Förutsättningar för artificiell intelligens i sjukvård - Med fokus på framtida arbetssätt i radiologisk praxis

Förutsättningar för artificiell intelligens i

sjukvård

Med fokus på framtida arbetssätt i radiologisk praxis

Opportunities and challenges of Artificial

Intelligence in Healthcare

With focus on the future work methods in radiology

Emma Persson

Mylina Van Tran

Huvudområde: Informatik

Program: Informatik: IT och ekonomi Kandidatarbete, VT 2018

13 hp

Handledare: Carljohan Orre 2018-06-04

Sammanfattning

Syftet med studien har varit att undersöka hur artificiell intelligens (AI) påverkar sjukvården. Forskning inom bildbehandling har visat på stor framgång och idag körs det en AI pilot på Danderyds Sjukhus. Studien har fokuserat på hur olika yrkesroller som forskare, sjukvårdspersonal, politiker och systemleverantörer upplever att AI kan förändra arbetssätt inom radiologi. Undersökningens datainsamling sker genom semi-strukturerade intervjuer och sekundärdata för att kunna besvara hur användningen av AI kan påverka sjukvårdens organisation.

Resultatet visar på att det finns en resursbrist i sjukvården där det finns problematik med att hinna utföra samtliga arbetsuppgifter och sjukvården ser att antalet patienter kommer öka. AI visar på att ha goda möjligheter till att effektivisera arbetsflödet och möjligheten att utföra bättre diagnoser via olika verktyg. Det finns även tekniska hinder som omfattar datatillgångar, datavalidering och implementering av nya system till existerande system. Tillslut finns det även legala faktorer som skapar utmaningar.

Slutsatserna från studien har beskrivit hur arbetssätt kommer att förändras och hur denna process går till samt att det har identifierats en ny roll i sjukvården. Studien har framställt att det finns ett stort gap mellan den teknologiska utvecklingen och implementation i klinisk praxis. Studien föreslår att man borde fokusera på att minska detta gap genom att bland annat sätta upp regleringar för AI.

Nyckelord: Artificiell Intelligens, Sjukvård, Bildbehandling, Radiologi, Maskininlärning, Verksamhetsutveckling, Radiologer

Abstract

The purpose of the study was to examine the impact of artificial intelligence (AI) on healthcare. Research in imaging has shown great success and today there is an AI pilot at Danderyds Hospital. The study has focused on different professional roles such as researchers, healthcare professionals, politicians and system vendors and their perspective on how AI will change the work methods within radiology. The survey data collection is conducted through semi-structured interviews and secondary data to answer how the use of AI will affect the healthcare organization.

The result shows that there is a shortage of resources in the healthcare sector, where there are problems with performing all duties and furthermore the healthcare is seeing that the number of patients are increasing. AI shows good opportunities to streamline workflow and the ability to perform better diagnoses through different tools. There are also technical barriers that include data assets, data validation and implementing new systems to existing systems. Finally, there are legal factors that create challenges.

The conclusions from the study have described how the working methods will change and how this process will work and that a new role in healthcare has been identified. The study has suggested that there is a large gap between technical development and implementation in clinical practice. The study proposes focusing on reducing this gap by setting up regulations for AI.

Keywords: Artificial Intelligence, Healthcare, Medical Imaging, Radiology, Machine Learning, Business Development, Radiologists

Innehållsförteckning

2.2 AI:s förutsättningar i sjukvården 4

2.3 Verksamhetsutveckling 6

2.4 Säkerhet och etiska aspekter 8

3.0 FORSKNINGSMETODIK 10 3.1 Vetenskaplig ansats 10 3.2 Datainsamling 10 3.2.1 Semistrukturerade intervjuer 10 3.2.2 Sekundär data 11 3.2.3 Genomförande 11 3.2.4 Urval 11 3.3 Dataanalys 11 3.3.1 Transkribering 11 3.3.2 Analysmetod 11

4.0 SYNSÄTT PÅ AI OCH SJUKVÅRD 13

4.1 Radiologins utveckling 13 4.2 Forskare 14 4.2.1 Intervju A 14 4.2.2 Intervju B 15 4.3 Sjukvårdspersonal 16 4.3.1 Intervju C 16 4.3.2 Intervju D 18 4.3.3 Intervju E 18 4.4 Systemleverantörer 20 4.4.1 Intervju F 20 4.4.2 Intervju G 22 4.5 Politiker 24 4.5.1 Intervju H 24 4.6 Radiologins framtid 25

5.0 Artificiell intelligens påverkan på sjukvården 26 5.1 Gapet mellan utvecklingen av AI och implementation av klinisk praxis 26

5.1.1 Legala faktorer och dess utmaningar 26

5.1.2 Datatillgångar 27

5.1.3 Systemvalidering 28

5.1.4 Samspelet mellan forskning och rättssystemet 29

5.2 Kopplingen från disruptiva firmor till förändrade arbetssätt 29

5.2.1 Sjukvården och tvungen utveckling 30

5.2.2 Disruptiv teknologi och arbetssätt 30

6.0 SLUTSATS 32 6.1 Eget bidrag 32 6.2 Självkritik 33 6.3 Vidare forskning 33 7.0 REFERENSLISTA 34 8.0 APPENDIX 1

1.0 INLEDNING

1.1 Bakgrund

Grundaren, John McCarthy, som även kallas för “the father of Artificial Intelligence” definierade år 1950 AI som “the science and engineering of making intelligent machines” enligt Peart (2017). Artificiell intelligens (AI) är en teknologi som kan användas i flera områden. Några av de olika tillämpningsområdena som finns idag är självkörande bilar och automatisk röstigenkänning enligt Gartner (2018). För 20 år sedan besegrade IBM´s Deep Blue världsmästaren Gerry Kasparov i schack. Lindström (2017) beskriver att det artificiella datorprogrammet kunde spela schack på ett annorlunda sätt än människor tidigare gjort. Det visade sig att kombinationen mellan dator och människa var bättre än både de bästa datorer och bästa mänskliga spelarna för sig. Tillsammans kan datorprogram och människor komplettera varandra och systemet kan stödja beslut för människor (Lindström 2017).

Panetta (2017) visar att AI är en av de tre största trenderna inom teknologi enligt Gartners Hype Cycle for Emerging Technologies 2017. Inom trenden ”AI everywhere” befinner sig bland annat delområdena artificiell generell intelligens, maskininlärning och djupinlärning. Artificiell generell intelligens förväntas ta mer än 10 år medans maskininlärning och djupinlärning ligger inom ramen av 2–5 år. Enligt Panetta (2017) beskrivs AI som den mest disruptiva teknologi som vi stått inför och mycket kommer ske under de närmsta 10 åren. Detta kommer skapa enorm press på organisationer som ställs inför AI och den inverkan som det medför. Vidare beskriver Panetta (2017) att media har skapat ett visst ”hype” runt fenomenet vilket har satt höga förväntningar på teknologin. Förväntningar som inte tar in att det är ett väldigt komplext område och det krävs mycket pengar för att vidareutveckla. I Stamfords (2017) pressmeddelande beskrivs det att AI kommer att resultera i att 1.8 miljoner jobb försvinner men att det kommer skapas 2.3 miljoner nya jobb till och med år 2020. Sjukvården är en av branscherna som kommer att få mest nytta av förändringen. Enligt Heintz & Guttman (2017) är sjukvården i behov av AI maskiner som kan hjälpa sjukvården att effektivisera sitt arbete genom att fatta snabbare, bättre och billigare beslut. Enligt Gisslén (2014) är antalet patienter som en läkare kan behandla per dag, eller under sin livstid, mycket begränsat. Ett AI system kan processa enorma mängder av patientdata, studier och artiklar varje timme och kan därför användas som ett värdefullt beslutsstöd för läkaren. Faggella (2018) beskriver att några användningsområden inom sjukvården är insamling av medicinsk data, robotoperationer, läkemedelsupptäckt och sätta diagnoser för medicinsk bildbehandling. I vår 2018 kommer en pilot testas på Danderyds röntgenavdelning, där syftet är att AI ska kunna rycka in och stötta läkarna i att granska röntgenbilder enligt Lindström (2017). Det visar sig att artificiella systemen har nått en nivå där datorprogrammet har blivit lika skickliga som en överläkare med en livstids erfarenhet av bildbedömningar. Danderyds sjukhus kommer använda bildigenkänningsprogram och öppna djupinlärning-bibliotek för att skapa algoritmerna. Målet är att bli ett fast inslag på sjukhuset. Cederberg (2017) nämner att det dröjer minst fem år, sannolikt tio år innan läkarna kommer våga släppa datorprogrammet helt. Det beror även på juridiska frågor, detta kan till exempel vara vem som blir ansvarig om något går fel. I mellanöstern används redan verktyg för AI, IBM Watson, för sjukdomsanalyser bland annat inom röntgen (Karam 2017). Vidare nämns det att detta är

2

fördelaktig då AI gör det möjligt för läkare att utföra mer exakta och snabbare diagnoser då AI använder matematiska algoritmer och datavetenskap från människokroppen för att ställa diagnos. Enligt IBM Watson Health (2016) visade studier från USA 2015 att det togs cirka 60 miljarder medicinska bilder och att det endast fanns 31 000 radiologer. Med denna volym innebar det att varje radiolog i USA skulle behöva se en medicinsk bild varannan sekund under varje arbetsdag under ett helt år för att kunna extrahera potentiellt livsräddande information från bilder som döljs i ett datahav. Fratt (2012) nämner att forskning har dokumenterat repetitioner av CT-scans för traumapatienter och nivån ligger mellan 29-58%. Varje upprepande laboratiorietest och bildbehandlings undersökning uppskattades kosta $600 per traumapatient. Detta sker på grund av att bildbehandlingen inte dokumenteras automatiskt till den elektroniska patientjournalen. Vidare bidrar detta till missförstånd och upprepade undersökningar.

Schmidt (2017) nämner i sin artikel att Watsons applikationer inom onkologi har problem med systemets förmåga att hantera skriftliga fallrapporter, läkarens anteckningar och annan information inom medicinsk vård. Den typen av ostrukturerad data skiljer sig från de strukturerade data som Watson lättare kan tolka. Vidare nämner Schmidt (2017) att utmaningen med lösningen av datakvalitéproblem i ostrukturerad data är en större utmaning för AI än vad som förutsågs. Samtidigt som Watson fortfarande inte kan tolka medicinskt språk såväl som människor kan. Scherer (2016) nämner utmaningar med att reglera AI och nämner bland annat att AI och relaterade tekniska framsteg kommer att minska efterfrågan på mänskligt arbete inom tjänstesektorn, eftersom AI system utför uppgifter som en gång utfördes av välutbildade människor. Det innebär att AI kommer att tvinga disruptiva förändringar av lagen. Ahlén & Bravo (2017) skriver i sin forskning att många inom vården känner sig hotade av AI. Personalen inom vården bär inte mycket kunskap om vad AI innebär men känner att deras kompetens ifrågasätts och att de inte vågar “lita på algoritmer” nämner Ahlén & Bravo (2017). Ofta saknas det ett intresse och kompetens inom primärvården för att införa möjligheter inom AI. En undersökning från Infosys (2017) menade på att 76% av sjukvårdens organisationer har sagt att de antingen omfördelar anställda inom samma område av organisationen eller omskolar dem till en ny roll eller ett område när AI implementeras. 24% av respondenterna nämner att de drabbade anställda blir överflödiga inom sina egna organisationer.

De företag som idag driver AI utvecklingen framåt i medicinsk bildbehandling är IBM, Siemens och Microsoft. Aktörerna på marknaden befinner sig i ett tidigt stadie.

1.2 Problemformulering

Idag arbetar ett flertal företag med att ta fram AI baserade system och verktyg som kan användas inom sjukvården där AI utlovar att ha en stor potential dock finns det en del utmaningar med AI. Studien intresserar sig för att se vilka möjligheter AI system och verktyg kan ha samt kartlägga utmaningarna med AI. AI befinner sig i ett tidigt stadie och kan utföra omfattande förändringar. Utifrån detta har en problemformulering skapats:

Hur kan användningen av AI påverka sjukvårdens organisation?

Eftersom sjukvården är en omfattande organisation med flera olika avdelningar och områden har studien valt att fokusera på röntgen då det är en central del i sjukvården. Röntgenavdelningens arbetssätt skiljer sig från resterande avdelningar genom att avdelningen

3

används som ett diagnostiskt stöd till resterande organisation. Radiologer granskar och tolkar bildbehandlingarna för att bedöma och ge rekommendation. I ovan nämnda bakgrund beskrivs det situationer som visar på att röntgenavdelningen är ett utsatt område. Röntgenavdelningen är slutligen ett område där forskning inom AI har visat framgång inom sjukvården. Studien skapar vidare delfrågor och avgränsningar för att förtydliga studiens problemformulering.

• Vilka förutsättningar har AI inom sjukvården?

• Hur kan AI påverka de framtida arbetssätt inom röntgenavdelningarna? • Hur kan denna förändringsprocess ske?

1.3 Mål och syfte

Målet med studien är att undersöka hur användningen av AI kommer att påverka sjukvårdens organisation. Studien genomför ännu en avgränsning och bryter ned problemformuleringen till tre delfrågor som genomsyrar hela arbetet. Delfrågorna skapades för att erhålla väsentliga aspekter kring hur användningen av AI kan användas inom sjukvården. Den dimension av arbetssätt som studien fokuserar på är radiologens arbetsuppgifter kring bildbehandlingen. Med problemformuleringen kommer studien kartlägga vilka förutsättningar AI har inom sjukvården. Studien kommer även besvara på hur arbetssätt kommer att förändras inom röntgenavdelningen och påvisa hur och varför denna förändring kan ske. Studien utgår från appliceringsområdet röntgenavdelningen som avgränsning. Studien har ett framtidsperspektiv på 10 år då det finns flera fall som visar att röntgen är aktuellt och att större förändringar kommer ske de närmsta 10 åren.

4

2.0 LITTERATURGENOMGÅNG

2.1 Artificiell Intelligens

AI har blivit definierad som “The automation of activities that we associate with human thinking, activities such as decision-making, problem solving, learning...” enligt Bellman (1978). För förtydligande handlar vetenskapen om att möjliggöra informationsteknik genom att simulera mänsklig intelligens samt få analytisk kapacitet (Valachich 2016). Enligt Ahlén & Bravo (2017) använder sig AI av maskininlärning som är en nyckelkomponent inom AI som skapar effektiva förmågor som att lära, förstå och förutspå. Det centrala inom maskininlärning är att det bygger på självlärande, generiska algoritmer som kan appliceras på olika problem inom olika domäner. Inom maskininlärning lär sig datorprogram av erfarenhet, det vill säga löpande hämtning av information från databaser och insamling av data från sensorer och mätinstrument och så vidare. Dessa lärdomar använder programmet för att själv förbättra sin förmåga att utföra de tilldelade uppgifterna enligt Ahlén & Bravo (2017). Negnevitsky (2017) beskriver att de mekanismer som gör att systemet kan lära sig från erfarenheter och förbättras över tid kallas för anpassade system varav det mest populära är artificiell neurala nätverk (ANN).

Enligt Callan (2003) är ANN parallella dataordningar som består av sammankopplade processorer. Varje processor i nätverket är endast medveten om signaler som den regelbundet mottar och skickar periodiskt till andra processorer. Detta leder till ett orkestrerat samarbete när lokala processhanteringen placeras ihop i ett stort nätverk. Ett neuralt nätverk är noder som ansluts till ett mönster som möjliggör kommunikation.

Djupinlärning är en typ av ANN och därav en del av maskininlärning (Lee et al. 2017). Enligt Ahlén & Bravo (2017) utvecklar ANN själv algoritmer för att lösa abstraktionsproblem på hög nivå. Det finns flera domäner där maskininlärning tillämpas i olika inlärningsuppgifter. Ett av dem är supervised learning som enligt Callan (2003) kan användas för klassificerande lärande och liknande uppgifter där varje exempel har en klassmärkning. Optisk skanning samt automatisk handskrivna tecken är en sådan applikation och maskinen är skyldig att skanna en bild av en tecken för att utföra sin klassificering.

Ground truth data innefattar, i samband med computer vision, en uppsättning bilder och etiketter på bilderna och definierar en modell för objektigenkänning inklusive räkning, plats och förhållande mellan nyckelfunktioner enligt Kring (2016). Märkena läggs till antingen av en människa eller automatiskt genom bildanalys, beroende på problemets komplexitet. Aggregerad data är ett resultat av sammanslagna uppgifter från flera individer, grupper eller tidsperiod. I syfte för att öka överskådligheten enligt Vejde & Leander (2000).

2.2 AI:s förutsättningar i sjukvården

Enligt Ahlén & Bravo (2017) växer intresset för AI kraftigt över hela världen inom hälso- och sjukvård. I Lee et al. (2017) beskriver forskarna om hur digital teknologi kan integreras i samhället med fokus på radiologi och medicinsk bildbehandling. Radiologerna upplever ökade antal komplexa bildbehandlingar och det blir svårt att slutföra läsning i tid och ge korrekta rapporten enligt Lee et al., (2017). AI kan förväntas bli ett stöd till radiologer genom att ge en noggrann diagnos som kan leverera kvantitativ analys av misstänkta diagnoser. AI kan även möjliggöra en kortare inläsningstid på grund av automatisk rapportgenerering och

5

röstigenkänning vilket kan skapa fördelar i det kliniska arbetsflödet. Lee et al., (2017) förutsätter att den tekniska innovationen fungerar som ett samarbetsmedium för att minska belastningen och distraktionen från upprepade enformiga arbetsuppgifter istället för att ersätta radiologer. De beskriver hur supportsystem till röntgenavdelningen kan skapa nya möjligheter för arbete inom området och att röntgenpersonalen behöver ha förståelse för hur teknologin kommer att förändra deras arbetsuppgifter. Vidare nämner Lee et al. (2017) att AI inte kommer ta över de anställdas jobb utan vissa specifika arbetsuppgifter. Enligt Liew (2018) har antalet bildbehandlingar som utförs varje år höjts nästan dubbelt vart tionde år. AI används redan i avancerade drivsassistanssystem på vägar som ökar säkerheten och minskar antalet olyckor enligt Liew (2018). Beslutsstöd kan användas för diagnostik bildbehandling, vilket kan vara värdefullt för undersökningar som utförs efter arbetstid när radiologer är otillgängliga. Detta minskar informationsöverbelastning och utbrändhet bland radiologer, som redan tolkar en bild var 3-4 sekund enligt Liew (2018).

Mayo & Leung (2018) nämner i sin forskning att radiologerna ska vara de som utökar AI:s gränser genom att positionera sig mot att bli bildkonsulter med kompetens inom bildtolkning och AI. Jha & Topol (2016) beskriver påståendet med att alla radiologer ska bli ersatta går till en överdrift. Däremot finns det radiologiska analyser som kan göras på automatik av system men att radiologerna krävs för att vissa av analyserna som systemet inte själv klarar av själv. Enligt Jha & Topol (2016) kommer rollen för radiologer och patologer att förändras till att bli informationsspecialister som hanterar den information som extraheras av AI i patientens kliniska sammanhang. Jha & Topol (2016) förklarar ytterligare att radiologer kommer identifiera kognitivt enkla uppgifter som kan åtgärdas av AI, såsom screening för lungcancer på CT. Detta innefattar att detektera, mäta och karakterisera en lungnodul, vars hantering är standardiserad.

Liew (2018) skriver att radiologernas styrka är att radiologer kan göra kliniska bedömningar utifrån data och på detta området överstiger diagnostiska algoritmer. Liew (2018) argumenterar för att radiologer ska differentiera sig genom att bli en hybrid mellan radiologer och AI som en form av kollektiv intelligens. Liew (2018) nämner att Chief Information Officer (CIO) i sjukvårdens roll kommer att skydda användningen av data för validering och utbildning av maskininlärningssystem och andra problem med datavärgning om AI implementeras i röntgen. Liew (2018) nämner att de enskilda radiologernas roll kommer aktivt delta i utvecklingsprocessen och integrationen av maskininlärning blir del av deras dagliga arbete. Det mesta kommer att komma i form av att skapa ogiltiga träningsdatabaser för maskininlärningsmodeller. Radiologer kommer även att fungera som konsulter för att maskinera inlärningsföretag att utveckla nya användningsfall och utföra beta-tester för produkter. Vidare nämner Liew (2018) att AI kommer vara drivkraften för utvecklingen inom vården i framtiden och AI kommer vara anpassad till vården för att öka värdet för radiologin samtidigt som kostnaderna sänks och det skapas förutsättningar för framsteg i medicinsk informatik. Vid implementationsfasen kommer AI omfatta integration av system i nuvarande IT-miljöer som elektroniska hälsoprogram, PACS och RIS. Avdelningschefen för röntgen skulle i framtiden ha i uppgift att säkerställa att personalen har tillräckligt utbildning för att använda AI system och att det nya systemet inte skulle utgöra en risk för patientsäkerhet genom att granska felprocent före och efter genomförandet. Liew (2018) skriver för att bli patientcentrerad behöver röntgenavdelningen ett skifte i radiologi-kulturen så att istället för att göra saker till patienter kan radiologer göra undersökningar för patienter. AI kommer möjliggöra att radiologer kan spendera mer tid med patienter att rådgöra samt vägleda dem i deras bildbehandlingsbeslut.

6

Ett utav supportsystemen som används inom röntgen enligt Karam (2017) är verktyget IBM Watson. Detta finns för närvarande i Mellanöstern och andra delar av världen för effektiv diagnos av olika cancerformer. I ett exempel av Jiang et al. (2017) visade cancerforskning att 99% av IBM Watsons behandlingsrekommendationer är förenliga med läkarnas beslut. AI är en revolution i det globala hälsovårdssystemet, särskilt i Kuwait och Mellanöstern, eftersom regionen har demonstrerat acceptansen av förändringen genom den stora investeringen nämner Karam (2017). Fortsatt nämns det att AI gör det möjligt för läkare och annan medicinsk personal att utföra mer exakta och snabbare diagnoser.

Schmidt (2017) nämner i sin artikel att Watson behöver bli bättre integrerad med elektroniska medicinska journaler och nämner att det mer effektiva sättet att göra det på är att automatisk extrahera medicinska attributer. Flera av de attribut som läkarna vill att Watson ska hantera finns inte i kategoriserad strukturerad data. De finns i en “berättande form” i läkarens samtalskommentarer. Praktiserande läkare har flera anledningar till att producera ostruktuerade dokument och Schmidt (2017) nämner att det inte går att ta bort. Att be läkaren strukturera alla dokument blir en bekostnad av god vård. Vidare nämner Schmidt (2017) att AI systemet kommer förbättras så länge den ostrukturerade dataformatet förbättras och skriver i sin artikel att Watsons behandlingsrekommendationer under lungcancerpiloten överensstämde med de mänskliga läkarna 90% av tiden. Det var en hög noggrannhet men vad innebär egentligen 90% noggrannhet? Är tekniken felaktig 10% av tiden eller innebär det att 10% av tiden kunde inte Watson hjälpa i de svårare fallen där behandlingsbeslut inte är så tydliga?

Lee et al., (2017) skriver att det finns många lovande resultat från tidigare forskarstudier men att det finns några problem som bör lösas före införandet av djupinlärningsmetoder i radiologi och praxis. Det första problemet är att det höga beroendet på kvaliteten och mängden träningsdata. Det finns skillnader i sjukdomsprevalens, bildbehandlingsmaskiner och bildprotokoll på sjukhus över hela världen, hur bekräftar man de utvecklade metoderna är användbara? Utvärderingsmetoder för att testa prestanda kräver utveckling. Det andra problemet är att om djupinlärningsbaserade metoder visar utmärkta resultat är det i många tillfällen svårt att förklara systemets tekniska och logiska baser. Är det acceptabelt för bevisbaserad radiologi? Finns det någon chans för systemfel i sällsynta sjukdomstillstånd?

2.3 Verksamhetsutveckling

Enligt Alvesson & Svenningsson (2014) syn ses verksamhetsutveckling i många fall som ett direkt resultat av yttre politisk och teknisk inverkan. Tekniken kan skapa förutsättningar för nya arbetsmetoder. Alvesson (2015) nämner att ledarskap kan definieras som att utöva inflytande över viktiga mål och strategier över de anställdas hängivenhet och efterlevnad av de påbud som ska uppnå målen. Ledarskap ska ha inflytande över gruppsammanhållning och identifikation med och inflytande över organisationskulturen.

Alvesson & Svenningsson (2014) beskriver motstånd till förändring är ofta som ett resultat av stora förändringar i jobben, minskad ekonomisk trygghet eller förlust av jobbet, psykologiska hot, rubbning av de sociala arrangemangen och minskad status. Alvesson & Svenningsson (2014) menar för att minska förändringsmotstånd ska organisationen involvera personalen i planeringen av förändringen och försöka minska otryggheten genom information och uppmuntra till experimenterande. Organisationen ska även försöka vara öppen med vilka antagande som finns i förändringsprocesser, intentioner och förväntningar på utfall.

7

Karlsson (2017) beskriver att inom den offentliga sektorn arbetas det i projektgrupper där de lärdomar som kommer fram från projektet inte alltid når de andra medarbetarna. Fokuset på styrningen för den offentliga sektorn ligger på processer, integrering och värdeskapande. Det visar sig även att behovet av styrning beror på att möta den utveckling som sker i samhället. Det beskrivs att det är svårt för att leda organisationer igenom förändringar för att skapa en starkare konkurrenskraft.

Enligt Nagy, Schuessler & Dubinsky (2016) är en disruptiv teknologi en ny teknologi som kan leda till att det skapas nya marknader eller att det sker markanta förändringar inom den befintliga. För att organisationer ska klara sig igenom dessa disruptiva tider gäller det att innovationer kan bli identifierade innan de skapar för allvarliga konsekvenser för verksamheten. Det diskuteras även att disruptiva teknologier upplevs vara disruptiva för vissa men inte alla företag. Nagy, Schuessler & Dubinsky (2016) har beskrivit en process för företag att identifiera dessa disruptiva innovationer innan de har inträffat. Den består av tre steg vilka är att identifiera nya innovationer och deras egenskaper för att sedan identifiera var i värdekedjan de kan användas. Därefter gäller det att jämföra vilka potentiella konsekvenser den disruptiva teknologin kan ha jämfört med den teknologin som redan används.

Coccia (2018) föreslår ett perspektiv om att det kanske inte handlar om den disruptiva teknologin i sig själv utan att det är företagen som är disruptiva firmor. De som är marknadsledare och tar fram innovation som leder till de stora förändringarna på marknaden för att skapa bättre konkurrensfördelar samt förbättra sin plats på marknaden. Coccia (2018) introducerar begreppet ”disruptive firms” som definieras enligt företag som genererar och sprider ny teknologi inom marknaden eller mellan marknader inom branschen.

Att införa en ny teknik är avgörande för en fortsatt konkurrenskraft för många organisationer enligt Edmondson, Bohmer & Pisano (2001). När en organisation väljer att införa en ny teknik, påverkar användarens uppfattningar och chefers villighet till att använda tekniken implementations framgång. En framgångsrik implementation definieras som rutinmässig användning av teknik på ett kontinuerligt sätt i en organisation. Studier visar på att organisationer bör anpassa sig till ny teknik för att det ska bli effektivt som möjligt enligt Edmondson, Bohmer & Pisano (2001). Organisationer har länge utvecklat sina rutiner anpassat till den befintliga tekniken och förändring av rutiner är ofta en källa till motstånd mot verksamhetsutveckling enligt Edmondson, Bohmer & Pisano (2001). Ny teknik är ofta disruptiva mot befintliga arbetsrutiner och organisationer som implementerar en ny teknik bör genomgå en inlärningsprocess som gör kognitiva, interpersonella och organisatoriska anpassningar vilket skapar nya rutiner. Edmondson, Bohmer & Pisano (2001) nämner att forskning har visat att rutiner förändras ofta när grupper reflekterar på resultatet av tidigare iterationer av rutinerna.

Tvungen utveckling enligt Jacobsen & Thorsvik (2014) är när förändring sker i små, sammanhängande steg. Det kan hända att ledningen beslutar att man ska införa ett nytt arkivsystem, byta dataleverantör, programvara osv. Det kan skapa ett starkt motstånd av individer eller grupper. Deltagande utveckling enligt Jacobsen & Thorsvik (2014) innebär att alla i organisationen har ett ansvar för dess utveckling och därför måste dras aktivt in i förändringsprocesser.

8

2.4 Säkerhet och etiska aspekter

I diskussionen av AI talas det om påverkan på framtidens arbetsroller. Tredinnick (2017) beskriver att flera jobb kommer att övertas av maskiner. Enligt Hodges (2018) kommer 47% av arbetena att försvinna och därefter nya roller skapas. Forskning från Infosys (2017) visar att 57% av respondenterna är överens om att rädsla för förändring är det största hindret mellan anställda och AI. Andra hinder som respondenterna har berört är kulturell acceptans, etiska problem, brist på kompetens inom organisationen och kostnaden för AI lösningar. Detta överensstämmer med de hot som Karam (2107) tar upp men Karam beskriver att det finns en positiv syn på hur AI kan förbättra sjukvården.

Lee et al., (2017) beskriver att det kan finnas juridiska och etiska problem angående användningen av klinisk bildbehandlingsdata. Systemets prestanda kommer vara starkt beroende av datakvalité vilket är varför det krävs höga krav när det ska utvecklas för kommersiell användning. Jiang et al. (2017) forskning nämner att det kräver tillämpningar av standarder och riktlinjer för att kunna skapa en säker användning av AI i sjukvården.

Dessa riktlinjer ska redogöra för hur AI ska bli reglerat, vilka regler som gäller för kliniska tester samt rättfärdiga vad AI får användas till. Rabbani et al. (2018) pekar på att tydliga standarder och riktlinjer behöver etableras för att bättre kunna förstå AI. Branschen behöver förbättra lagstiftning och uppdatera regler då innovation medför förändringar i området och därefter utforma policys och standarder utifrån de lagar som finns. Enligt Brink et al. (2017) behövs riktlinjer för arbetet med medicinsk bildbehandling för att skapa bra förutsättningar för framtiden. Clinic Decision Support (CDS) och European Society of Radiology (ESR) arbetar med att finna den bästa kombinationen för utnyttjande av medicinsk bildbehandling.

Enligt Jiang et al. (2017) beskriver dem att om AI ska vara i bruk inom röntgen bör det förekomma tillgång till stora mängder data om kliniska studier och liknande. Enligt Jiang et al. (2017) finns det inget system inom sjukvården som har tillräckligt information för att verkligen kunna utnyttja datautbyte. Rabbani et al. (2018) förklarar att det behöver koordineras elektroniska patientjournaler för att ge maskininlärning tillgång till de stora mängder data som krävs. Detta skapar frågor om hur informationen ska skyddas; Hur integritetsfrågor ska hanteras? Vem äger data? Vem har tillgång till data? Hur sker datautbyte?

Scherer (2016) nämner att det finns utmaningar att reglera AI på grund av en minskad efterfrågan på mänskligt arbete och vidare berättar Scherer (2016) att den industriella revolutionen minskade behovet av mänskligt arbete inom industrin och jordbruket och nämner att AI och annan relaterad teknik kommer göra detsamma. Scherer (2016) nämner även utmaningar med att reglera AI när det gäller förutsägbarhet. AI är utformade för att verka kreativt sätt, i den meningen att handlingarna skulle anses vara "kreativa" eller som en manifestation av "outside-the-box"-tänkandet. Några allmänt erkända exempel på detta fenomen kommer från AI schackprogrammet, som kan spela rörelser som skär mot de grundläggande föreskrifterna för mänsklig schackstrategi. I kombination med mångsidiga AI system och framsteg i maskininlärning skapar det oförutsägbara AI beteenden, detta kommer öka betydligt. Om rättssystemet stödjer AI system som är oförutsägbara kan det bli orättvist att hålla systemets konstruktörer ansvariga för skada som systemet orsakar och offren kan lämnas utan ersättning för sina förluster enligt Scherer (2016). Frågor avseende förutsägbarhet ger således en växande utmaning som rättssystemet kommer att behöva lösa för att säkerställa att möjligheter till rättegång finns för offer för AI orsakade skador. Oförutsägbarhet skapar även utmaningar med kontroll. Det kan bli svårt för människor att

9

behålla kontrollen över maskiner som är programmerade att fungera med stor autonomi. Ett antal mekanismer som kan leda till förlust av kontroll är; skadad fil eller fysisk skada på inmatningsutrustningen, ett säkerhetsbrott eller felaktig programmering.

Det finns en ny dataskyddsförordning som implementerats inom EU, General Data Protection Regulation (GDPR) under maj 2018 enligt Hansen (2017). Denna förordning har som syfte att minska skillnader mellan de befintliga lagar av personuppgifter som finns i de olika länderna inom EU. För organisationer innebär detta eventuella administrativa svårigheter, fler regler och stränga straff vid brytande av dessa regler.

Karam (2017) beskriver etiska utmaningar med AI verktyg inte kommer respektera människors kroppar, forskaren menar på att verktygen endast kommer se människans kropp som en tillgång av data från vilken information som extraheras. Infosys (2017) menar på att patientens integritet är en viktig fråga och för att använda maskininlärning i diagnoser är det viktigt att träna upp verktygen med information från patientens journal, statistik och personliga information. Vem ska se till att uppgifterna används ansvarsfullt, etiskt och säkert?

10

3.0 FORSKNINGSMETODIK

3.1 Vetenskaplig ansats

Den data som undersöks är vilka sätt AI kommer att påverka arbetssätt inom röntgenavdelningen. För att få reda på denna data kommer möjligheter, utmaningar och verksamhetsutveckling tas med i aspekt.

Studien är en fallstudie som enligt Denscombe (2016) är en forskningsstrategi vars syfte är att förstå det komplexa förhållandet mellan faktorer när de är verksamma inom en viss social inramning. Det förhållandet som studien undersöker är kopplingen mellan AI, sjukvård och arbetssätt applicerat på röntgenavdelningar inom den sociala inramningen som innebär de olika yrkesgrupperna som arbetar med frågor kring AI och radiologi (se figur 1). Studien utgår från ett hermeneutiskt synsätt som ger en teoretisk ram för tolkningsförståelse, meningsinnehåll, med särskild uppmärksamhet på sammanhang och original syfte enligt Patton (2002). Hermeneutik bygger konstruktionen på grundval av sina tolkningar av data och den hermeneutiska cirkeln syftar på att tolkningen växer i en process mellan individens förförståelse med nya erfarenheter och idéer (Patton 2002).

Studien bygger på forskningsetiska huvudprinciper. Den forskningsetiska huvudprincipen består utav fyra huvudprinciper som Denscombe (2016) beskriver skyddar intervju deltagarnas intresse, garanterar att deltagandet är frivilligt och baserat på informerat samtycke, undviker falska förespeglingar och bedrivs med vetenskaplig integritet och följer den nationella lagstiftningen. Respondenterna kommer vara anonyma på grund av personlig sekretess och tilldelas en beskrivning av hur data ska behandlas och att intervjun kommer att spelas in med respondenternas samtycke.

3.2 Datainsamling

3.2.1 Semistrukturerade intervjuer

Studien kommer byggas på intervjuer för att undersöka information som inte går att observeras som till exempelvis känslor, tankar och avsikter. Patton (2002) nämner att syftet med att intervjua är att få en inblick i någon annans perspektiv. Som primär datainsamlingsmetod har semistrukturerade intervjuer genomförts olika beroende på yrkesgruppen som respondenten tillhörde (se bilaga 1). Denscombe (2016) nämner att vid semistrukturerade intervjuer har intervjuaren en färdig lista med ämnen som ska behandlas och frågor som ska besvaras. Intervjuaren är emellertid inställd på att vara flexibel när det gäller ämnenas ordningsföljd och låter svaren vara öppna och betoningen ligger på den intervjuade som utvecklar sina synpunkter enligt Denscombe (2016). Det har genomförts åtta intervjuer vars respondenter har olika relevanta yrkesroller inom applikationsområdet. De relevanta yrkesrollerna innefattar forskare inom AI och sjukvårdspersonal inom radiologi för att besvara studiens syfte. Yrkesroll som politiker är ett relevant perspektiv till studien för att belysa de legala aspekterna. Intervjuer har även skett med mjukvaruutvecklingsföretag inom området för att få deras perspektiv kring vilka stöd som erbjuds och vad det innebär med möjligheter och utmaningar. Utifrån de olika respondenterna kommer studien få tillgång till information som krävs för att förstå på vilka sätt användningen av AI kan påverka sjukvården. De flesta respondenterna har en hög position som bär mycket erfarenheter och kunskap inom det aktuella området.

11

3.2.2 Sekundär data

Studien ska åstadkommas genom att systematiskt söka och finna vetenskapliga artiklar och relevant information för litteraturgenomgång samt beskriva det aktuella områdets bakgrund och teorier, som i detta fall handlar om AI och sjukvård. Studien försöker hålla sig till källor inom ämnet som lagts upp efter 2015 då AI är en teknik som befinner sig under en snabb utveckling och vetenskapliga artiklar tar ett tag att publiceras. Detta med undantag på begreppsdefinitioner där äldre källor har använts. Studien har inkluderat så många relevanta källor som möjligt för att erhålla ett nyanserat och brett perspektiv på AI och sjukvård. Studien har främst använt sig av databaserna Google Scholar men även Libsearch som är Malmö Universitets egen databas.

3.2.3 Genomförande

Intervjuernas har till största del genomförts via telefon. Intervjuerna har även förekommit i form utav Skype-möten och även intervjuträff. Eftersom studien har grundat sig på olika yrkesgruppers uppfattningar och erfarenhet har det varit respondenter från olika geografiska områden i Sverige och även en respondent som befann sig utanför Sverige, dock inom Norden.

3.2.4 Urval

För att samla relevant information har fokuset varit på personer som har kunskaper som är relevant för forskningen. Respondenterna har upptäckts via artiklar och organisationer inom aktuellt område och därefter har det kontaktats kandidater som varit lämpliga för studiens genomförande. Under studiens gång har respondenter med olika yrkesroller inom aktuell område intervjuats. Urval har skett genom att kartlägga hur de olika yrkesrollerna kan förknippas med det relevanta området. De personer som inte arbetade inom sjukvården eller röntgen bar erfarenheter inom AI och hade kunskaper och annan perspektiv på röntgen. De radiologer som intervjuats har haft ett AI intresse eller arbetat med verksamhetsutveckling där några av respondenterna har drivit olika projekt inom AI. En av respondenterna arbetar som politisk sakkunnig och bär kunskaper om AI, detta är för att studien ska erhålla perspektiv från politiken och regleringar. Alla intervjuer som genomförts har varit muntliga.

3.3 Dataanalys

3.3.1 Transkribering

Efter semistrukturerade intervjuerna har genomförts har ljudinspelningarna transkriberats och analyserats. Transkriberingar enligt Denscombe (2016) gör det lättare att genomföra detaljerade sökningar och jämförelser mellan data. Efter transkriberingen kommer informella anteckningar och kommentarer göras i anslutning till respondentens ord. Sedan kommer en analys utföras för att finna gemensamma mönster, men även olikheter som sedan sorteras ut i olika relevanta teman. Alla respondenter har gett sitt samtycke till att intervjun fått spelas in.

3.3.2 Analysmetod

Enligt Patton (2002) fokuserar analysmetoden på mönster, teman och innehållsanalys. Analysen har börjat med att identifiera nyckelfraser och teman som upplevs som viktiga för respondenterna. Under insamlingen av data har det framkallats olika kategorier som tagits

12

vidare till analysen. De identifierade kategorierna blev; hur röntgen har använts och hur det används idag, förväntningar, utmaningar och verksamhetsutveckling. Därefter har det identifierats egenskaper som skiljer respondenternas svar åt. Det söktes även nya mönster, teman och kategorier i resultatet som har använts för att utveckla analysen. Studien grundar sig på en induktiv analys som innebär att det utgått från mönster, teman och kategorier som tolkats i den insamlade data. Analysen utgår från empirin för att hitta passande teorier som kan kopplas till data som analyserats vidare och bidragit till slutsatser (Patton 2002). Respondenternas transkribering har sammanfattats och är strukturerad utifrån de valda kategorierna och varje enskild intervju undersöktes för att vidare se vad för data som erbjöds. Därefter har respondenternas kartlagts i grupper för att jämföra svaren och finna en gemensam röst för varje grupp och sedan blev de givna svaren jämförda med andra grupper. Primär- och sekundär data jämförs sedan med varandra, vilket innebär att data kan ställas mot varandra eller bekräfta de olika datakällorna. Grupperna är indelade i yrkesgrupperna forskare, sjukvårdspersonal, systemleverantörer och politiker. Varje respondent går endast in i en av yrkesgrupperna, även om många av respondenterna har flertal yrkesroller, för att ha en jämställd ställningstagande till analysen. Därefter har det material som visat sig mest intressant tagits fram för att sedan vidareutvecklas och därför har analysen tagit fram andra rubriker än de kategorier som användes vid insamling av data. I analysen har underrubriker lagts för att ge en tydligare bild. Dock har det inte analyserats utifrån dessa rubriker utan det är ett samlingsnamn för olika intressanta nyckelord som funnits. Patton (2002) nämner att kodningen ska ske genom att titta på upprepad data från respondenterna.

13

4.0

SYNSÄTT PÅ AI OCH SJUKVÅRD

4.1 Radiologins utveckling

Enligt Aspelin & Pettersson (2008) skapades 1988 den första digitala röntgenavdelningen vilket innebar system för arkivering, överföring, sökning, utskrift och visning av bilder. Vid genomförande innebar det att röntgenapparaterna integrerades med systemen för att enkelt kunna överföra bildinformationen. Systemet är kopplat till Röntgeninformationssystem (RIS) där den administrativa informationen lagras. RIS är i de flesta fallen ett separat system för avdelningen men kan även vara integrerat med sjukhusets patientadministrativa system. För att lagra, hämta, presentera och dela medicinska bilder som tagits av röntgenverktyg används Picture archiving and communication system (PACS). DICOM (2018) är den internationella standarden som bland annat används för att skicka, lagra och hämta medicinsk bildinformation.

Enligt Aspelin & Pettersson (2008) förändrade digitaliseringen röntgens arbetssätt och arbetsroller. Flera av radiologernas arbetsuppgifter togs bort och blev tillsatt nya arbetsuppgifter. Det digitala arkiveringssystemet gjorde det möjligt för radiologerna att tyda bilderna från datorn vilket bidrog till att de inte längre behövde befinna sig på plats. Detta gjorde att röntgensjuksköterskorna fick arbeta mer självständigt och ta större ansvar när radiolog inte var på plats. Dessutom skapade den digitala tekniken bättre kvalitet på bilderna vilket underlättade radiologernas arbete. Koskinen & Blanco Sequeiros (2017) beskriver hur viktig radiologens roll är i vårdkedjan, speciellt när det handlar om att behandla traumapatienter. Det är radiologen som tolkar bilderna och därefter ges rekommendationer som kan vara livsviktiga. Radiologerna som sitter på kunskap är viktiga att lyssna på när patienten ska diagnostiseras och behandlas enligt Aspelin & Pettersson (2008).

Medicinsk bildbehandling innebär olika teknologier som används för att ta bilder av kroppen för att ställa diagnoser. Varje teknologi erbjuder en viss sorts information enligt FDA (2016). En computerized tomography (CT) scan genomförs genom att ta flera röntgenbilder från olika vinklar som med en avancerad dator skapar väldigt detaljerade bilder. Detta gör det lättare att se detaljer för att bland annat upptäcka mindre tumörer och cancer. Dessutom används CT för att se interna blödningar och oftast sprutar läkarna in strålning för att göra det lättare att upptäcka onormal vävnad (Revere Health 2016).

Enligt Revere Health 2016 använder magnetic resonance imaging (MRI) magnetisk kraft och radiovågor för att kunna identifiera problem. MRI använder sig inte av någon strålning och används oftast för att ta bilder på olika skador av ledband och brutna ben. Under specifika omständigheter används MRI till att upptäcka tumörer och proppar men annars som uppföljning.

När en positron emission tomography (PET) scan ska genomföras sprutar läkarna in strålning i patientens blodåder enligt Revere Health (2017). Sedan använder läkaren en scanner som den för över patientens kropp som är programmerad att upptäcka strålningen och sedan skicka bilderna till en dator där radiologen kan granska bilderna. PET Scans används främst för att upptäcka problem med organen och blodrelaterade sjukdomar men även för att dokumentera hjärnaktivitet för att kunna upptäcka sjukdomar som Alzheimers. Man använder

14

oftast inte PET för att identifiera cancer eftersom bilderna är mindre detaljerade än bilderna som framtas av CT och MRI. Däremot använder man PET Scan till att ta reda på mer information när man väl upptäckt cancern. Enligt Cancer research (2015) kan en PET hjälpa läkaren att avgöra hur stor cancern är, om den spridit sig till andra delar av kroppen, vilken behandling som skulle vara bäst samt hur bra behandlingen fungerar.

Enligt Lind et al. (2010) togs det cirka 60 000 mammografier under ett år för kvinnor mellan 40-69 år, på Danderyds sjukhus och Karolinska universitetssjukhus. Det var endast två radiologer som tolkade bilderna.

4.2 Forskare

4.2.1 Intervju A

Respondent A är docent och lektor på institutionen inom relevant område på ett svenskt universitet. Respondenten är ansvarig för en forskarskola och är högt uppsatt i en ideell organisation inom AI.

Respondent A nämner att det talas mycket om att jobb ska försvinna men respondenten tror inte antalet jobb kommer förändras signifikant. Däremot kommer arbetet att förändras i hur och vad som görs. Vidare nämner respondent, det är en större förändring än att endast ersätta hälften av jobbet, allt arbete kommer förändras på ett eller alla sätt. Respondenten ser det som att tekniken kommer förekomma som en förstärkning och utöka våra mänskliga förmågor snarare än att rakt ersätta människor.

”Just att kombinera människa och maskin eller människa och beslutsstöd blir det helt enkelt bättre.”

En del av utmaningen är inte bara att införa kognitiva hjälpmedel och digitala stödsystem utan att träna upp personalen, det skapar nya arbetssätt. Respondenten nämner att när verksamheten är anpassad till digitala möjligheter är det först då verksamheten är digitaliserad. Respondenten nämner även att AI förändringar handlar mycket mer om verksamhetsutveckling än teknikutveckling och nämner vikten av att aktivt involvera personalen och hitta ett problem som har en lösning så att AI kan tillföra något snarare än att uppleva det som ett irritationsmoment. Respondent A nämner vikten av acceptans och avdramatisera för förändringar.

Inom röntgen anser respondenten att bildbehandling är ett område inom AI där de har gjort stora framsteg och teknikerna som tagits fram fungerar bra. Respondenten nämner dock att det är ett exempel där det går att utföra mer, påskynda processen och börja använda den som en second opinion eller en annan form av beslutsstöd.

Respondent A beskriver att AI och andra tekniker är en del av lösningen på sjukvårdens utmaningar idag och ger exemplet på 1177 som börjat försöka automatisera en del samtal som kommer in. Detta gör att medborgarna inte sitter i telefonkö och får direkta svar. Dessutom bidrar det till mindre sjukvårdspersonal och resurser på grund av att de flesta fallen hanteras automatiskt. Resurserna används mer effektivt. Respondenten nämner att många utmaningar kan lösas, dock att sjukvården är relativ konservativ lagd och att övertala personal och läkare är inte alltid lätt. Respondenten nämner exempel att det finns få patologer och det finns incitament att helt eller delvis automatisera processen.

15

Dagens utmaningar i sjukvården nämner respondenten är att det inte finns tillräcklig kompetens och tillräckliga resurser. Den största utmaningen är hur sjukvården ska leva upp till medborgarnas förväntningar på ett kostnadseffektivt sätt. Vid tekniska utmaningar inom sjukvården berättar respondenten om datatillgångarna. Det finns möjligheter att dra nytta av information och kunskap som finns i patienter och enskilda individer samtidigt som hänsyn tas till integritetsfrågor. Respondenten beskriver även trohetsutmaningar som att medborgaren vill ha snabb, billig vård utan köer och enkla applikationer och det grundar sig i medborgarnas vana som förekommer i kommersiella tjänster och tillämpningar. Om sjukvården inte kan erbjuda liknande erbjudanden finns det chans till att medborgarna vänder sig till privata tillvägagångssätt och fortsatt beskriver respondenten att staten då förlorar medborgarnas tillit.

Andra utmaningar som respondent A upplever innefattar att träna upp historiska data. Samt att se till att data täcker hela populationen och alla deras symptom. Är data giltig för all framtid eller är det ett fenomen som förändras över tid? Om fenomenet är icke-stationärt innebär det att data ständigt måste insamlas och kommer innebära förändringar i hur systemet fattar beslut och ger råd. Den tredje utmaningen innefattar validering. Hur bra är systemet? Vad klarar den av? Vad klarar den inte av? Respondenten nämner dock att det gäller samma för människor. Validering på människor idag bygger på utbildning. ”Har du en läkarutbildning och kan fatta följande beslut med bara egenskap av att du har gått en utbildning?”. Respondenten beskriver att vi har acceptans för människor men inte motsvarande acceptans för dataprogram. Det finns en del juridiska frågor som även innebär utmaning. Vem är det som bär ansvaret? Respondenten nämner att det går att göra det enkelt, vid en systemrekommendation eller beslutsstöd är det upp till en läkare eller annan vårdpersonal att fatta beslut, då den personen kan ta det juridiska ansvaret. Vid förfrågan om säkerhetsaspekter nämner respondenten att säkerhetsaspekter finns oavsett hur det blir. Är det verkligen signifikant annorlunda med AI? Säkerhet är viktiga aspekter, men är aspekterna viktiga beroende om det är automatiserade beslutsstöd eller medicinska verktyg. I båda fallen, innan AI och efter AI, är det oftast lika viktigt och inte en stor skillnad enligt respondenten. Vad det gäller framtidsaspekter förklarar respondent A att det som sker idag är ”smal AI”, det är specifika algoritmer som löser specifika problem. Troligtvis kommer det ske en utveckling av tekniker som har specialiserade lösningar för specialiserade problem och den smala biten kommer vara dominerande i framtiden tills en tillräcklig hög kvalité har uppnåtts. Vid frågan om när respondenten tror att det kommer bli mer generella lösningar nämner respondent A.

”Snabbare än vad vi tror, men långsammare än vad vi tror idag.”

4.2.2 Intervju B

Respondent B är ortoped som forskar inom aktuellt område för att utveckla nya AI lösningar i en sjukvård.

Enligt respondent B upplever sjukvården idag en brist på radiologer, vilket innebär att radiologerna hinner endast göra det dem måste och försöker överleva. Ett datorprogram kan till största sannolikhet fungera som ett stöd till människan i detta avseende. Inom ortopedi ställs läkaren inför flera alternativ vilket kan vara utmanande för hur läkaren ska ställa sig gentemot risk till komplikationer. Det skapar olika sorters prioriteringar där det krävs flera mänskliga beslut. Det kan vara svårt att veta vad som är rätt eller fel i många avseende inom vården till exempel vid en situation om att patienten svar på individens förväntade livslängd.

16

Inom området tror respondenten att den nya tekniken gör att radiologer inte längre utför standardundersökningar eller undersöker röntgenbilder efter operationer. Respondent B tror att genomföra ultraljud kommer dock vara svårt att ersätta. Forskaren respondent B nämner att på sikt kommer arbetssätt förändra sig genom att bli mer medicinskt. Respondenten förväntar sig att radiologens arbetsroll kommer att förändras markant men att de kommer vara kvar ett bra tag till.

Möjligheterna med AI är många. Respondent B beskriver att det kan omfatta en extra åsikt när läkaren ska skapa bättre förståelse för att kunna ta bättre beslut. Algoritmer kan lära sig att ta in komplexa data och fördela eller se data på nya sätt och hitta nya betydelser när inga förutsatta meningar finns. Inom fem år tror respondenten att det kommer finnas många automatiserade mätverktyg som kommer användas som hjälpmedel för att uppnå det som radiologen mäter idag. Därefter kommer en ny era av bildbehandling. En era som bidrar till mer information från bilderna än vad som tidigare har gjorts. Detta kommer att bidra till att radiologerna enklare kan undersöka vilken behandling som passar bäst och skapa bättre förståelse samt detektion.

Respondent B förklarar att det finns få kunskap och det gäller att inte ha förutfattade meningar. Vid användning av ett system skapar det risker som att lita för mycket på systemet. Andra aspekter som bör funderas över är lagar, till exempel vilken tolerans som finns om systemet skulle göra fel. Sjukvården är ett viktigt område och kommer i vissa fall kräva en algoritm som är 100% vilket innebär att det inte kan uppstå några fel. Det går fort att komma in i 80% noggrannhet. Därefter arbetar man med halvering. Det halveras sedan till 10% vilket fungerar enligt respondenten. När det dock kommer till 5% krävs det mycket jobb och det är svårt att komma upp till en 100% noggrannhet. Respondent B förklarar att det byggs på saker där man själv inte vet vad som är rätt eller fel. Det omfattar enkla saker som kroppsbilder, precision och olika typer av undersökningar.

Detta är en utmaning i sig, men den största utmaningen handlar om att det krävs bra data. Vissa tror att sjukvården har rika datakällor, detta stämmer inte då journalerna ibland innehåller korta beskrivningar och inte tillräckligt med relevant information.

I dagens läge upplever respondenten att det är många som lovar mycket om algoritmer men det kommer dröja lång tid innan det är självkörande. Det tar tid att utveckla nya produkter och det krävs tålamod från intressenterna. Människor har även en tendens att ha övertro när det gäller ny teknik.

4.3 Sjukvårdspersonal

4.3.1 Intervju C

Respondent C är en radiolog som arbetat på olika sjukhus i flertal år. Respondenten har en chefsroll, arbetar som biträdande verksamhetschef och bär ett stort intresse för AI.

Respondent C beskriver att arbetsflödet börjar först genom att det skickas en elektronisk remiss till radiolog med information om patienten och undersökningen. Därefter prioriterar läkaren hur snabbt processen ska gå till, patienten väntar max två veckor. Sedan sker en bokning och undersökning som genererar bilder. Dessa bilder ska efterbehandlas och sedan granskas. Efter granskning skriver läkaren ett utlåtande och informationen rondas. Bilderna granskas genom högupplösta digitala skärmar där bilderna kan jämföras med exempelvis tidigare tagna bilder.

17

Vid förfrågan kring vad respondentens kollegor har för respons om nya tekniker svara respondenten att den sjukvården måste ta aktiv del av detta och förstå hur det kan göra sjukvården bättre. Respondenten hänvisade till ett citat av Andrew Ng.

"Embrace it and it will make you stronger. Ignore it and it may make you irrelevant.” Respondenten tror att AI kommer förändra de roller som radiologer har idag. Idag behövs det skapas förståelse om vad tekniken kan utföra för läkarna när utvecklingen sker. Arbetsrollerna som blir hotade är radiologer som endast granskar de enkla läkarundersökningar, detta är dock inte ett hot på flera decennier. Vid granskning av de mer avancerade bilderna är det snarare en fördel och algoritmerna kommer utvecklas som stöd till läkarna. Respondent C beskriver vikten av att aktivt ta del av det som kan förbättras. Radiologer är en smal resurs och där av föder det behov av verktyg som kan hjälpa till i radiologens arbete.

Idag finns det en flera system och flera av systemen befinner sig i första stadiet som idéer och prototyper. Respondent C beskriver att det viktigaste är att se till att systemen kan integreras i nuvarande system för att skapa värde. Respondenten nämner vikten av att det ska ge någon konkret inverkan på vården, antingen att radiologerna kan jobba fortare, effektivare eller att kunna detektera eller diagnostisera sjukdomar på ett bättre sätt. Idag fokuseras det på smal AI men potentialen för användningen av AI är stor. Fokuset inom röntgenavdelningen är främst bildtolkning. Respondent C anser att hjälp i vardagen som ligger utanför bildtolkning skulle vara mer värdeskapande. Med detta menar respondent C att effektivisera arbetsflödet som beskrivits i de olika stegen som tidigare presenterats.

Möjligheter som respondent C ser med AI är bland annat system som kan:

● Hantera mätningar automatiskt av exempelvis tumörer. För att vidare lägga in det i databas och därefter visa mätningar samt en kurva som uppvisar hur mycket tumören vuxit.

● Hjälpa till med strukturerande utlåtande.

● Överse utfallet och utföra återkopplingsloopar som kan till exempel effektivisera bokningar för undersökningar som egentligen tar 22 minuter men bokas in för 30 minuter.

● Algoritmer för att söka i en databas om information med liknande sjukdomar. Till exempel bröstcancer som har en kod där det går att se information fallen som behandlas. Detta fanns förr men inte längre.

● Algoritmer som kan minska radiologens arbetsuppgifter genom reducering av misstag som sker av trötthet. Till exempel om en algoritm som tittar på 10 000 mammografier och kan se att 5000 av dem har inga förändringar.

● AI maskiner som kan reflektera över anatomin och förstå vad bilden beskriver, vilken typ av produktion och om kontrast är med eller inte. Genom att tolka detta automatiskt kan radiologernas arbete effektiviseras. Det betyder att radiologen inte behöver manuellt genomföra detta själv utan kan hämta information i ett system vilket kan leda till ett pålitligare system där bilderna läggs upp.

Utmaningar med röntgen idag nämner respondenten segregerade system. Respondenten ger ett exempel och nämner att sjukvården kan köpa ett litet system från Tyskland som gör en väldigt bra mjukvara. När personal ska använda ett systemet så gäller det att det inte ska vara massa extraarbete som gör att man förlorar tid i arbetsflödet. Problem som respondent C tar

18

upp är det tar väldigt långt tid att skapa system. När det finns en prototyp tar det väldigt lång tid innan den kan implementeras och fungerar som den ska, nästan 5-7 år. Systemen kostar pengar och då behövs det se till att systemen verkligen skapar värde. Respondenten nämner att radiologerna är den smala resursen och en standardradiolog undersöker tiotal avancerade undersökningar och ibland 50-70 enkla undersökningar per dag. Då är varje minut som är icke värdeskapande inte blir nödvändig.

När systemen matas in med information, ju mer avancerad information desto mindre transparent blir systemet. Standarden DICOM visar hur röntgenbilder ska visas och hanteras, dock tolkas dessa olika. Med en bättre standardisering hade vissa undersökningar inte behövts repeteras eftersom att de inte kan granskas. Ofta är det på grund av maskintyp som gör att undersökningen inte blir jämförbar.

Respondent C beskriver en viss “hype” med AI samt att AI befinner sig i den smala fasen. Genom tidningen är det lätt att få intryck av att forskningen har kommit långt när den befinner sig i projektstadiet.

4.3.2 Intervju D

Respondent D har en chefsposition på ett sjukhus och är sjuksköterska i bakgrunden. Dessutom arbetar respondenten med projektutveckling inom vården och har tidigare studerat civilingenjör där respondenten bär en viss kunskap inom AI.

Respondent D ser inga brister med röntgen men beskriver utmaningar med att det sker stora förändringar inom området och det finns inte tillräckligt med personal för att matcha efterfrågan. Några av förändringarna som sker är att röntgen börjar dra sig mer mot en behandlande verksamhet, vilket gör att en del av operationsverksamheten flyttar dit.

Röntgen har utvecklats och det leder till mer och mer avancerade undersökningar. Radiologen börjar behandla patienterna allt mer och används inte endast som ett hjälpmedel för diagnostik. Tidigare har radiologen knappt haft kontakt med patienten utan endast korta möten och har ofta ingen uppföljning. Respondent D anser att vissa uppgifter kommer att kräva att människan tolkar medan andra tolkningar kan AI utföra automatisk. Detta kommer att förändra rollerna och röntgen kommer möjligtvis delas upp i olika delar. Därefter är det viktigt att se om det krävs nya arbetsroller men dessutom titta på olika yrkesgrupper och utbildningar som finns. Sjuksköterskors roll kan även komma till att förändras vid implementation av AI i röntgen.

Respondenten beskriver hot som omfattar att teknologin har identifierat bas-sjukdomar och nämner vikten av att det inte tolkas eller ställer fel diagnoser. Samtidigt kan AI används effektivt i vissa situationer, respondenten nämner ett exempel när det gäller att räkna ut den procentuella fördelningen av fett i levern.

4.3.3 Intervju E

Respondent E har chefsposition och är överläkare inom röntgen på ett svenskt sjukhus och bär ett visst intresse för AI.

Respondent E nämner att antalet undersökningar kommer öka på grund av att fler bilder tas och nämner att patienter vill ta tillräckligt många bilder innan operation. Radiologerna kan inte bli hur många som helst och de måste ta hjälp på något sätt. Sjuksköterskorna är också för få. Radiologen berättar att förr utfördes ibland laparotomi, vilket innebar att patienten

19

sövdes ner och sedan tog ut tarmarna för att undersöka dem och stoppa in dem igen och sy igen det. Respondent E nämner även att systemen kan bli slarvigt utnyttjade och ibland repeteras undersökningar på grund av att undersökningar inte är färdigtolkade eller inte har koll på vad som gjorts utan beställer nya tester bara.

Respondent E nämner att förut fanns det små kassetter som lades in i en framkallningsmaskin och det började bli automatiserad. När kassetten matades in, åkte den in i maskinerna och ut i framkallning och sedan kom den ut färdigframkallad. Det har sedan gått över till en digital detektor precis som en digital kamera. Respondent E nämner att de flesta undersökningar är i datatomografi som roterar kring patienten. Respondenten nämner att arbetssätt har förändrats oändligt från när röntgenavdelningen använde ljusskåp. Förut blev det inte många bilder på en patient men idag kan maskinen ta tusen bilder i tunna snitt. Respondent E nämner att radiologerna inte undersöker varje bild för sig utan använder sig utav datorn för att gå igenom bildspelet. Respondent E visade olika bildbehandlingar där flera bilder var hopslagna med hundratals bilder. Det blir enklare att se prickarna som visar på om lungcancer finns. Respondenten nämner att det går att skicka journalerna med krypterade nät och det finns samma system för bildbehandling i hela världen. Respondent E nämner att om en patient kommer med sin USB sticka så ser det exakt likadant ut överallt.

Respondenten beskriver att i Göteborg finns det idag en gemensam bildbank mellan sjukhusen där system går in och hämtar bilder, vilket tar mer tid. I Stockholm finns det mycket privat vård och där ska de skapa en bildbank. Men en bildbank kan vara pilligt att hämta, sjukhuset ska gå in i bildbanken och söka. I hela Skåne är det samma system och online vilket respondenten tycker är positivt.

Vid förfrågan om personalens respons mot teknik nämner respondent E tror att sjukvårdspersonalen har väldigt mycket att göra och personalen har inte varit rädd för att ha tillräckligt att göra. Hade det funnits motstånd för teknik berättar respondenten att det är viktigt med kommunikation. Respondenten nämner dock att det finns ont om tid för att hinna testa det som finns idag.

Respondenten skulle vilja se en kombination av människor och maskin emellan. Respondenten nämner att det är sjuksköterskorna tar bilder och sedan tar läkaren över, respondenten hade velat se att det fanns ett steg emellan som kan bearbeta och förberedda materialet mellan sjuksköterskorna och läkaren. Respondent E nämner att maskinen är inte så automatiska att det går att mata in bilder och ut i andra ändan utan det bör finnas någon som kan kanalisera dem rätt och tar exempel som IT-person som kan bildteknik, bildprocess eller någon slags flödesperson. Respondent E nämner att då hade mjukvaruprogrammen kunnat testas mer, ha någon funktion eller avdelning i sjukvården som kan hjälpa till och sätta upp systemet och leverera rätt saker. Respondenten tror även att radiologer kommer bli mer kliniska läkare och skriva remisser.

Respondent nämner även att det finns AI program idag som kan läsa av om det blir finns lungcancer, men nämner att de inte är tillräckligt bra. Det blir falskt-positivt och gör att radiologerna får sitta och sortera på grund av leverantörerna vill vara på den säkra sidan och respondenten tror att det kommer implementeras från 1–2 år. Respondent E tror dock att inom 4–5 år kommer det finnas system som kan ge ett preliminärt svar om cancer har spridit sig eller inte på en cancerpatient. Respondent E nämner utmaningen med att den som remitterar kan inte förvänta sig att radiologerna tittar på allt annat utan att radiologerna endast gör en ren uppföljning av den cancern som maskinerna visat.