättre träffsäkerhet. Tre dygn av ovisshet ersätts av ett datadrivet beslutsstöd — redan vid inläggning.
En detalj som förtjänar att lyftas fram: modellen visade sig vara rättvis. Att ta bort socioekonomiska variabler påverkade träffsäkerheten minimalt, vilket tyder på att systemet inte systematiskt missgynnar patienter från socioekonomiskt svagare grupper. I en tid där partiskhet i medicinska algoritmer diskuteras alltmer, är det ett viktigt kvitto.
Kroppen berättar — om man lyssnar rätt
Parallellt pågår en tyst revolution inom patientövervakning. Ramverket PGP-Clinical-TimeKAN presenterades nyligen som ett system för sannolikhetsbaserad förutsägelse av patienters fysiologiska tillstånd. Modellen analyserar flera kroppsliga mätvärden samtidigt, hanterar saknade datapunkter — något som är vardagsmat i kliniska miljöer — och kan förutsäga fysiologiska värden sex timmar framåt baserat på 24 timmars historik. Utvärderat på nästan 7 000 intensivvårdspatienter uppnådde det det lägsta felpåslaget bland jämförda modeller.
Forskarna är ärliga med begränsningarna: systemet är bättre på att förutsäga fysiologiska kurvor än att faktiskt flagga när en patient riskerar allvarlig försämring. Det är en viktig distinktion. En modell som ser mönstret men missar larmet är inte kliniskt färdig. Men riktningen är glasklar — vi rör oss mot sjukhussalar där ingen patient försämras i tystnad.
Ännu ett steg i den riktningen är forskningen kring neurala nätverk som mäter andningsfrekvens via EKG-signaler. Tekniken utnyttjar respiratorisk sinusarytmi — hjärtrytmens naturliga variation i takt med andningen — och kräver ingen extra utrustning eller manuell förbehandling. Resultatet är kontinuerlig, icke-invasiv andningsövervakning via utrustning som redan finns på varje vårdenhet. Det handlar om att göra mer med det vi redan har.
Maskinen som vet när den ska tiga
Men det mest filosofiskt intressanta bidraget just nu är kanske Cros — ett system som ger kliniska diagnos-agenter förmågan att bedöma sina egna gränser. I tester på nästan 1 900 patientfall kopplade till buksmärta visade Cros betydligt bättre förmåga att identifiera osäkra tillstånd än enklare metoder. Ännu viktigare: studien visade att tvinga AI:n att fortsätta diagnostisera när den är osäker faktiskt försämrade träffsäkerheten. Ibland är det klokaste en maskin kan göra att lämna över till en människa.
Detta är en mognadsmarkör för hela branschen. Vi är på väg bort från den naiva föreställningen att mer AI alltid ger bättre utfall, mot en mer nyanserad bild där människa och maskin kompletterar varandra med ömsesidig respekt för varandras styrkor.
Språket som binder ihop allt
Under allt detta löper en infrastrukturell utmaning som sällan får rubriker: medicinsk data är rörig, inkonsekvent och svår att jämföra. OntologyAligner adresserar detta genom att automatiskt översätta fritextbeskrivningar till standardiserade medicinska termer. Med en träffsäkerhet på 88,78 procent — nästan fem procentenheter bättre än tidigare toppresultat — och god generaliserbarhet över flera kunskapsbaser, lägger systemet grunden för att kliniska AI-modeller faktiskt ska kunna dela data och lära av varandra i stor skala.
Den kliniska AI-vågen räddar liv. Men det är den gemensamma infrastrukturen — det standardiserade språket, den rättvisa datamärkningen, det ansvarsfulla överlämningsprotokollet — som avgör om den når sin fulla potential.
Vår analys
Det som är slående när man ser dessa fem forskningsframsteg tillsammans är inte enskilda tekniska prestationer — det är mognaden. Vi ser system som inte bara presterar, utan som känner sina egna gränser. Vi ser modeller som är konstruerade för rättvisa, inte bara för noggrannhet. Vi ser infrastruktur som möjliggör samarbete mellan system, inte bara isolerade pilotprojekt.
Det betyder att sjukvårdens AI-omvandling är på väg in i en mer seriös fas. Den lågt hängande frukten — imponerande noggrannhetssiffror i kontrollerade miljöer — plockas nu av en ny ambition: klinisk robusthet på riktiga patienter, i röriga verklighetsmiljöer, med ansvar för konsekvenserna.
Nästa steg är integration. Enskilda modeller, hur träffsäkra de än är, skapar fragmenterade arbetsflöden. Det stora värdet uppstår när antibiotikaförutsägelse, fysiologisk övervakning och intelligent överlämning till läkare samspelar i en och samma kliniska plattform. Där är vi inte ännu — men vi ser konturerna. Och de är lovande.