Den svenska vården använder Samordnad Individuell Plan (SIP) för att samordna insatser för patienter med komplexa behov. Dessa processer kännetecknas dock av ineffektiv tidsbokning, manuell riskbedömning och subjektiv prioritering, till följd av brist på digitala verktyg, vilket leder till långa väntetider. Detta examensarbete utvecklade ett AI-drivet beslutsstöd som automatiserar riskbedömning och schemaläggning. Prototypen kombinerar två komponenter:

1. AI-modeller (Random Forest och XGBoost), som tränades på syntetiska data och uppnådde 77 procent precision för stroke.
2. En regelbaserad greedy-algoritm för automatiserad schemaläggning, som schemalade patienter baserat på deras risknivå och ålder. I simuleringar minskade algoritmen hanteringstiden med 83 procent jämfört med manuell bokning.

Systemet visar hur AI kan användas för att prioritera högriskpatienter och minska vårdfördröjningar. Etiska och juridiska aspekter, inklusive efterlevnad av GDPR, hanterades genom användning av syntetiska data för att undvika behandling av känslig patientinformation. Studien betonar den samhälleliga nyttan av att digitalisera SIP-arbetsflöden för att öka effektiviteten och rättvisa i vården och presenterar tekniska samt organisatoriska rekommendationer för framtida implementering.

The Swedish healthcare system uses the Coordinated Individual Plan (SIP) to coordinate care for patients with complex needs. However, these processes are often characterised by inefficient scheduling, manual risk assessment, and subjective prioritisation due to a lack of digital tools, which leads to long waiting times. This thesis developed an AI-driven decision support system that automates both risk assessment and scheduling. The prototype integrates two core components:

1. AI models (Random Forest and XGBoost), trained on synthetic datasets, which achieved 77 percent precision for stroke prediction.
2. A rule-based greedy algorithm for automated scheduling, which scheduled patients based on their risk level and age. In simulations, the algorithm reduced administrative handling time by 83 percent compared to manual scheduling.

The system highlights AI’s potential to prioritise high-risk patients and reduce delays. Ethical and legal considerations, including GDPR compliance, were addressed through synthetic data usage to avoid processing sensitive patient information. Technical and organizational recommendations for future implementation are provided, highlighting the societal benefits of digitising SIP workflows to improve efficiency and fairness in healthcare.