Oxalat är ett naturligt förekommande ämne som finns i många vegetabiliska livsmedel, bland annat spenat, nötter, rödbetor och sötpotatis. Ämnet har framför allt uppmärksammats i samband med njursten, eftersom oxalat kan binda till kalcium och bilda kristaller.

Men oxalat bryts också ned och transporteras i tarmen, bland annat med hjälp av tarmbakterier och särskilda transportproteiner. Forskarna bakom den aktuella studien ville därför undersöka om den processen fungerar annorlunda hos personer med inflammatorisk tarmsjukdom, IBD.

Högre nivåer vid Crohns sjukdom

Studien kombinerar analyser av prover från patienter med Crohns sjukdom och ulcerös kolit med försök i celler och flera olika musmodeller.

I tarmvävnad från personer med IBD fann forskarna lägre nivåer av två transportproteiner som är involverade i kroppens hantering av oxalat. Hos personer med Crohns sjukdom uppmättes dessutom högre halter av oxalat i avföringen än hos personer utan IBD, trots att det rapporterade intaget av växtbaserade livsmedel var ungefär likartat.

Resultaten skulle kunna tyda på att det inte enbart är mängden oxalat i maten som spelar roll, utan också hur tarmen kan ta hand om ämnet.

I de experimentella delarna av studien såg forskarna också tecken på att oxalat kan förstärka en redan pågående inflammation i tarmen. När möss med experimentell kolit fick en kost med högre oxalatinnehåll förvärrades inflammationen, medan en kost med lägre innehåll gav motsatt effekt.

Inga nya kostråd ännu 

Resultaten innebär dock inte att personer med Crohns sjukdom eller ulcerös kolit bör börja undvika oxalatrika livsmedel. Patientmaterialet är begränsat och en stor del av studien bygger på experimentella modeller. Forskarna beskriver själva resultaten från patienterna som hypotesgenererande och efterlyser större och längre studier innan några kostrekommendationer kan ges.

Det är en viktig reservation eftersom många oxalatrika livsmedel också bidrar med fiber, vitaminer, mineraler och andra näringsämnen. Att begränsa dem utan tydliga skäl kan därför få andra konsekvenser för kostens kvalitet.

Forskarna pekar i stället på flera möjliga vägar för fortsatt forskning. En är att undersöka om tarmfloran kan påverkas så att oxalat bryts ned mer effektivt. På sikt skulle kunskapen också kunna bidra till en mer individanpassad kostbehandling, där både kostintag, tarmfunktion och mikrobiom vägs in.

För dietister blir resultaten därför framför allt en intressant pusselbit i forskningen om IBD – snarare än ett skäl att redan nu förändra kostråden.

Källa: Salvador AC et al. Dietary Oxalate and Intestinal Inflammation: Evidence From Experimental Colitis and Inflammatory Bowel Disease Patient Cohorts. Cellular and Molecular Gastroenterology and Hepatology, 2026.

Artificiell intelligens har på kort tid blivit en del av många områden inom hälso- och sjukvården. Nu utvecklas också tillämpningar som riktar sig specifikt mot klinisk nutrition.

I en ny översikt i Current Opinion in Clinical Nutrition and Metabolic Care går forskare igenom hur AI kan användas från screening och nutritionsbedömning till kliniskt beslutsstöd och uppföljning.

En grundläggande möjlighet är att snabbt bearbeta mycket stora mängder patientdata. Genom att kombinera exempelvis journaluppgifter, laboratorievärden, bilddiagnostik och annan klinisk information kan algoritmer hitta mönster som kan vara svåra att upptäcka manuellt.

Kan upptäcka nutritionsrisk 

Ett användningsområde är screening och tidig identifiering av patienter som löper risk för undernäring eller nutritionsrelaterade komplikationer.

AI-baserade modeller kan analysera stora databaser med patientinformation och användas för att förutsäga vilka patienter som har störst risk att utveckla problem. Det skulle kunna ge vårdpersonal möjlighet att sätta in nutritionsåtgärder tidigare.

Forskarna lyfter också fram användningen av medicinska bilder. Datortomografibilder som redan tagits av andra medicinska skäl innehåller information om bland annat patientens muskelmassa. Med hjälp av AI kan bilder analyseras automatiskt för att identifiera låg muskelmassa och sarkopeni och bidra till bedömningen av patientens risk och prognos.

Tekniken kan därmed göra information som redan finns i vården användbar även för nutritionsbedömningen.

Från bedömning till beslut 

Nästa steg är kliniskt beslutsstöd. Genom att väga samman stora mängder information skulle AI-system exempelvis kunna bidra till att identifiera patienter som behöver nutritionsbehandling och ge underlag för mer individualiserade beslut.

I intensivvården, där patienternas tillstånd kan förändras snabbt och stora mängder data genereras kontinuerligt, ser forskarna särskilt stora möjligheter.

AI kan också användas för att förutsäga nutritionsrelaterade komplikationer och patientutfall. På sikt kan sådana system bidra till en mer individualiserad nutritionsbehandling, där rekommendationerna i större utsträckning anpassas efter den enskilda patientens tillstånd och riskprofil.

Kräver stora mängder bra data 

Men möjligheterna kommer med tydliga begränsningar. AI-system är beroende av de data de tränats och testats på. Om underlaget är bristfälligt eller inte representerar de patienter som systemet senare används för finns risk för missvisande resultat.

För att utveckla tillförlitliga modeller behövs därför stora och välstrukturerade datamängder samt samarbete mellan kliniker, forskare och experter på dataanalys.

Det behövs också klinisk validering. Ett system som fungerar bra i en forskningsmiljö eller för en viss patientgrupp behöver inte automatiskt fungera lika bra i en annan vårdmiljö.

Stöd – inte ersättning för klinisk kompetens 

Forskarna ser en betydande potential för AI att förändra den kliniska nutritionen, framför allt genom bättre screening, riskbedömning och mer individualiserade beslut.

Samtidigt behöver införandet ske under noggrann uppföljning. Målet är inte att ersätta den kliniska bedömningen utan att ge vårdprofessionen ytterligare information och beslutsstöd.

För dietisten väcker utvecklingen därför frågor som går utöver själva tekniken. Om en algoritm identifierar en patient som undernärd eller föreslår en nutritionsåtgärd behöver någon fortfarande kunna värdera resultatet i sitt kliniska sammanhang.

Ju mer avancerade beslutsstöden blir, desto viktigare blir därmed också frågan om vilken kunskap dietisten behöver för att förstå när AI hjälper – och när den riskerar att leda fel.

Källa: Singer P., Slavin Kish M. & Raphaeli O. Artificial intelligence in nutritional assessment and decision making. Current Opinion in Clinical Nutrition and Metabolic Care, 2026; 29(5):434–440.