Artificiell intelligens har integrerats i sjukvården för att bland annat kunna generera data från olika delar av individers liv och transformera det till en mer skräddarsydd service (Skiba, 2018). Denna typ av service kan genom smarta telefoner i samband med AI-algoritmer, sensorteknik och avancerad data användas som fullskaliga hälso-plattformar (Dickson, 2017). Mobile Health (mHealth) som innebär hälsa genom mobiltelefonen har möjliggjort egenvård och diagnostisering för patienter. Teknologin artificiell intelligens kan även räkna ut sannolikheter för hur stor chans det är att få vissa sjukdomar. (Khan, Muaz, Kabir & Islam, 2017) Ringquist (2013) anser att den personliga vård-datan som patienten lämnar ut genom AI-applikationer innebär viktig information som i sin tur genererar i en mer effektiv vård. Digitala hälsoapplikationer har i sin tur förändrat hur individer hanterar och kommunicerar hälsorelaterad information (Rahman, Janmohamed, Pirbaglou, Clarke, Ritvo, Herrenan & Katz, 2018).
3.2.1
Mobile Health
I samband med ett ökat användande av smarta telefoner har det även skett en drastisk ökning av användandet av vårdapplikationer (Alessa, Abdi, Hawley & Witte, 2018). Brinkel et al. (2017) anser att mobiltelefoner och trådlös teknologi kan förändra framtidens sjukvård. Applikationer som är fokuserade på hälsa beskrivs idag som datadriven service som kan skräddarsy tjänster efter kundens specifika behov (Van Dijck & Poell, 2016). Brinkel et al. (2017) menar att mHealth har bidragit till att sjukvård även kan erhållas i de länder som annars är resursfattiga.
Bland forskare har mHealth väckt mycket uppmärksamhet gällande validitet och trovärdighet (Van Dijck & Poell, 2016). MHealth erbjuder en rad mängd applikationer som samlar all typ av hälsodata såsom klinisk data, prestandabaserad data och erfarenhetsbaserad data. Det fungerar som ett verktyg som samlar personlig information till både patienter, läkare och forskare. Det finns en rad mängd applikationer som är skapade för självdiagnostisering utifrån symptom. Exempel på dessa är 23andMe, Doctor Diagnose och Virtual Doctor. Datan som samlas in i dessa applikationer analyseras automatiskt för att sedan ge ytterligare service till patienten. (Van Dijck & Poell, 2016)
Forskare som studerar data kritiskt menar att det finns en risk med samhällen som är starkt digitala då insamling av personlig data kan innebära makt över patientens privatliv. (Ruckenstein et al., 2017) Ruckenstein et al. (2017) betonar att myndigheterna och media är “data rich” medan individerna är “data poor” vilket skapar en asymmetrisk relation mellan de som samlar och sparar data och de som är målpunkter för datainsamling. Författarna belyser hur företag använder data som användare frivilligt har lämnat ut för att sedan kombinera det med annan data för att skapa värde på marknaden. Dessa företag ger kunden en föreställning om att deras utlämnande av personlig data bidrar till “folkhälsan” istället för företagets vinst. Det är desto mer sällan som personlig data faktiskt används till forskning och sjukvårdsindustrin. (Ruckenstein et al., 2017)
3.2.2
Self tracking
På grund av höga kostnader inom vården har self-tracking under det senaste årtiondet blivit ett populärt alternativ då individer själva kan undersöka sin hälsa. Self-tracking innebär att individers hälsodata registreras systematiskt vanligtvis genom sensorer som placeras på kroppen. Self-tracking används ofta inom hälsa och fitness och hjälper individer att lära känna sin kropp och förändra sina vanor. Ett exempel på en teknik med sensor som använder self-
syftet att hjälpa individer att förbättra sin hälsa. Fitbit räknar bland annat steg, tar puls och avlyssnar sömn. Datan kan därefter skickas genom wifi till en specifik enhet. Individer som använder Fitbit ska bära sensoren dygnet runt vilket sedan kan generera information om hälsan. Tanken är att individen ska kunna jämföra resultaten med tidigare resultat samt med andra individers resultat. (Vesnic-Alujevic et al., 2018) Ett problem inom en del applikationer som använder Self-tracking är att konsumenter får använda tjänsten gratis mot att företaget får in hälsodata som de säljer vidare till andra partners (Van Dijck & Poell, 2016).
Pantzar & Ruckenstein (2017) anser att målet med self-tracking är att patienten ska få hjälpmedel att leva ett mer hälsosamt liv genom att få en kartläggning över sina fysiska besvär. Författarna lyfter fram att data som samlas in i self-tracking inte alltid är objektiv. Det kan vara problematiskt att individer utgår från sina egna förväntningar och erfarenheter när de ska mäta sin egen fysiska data. Self-tracking anses av författarna fokusera mindre på hård fakta om personen och mer på kulturell förståelse, erfarenhet och förväntningar. (Pantzar & Ruckenstein, 2017) Riggare et al. (2019) menar däremot att self-tracking är en förutsättning för att kunna leva med Parkinson sjukdom. Författarna menar att det har skett ett skifte från att patienten har varit passiv och mottagit sjukvård till att bli aktiv och ha mer kontroll över sitt sjukdomstillstånd. Artikeln belyser att många patienter med Parkinson sjukdom upplever en frustration över att läkaren inte är uppdaterad om individens hälsotillstånd och nyuppkomna behov. Många av dessa patienter som är vana med internet upplever att de kan få bättre hjälp av hälsoinformation de hittar online. (Riggare et al., 2019)
Riggare (2014, 7 november) lider själv av Parkinson sjukdom och skriver i ett blogginlägg om vikten av att använda self-tracking. Som författaren själv nämner är self-tracking ett av de främsta verktygen för att kunna leva med sjukdomen. Författaren förklarar att self-tracking har bevisats bidra till att patienter får nya frågor som de sedan kan ställa till sin läkare, ett generellt förbättrat hälsotillstånd samt påverkat beslut till behandling. (Riggare, S., 2014, 7 november)