Tillämpning av Artificiell Intelligens vid diagnostisering av lungemboli : Litteraturstudie

Tillämpning av

Artificiell

Intelligens vid

diagnostisering

av lungemboli

FÖRFATTARE: Tilda Sigurdsson & Kajsa Vilhelmsson HANDLEDARE:May Bazzi

EXAMINATOR: Berit Møller Christensen JÖNKÖPING 2021 juni

Sammanfattning

Bakgrund: Röntgensjuksköterskan utför dagligen undersökningar för att diagnostisera det livshotande tillståndet lungemboli. Hjälpmedel vid bildgranskning är under utveckling för att tidseffektivisera och underlätta arbetet på röntgenklinikerna. Artificiell intelligens är ett nytt kunskapsområde och röntgensjuksköterskan har en ytterst viktig roll i att följa teknikens utveckling.

Syfte: Syftet med studien var att utvärdera artificiell intelligens tillförlitlighet i samband med den datortomografiska undersökningen lungemboli.

Material och metod: Metoden för arbetet var en allmän litteraturstudie. Artikelsökningar utfördes i de välkända databaserna Medline och Scopus. Sökningarna resulterade i 15 artiklar som presenterade de numeriska värdena sensitivitet och specificitet.

Resultat: Resultatet visade spridda uppmätta värden på sensitivitet per patient och per lungemboli. De inkluderade artiklarna visade mest spridda värden på specificitet per patient. Sensitivitet per lungemboli och specificitet per patient har med åren förbättrats, men sensitivitet per patient har försämrats.

Diskussion: Jämförelser utfördes mellan inkluderade studiers träningsfall, deltagare, fördelning av sjuka och friska, val av bildkvalité, artefakters påverkan, publiceringsår och implementering i den kliniska verksamheten. Artificiell intelligens påverkan på röntgensjuksköterskans arbete och dess bildtagning lyfts.

Slutsats: Vidare forskning behövs för att förbättra Artificiell intelligens tillförlitlighet vid diagnostisering av lungemboli. Potential finns för att i framtiden implementera artificiell intelligens på den radiologiska avdelningen.

Summary

Application of artificial intelligence in the diagnosis of pulmonary embolism

Background: The radiographer performs daily examinations to diagnose the life-threatening condition pulmonary embolism. Tools for image interpretation are being developed to streamline and facilitate the work at the radiology department. Artificial intelligence is a new area of knowledge and the radiographer has an significant role in following the technical development.

Aim: The aim of the study was to evaluate the reliability of artificial intelligence in connection with the computed tomographic examination of pulmonary embolism.

Material and method: The method for the work was a literature review. Article searches were performed in the well-known databases Medline and Scopus. The searches resulted in 15 articles that presented the numerical values sensitivity and specificity.

Results: The results showed varying values of sensitivity per patient and per pulmonary embolism. The included articles had the most varying values of specificity per patient. Sensitivity per pulmonary embolism and specificity per patient have improved over the years, but sensitivity per patient has however reduced.

Discussion: Comparisons were made between included training cases, participants, distribution of sick and healthy, choice of image quality, impact of artifacts, year of publication and implementation in the clinical work. Artificial intelligence impact on the radiographers work and its imaging is highlighted.

Conclusion: Further research is required to prove the reliability of artificial intelligence in the diagnosis of pulmonary embolism. There is potential to implement artificial intelligence in the radiology department in the future.

Innehållsförteckning

Sammanfattning ... 2

Summary ... 3

Innehållsförteckning ... 4

Inledning ... 1

Bakgrund ... 2

Syfte ... 7

Material och metod ... 8

Datainsamling ... 8 Urval ... 9 Analys ... 9 Resultat ... 10 Etiska överväganden ... 10

Resultat ... 12

Diskussion ... 15

Klinisk implikation och vidare forskning ... 20

Slutsats ... 22

Referenser ... 23

Bilagor ... 27

Bilaga 1. Granskningsprotokoll ... 27

1

Inledning

Dygnet runt utför röntgensjuksköterskor undersökningar på radiologiska kliniker med frågeställningen lungemboli. Lungemboli kan vara livshotande för patienten och radiologiska undersökningen är avgörande för att ställa diagnosen (1). I Sverige diagnostiseras tusentals personer varje år och riskfaktorerna är många (2). För att underlätta effektiviteten på radiologiska avdelningen så har Artificiell intelligens (AI) introducerats. Genom programmerade algoritmer är mjukvaran tänkt att vara ett hjälpmedel vid bildgranskning och signalera vid patologiska fynd (3). Vid användning av AI i samband med diagnostisering av lungemboli tillkommer nya möjligheter och utmaningar på röntgensjuksköterskans arbetsplats (4). Litteraturstudiens syfte är att utvärdera AI:s tillförlitlighet i samband med datortomografiska undersökningen lungemboli.

2

Bakgrund

Artificiell intelligens

AI är ett datorsystem som försöker likna den mänskliga hjärnan genom konstgjord intelligens. AI vill efterlikna hjärnans funktioner att kunna lära sig, samla fakta, planera, lösa problem, se samband och dra slutsatser. AI tränas på att imitera människans visuella förmåga eftersom en stod el av den mänskliga kunskapen och intelligensen inte är verbal (5). AI gör stora framsteg i världen genom att lösa problem med hjälp av beräkningar. AI används inom flertalet områden inklusive hälsa, vetenskap och teknik. Lösningarna består av programmerade algoritmer som är tänkta att likna den mänskliga hjärnan och därmed minska skillnaden mellan människa och maskin (6).

På en radiologisk avdelning går AI att applicera inom flera områden och modaliteter. I världen finns många leverantörer av utvecklade AI-system som används till bildgranskning och syftar till att detektera olika typer av sjukdomstillstånd. Algoritmerna är samlade i ett program och laddas oftast ned som en mjukvara. Avsikten med AI är att öka noggrannheten, produktiviteten och effektiviteten på radiologiska avdelningar genom att programvaran söker efter misstänkta patologiska förändringar (3). Utvecklingen av AI pågår än idag och drivs för att en dag kunna ställa säkrare diagnoser än människan (4).

Tillförlitlighet

En diagnostisk metod bör ge korrekta svar och vara till nytta för vårdgivare och patienter. Detta ska säkerställas innan en ny metod implementeras. Vid introduktion av en ny metod undersöks bland annat den diagnostiska tillförlitligheten. För att kontrollera om den nya metoden är tillförlitlig så jämförs dess resultat (indextest) med bästa befintliga metodens resultat (referenstest). En kartläggning görs sedan för att utvärdera antalet patienter som blev sant respektive falskt diagnostiserade:

• Sant positiv. Både index- och referenstest visar att sjukdomstillståndet finns.

• Falskt positiv. Indextest visar att sjukdomstillståndet finns, men referenstest visar

att sjukdomstillståndet saknas.

• Sant negativ. Både index- och referenstest visar att sjukdomstillståndet saknas.

• Falsk negativ. Indextest visar att sjukdomstillståndet saknas, men referenstest visar att sjukdomstillståndet finns.

3

Den nya diagnostiska metodens tillförlitlighet beskrivs sedan genom ett värde på sensitivitet och specificitet. En metods känslighet, sensitivitet, anger andelen sanna sjuka som metoden lyckts identifiera. En metods träffsäkerhet, specificitet, anger istället andelen sanna friska som metoden lyckts identifiera (7). Sensitiviteten och specificiteten graderas på en skala mellan 0—100%. Lungemboli är ett livshotande tillstånd och bör därför utredas med en undersökningsmetod som har hög sensitivitet och specificitet (8). För att underlätta diagnostiseringen och upptäckten av lungembolier så har AI introducerats på den radiologiska avdelningen. AI är tänkt som ett hjälpmedel som granskar bilder och signalerar vid upptäckt av misstänkta förändringar (3).

Diagnostisering

Datortomografi (DT) är en väl använd modalitet på röntgenavdelningar världen över och är en av de modaliteter som AI applicerats inom. Datortomografi kan användas för att detektera en stor mängd sjukdomstillstånd och är känd för sin effektivitet och förmåga att framställa tredimensionella bilder. Röntgensjuksköterskor tar tusentals bilder varje dag med denna modalitet, med en stor mängd olika frågeställningar (1).

Undersökning av Thorax-organen är vanligt på DT-modaliteten, men frågeställningarna varierar stort. Lungemboli är en av frågeställningarna och innebär att patienten kan befinna sig i ett livshotande tillstånd. Sjukdomstillståndet lungemboli uppkommer när en hel eller en del av en tromb lossnar i benets eller bäckenets vener och sedan täpper till i lungornas artärer. Patienternas symptom är väldigt varierande men uppkommer på grund av nedsänkt lungcirkulation (1).

I Sverige drabbas cirka 10 000—30 000 personer av lungemboli varje år. Två tredjedelar av dessa uppkommer på grund av djup ven-trombos (DVT). Riskfaktorer för lungemboli är malignitet, infektioner, p-piller, graviditet, övervikt, rökning, hög ålder, koagulationsrubbning och tidigare ven-tromboser. Immobilisering eller långvarigt stillasittande på grund av operation, benbrott eller långa resor är också riskfaktorer (2). Det är svårt att kliniskt ställa diagnosen lungemboli och därför behövs radiologiska metoder. Datortomografi är en förstahandsmetod vid diagnostisering av lungemboli. Vid misstanke om lungemboli så är datortomografi den snabbaste vägen till diagnosen. Datortomografi finns på nästan alla sjukhus och är tillgängligt dygnet runt (1).

4 Bildtagning

Innan patienten undersöks ska värden tillhandahållas gällande patientens njurfunktion, sköldkörtelfunktion, allergier och anamnes, för att minska risken för allvarliga interaktioner med kontrastmedel (9). Kontrastmedlet injiceras intravenöst genom en perifier ven-kateter som oftast placeras i patentens armveck (10). Vid undersökningen ombeds patienten att lyfta armarna ovanför huvudet för att få bort dem ur bild. Patienten uppmanas även att följa den röst som vid bildtagning kommer be patienten att andas in och hålla andan (9).

Kontrastinjektionen sker genom en kontrastspruta som injicerar den valda mängden kontrast i vald hastighet. Det är röntgensjuksköterskans ansvar att dosering och administrering av kontrastmedlet sker korrekt och patientanpassat. Bildtagning sker vid tidpunkten då kontrastmedlet passerar genom lungartärerna. För att veta när detta sker så placerar röntgensjuksköterskan en ROI (Region Of Interest) i bilderna. ROI placeras i ett kärl där kontrasten passerar igenom (1). HU-värdet (Hounsfiled Units) mäts inom området för ROI och ska uppnå ca 120 HU innan bildtagningen kan starta (9). Metoden kallas Bolus Tracking (1). Lungembolier syns som fyllnadsdefekter, alltså mörka områden i den ljusa kontrasten. Små förändringar syns tydligt på grund av vävnadsskillnader i kärlen, men också på grund av att organen inte överlappar varandra. I de stora lungartärerna har metoden mycket hög diagnostisk säkerhet men minskar succesivt i de mindre artärerna (1).

Sämre bildkvalitet eller artefakter kan uppstå vid bildtagning. Ibland är det enkelt åtgärdat men ibland går det inte att påverka. Rörelseartefakter kan uppkomma genom att patienten inte kan ligga stilla, inte klarar av att hålla andan eller fysikaliska rörelser såsom hjärtslag. En annan artefakt som kan påverka bildresultatet är metallartefakter. Metallen kan skapa strimmiga artefakter och påverka diagnostiska resultatet. Metallartefakter kan bero på ytliga föremål såsom smycken eller klädesplagg men också inopererad metall. Om patienten inte klarar av att hålla andan vid bildtagning så finns risken att andningsartefakter uppstår (11). Röntgensjuksköterskor ansvarar för undersökningen och att bästa diagnostiska bildkvalitet uppnås (12).

5 Röntgensjuksköterskans yrkesroll

Röntgensjuksköterskan ansvarar för att bilderna är av tillräcklig kvalitet, så en säker diagnos kan ställas. Bildparametrar som röntgensjuksköterskan förhåller sig till är bland annat kontrast, skärpa och brus. Bildparametrarna är avgörande för bildkvaliteten men det är även mängden och styrkan på strålningen som avgör (1). Röntgensjuksköterskan arbetar ofta självständigt och ansvarar för att samtliga undersökningar är patientsäkra. Kvalité och stråldos måste individanpassas för en säker vård (12). ALARA-principen (As Low As Reasonably Achievable) är en nationell riktlinje som innebär att stråldosen ska vara så låg som möjligt, utan att ha negativ påverkan på diagnostiseringen. Det ska alltså gå att ställa en säker diagnos, med så låg stråldos som möjligt (13).

Den ständiga utvecklingen inom radiologins högteknologiska miljö ställer krav på röntgensjuksköterskan. För att möta nutidens och framtidens behov inom sjukvården krävs en ständig kompetensutveckling. Det som styr utvecklingen är röntgensjuksköterskans vilja och förmåga att omsätta kunskap i praktik. Röntgensjuksköterskans kompetensbeskrivning bygger på tre huvudsakliga arbetsområden. Området som berörs i detta arbete är forskning, utveckling och utbildning. Kompetensområdet bygger på röntgensjuksköterskans förmåga att bidra till allmän utveckling och forskning, men även personlig och professionell utveckling. Genom att röntgensjuksköterskan undervisar, handleder, analyserar och implementerar ny kunskap så medverkar personen till radiografins utveckling (12). AI är ett nytt outforskat område för många röntgensjuksköterskor, men med rätta förutsättningar tros AI kunna underlätta arbetet

på radiologiska avdelningar (4). Röntgensjuksköterskan behöver anpassa sitt

professionsutövande efter teknikens utveckling så att kraven uppfylls och bilderna är diagnostiskt användbara (12).

Problemformulering

AI är ett ständigt expanderande område som ses i flertal sammanhang. AI tar mer och mer plats i människors vardag och står bakom flera funktioner som många inte känner till. Ett område som AI implementeras inom är radiografin och funktionen att diagnostisera sjukdomstillstånd. Ett sjukdomstillstånd som AI är tänkt att diagnostisera är lungemboli. För att upptäcka lungemboli krävs tredimensionella bilder från en datortomografi. Det är röntgensjuksköterskan som ansvarar för bildtagningen och möjligheten till diagnostisering. Tusentals personer drabbas varje år av lungemboli och diagnostiseringen är viktig för patientens överlevnad. Målet är att AI ska underlätta arbetsflödet på radiologiska avdelningar och bidra till effektivisering. En ny

6

metods tillförlitlighet behöver säkerställas innan den implementeras i klinisk verksamhet. Är metoden inte tillförlitlig så kan patientsäkerheten och förtroendet för vårdgivare riskeras. Forskning pågår för att utvärdera den nya metodens tillförlitlighet och påverkan i praktiken. Genom att sammanställa forskning om AI:s detektering av lungemboli kan det nuvarande kunskapsläget kartläggas.

7

Syfte

Syftet med arbetet är att utvärdera artificiell intelligens tillförlitlighet i samband med datortomografiska undersökningen lungemboli.

8

Material och metod

Metoden för arbetet är en allmän litteraturstudie. Det innebär att författarna gjort strukturerade sökningar, kritiskt granskat, kvalitetssäkrat, analyserat och sedan sammanställt litteratur som berör syfte (14). Studien har genomförts månaderna januari till juni år 2021 vid Jönköping University, School of Health and Welfare.

Datainsamling

Litteraturen har samlats in genom sökningar i databaserna Medline och Scopus som nåtts via biblioteket på Jönköpings University. Medline är en medicinsk databas och Scopus är en databas som innehåller vetenskaplig, teknisk och medicinsk forskning. Innan sökningen definierades sökord samt användbara synonymer för att optimera sökresultatet. Sökningen utfördes genom att kombinera orden. Genom att använda flertal synonymer av samma sökord utökades sökfältet. I sökningarna skiljs sökorden med ”AND” och synonymerna med ”OR”. Endast de sökningar som gav resultat presenteras i tabell 1 och 2.

Tabell 1. Artikelsökningar i Medline

Databas Medline

Datum

(publicerings år) Sökord Antal träffar Lästa titlar Lästa abstracts Läsa fulltext Valda artiklar 21-02-23

(2015-2021) Artificial intelligence OR machine learning OR deep learning OR neural networks AND computer tomography OR ct OR ct-scan OR spiral ct-scan OR tomography AND pulmonary embolism OR lung embolism OR tomographic pulmonary angiography OR acute pulmonary embolism

30 30 16 13 3

21-03-01 (2010-2015)

Pulmonary embolism OR lung emboli OR ctpa OR acute pulmonary embolism AND artificial intelligence OR machine learning OR deep learning OR neural network OR ai AND computer tomography OR ct OR ct-scan OR spiral ct scan OR tomography

10 10 4 3 1

21-03-01

(2010-2021) Pulmonary embolism OR lung emboli OR ctpa OR acute pulmonary embolism AND Computer-aided detetction OR cad OR artificial intelligence AND ct OR computed tomography OR ct scan OR tomography OR x-ray computed

52 52 18 4 3

21-03-03

(2010-2021) Artificial intelligence OR machine learning OR deep learning OR neural networks AND computer tomography OR ct OR ct-scan OR spiral ct-scan OR tomography AND pulmonary embolism OR lung embolism OR tomographic pulmonary angiography OR acute pulmonary embolism

9 Tabell 2. Artikelsökningar i Scopus

Databas Scopus

Datum

(publicerings år) Sökord Antal träffar Lästa titlar Lästa abstracts Läsa fulltext Valda artiklar 21-02-24

(2015-2021) artificial intelligence OR machine learning OR deep learning OR neural networks

AND computer tomography OR ct OR ct-scan OR spiral ct-scan OR

tomography

AND pulmonary embolism OR lung embolism OR tomographic pulmonary angiography OR acute pulmonary embolism

390 160 80 10 3

21-03-03

(2010-2021) Computer aided-detection AND pulmonary embolism 39 39 12 4 3

Urval

Inklusions- och exklusionskriterier utsågs för att litteratur som inte var relevant skulle sållas bort (14). Valda inklusionskriterier var Peer Review, skrivspråk engelska, publiceringsår 2015—2021. På grund av få artiklar som kunde besvara syftet, breddades tidsintervallet till 2010—2021. För att hitta resultat som kunde besvara arbetets syfte krävdes kvantitativa empiriska studier. Valda exklusionskriterier var review-artiklar, kvalitativa studier och studier som inte resulterade i ett mått på sensitivitet och specificitet.

Analys

Utifrån sökresultatet granskades först artiklarnas titel och abstract för att utesluta artiklar som inte var relevanta. Artiklarna granskades sedan efter förvalda kriterier och lästes sedan grundligt (14). Ett utarbetat granskningsprotokoll har använts för att kvalitetsgranska studierna som ingår i arbetet (bilaga 1). Protokollet bygger på ett poängsystem där artiklar med hög kvalitet får en hög poäng. I granskningen ingår artiklarnas alla delar och totalpoängen är 39p. Artiklarna bedömdes utifrån 15 punkter där poängen varierade från noll till tre. Utifrån artiklarnas poäng graderas dem in i grupper vilket angav graden av kvalitét. Grad I innebar 80% och hög kvalité, grad II innebar 70% och medelhög kvalité och grad III innebar 60% och lägre kvalité (15). I denna litteraturstudie valdes artiklar som ingick i grad I och II. Kvalitetsgranskningen resulterade i 15 artiklar, där 14 artiklars kvalité bedömdes i grad I och en artikels kvalité bedömdes i grad II.

10

När litteraturen var samlad gjordes en deskriptiv analys av det insamlade materialet och studiernas uppmätta värde på sensitivitet och specificitet. Värdena sensitivitet per lungemboli, sensitivitet per patient och specificitet per patient i enheten procent jämfördes mellan de olika studierna (16).

Resultat

Deskriptiva analysen resulterade i sammanställda numeriska värden av sensitivitet och specificitet i enheten procent. Ett medelvärde beräknades för att beskriva de numeriska variablerna. Medelvärdet beräknas genom att samtliga uppmätta värden summeras och sedan delas med antalet uppmätta värden. För att komplettera medelvärde och beskriva spridningen så beräknades standardavvikelsen. Standardavvikelsen visar den genomsnittliga avvikelsen från medelvärdet. För att ytterligare beskriva spridningen inom variablerna angavs ”range”, alltså det lägsta och högsta värdet inom variabeln (16).Vid sammanställningen och presentationen av den insamlade data har SPSS Statistics använts, en plattform för statistiska dataanalyser (17). Resultaten har presenterats genom lämpliga diagram och tabeller.

Etiska överväganden

Innan studien inleddes så genomfördes en etisk egengranskning (bilaga 2) för att säkerställa att forskningsetiska principer följs. Vetenskapsrådet har tagit fram dem fyra forskningsetiska

grundprinciperna: informationskravet, nyttjandekravet, samtyckeskravet och

konfidentialitetskravet. Informationskravet innefattar att forskarna skall ha gett information om syftet med studien till de personer som deltagit och belyst att deras deltagande är frivilligt. Nyttjandekravet innefattar att insamlat material om en deltagare endast brukas för forskningsändamålet. Samtyckeskravet innefattar att deltagna har lämnat samtycke. Den fjärde och sista grundprincipen är konfidentialitetskravet, vilket innefattar deltagarnas personuppgifter skall hanteras på ett säkert sätt (18).

I detta arbete tas forskningsetiska principerna i beaktande. I arbetet hanteras inga uppgifter som går att binda till en person och konfidentialitet kontrollerades för de patienter som deltagit i studierna genom att all persondata och känsliga uppgifter var exkluderade (19). Informerat samtycke är därför inte inhämtat för studien eftersom det inte anses relevant och författarna i detta arbete saknar deltagarnas personuppgifter. Arbetet innebar att studera litteratur och därför är kunskapen hos de studerande avgörande för tolkningen. Feltolkning kan inte uteslutas på grund av flerspråkig litteratur och författarnas begränsade kunskaper. För att minimera risken

11

för feltolkning så användes lexikon vid osäkerhet. De vetenskapliga artiklarna granskades opartiskt och sanningsenligt för att undvika oredlighet (19). Litteraturstudien innehåller relevanta artiklar och är inte utvalda utifrån författarnas åsikter (14). Författarna krävde inte att inkluderade studier skulle ha tillstånd från etisk kommitté men majoriteten av studierna i detta arbete har det. Etiska internationella lagar finns utformade för att personer som deltar i forskning ska skyddas (20).

12

Resultat

Resultatet av studien är sammanställt inom variablerna sensitivitet per lungemboli, sensitivitet per patient och specificitet per patient. Resultatet visar spridda mått inom samtliga tre variabler. Störst variation ses inom specificitet per patient och minst variation ses inom sensitivitet per patient.

Litteratursammanställningen innefattar 15 studier som utvärderat olika AI-systems förmåga att detektera lungembolier. Studierna har resulterat i ett mått på sensitivitet per lungemboli (PE), sensitivitet per patient (PA) och/eller specificitet per patient. Samtliga studier har inte uppmätt ett värde inom variablerna sensitivitet per lungemboli, sensitivitet per patient och specificitet per patient. En av anledningarna till detta är att studiernas varierande metodval och inkluderande av patienter. Om exempelvis endast sjuka patienter inkluderats så saknas mått på specificitet. I tabell 3 presenteras de olika studierna tillsammans med publicerings-år, antal deltagare samt de uppmätta värdena. En av forskarna (Wittenberg) har genomfört tre olika studier och dessa är därför märkta med nummer 1 till 3. Wittenberg och Yang är två forskare som testat sin föreslagna metod på flera testgrupper. Dessa studier har därför flera resultat presenterade och är därav bokstaverade A till C.

Tabell 3. Studieresultat i de inkluderade artiklarna.

Artikel Referens År Deltagare Sensitivitet/PE Sensitivitet/PA Specificitet/PA

Dewailly 31 2010 74 86% - 91,80% Wittenberg 1 40 2010 278 - 94% 21% Park 24 2011 11 - 79,2% - Blackmon 30 2011 79 78% 93,8% 14% Wittenberg 2 38 2012 209 - 96% 22% Wittenberg 3A 27 2012 78 76% 100% 18% Wittenberg 3B 27 2012 79 75% 97% 15% Wittenberg 3C 27 2012 75 64% 92% 13% Özkan 29 2013 15 86,2% - - Kligerman 34 2014 53 71,9% 77,4% - Ozkan 33 2017 33 98,3% - - Yang A 23 2019 29 - 84,2% - Yang B 23 2019 20 - 75,4% - Cano-Espinosa 22 2020 20 68% - - Liu 21 2020 288 - 94,6% 76,5% Weikert 25 2020 1465 - 92,7% 95,5% Huang 26 2020 200 - 75% 81% Yu 39 2020 21 - 82% 90%

13

Medelvärde, standardavvikelse, högsta och lägsta uppmätta värdet summerades inom variablerna, sensitivitet/PE, sensitivitet/PA och specificitet/PA (tabell 4). Endast de studier som presenterat ett mått inom respektive variabel är med i beräkningarna.

Tabell 4. Statistiska mått för sensitivitet/PE, sensitivitet/PA och specificitet/PA

Lägsta värde Högsta värde Medelvärde Standardavvikelse

Sensitivitet/PE 64,00 98,30 78,16 10,54

Sensitivitet/PA 75,00 100,00 88,09 8,81

Specificitet/PA 13,00 95,50 48,97 36,80

Eftersom många år inkluderats i studien så delades studieresultatet in i två tidsintervaller för att kartlägga utvecklingen av AI genom åren. Första intervallen innehåller artiklar som publicerades år 2010—2015 och andra intervallen år 2016—2021. I tabell 5 jämförs de olika tidsintervallernas sensitivitet/PE, sensitivitet/PA och specificitet/PA. Resultaten presenteras genom medelvärde, standardavvikelse, högsta och lägsta uppmätta värdet.

Tabell 5. Sensitivitet/PE, Sensitivitet/PA och specificitet/PA per tidsintervall.

Tidsintervall Lägsta värde Högsta värde Medelvärde Standardavvikelse

Sensitivitet/PE 2010-2015 _2016-2021 64,00 _68,00 86,20 _98,30 76,73 _{83,15 21,43}7,81 Sensitivitet/PA 2010-2015 77,40 100,00 91,18 8,31 2016-2021 75,00 94,60 83,98 8,33 Specificitet/PA 2010-2015 2016-2021 13,00 76,50 91,80 95,50 27,96 85,75 28,35 8,59

Specificitet/PA är det mått som varierat mest genom tiderna. Åren 2010— 2015 var medelvärdet på specificitet 27,96% och åren 2016—2021 var medelvärdet 85,75% (tabell 5). För att se AI:s utveckling över tid utformades ett diagram över specificitet och årtal (figur3). Diagrammet visar högsta medelvärde på specificitet år 2020 och lägsta medelvärde på specificitet år 2011. Sensitivitet/PA var istället den variabel som minskat i medelvärde med tiden (2010-2015 91,18% och 2016-2021 83,98%) (tabell 5). I figur 4 går det följa AI:s utveckling av sensitivitet/PA som demonstreras med det statistiska måttet medelvärde.

14

Figur 3. Medelvärdet av specificitet/PA Figur 4. Medelvärdet av sensitivitet/PA

De inkluderade studierna är utförda i Europa, Asien och Nordamerika. Studierna har använt sig av olika metoder och algoritmer, och på så sätt fått fram sitt resultat. Studiernas bildinsamling har skett genom publika dataset eller retrospektivt. Antal fall som algoritmen tränats på skiljer sig mellan studierna men även deltagarantal, fördelning av sjuka och friska och krav på bildkvalité. Majoriteten av studierna har inkluderat bilder med sämre bildkvalitet men en studie har exkluderat bilder som inte haft hög kvalitet (21). Sämre bildkvalité kunde bero på höga brusnivåer, artefakter eller att patienten hade andra sjukdomar. Det finns två studier som valt att anpassa bilderna och dess HU-värde innan den programmerade algoritmen tillämpats (22, 23). Det innebär att bilderna får liknande intensitetsvärden.

15

Diskussion

Metoddiskussion

Författarna i detta arbete valde en metod som kunde besvara syftet, en allmän litteraturstudie (14). Valet av metod grundades på antal veckor som fanns att tillgå (tio veckor) och begränsade

antalet studier som arbetet skulle inkludera. Flera sökningar gjordes i

databaserna Medline och Scopus med sökord som tydligt presenteras i tabellerna 1 och 2. Databaserna är välkända och innehåller bland annat artiklar inom området medicin (14). Författarna anser att databaserna täcker det nuvarande kunskapsområdet och att valet av databaser inte påverkat resultatet.

Det finns flera styrkor med arbetet. Efter att sökningarna påbörjats så breddades tidsintervallet eftersom det inte fanns tillräckligt antal studier för att utgöra ett bedömbart underlag (14). Inkluderade artiklar representerar och beskriver det nuvarande kunskapsläget vilket författarna ser som en styrka. Kvantitativa studier som genomgått Peer Review och kunde besvara studiens syfte passerade genom valda inklusions- och exklusionskriterier. Urvalet skedde oberoende av land, metodval och antalet deltagare. De vetenskapliga artiklarna har deskriptivt analyserats och kvalitetsgranskats utifrån ett utarbetat granskningsprotokoll (bilaga 1). Ett poängsystem användes vid granskningen för att säkerhetsställa att dem inkluderade studierna har god kvalité (15). Forskarna ser det som en styrka eftersom risken för felaktiga slutsatser minimeras (14). För att besvara syftet och utvärdera AI:s tillförlitlighet så diskuteras de globalt använda medicinska måtten sensitivitet och specificitet (7). Studierna har i sin tur valt att ange måtten per patient och/eller per lungemboli. Genom den tydliga beskrivningen av datainsamling, urval, analys, och presentation av resultat anses validiteten och reliabiliteten vara hög (14).

AI är nytt kunskapsområde för författarna i detta arbete vilket kan anses vara en svaghet. Trots att författarna fördjupade sig inom ämnet kan inte kunskapsluckor uteslutas. Granskning av studierna utfördes gemensamt för att minimera risken för individuell tolkning, men feltolkning kan dock inte uteslutas på grund av språkbrister (14).

Författarna i detta arbete har inte tagit del av patientinformation som går att knyta till en viss person. Patienterna som deltagit i de inkluderade studierna erhåller därmed full anonymitet (14). Intresset i inkluderade studier är begränsat till patienternas embolier och AI:s förmåga att hitta

16

dem. Därför finns inget fokus på patienternas remisser, symptom eller sjukdomsförlopp. I inkluderade studier presenteras patienterna alltid i grupp och aldrig som enskilt patientfall. Forskarna har i vissa inkluderade studier valt att presentera könsfördelning och/eller åldersfördelning. Insamlingen av material i studierna har skett retrospektivt eller via publika dataset. Därmed är bilder inte enbart tagna för att studien ska gå att genomföra. Författarna krävde inte att inkluderade studier hade godkänt från en etisk kommitté, men majoriteten av studierna var godkända. Det finns även etiska internationella lagar finns utformade för att skydda patienter som deltar i forskning. Dessa lagar gäller för samtliga länder som inkluderad forskning utförts i (20).

Resultatdiskussion

I sju av femton studier beskrivs hur många fall algoritmen har tränats på inför studien. Antalet träningsfall varierar mellan 9 fall (24) till 28000 fall (25). Park et al. (24) resulterade i ett sensitivitetsmått på 79,2% per patient och Weikert et al. (25) resulterade i ett sensitivitetsmått på 92,7% per patient. Ett samband syns där lägst antal träningsfall uppnår lägre sensitivitet och högst antal träningsfall uppnår högre sensitivitet. Genom att applicera detta i verkligheten där det finns olika anatomiska variationer skulle det innebära att en algoritm som är tränad på fler fall erhåller en högre sensitivitet. Dock finns studier som talar emot detta samband. En studie som talar emot sambandet är Huang et al. (26) som uppnått en lägre sensitivitet på 75% per patient med 169 träningsfall. Wittenberg et al. (27) har uppnått ett högre sensitivitetsmått på 100% per patient med 300 träningsfall och talar också emot sambandet. Detta innebär att antalet träningsfall inte behöver påverka sensitivitetsmåttet. Detta motsäger annan forskning som lyfter att antal träningsfall och antal träningstimmar förbättrar AI:s prestanda (28).

Varje år drabbas 10 000-30 000 personer i Sverige av lungemboli (2). För att en studie ska vara verklighetstrogen och många anatomiska variationer ska vara representerade är antalet deltagare avgörande. I de inkluderade studierna som har resulterat i ett mått på sensitivitet per patient varierar deltagarantalet från 11 till 1465. Studien med 11 deltagare, minst antal (24) har i förhållande till de övriga studierna ett av de lägsta måtten på sensitivitet (79,2% per patient). I studien med 1465 deltagare, högst antal (25) har ett sensitivitetsmått på 92,7% per patient uppnåtts. Dessa två studier visar ett samband på att färre antal deltagare ger ett lägre sensitivitetsmått per patient och fler antal deltagare ger ett högre sensitivitetsmått per patient. Studien med näst lägst antal deltagare är Yang et al. (23) med 20 deltagare och en

17

sensitivitet på 75,4% per patient. Liu et al. (21) är den studie med näst högst antal deltagare (288 deltagare) och har uppmätt 94,6% i sensitivitet per patient. Dessa två studier bekräftar sambandet. Den studie som motsäger sambandet är Huang et al. (26) som har 200 deltagare men uppmätt lägst sensitivitet per patient (75%). Det går inte att konstatera att sambandet mellan antalet deltagare och sensitivitetvärde stämmer. När studiernas sensitivitetsmått per emboli jämförs i förhållande till antalet deltagare ser resultatet annorlunda ut. Studien med lägst antal deltagare (15 deltagare) har uppmätt 86,2% i sensitivitet per emboli (29) och studierna med högst antal deltagare (79 deltagare) har uppmätt 75% i sensitivitet per emboli (27) och 78% i sensitivitet per emboli (30). Utifrån resultaten noteras en koppling mellan lågt deltagarantal och hög sensitivitet per lungemboli samt högt deltagarantal och lägre sensitivitet per emboli. Dewailly et al. (31) påvisar dock motsatsen där 74 deltagare har ingått i studien men uppnått liknade sensitivitet per emboli (86%) som Özkan et al. (29) (86,2%). Därför går det inte att fastställa ett samband mellan sensitivitet per emboli och antalet deltagare. När en ny diagnostisk metod ska implementeras är det viktigt att den är väl testad på en stor mängd deltagare. Författarna i detta arbete anser att tillgång till stor datamängd är avgörande för att utveckla AI. Flera av inkluderade studier har testat sin föreslagna metod på publika dataset. Forskning säger att tillgång till bildmaterial är begränsat och att efterfrågan ökar. För att kunna tillgodose AI:s behov av data skapas digitala plattformar med bildmaterial (32).

Fördelningen mellan sjuka och friska patienter skiljer sig mellan studierna. I studier som endast inkluderat patienter med lungemboli är medelvärdet på sensitivitet/lungemboli 85,5% (29, 33, 34). En studie som jämnfördelat friska och sjuka patienter har ett medelvärde på sensitivitet/lungemboli 71,6% (27). Medelvärdet på sensitivitet/lungemboli var 82% i två studier där majoriteten av patienterna var friska. Algoritmens förmåga att friskförklara en patient anges i ett mått på specificitet. Den studien som uppmätt det lägsta måttet på specificitet/patient (13%) är Wittenberg et al (27) som jämnfördelat friska och sjuka. Den studie som uppnått det högsta måttet på specificitet/patient (95,5%) är Weikert et al (25) där majoriteten av patienterna inte har lungembolier. Datamängder krävs för att mäta AI:s prestation. Författarna i detta arbete anser att datamaterialet behöver innehålla större mängd patienter med och utan lungembolier. Annan forskning bekräftar att pålitligheten minskar om AI stöter på data och scenarier som inte ingått i dess träning (35).

18

Världsdelar som ingår i studierna är Europa, Asien och Nordamerika. Den världsdel som uppnått de högsta sensitivitetsmåtten och specificitetsmåttet är Europa. Högsta sensitivitet per lungemboli (98,3%) uppnåddes av Ozkan et al. (33) i Turkiet. I Nederländerna uppnåddes den högsta sensitiviteten per patient på hela 100% (27). I Schweiz uppnåddes det högsta specificitetsmåttet per patient (95,5%) (25). Europa har även det lägsta sensitivitetsmåttet per lungemboli (64%) och specificitetmåttet per patient (13%) (27). Det lägsta sensitivitetsmåttet per patient är 75% och denna studie är utförd i Nordamerika (26). Europa är den världsdel som representeras med flest resultat i denna studie, vilket skulle kunna vara en anledning till högsta och lägsta måtten. Ländernas olika förutsättningar inom sjukvården kan ha påverkat dess resultat, men länders intresse för AI kan också variera. Annan forskning belyser att statsskick, ekonomiska förutsättningar och tekniska miljö kan vara faktorer som påverkar ett lands intresse för AI (36).

Röntgensjuksköterskan ansvarar för att tillhandahålla tillräckligt bra bildkvalité för att kunna ställa en korrekt diagnos. Bilderna är grunden till att kunna ställa en diagnos och kvalitén är

avgörande (12). Val av bildkvalité är olika i studierna. I en studie har

bilder med låg bildkvalité uteslutits innan algoritmen tillämpats (21). Liu et al. (21) har uppnått sensitivitetsmåttet 94,6% per patient, vilket är ett av det högsta uppnådda. Deras mått kan ha påverkats till det bättre på grund av att de uteslutit bilder med låg bildkvalité. I två studier har forskarna valt att anpassa bilderna och reglerat HU-värdet för att samtliga bilder ska ha liknande intensitetsvärden (22, 23). Cano-Espinosa et al. (22) har uppmätt ett av de lägsta sensitivitetsmåttet 68% per lungemboli. Även i Yang et al. (23) är studieresultatet bland de lägsta uppmätta (sensitivitet 75,4% och 84,2% per patient). Därför verkar anpassning av bilder i dessa fall inte påverkat resultatet positivt men de uppmätta måtten kunde blivit lägre om de inte skulle anpassat bilderna. Annan forskning diskuterar hur AI i framtiden kan användas för att förbättra bildmaterial och på så sätt omvandla en lågupplöst bild en högupplöst (37). I flera studier påverkas resultatet av artefakter och sämre bildkvalité. Artefakter som nämns är metallartefakter, rörelseartefakter och andningsartefakter (25-27, 30, 31, 34, 38-40).Vissa av

dessa ovannämnda är patientrelaterade såsom rörelseartefakter och

andningsartefakter. Röntgensjuksköterskan ansvarar för att förhindra metallartefakter, men också för att minimera de patientrelaterade artefakterna. Bildkvalité har också påverkat

19

röntgensjuksköterskans axlar (12). Studiernas resultat redovisar hur patienter har

blivit feldiagnostiserade på grund av bristande bildkvalité (25-27, 30, 31, 34, 38-40). Höga krav ställs på yrkesutövarens kompentens, bedömning av bildkvalité samt vad som bör förbättras i bilden (12). I en studie berättar röntgensjuksköterskor att de tror AI kan ha en positiv inverkan på medicinsk bildtagning, men också att AI kan underlätta deras jobb som röntgensjuksköterskor (41).

I de inkluderade studierna varierar publiceringsåren från 2010—2020. Vid jämförelse mellan artiklar publicerade innan och efter 2015 har sensitivitet per lungemboli och specificitet per

patient ökat med åren. Medelvärdet för sensitivitet per lungemboli

ökade med 6,4% och medelvärdet för specificitet per patient ökade med 57,8%. Medelvärdet för sensitivitet per patient har inte ökat med åren utan har försämrats med 7,2%. Sensitivitet och specificitet är ett mått på tillförlitligheten och bör ha ett högt värde för att patienterna skall bli korrekt diagnostiserade (2). Forskning bekräftar att AI är ett växande område och människan arbetar ständigt för att förbättra AI genom att utveckla nya lösningar och metoder (42).

De inkluderade studierna har kommit fram till olika slutsatser gällande dess implementering i kliniska verksamheten. Flera studier konstaterar att det krävs vidare forskning innan AI vid diagnosticering av lungemboli kan implementeras i den kliniska verksamheten (21, 23, 24, 26, 27, 29, 31, 38). Wittenberg et al (40) påstår att AI kan förbättra oerfarna radiologers sensitivitet, vilket även Blackmon et al. (30) och Cano-Espinosa et al. (22) instämmer med. Tre av studierna (25, 33, 34) drar slutsatsen att AI kan användas som ett verktyg eller sekundär granskare för att underlätta arbetet på radiologiska avdelningar. Detta bekräftas även i annan forskning (43).

För att AI skall implementeras i den kliniska verksamheten krävs en god tillförlitlighet. Tillförlitligheten kontrolleras på grund av patientsäkerhet och för att patienten inte ska bli feldiagnostiserad (7). Vid misstanke om lungemboli är det särskilt viktigt att patienten blir korrekt diagnostiserad för att undvika allvarliga konsekvenser. Men likaså kan en falsk positiv diagnos skapa onödigt lidande för patienten. Oavsett om en patient blir falskt diagnostiserad som positiv eller negativ så minskar förtroendet för AI och sjukvården. Detta bekräftas även i annan forskning (44).

20

En aspekt som inte lyfts i detta arbete är AI:s tidseffektivisering. Det finns studier som menar att AI kan tidseffektivisera arbetet på radiologiska avdelningar (43). Men det finns också studier som ser AI som en belastning för radiologer. En mjukvara som inte är tillräckligt

utarbetad resulterar i stort antal falska positiva

fynd som radiologer behöver granska (45). Tidsaspekten går därför hand i hand med systemets sensitivitet och specificitet. Ett system med högre tillförlitlighet skulle ha mindre negativ påverkan på arbetsflödet.

AI är en mjukvara under utveckling (6). Studien visar att måtten på sensitivitet och specificitet varierar stort mellan studier utförda det senaste årtiondet. Antal träningsfall, deltagarantal, bildkvalité och valet av metod har varierat. AI har i studierna diagnostiserat flera människor korrekt, men också diagnostiserat fel. En återkommande anledning till feldiagnostisering är artefakter. Författarna till detta arbete menar att röntgensjuksköterskor kan med denna vetskap bidra till att minska AI:s feldiagnostisering. Detta kan ses som en utmaning, men skapar också möjligheter till den framtida utvecklingen av AI. Röntgensjuksköterskan kan med rätta förutsättningar såsom kunskap, inställning och framtidstro bidra till medicintekniska framtiden (12). Forskning lyfter vikten av att radiologiska avdelningar behöver identifiera lämpliga användningsområden för AI, utifrån de behov som finns. Detta leder till att AI-leverantörer kan skapa och träna algoritmer med ett tydligt syfte (46).

Klinisk implikation och vidare forskning

Genom denna litteraturstudie har det nuvarande kunskapsläget om AI:s tillförlitlighet vid diagnostisering av lungemboli sammanställts. Fakta och information som samlats i arbetet bidrar till kunskapsspridning. AI är ett nytt men ständigt växande område som syns i allt fler sammanhang. Genom att sprida kunskapen kan intresset för teknik, utveckling och forskning utvecklas hos fler.

Vidare forskning bör utföras gällande röntgensjuksköterskans upplevelser av

implementeringen av AI. Genom att utforska AI:s påverkan på den radiologiska avdelningen så kan framtida algoritmer möta de behov som finns idag. Författarna i denna studie anser att detta är nödvändigt för att en dag kunna skapa en mjukvara som gynnar vårdtagare och vårdgivare. Genom ett samarbete mellan radiologiska avdelningar och leverantörer av AI-system kan den

21

optimala programvaran utvecklas. Ytterligare forskning skulle även behövas för att utvärdera patientens upplevelse av att bli diagnostiserad av en programvara. Frågan är om det är etiskt rätt att AI diagnostiserar en patient utan att denne blivit tillfrågad. Det är viktigt att AI möter de etiska aspekterna för att bevara patientens integritet och självbestämmande.

22

Slutsats

Resultatet av litteraturstudien visar spridda mått över AI:s tillförlitlighet. Potential finns för att i framtiden implementera AI vid diagnostisering av lungemboli på den radiologiska avdelningen, men vidare forskning behövs för att förbättra tillförlitligheten. Röntgensjuksköterskan står inför framtida utmaningar men också möjligheter. Genom ett intresse för ständig utveckling så kommer röntgensjuksköterskan att bidra till AI:s framtid på den radiologiska avdelningen.

23

Referenser

*Artiklar som ingår i resultatet är markerade med en asterix.

1. Aspelin P, Pettersson H. Radiologi. Lund: Studentlitteratur; 2008.

2. Radulovic V, Ekdahl S, Hellgren M, Eriksson H, Baghaei F. Lungemboli Kungsbacka: Internetmedicin AB; 2019 [Lungemboli]. Available from:

https://www.internetmedicin.se/behandlingsoversikter/koagulation/lungemboli/.

3. Weisberg EM, Chu LC, Fishman EK. The first use of artificial intelligence (AI) in the ER: triage not diagnosis. Emergency radiology. 2020;27(4):361-6.

4. Currie G, Hawk KE, Rohren E, Vial A, Klein R. Machine Learning and Deep Learning in Medical Imaging: Intelligent Imaging. Journal of medical imaging and radiation sciences. 2019;50(4):477-87.

5. Balkenius C, Skeppstedt J, Gärdenfors P. Artificiell intelligens Malmö: NE Nationalencyklopedin AB; 2021 [Available from:

https://www.ne.se/uppslagsverk/encyklopedi/l%C3%A5ng/artificiell-intelligens. 6. Hemanth J, Silva T, Karunananda A. Artificial Intelligence Second International

Conference, SLAAI-ICAI 2018, Moratuwa, Sri Lanka, December 20, 2018, Revised Selected Papers. 1st ed. 2019. ed. Singapore: Springer Singapore; 2019.

7. Levi R. Så granskar man om ett test ger tillförlitliga svar Stockholm: SBU-statens

beredning för medicinsk och social utvärdering; 2019 [sensitivitet och specificitet]. Available from: https://www.sbu.se/vop27_2019.

8. Ludvigsson J, Ekbom A. Medicinsk statistik-diganostiska tester Kungsbacka: Internetmedicin; 2017 [sensitivitet och specificitet]. Available from:

https://www.internetmedicin.se/behandlingsoversikter/ovrigt/medicinsk-statistik-diagnostiska-tester/.

9. Möller TB, Reif E. Pocket atlas of radiographic positioning : including positioning for conventional angiography, CT, and MRI. 2. ed. ed. Stuttgart: Thieme; 2009.

10. FASS. Omnipaque Stockholm2020 [Available from: "> https://www.fass.se/LIF/product?nplId=19821217000069.

11. Barett JF, Keat N. Artifacts in CT: recognition and Avoidance. Radiographics. 2004;24:1679-91.

12. Örnberg G, Andersson B. Kompetensbeskrivning för legitimerad röntgensjuksköterska. Umeå: Svenskförening för röntgensjuksköterskor; 2012.

13. Strålsäkerhetsmyndigheten. Ordlista kärnkraft A-D Stockholm: Strålsäkerhetsmyndigheten; 2012 [Alara]. Available from:

24

14. Forsberg C, Wengström Y. Att göra systematiska litteraturstudier : värdering, analys och presentation av omvårdnadsforskning. 3. uppl. ed. Stockholm: Natur & Kultur; 2013.

15. Olsson H, Sörensen S. Forskningsprocessen : kvalitativa och kvantitativa perspektiv. 3. uppl. ed. Stockholm: Liber; 2011.

16. Kristensson J. Handbok i uppsatsskrivande och forskningsmetodik för studenter inom hälso- och vårdvetenskap. 1. utg. ed. Stockholm: Natur & Kultur; 2014.

17. education IC. Exploratory data analysis New york: IBM; 2020 [spss]. Available from: https://www.ibm.com/cloud/learn/exploratory-data-analysis.

18. Vetenskapsrådet. Forskningsetiska principer inom humanistisk-samhällsvetenskaplig forskning. Stockholm: Vetenskapsrådet; 2002 [Available from:

https://lincs.gu.se/digitalAssets/1268/1268494_forskningsetiska_principer_2002.pdf?fbclid=I wAR0EbVOpmTzwas3LhvU7jIUJKTL9x0WFixyuGY61TzkgJOXhL-_0RKMNPVk.

19. Henricson M. Vetenskaplig teori och metod : från idé till examination inom omvårdnad. 1. uppl. ed. Lund: Studentlitteratur; 2012.

20. Office of human research protections. International Compilation of Human Research Standards. U.S: U.S department of health and human services; 2019.

21. *Liu W, Liu M, Guo X, Zhang P, Zhang L, Zhang R, et al. Evaluation of acute pulmonary embolism and clot burden on CTPA with deep learning. European radiology.

2020;30(6):3567-75.

22. *Cano-Espinosa C, Cazorla M, González G. Computer Aided Detection of Pulmonary Embolism Using Multi-Slice Multi-Axial Segmentation. Applied sciences. 2020;10(8):2945. 23. *Yang X, Lin Y, Su J, Wang X, Li X, Lin J, et al. A Two-Stage Convolutional Neural Network for Pulmonary Embolism Detection From CTPA Images. IEEE access.

2019;7:84849-57.

24. *Park SC, Chapman BE, Zheng B. A Multistage Approach to Improve Performance of Computer-Aided Detection of Pulmonary Embolisms Depicted on CT Images: Preliminary Investigation. IEEE transactions on biomedical engineering. 2011;58(6):1519-27.

25. *Weikert T, Winkel DJ, Bremerich J, Stieltjes B, Parmar V, Sauter AW, et al. Automated detection of pulmonary embolism in CT pulmonary angiograms using an AI-powered

algorithm. European radiology. 2020;30(12):6545-53.

26. *Huang S-C, Kothari T, Banerjee I, Chute C, Ball RL, Borus N, et al. PENet-a scalable deep-learning model for automated diagnosis of pulmonary embolism using volumetric CT imaging. NPJ digital medicine. 2020;3(1):61-.

27. *Wittenberg R, Peters JF, Weber M, Lely RJ, Cobben LPJ, Prokop M, et al. Stand-alone performance of a computer-assisted detection prototype for detection of acute pulmonary embolism: a multi-institutional comparison. The British journal of radiology.

25

28. Aphinives C, Aphinives P. Artificial intelligence development for detecting prostate cancer in MRI. European Urology Open Science. 2020;21:S63.

29. *Ozkan H, Osman O, Sahin S. Computer aided detection of pulmonary embolism in Computed Tomography Angiography images. IEEE; 2013. p. 355-8.

30. *Blackmon KN, Florin C, Bogoni L, McCain JW, Koonce JD, Lee H, et al. Computer-aided detection of pulmonary embolism at CT pulmonary angiography: can it improve performance of inexperienced readers? European Radiology. 2011;21(6):1214-23. 31. *Dewailly M, Rémy-Jardin M, Duhamel A, Faivre J-B, Pontana F, Deken V, et al. Computer-aided detection of acute pulmonary embolism with 64-slice multi-detector row computed tomography: impact of the scanning conditions and overall image quality in the detection of peripheral clots. Journal of computer assisted tomography. 2010;34(1):23-30. 32. Kang Y, Kim YJ, Park S, Ro G, Hong C, Jang H, et al. Development and operation of a digital platform for sharing pathology image data. BMC medical informatics and decision making. 2021;21(1):114-.

33. *Ozkan H, Tulum G, Osman O, Sahin S. Automatic Detection of Pulmonary Embolism in CTA Images Using Machine Learning. Elektronika ir elektrotechnika. 2017;23(1):63.

34. *Kligerman SJ, Lahiji K, Galvin JR, Stokum C, White CS. Missed pulmonary emboli on CT angiography: assessment with pulmonary embolism-computer-aided detection. American journal of roentgenology (1976). 2014;202(1):65-73.

35. Hamid S. The Opportunities and Risks of Artificial Intelligence in Medicine and Healthcare. CUSPE Communications; 2016.

36. Fatima S, Desouza KC, Denford JS, Dawson GS. What explains governments interest in artificial intelligence? A signaling theory approach. Economic analysis and policy.

2021;71:238-54.

37. Harvey H, Topol EJ. More than meets the AI: refining image acquisition and resolution. The Lancet (British edition). 2020;396(10261):1479-.

38. *Wittenberg R, Berger FH, Peters JF, Weber M, van Hoorn F, Beenen LFM, et al. Acute pulmonary embolism: effect of a computer-assisted detection prototype on diagnosis--an observer study. Radiology. 2012;262(1):305-13.

39. *Yu C-Y, Cheng Y-C, Kuo C. Early Pulmonary Embolism Detection from Computed Tomography Pulmonary Angiography Using Convolutional Neural Networks. IEEE; 2020. p. 1-6.

40. *Wittenberg R, Peters JF, Sonnemans JJ, Prokop M, Schaefer-Prokop CM, Wittenberg R, et al. Computer-assisted detection of pulmonary embolism: evaluation of pulmonary CT angiograms performed in an on-call setting. European Radiology. 2010;20(4):801-6.

26

41. Botwe BO, Antwi WK, Arkoh S, Akudjedu TN. Radiographers' perspectives on the emerging integration of artificial intelligence into diagnostic imaging: The Ghana study. Journal of medical radiation sciences. 2021.

42. Deng C, Ji X, Rainey C, Zhang J, Lu W. Integrating Machine Learning with Human Knowledge. iScience. 2020;23(11):101656-.

43. Ma J, Song Y, Tian X, Hua Y, Zhang R, Wu J. Survey on deep learning for pulmonary medical imaging. Frontiers of medicine. 2019;14(4):450-69.

44. Reddy S, Allan S, Coghlan S, Cooper P. A governance model for the application of AI in health care. Journal of the American Medical Informatics Association : JAMIA.

2020;27(3):491-7.

45. Buhmann S, Herzog P, Liang J, Wolf M, Salganicoff M, Kirchhoff C, et al. Clinical evaluation of a computer-aided diagnosis (CAD) prototype for the detection of pulmonary embolism. Academic radiology. 2007;14(6):651-8.

46. Kotter E, Ranschaert E. Challenges and solutions for introducing artificial intelligence (AI) in daily clinical workflow. European radiology. 2021;31(1):5-7.

27

Bilagor

Introduktion Saknas Knapphändig Medel Välskriven

Syfte Ej angivet Otydligt Medel Tydligt

Metod

Metodval adekvat till frågan

Ej angivet Ej relevant Relevant Metodbeskrivning

(repeterbarhet möjlig)

Ej angivet Knapphändig Medel Utförlig

litteratursökning Ej beskriven Knapphändig Medel Utförlig

Urval (liknande resultat, relevans etc.)

Ej acceptabel Låg Medel God

Vetenskaplig kvalité på ingående studier

Ej bedömd Låg Medel God

Resultat Frågeställningen besvarad Nej Ja Resultatbeskrivning (redovisning, tabeller, etc.)

Saknas Otydlig Medel Tydlig

Tolkning av resultatet Ej acceptabel Låg Medel God

Diskussion och slutsatser Överrensstämmelse med resultat (resultatets huvudpunkter belyses)

Slutsats saknas Låg Medel God

Ogrundade slutsatser Finns Saknas

Diskussion av egenkritik och felkällor Saknas Låg God Anknytning till tidigare forskning

Saknas Låg Medel God

poäng (max 39p) p p p p

Totalpoäng p

Procent %

28 Bilaga 2. Etisk egengranskning