Onkologi i Sverige Nr 1

| Diagnos

Tillsammans med Rita Fernholm, chefsläkare på SLSO, driver jag ett projekt för att analysera vårdavvi kelser inom primärvården i Stockholm med fokus på diagnostik. Enligt svensk lag ska avvikelser rapporteras, men bara de mest allvarliga händelserna anmäls som lex Maria. Majoriteten av avvikelserna hanteras lokalt på enheten, och kunskapen stannar ofta där. Vi har velat undersöka vad vi kan lära oss om vi samlar erfarenheter från flera vårdcentraler. Finns återkommande mönster ur ett systemperspektiv? Handlar det om kontinuitet, tillgänglighet, arbetsmiljö, provsvarshantering, kommunikation, remissflöden, eller något annat? Målet är inte att peka finger, utan

att identifiera förbättringsområden där relativt enkla systemförändringar kan göra stor skillnad. Som komplement har vi också låtit vårdcentraler, mot ersättning, göra slumpvisa journalgranskningar utifrån fördefinierade kriterier, kopplade till vissa utvalda sym tomdiagnoser. Skälet är enkelt, vi vet att inte alla missar eller fördröjningar avspeglas i avvikelsesystemen. Journalgranskning kan fånga “missade möjligheter” som annars aldrig syns i statistiken. Målet är att gå från enskilda berättelser till systematiskt lärande, att se åter kommande mönster och förstå vilka delar av processen som ofta brister, så att förbättringar kan göras brett, inte bara lokalt på en enskild vårdcentral. n

Vad betyder en symtomdiagnos – och vad missar vi i kodningen?

I flera av avhandlingsstudierna utgick vi från diag nossatta symtom, tecken och sjukdomar i register data. Det är viktigt att komma ihåg att en symtomdi agnos i sig ofta speglar ett kliniskt övervägande, läkaren har bedömt symtomet som tillräckligt relevant för att sätta en kod, och det följs inte sällan av någon form av utredning eller behandling. Samtidigt är ett grundproblem att symtomdiagnoser bara speglar det som faktiskt kodas, och vi vet att bara en liten del av det som diskuteras under ett besök blir symtomkodat. Det väcker en viktig metodfråga, men också en praktisk fråga. Hur påverkar det vår förmåga att använda vårddata för riskbedömning? Om fritexten innehåller mer information än koderna riskerar vi att bygga modeller som i första hand speglar dokumenta tionsmönster och kliniska prioriteringar, snarare än patientens fulla symtombild. Därför har vi ett samarbete med forskare på KTH där vi analyserar journalens fritextdata och undersöker hur detta kan påverka prediktion av cancer. Min allmänlä karkollega Eliya Abedi driver en stor del av detta arbete och planerar att disputera i slutet av 2026. Här hoppas vi både kunna förbättra modellerna och förstå hur man kan göra dem mer rättvisa och kliniskt relevanta. Primärvårdsnära cancerforskning Sist, men inte minst, har vi byggt upp en stor databas, Stockholm Early Detection of Cancer Study, STEADY CAN, som jag leder. Den innehåller cancerdata, soci oekonomiska data samt hälso- och sjukvårdsdata från både primärvård och sjukhusvård (besök, diagnoskod ning, förskrivningar och laboratoriedata från de tre aktiva laboratoriebolagen i Stockholm) över mer än ett decennium. Det fina med en sådan kohort är att den möjliggör många parallella studier som kan svara på frågor som annars är svåra i primärvård, just eftersom cancer är relativt ovanligt per enskild vårdcentral. I slutet av 2025 tilldelades jag Vetenskapsrådets sexåriga karriärbidrag till forskare inom primärvården kopplat till STEADY

CAN, ett välkommet stöd som ger långsiktighet och möjliggör flera spår samtidigt. Den nyligen publicerade nationella cancerstrategin 2.0 betonar att fler behöver diagnostiseras tidigt, att vården ska vara jämlik och att forskning och innovation är avgörande för framtidens cancervård. Strategin pe kar särskilt ut primärvården som en nyckelaktör i den symtombaserade vägen till diagnos. Det är i detta sammanhang jag ser min fortsatta forsk ning. Att bidra med evidens, verktyg och systemkun skap som gör det möjligt att identifiera patienter med förhöjd cancerrisk tidigare, utan att öka överutredning eller undanträngning. För att lyckas krävs långsiktiga satsningar på primärvårdsnära forskning och en tydlig koppling mellan data, klinik och patientens behov. Det är i den vardagen, där de flesta patienter inte har cancer men där de flesta cancerpatienter börjar, som framtidens tidiga upptäckt måste fungera. n Figur. Översikt av datakällor i STEADY-CAN-kohorten. Figuren illustrerar hur kliniska data från primärvård och specialistvård, laboratoriedata, läkemedelsdata, cancerregis ter samt socioekonomiska data från Statistiska centralbyrån länkas i den populationsbaserade STEADY-CAN-kohorten. Figuren är modifierad från Nemlander et al., European Journal of Epidemiology, 2025.

24 |onkologi i sverige|#1 2026