Uppsala universitet
Institutionen för informatik och media
Läkarstudenters attityder till artificiell intelligens inom sjukvården
Sebastian Sjöblom och Martin Eriksson
Kurs: Examensarbete Nivå: C Handledare: PG Holmlöv Termin: VT 2020 Datum: 14 juni 2020
Sammanfattning
Artificiell intelligens (AI) är idag en mycket omdiskuterad teknik med många postulerade användningsområden inom en bred rad vetenskapliga principer. Inom medicin har datorer länge hjälpt till med att analysera data och hjälpa medicinska utövare. Idag är frågan mer relevant än någonsin då medicinsk AI håller på att lanseras i kliniska miljöer och många utövare tror att tekniken kommer att få ett stort genomslag i framtiden.
Utifrån denna bakgrund har vi velat undersöka Sveriges läkarstudenters inställning till AI som ett hjälpmedel inom sjukvården. Detta har gjorts genom en kvantitativ enkätbaserad undersökning som bygger på en modifiering av modellen Technology acceptance model 2 (TAM2) för att mäta attityderna till tekniken. Resultaten från enkäten har analyserats med hjälp av t-tester och regressionsanalys för att besvara våra forskningsfrågor. Analysen av resultaten visar bland annat att Sveriges läkarstudenters inställning till AI inom sjukvård är positiv och att de vill använda sig av tekniken.
Nyckelord
Artificiell intelligens, AI, Technology Acceptance Model, TAM2, Attityder för AI, Läkarstudenter
Förord
Vi vill tacka vår handledare PG Holmlöv som med tålamod och engagemang har väglett oss genom hela arbetsprocessen. Vidare vill vi tacka alla medverkande respondenter som har bidragit med svar till denna studie. Utan er hade denna undersökning inte varit möjlig att genomföra. Dessutom vill vi tacka opponentgruppen och deras opponenthandledare som har kommit med bra kritik som har hjälpt oss att förbättra uppsatsen.
Tack!
Uppsala, den 14 juni 2020
_______________________ _______________________
Sebastian Sjöblom Martin Eriksson
Innehållsförteckning
1. Inledning 6
1.1 Problemformulering 7
1.2 Syfte och forskningsfråga 7
1.3 Avgränsning 8
1.4 Kunskapsintressenter 8
1.5 Disposition 9
2. Teori 10
2.1 Tidigare forskning 10
2.1.1 Forskning på läkares inställning till AI 10
2.1.2 Forskning på tyska läkarstudenters uppfattning av AI 11 2.1.3 Forskning på brittiska läkarstudenters uppfattning av AI 11
2.2 Technology Acceptance Model 2 11
3. Metod 15
3.1 Forskningsstrategi 15
3.1.1 Datainsamlingsmetodik 16
3.1.2 Planering av enkätundersökning 16
3.1.3 Genomförande av enkätundersökning 18
3.2 Dataanalysmetod 18
3.2.1 Regressionsanalys 18
3.2.2 T-tester 19
4. Empiri 20
4.1 Svarsfördelning för enkätfrågor 20
4.1.1 Födelseår 20
4.1.2 Kön 20
4.1.3 Lärosäte 21
4.1.4 Termin 21
4.1.5 Intresse för AI inom sjukvård 22
4.1.6 Viljan att lära sig mer om AI under sin läkarutbildning 22
4.1.7 Experience 23
4.1.8 Output quality (1 av 2) 23
4.1.9 Output quality (2 av 2) 24
4.1.10 Job relevance 24
4.1.11 Image (1 av 2) 25
4.1.12 Image (2 av 2) 25
4.1.13 Intention to use (1 av 2) 26
4.1.14 Intention to use (2 av 2) 26
4.1.15 Perceived usefulness 27
4.1.16 Result demonstrability 27
5. Analys 28
5.1 T-tester 28
5.2 Regressionsanalyser 30
5.2.1 Regressionsanalys av externa variabler i TAM2 30
5.2.2 Regressionsanalys av interna TAM2-variabler 32
6. Diskussion och slutsats 33
6.1 Jämförelse med tidigare forskning 33
6.2 Sammanfattning och slutsats 34
6.3 Framtida forskning 35
Källförteckning 36
Bilagor 38
Enkätundersökningen 38
1. Inledning
Att göra bedömningar utifrån patientdata är en av grundpelarna inom medicin. Dessa bedömningar är nyanserade och de data och kunskaper som används är ofta av spretig karaktär och innehåller många olika slags data. Artificiell intelligens (AI) är en teknik som med avancerade inlärningsalgoritmer har visat stor potential när det kommer till att analysera och ta beslut rörande stora mängder kvantitativ data. (Bi et al., 2019)
Attityden gentemot och uppfattningen av en teknik har länge setts som en stark indikator till faktiskt användande av ett system och ses som en av de viktigaste faktorerna för att avgöra om användningen av systemet kommer att accepteras av målgruppen (Venkatesh & Davis, 2000). Vid Bild- och funktionsmedicinskt centrum på Akademiska sjukhuset i Uppsala har man sedan 2019 börjat använda AI-stöd vid radiologisk diagnosticering (Tysk, 2019).
Liknande pilotförsök med AI-teknik förekommer på Danderyds sjukhus i Stockholm (Lagerbielke, 2019). Dessa nyheter om att AI har tagit steget från forskning till kliniken i kombination med forskningsrön om vad ett AI-stöd kan producera för resultat gällande bildigenkänning klargör behovet för forskning gällande svenska lärarstudenters attityder till AI inom sjukvården (Hosny et al., 2018).
Artificiell intelligens är en term som kan appliceras på många olika sorters system som använder sig av tidigare erfarenheter för att utföra sitt arbete. Författarna Kaplan och Haenlein (2019) definierar termen i sin artikel om AI:s olika tolkningar, illustrationer och innebörder som ”ett systems möjlighet att tolka externa data korrekt, att lära sig från denna data och att sedan använda sig av inlärningen för att åstadkomma specifika mål och uppgifter genom flexibel adoption”.
AI och maskininlärning är två länkade områden och avancerade metoder som Deep Neural Networks, men även enklare metoder som regressionsanalys, kan användas för att träna AI-system. AI och maskininlärning är dock två skilda saker eftersom AI även täcker
systemets förmåga att uppfatta data (t.ex. röst- och bildigenkänning) eller att styra, flytta och manipulera objekt baserat på lärd information, vare sig det är en robot eller en annan ansluten enhet. (Kaplan & Haenlein, 2019) Deep Learning är en teknik som förbättrar prestationen för maskininlärning genom att använda olika nivåer av representation. Dessa nivåer skapas genom att sammansätta enkla, men icke-linjära, moduler som transformerar representationen till en högre och mer abstrakt nivå. Med tillräckligt många transformationer kan väldigt komplexa funktioner läras in. (LeCun, Bengio & Hinton, 2015)
AI-applikationer inom medicin har tidigare generellt presterat sämre än människor, men med deep learning-algoritmer har det skapats applikationer som matchar, och till och med
utpresterar, människor. Detta beror främst på framsteg inom AI-forskning, de massiva
mängder data som har tillgängliggjorts med databaser genom samarbeten mellan sjukhus, och även på den ökade tillgången till kraftfull modern hårdvara. (Hosny et al., 2018)
1.1 Problemformulering
Artificiell intelligens (AI) är en teknik som skapar mycket debatt och det finns mycket att säga om de potentiella vinsterna och riskerna. Konsumenter har överlag en negativ bild av AI inom sjukvård, och patienters inställning till AI-teknik är oftast motvillig. Patienter är mindre benägna att använda vård där bedömningen kommer från ett AI-system och ser inte den vården som lika värdefull som vid traditionella läkarbedömningar, även om AI-systemet har lika hög träffsäkerhet som en läkare. Tidigare studier identifierar att den negativa attityden mot medicinsk AI-teknik kan bero på fenomenet unik försummelse, som är en psykologisk drivkraft som handlar om en patients uppfattning om att dennes egen sjukdom är unik eller speciell, samtidigt som ett AI-system vid diagnosticering inte tar hänsyn till det på samma sätt som en vanlig läkare gör. (Longoni, Bonezzi, & Morewedge, 2019)
Sit undersöker i en studie från 2020 vilka attityder som engelska läkarstudenter har gentemot AI. Resultatet visar bland annat att över 90% av de tillfrågade tror att AI kommer att spela en viktig eller mycket viktig roll inom sjukvården i framtiden. Studien visade samtidigt att över 40% av läkarstudenterna hade inte en god förståelse för de basala beräkningsprinciperna hos AI. (Sit et al., 2020)
Den upplevda användbarheten och attityden till användande av en teknik är en av de största indikationerna till faktiskt användande, vilket gör att det är relevant och viktigt att undersöka Sveriges läkarstudenters attityder till AI-teknik som hjälpmedel inom sjukvården. Dessa läkarstudenter kommer att ingå i nästa generationens läkare som kommer att ha tillgång till AI-teknologi när de arbetar kliniskt. Det framkommer från studier att attityden till AI hos de nuvarande utövarna inom läkaryrket, och blivande läkare, kommer att vara essentiella för teknikens adoption inom området (Laï et al., 2020). Det är därför viktigt för teknikens
framgång att fånga upp hur dessa grupper uppfattar AI-tekniken, och att därigenom förutsäga om dessa grupper kommer att anamma tekniken eller inte.
1.2 Syfte och forskningsfråga
Syftet med denna enkätstudie är att med hjälp av en modifierad TAM2-modell undersöka attityderna hos Sveriges läkarstudenter rörande artificiell intelligens (AI) som hjälpmedel inom sjukvården. Eftersom AI är ett område som kommer att växa inom sjukvården känner vi att det är ett viktigt område att forska vidare inom. Som tidigare studier diskuterar är dagens läkare och läkarstudenter de yrkesutövare som kommer att vara den kritiska målgruppen för användandet och tillämpningen av AI-teknik. (Sit et al., 2020) Därför anser vi att det är högst relevant att analysera och diskutera angående vilken attityd och uppfattning som råder bland Sveriges läkarstudenter gällande AI som hjälpmedel.
Uppsatsens resultat fyller en grund för framtida forskning inom ämnet. Vidare inom detta område är det intressant att undersöka olikheterna bland segment inom enkätsvaren för att se om det finns några grupper som sticker ut i sina attityder och vilka implikationer det kan ha för utformningen av framtida forskning inom området.
Den huvudfrågeställning som ämnas besvaras genom denna attitydstudie är därmed:
● Vilken attityd har läkarstudenter i Sverige till att använda artificiell intelligens (AI) som hjälpmedel inom hälso- och sjukvården?
En sekundär frågeställning till huvudfrågeställningen är:
● Finns det segment inom populationen läkarstudenter i Sverige som har signifikant annorlunda uppfattning av artificiell intelligens (AI) inom sjukvården?
1.3 Avgränsning
Vi har inte fokuserat på någon specifik teknisk AI-lösning, eller hur AI-system fungerar på en teknisk nivå, utan istället på den allmänna attityden hos läkarstudenter gällande AI som hjälpmedel inom sjukvården. Denna avgränsning gjordes då vi ansåg att det skulle bli förvirrande att ställa mycket tekniska frågor samtidigt som vi vill undersöka attityden till AI inom sjukvård i allmänhet och inte för något specifikt system. Eftersom vi ville undersöka alla Sveriges lärosäten som bedriver läkarutbildning är det orimligt att anta att det finns ett AI-baserat system som alla Sveriges läkarstudenter har någon slags erfarenhet utav.
Uppsatsen ser inte till faktiska erfarenheter angående användning av AI-system, utan endast attityder rörande användning av dessa system. Detta eftersom vi ville undersöka attityderna bland respondenterna, samtidigt som den grupp som har hunnit använda AI-teknik vid kliniskt arbete eller klinisk praktik är troligen väldigt liten eller helt obefintlig.
Uppsatsen undersöker attityder angående AI hos Sveriges läkarstudenter samt vilka tankar och upplevelser de har angående AI. Med andra ord undersöks inte attityder hos exempelvis patienter, nuvarande läkare eller andra studentgrupper relaterade till AI inom sjukvården, såsom sjuksköterskestudenter.
1.4 Kunskapsintressenter
Studien ska bidra med en insikt om vilken attityd som Sveriges läkarstudenter har rörande artificiell intelligens som hjälpmedel inom sjukvården. Dessa resultat kan komma till användning för sjukvårdsavdelningar och mjukvaruföretag som har ambition att
implementera AI-lösningar inom sjukvården, men vill veta mer om kunskapsnivåer och intresse bland sjukvårdens framtida medarbetare. Det är av betydelse att veta vilken attityd som finns bland framtidens sjukvårdspersonal om man planerar att använda sig av mer AI inom sjukvården. En annan intressent som kan ha användning av resultaten är svenska universitet som utbildar läkarstudenter. Resultatet från denna studie kan exempelvis bidra till att den svenska läkarutbildningen förbättras.
1.5 Disposition
Uppsatsen är indelad i sex olika avsnitt: Inledning, Teori, Metod, Empiri, Analys, och slutligen Diskussion och slutsats.
Den inledande delen av uppsatsen innehåller en sammanfattning av innehållet, nyckelord för uppsatsen och förord som speglar arbetet med uppsatsen. Huvuddelen av uppsatsen består av inledning med problemformulering, teori med belysning av tidigare forskning och teoretiskt ramverk, metod med forskningsansats, empiri, analys, diskussion och slutsats. Slutligen är det en avslutande del med källförteckning och bilagor.
2. Teori
Denna del av uppsatsen tar upp tidigare relevant forskning inom området AI som kan kopplas till enkätstudien som uppsatsen berör. Sedan följer en presentation av det teoretiska ramverk som har använts för uppsatsen.
2.1 Tidigare forskning
2.1.1 Forskning på läkares inställning till AI
I en studie från 2020 ville författarna Laï, Brian och Mamzer intervjua och undersöka 40 st franska läkare och medicinska AI-experter om deras åsikter angående AI:s möjligheter och barriärer inom sjukvården. Eftersom dessa intressenter för närvarande arbetar inom det medicinska fältet har de en stor påverkan på agendan för sitt fält inom den närmaste framtiden och hur AI kommer att appliceras inom deras yrke. Författarna ser detta som en kritisk tid för lanseringen av medicinska AI-system.
Intervjupersonerna fick frågor om vad mänsklig intelligens är, vad AI egentligen är, var den har möjlighet att appliceras, om mer träning behövs för läkare, hur tekniken kommer att ändra förhållandet mellan patient och läkare, och de etiska aspekterna av AI. Enligt resultaten var majoriteten av intervjupersonerna positiva till AI och den påverkan som den kan ha inom det medicinska fältet. De ansåg att AI kan hjälpa läkare i deras beslutsfattande och även hjälpa till med repetitiva analyser av data, som idag tar upp mycket av läkares arbetstid, för att ge läkarna mer tid med sina patienter. Det senare sågs som den viktigaste uppgiften som AI för närvarande kan utföra.
Enligt resultaten av intervjuerna ansåg många av läkarna att fältet AI hjälps av den publika diskussion och dess plats i populärkulturen där det ses som framtidens lösning på samtidens problem. Samtidigt vill de att myten av AI som en intelligent, fristående, egentänkande och autonom entitet klaras upp då AI inom sjukvård i den största majoriteten av fallen är ett verktyg som hjälper läkare i sin roll som beslutsfattare, och kommer inte att utföra en operation eller ge diagnoser på egen hand inom en överskådlig framtid.
De tillfrågade var överens om att en av de största framgångskriterierna för AI är tillgången till de datamängder som behövs för att träna tillförlitliga modeller och algoritmer. Tillgången till den datan presenterar också en etisk fråga om tillgången till vår medicinska historik och hur den kommer att användas av de som utvecklar AI-system. Författarna avslutar med att identifiera att samspelet mellan AI och big data måste vara väl integrerat i arbetsflödet och användas på ett etiskt sätt om vi vill ha ett AI-verktyg som kommer att hjälpa både
medicinska utövare och patienter (Laï et al., 2020).
2.1.2 Forskning på tyska läkarstudenters uppfattning av AI
Den förutspådda och reella ökning av AI inom medicin har fått forskare att ställa frågor kring hur läkarstudenter ser på detta nya lovande hjälpmedel. I en tysk studie från 2019 har Pinto dos Santos, Giese & Brodehl via en enkätundersökning frågat tyska läkarstudenter om deras attityder gentemot artificiell intelligens. Studien berörde 263 st läkarstudenter. Resultaten visade att ca 68% av respondenterna var obekanta med de AI-teknologier som studien berörde. Bland dessa respondenter var en klar majoritet kvinnor, medan män i mycket större utsträckning var istället bekanta med AI-teknologierna. Därtill trodde inte 83% av
respondenterna att AI skulle kunna ersätta en läkare i dess yrkesroll. Över två tredjedelar (71%) av de tillfrågade höll med om att AI borde finnas med som en del av
läkarutbildningen.
Slutsatserna från studien var att läkarstudenter hade en låg kunskap om AI-tekniker, men hade ingen generell oro för att bli ersatta av AI i sina blivande yrkesliv. Därtill menade man att läkarstudenter var generellt sett medvetna om den potential som AI kan ha för sjukvården i framtiden. (Pinto dos Santos et al., 2019)
2.1.3 Forskning på brittiska läkarstudenters uppfattning av AI
En studie med brittiska läkarstudenter kom fram till att en stor majoritet (88%) av studenterna trodde att AI kommer att ha en viktig roll inom sjukvården i framtiden. Nästan 50% av de tillfrågade studenterna sade att det var mindre troligt att de skulle välja en karriär inom radiologi då detta fält är det område som sett mest implementeringar av AI-teknik, och det fält som många experter tror kommer att krympa först när AI-teknik kan ta en större del av arbetsbördan. Studien tar upp att det finns mycket motsägelsefull information inom
AI-området och att det finns argument för att AI inte kommer att ta några radiologers jobb, utan istället finnas som ett stödverktyg för läkare inom en överskådlig framtid (Pesapane et al., 2019).
Enligt studien är inställningen till tekniken generellt sett positiv och majoriteten av de tillfrågade studenterna är överens att mer utbildning och verkliga användningsfall behövs inom området för att de ska ha realistiska förväntningar och förstå vad tekniken kan göra och inte kan göra (Sit et al., 2020).
2.2 Technology Acceptance Model 2
I uppsatsen kommer vi att använda oss av en modifierad version av modellen Technology Acceptance Model 2 (TAM2), som är en utökning och utförligare variant av dess föregångare Technology Acceptance Model (TAM). Det är en vanligt förekommande modell i
vetenskapliga artiklar inom området informationssystem. TAM ämnar att förklara användarbeteende och avsikt att använda ett system genom att titta på den upplevda användbarheten (Perceived Usefulness) och den upplevda användarvänligheten (Perceived Ease of Use). Den upplevda användbarheten och användarvänligheten leder till en ökad avsikt att använda systemet (Intention to Use), som i sin tur leder till ett användarbeteende (Usage Behavior). Den första versionen av TAM föreslogs av Davis under år 1989, och ämnade att förklara de bakomliggande faktorerna som gör att en ny teknologi adopteras.
(Venkatesh & Davis, 2000)
TAM visade sig vara effektiv för att förklara användarbeteende, men eftersom perceived usefulness leder starkt till ett ökad användarbeteende ville Davis undersöka närmare vilka faktorer som leder till en högre eller en lägre perceived usefulness. Detta ledde till att Technology Acceptance Model 2 (TAM2) utvecklades för att få en bättre koll på dessa processer. TAM2 förklarar detta genom socialt inflytande via normer och uppfattningar av teknologin, samt kognitivt instrumentella processer som relevans till ens yrke och kvaliteten på utdatan som systemet producerar. Denna modell visade bra resultat i de undersökningar som utfördes för att testa modellens validitet och är vitt citerad inom IS-fältet. (Venkatesh &
Davis, 2000)
Figur 1. Technology Acceptance Model 2 (TAM2).
Enligt Venkatesh och Davis (2000) består TAM2-modellen av 4 st huvuddelar och 7 st underkategorier (se fig. 1):
1. Användarbeteende (Usage Behavior): definieras som användande av systemet 2. Avsikt att använda (Intention to Use): definieras som avsikten att använda systemet,
där en högre avsikt leder till ett ökat användande av systemet.
3. Upplevd användbarhet (Perceived Usefulness): definieras som till vilken grad användaren upplever att att systemet kommer att förbättra arbetet. Högre upplevd användbarhet leder till en högre avsikt att använda.
4. Upplevd användarvänlighet (Perceived Ease of Use): definieras som till vilken grad användaren tror att användning av systemet inte kommer att innebära någon
ansträngning. Detta påverkar den upplevda användbarheten, och avsikten att använda.
5. Frivillighet (Voluntariness): definieras som till vilken grad användande av systemet ses som frivilligt. Graden av frivillighet kommer att moderera effekten som den subjektiva normen har på avsikten att använda.
6. Erfarenhet (Experience): definieras som den erfarenhet användaren har av användning av systemet. Graden av erfarenhet kommer att ta över rollen av subjektiv norm efter lanseringsperioden då den initiala rädslan för användning kommer att minska med en ökad erfarenhet som användaren får i systemet.
7. Subjektiv norm (Subjective Norm): definieras som personens uppfattning om
personer i dennes närhet tycker att man borde eller inte borde utföra ett visst beteende.
Subjektiv norm leder både till en ökad positiv/negativ föreställning, och till en ökad/minskad avsikt att använda.
8. Föreställning (Image): definieras som till vilken grad användningen av en innovation uppfattas förbättra ens egen status inom en social grupp. En bättre föreställning av ett system leder till en ökad upplevd användbarhet.
9. Jobbrelevans (Job Relevance): definieras som en individs uppfattning om huruvida målsystemet är tillämpningsbart på dennes jobb och hur viktiga är uppsättningen av uppgifter som systemet kan stödja. En ökad jobbrelevans leder till en ökad upplevd användbarhet.
10. Produktkvalitet (Output Quality): definieras som kvaliteten på arbetet som systemet kan utföra. Detta kan relateras till jobbrelevans eftersom den som funderar på vilka uppgifter systemet kan utföra, undrar även också hur väl systemet kan utföra dem. En högre produktkvalitet leder till en ökad upplevd användbarhet.
11. Påvisbarhet av resultat (Result Demonstrability): definieras som påtagligheten av resultaten av att använda innovationen. Även om ett system producerar bra resultat kan det vara svårt att avgöra nyttan om inte korrelationen mellan användande och resultat är tydlig. En högre påvisbarhet för resultat leder till en ökad upplevd användbarhet.
Ovanstående ramverk modifierades med hänsyn till tidigare forskning. Ingen fråga i enkäten relateras till TAM2-variablerna Subjective Norm, Voluntariness, Perceived Ease of Use och Usage Behavior. Chismar och Wiley-Patton (2002) applicerade TAM2 för att förstå läkares anammande av teknik och fann då att subjective norm inte hade någon större påverkan på användarbeteende bland läkare. Därför gjordes valet att modifiera modellen för samla in de mest relevanta svaren för undersökningen. Variabeln voluntariness valdes bort eftersom det anses vara irrelevant att mäta graden av upplevd frivillighet av att använda ett hypotetiskt system eftersom studien samlar in svar från läkarstudenter som har inte använt dessa teoretiska system.
Variabeln perceived ease of use ansågs också vara irrelevant att mäta eftersom det system vi frågar om i enkäten inte är ett verkligt eller konkret system. Detta val motiveras också av tidigare forskning berörande TAM-användande inom medicinska studier. När variabeln har
undersökts inom andra mätningar har det saknats bevis för att det skulle vara en stark indikator (Yarbrough & Smith, 2007).
Variabeln usage behavior ämnar att mäta faktisk användning av ett system och blir därför väldigt svårt, om inte omöjligt att mäta i denna kontext. Om det skulle ställas en fråga i stil med “Jag har använt mig av ett AI-system inom sjukvård”, skulle troligen en majoritet av svaren bli “Nej”, bland annat eftersom att undersökningen vänder sig till läkarstudenter och inte exempelvis kliniskt arbetande läkare, men även för att AI-tekniken är inte särskilt utbredd inom den svenska sjukvården idag. Detta skulle sedan skapa problem när vi ska relatera svaren till konstruktet då det skulle se ut som modellen är en dålig indikator till variabeln usage behavior när det i själva verket är så att den tillfrågade gruppen inte har använt AI-system eftersom att de inte haft möjlighet till det.
3. Metod
Denna del av uppsatsen tar upp hur forskningsprocessen har gått till, vilken
forskningsansatsen för attitydstudien och slutgiltligen presenteras de kvantitativa metoder som har använts för att analysera data och bekräfta modellen.
3.1 Forskningsstrategi
Denna attitydstudie räknas som en studie inom paradigmet Positivism eftersom den gör en objektiv, matematisk och logisk analys av resultaten. Positivismen har en uppfattning om att objektiva undersökningar kan utföras eftersom världen upplevs vara ordnad och regelbunden.
(Oates, 2006)
Studien ska undersöka medvetenheten och attityden rörande AI hos målgruppen Sveriges läkarstudenter genom en kvantitativ enkätundersökning där datan samlas in på ett
systematiskt och standardiserat vis. I den efterföljande analysen ska resultatet undersökas för att hitta eventuella korrelationer eller mönster.
Med enkätundersökningar kan man på kort tid få fram en stor bild av hur respondenternas tankar och uppfattningar är, i jämförelse med andra insamlingsmetoder (Oates, 2006).
Eftersom resultatet kommer att vara representativt för en större del av Sveriges läkarstudenter bör generella slutsatser kunna dras utifrån resultatet.
Skapandet av enkäten tog hänsyn till Oates principer för datakrav genom att utforma frågorna så att svaren från enkäten gav oss relevant information som härstammar från det teoretiska ramverk som vi valt att analysera svaren utifrån. Därför valdes frågor om demografi, vilka är frågor som är direkt knutna till modellen, samt intresse och viljan att lära sig mer om
tekniken.
Den valda metoden för att samla in dessa data var ett frågeformulär bestående av 19 st frågor.
Tillvägagångssättet bestod av att gå med i facebookgrupper associerade till de svenska läkarprogrammen vid de aktuella lärosätena för att sedan annonsera i grupperna att vi letade efter läkarstudenter som ville svara på en enkät om attityder till AI. Detta innebär att vår urvalsteknik räknas som self-selection sampling eftersom svarspersonerna har själva angivit sitt intresse till att delta i studien. Svarsfrekvensen från facebookgrupper kan variera och därför spreds enkäten i alla facebookgrupper som vi hade tillgång till för att få så många svar som möjligt och så mycket data som möjligt.
År 2017 studerade 8011 läkarstudenter på Sveriges universitet (Ström, 2020). Antalet har eventuellt ändrats lite sedan dess, men inte med en avsevärd mängd, vilket innebär att vår urvalsgrupp med 567 svar kan ses som adekvat för denna grupp med en confidence level på 95% och en accuracy range på 4% enligt de verktyg som rekommenderas för att räkna ut provstorleken. (Oates, 2006)
3.1.1 Datainsamlingsmetodik
Studien har en abduktiv forskningsansats, baseras på tidigare forskning, har ett teoretiskt ramverk och innehåller en kvantitativ enkätundersökning. Studien är en nutida studie som ska utforska attityder och medvetenhet hos målgruppen (läkarstudenter i Sverige), och ämnar därför att samla in aktuell data från deltagare på ett mångfaldigt och varierande vis. Studien innefattar dessutom karaktärsdrag som är holistiska eftersom eventuella samband bland enkätsvaren undersöks. (Oates, 2006)
Frågeställningen för studien besvaras med hjälp av data från en enkätundersökning som har skapats med verktyget Google Forms. Enkäterna har publicerats online i facebookgrupper associerade till läkarstudenter vid de svenska universitet som tillhandahåller läkarutbildning.
Respondenterna har fått svara på enkäten helt anonymt och enskilt. Eftersträvan har varit att den frambringade datan ska vara standardiserad och koncentrerad.
3.1.2 Planering av enkätundersökning
Enkätundersökningen har för avsikt för att undersöka vilken attityd som populationen
läkarstudenter i Sverige har till att använda AI som hjälpmedel inom sjukvården. Strategin för urvalet blir icke-slumpmässig och urvalstekniken räknas som subjektiv. Detta eftersom urvalsgruppen är särskilt utvald och görs genom att man når aktivt ut till urvalsgruppen och får fram den relevanta data som önskas för att kunna besvara frågeställningen (Oates, 2006).
Resultaten är av generaliserande slag eftersom populationen och urvalsgruppen är i stort sett likadan, och gör att resultaten kan anses vara trovärdiga.
Utformningen av frågorna är anpassade till den modifierade TAM2-modellens olika variabler och informationen som enkäten inbringar ska kunna testa modellens teoretiska ramverk, samtidigt som frågeformuleringarna är begripliga för respondenterna. Vissa av frågorna i enkäten är baserade på variablerna som finns i TAM2 och kan således kopplas till olika variabler i den teoretiska modellen:
Avsikt att använda (Intention to use):
– Jag skulle använda mig av ett AI-system i mitt läkaryrke om jag fick möjligheten.
– Jag skulle känna mig bekväm med att en AI hjälper mig att ta medicinska beslut.
Upplevd användbarhet (Perceived usefulness):
– Jag anser att de uppgifter som AI kan utföra inom läkaryrket kommer att ha … (betydelse) Erfarenhet (Experience):
– Hur bekant är du med principerna för hur ett AI-system tar sina beslut eller ger sina rekommendationer?
Jobbrelevans (Job Relevance):
– Jag tror AI kommer hjälpa mig i min yrkesroll som läkare.
Påvisbarhet för resultat (Result Demonstrability):
– Jag vill att fördelarna med att använda en AI är tydlig så det framgår vilken nytta jag får av användandet.
Produktkvalitet (Output Quality):
– Jag tror att en AI kan bli bättre än en läkare på vissa arbetsuppgifter.
– Hur stort förtroende har du gällande bedömningsförmågan hos en kliniskt godkänd AI?
Svarsalternativen har utformats enligt Likertskalan och denna fråga kan vid en kvantitativ analys översättas till siffervärden på skalan 0–4; Mycket negativt = 0; Negativt = 1;
Neutralt/Ingen åsikt = 2; Positivt = 3; Mycket positivt = 4. (Likert, 1932) Föreställning (Image):
– Mitt intryck av AI som ett hjälpmedel inom sjukvården är i största allmänhet … – Jag är oroad över den negativa påverkan som AI kan ha på läkaryrket.
De andra frågorna i enkäten är av mer allmän karaktär och kopplas inte till TAM2-modellen:
– Vilket år är du född?
– Kön
– Läser du eller har du läst vid Läkarprogrammet i Sverige?
– Vilket universitet har du valt att studera vid?
– Vilken termin läser du på för tillfället?
– Hur stort är ditt intresse för AI inom sjukvård?
– Jag skulle vilja lära mig mer om AI under min läkarutbildning.
– Vad tycker du är viktigast att tänka på när det kommer till implementeringen av AI inom sjukvård?
– Har du någon feedback kring något som kunde varit annorlunda i enkäten?
Enkäten innehåller en fråga om intresset för AI och om man vill lära sig mer om AI på läkarprogrammet. Frågan är intressant eftersom det framgår i en artikel av Sit från 2020 att läkarstudenter som får utbildning inom AI blir mer självsäkra med att arbeta med AI-verktyg (Sit et al., 2020).
Följande variabler i TAM2 speglades inte bland enkätfrågorna: Användarbeteende (Usage Behavior), Upplevd Användarvänlighet (Perceived Ease of Use), Frivillighet (Voluntariness) och Subjektiv Norm (Subjective Norm)
Ingen fråga i enkäten relateras med TAM2-variabeln subjective norm. Eftersom den påverkar TAM2-variabeln image blir inte konsekvenserna av denna uteblivna fråga stor. Chismar och Wiley-Patton (2002) applicerade TAM2 för att förstå barnläkares anammande av teknik och fann då att subjective normhade inte någon större påverkan på användarbeteendet bland läkare. Därför valde vi att inte ta med frågan för att få en mer kompakt enkät. Voluntariness valdes bort då det ansågs att det inte var rimligt att fråga i vilken grad adoptionen av tekniken var frivillig då det inte frågas om ett specifikt system på en specifik plats. Denna mätvariabel bidrar också till subjective norm som inte hade någon större påverkan på resultatet.
Variabeln perceived ease of use mättes inte bland frågorna eftersom det ansågs att svaren inte skulle säga så mycket då det blir svårt att fråga hur användarvänligt ett teoretiskt
AI-hjälpmedel som man inte har använt är, och eftersom det inte frågas om ett specifikt system. Samma resonemang användes för usage behavior och den valdes bort då det inte fanns ett faktiskt system att mäta användandet i.
Experience ansågs också vara en fråga som är svår att ställa utan ett faktiskt system att relatera erfarenheten till. Detta löstes genom att ha med en fråga angående hur bekant man är med AI i allmänhet. Frågan stämmer överens med definitionen för experience i TAM2, men det är ändå svårt att få in erfarenhet från ett system som man inte har använt. I slutändan användes inte resultaten för experience i analyserna eftersom den variabeln hänger ihop med subjective norm enligt TAM2 och fanns inte representerad som någon fråga i enkäten.
Result demonstrability som finns i TAM2-modellen berördes genom en speciellt formulerad fråga som vi anser var liknande definitionen för termen
3.1.3 Genomförande av enkätundersökning
Efter att enkätfrågorna hade formulerats och enkäten skapats gjordes en pilotstudie som skickades ut per e-post till 4 st utvalda läkarstudenter vid Uppsala universitet som fick möjlighet att ge feedback på enkäten. Samtliga av dessa läkarstudenter svarade på
pilotstudien och deras feedback bidrog till några ändringar i enkäten. För demografi ändrade vi frågan om ålder så man istället för att välja en åldersgrupp fick uppge födelseår för att få mer precis data. Vissa frågor fick en kort beskrivning som förtydligade frågans kontext t.ex i frågan gällande en AI:s bedömningsförmåga gavs några exempel på tillämpningsområden.
Generellt sett var feedbacken positiv och vi gjorde inga omskakande ändringar till enkäten.
Den slutgiltiga enkäten som delades ut till respondenterna distribuerades via
facebookgrupperna för läkarprogrammen vid samtliga 7 st lärosäten i Sverige som erbjuder en läkarutbildning. Totalt sett hade dessa grupper 14 413 st gruppmedlemskap.
Enkäten var publicerad i 7 dagar och fick 567 st svar. Svarsfrekvensen beräknas till ca 3,9%.
Om detta är den riktiga svarsfrekvensen är svårt att veta eftersom vissa personer kan ha medlemskap i flera av de aktuella facebookgrupperna, men även eftersom alla
gruppmedlemmar har kanske inte sett att enkäten fanns publicerad.
Enkäten beräknades ta 10 minuter att slutföra, och frågorna hade svarsalternativ med värdena från 0 till 4, enligt Likertskalan (Likert, 1932). Dessutom fanns det en öppen fråga i slutet av enkäten där respondenten kunde skriva fritt om vad den anser vara viktigt vid
implementeringen av AI.
3.2 Dataanalysmetod
Analysen av svaren från det empiriska materialet är nästan uteslutande i numerisk form eftersom svaren på frågorna baseras på frågor med svarsalternativ med en rangordning från 0 till 4.
3.2.1 Regressionsanalys
R-kvadrat är ett statistiskt mått som mäter hur stor andel av en varians hos en beroende variabel som kan förutspås från en oberoende variabel. Detta är därmed en slags mätning på hur väl en modell är duglig för ett viss beräkning. Om R-kvadratvärdet är exempelvis 0,40 säger det att modellens oberoende variabler kan förklara 40% av den observerade variansen (Hayes, 2020).
P-värde visar på om en korrelation mellan två variabler är signifikant eller inte genom att generera en skillnad i medelvärden mellan de två aktuella variablerna. Analyserna i denna studie använde en nivå för signifikans under 0,05, vilket innebär att ett P-värde över 0,05 påvisar ingen signifikant korrelation mellan de undersökta variablerna. Ett P-värde under 0,05 tyder således på att om värdet för en variabel förändras kommer det att påverka den andra variabeln. Dessutom innebär ett P-värde på 0,05 en signifikansnivå med 95%
sannolikhet (Sundell, 2020).
3.2.2 T-tester
En del av analysen utgörs av t-tester på olika grupperingar bland respondenterna. T-testerna bygger på Welch's t-test som baseras på medelvärdet, variansen och antalet svar inom de två valda grupperna (Wikipedia, 2020).
4. Empiri
Denna del av uppsatsen visar enkätsvaren som respondenterna gav. Svarsredovisningen för varje fråga innehåller statistik för antal svarsalternativ, antal svar totalt, och svarsfördelning från respondenternas sida.
De åtta enkätfrågor som kan relateras till TAM2 omfattade delarna experience, output quality, job relevance, image, intention to use, perceived usefulness, och result
demonstrability i modellen.
4.1 Svarsfördelning för enkätfrågor
4.1.1 FödelseårFigur 2. Svarsfördelning av födelsetal bland respondenterna.
Enligt svaren från 567 st respondenter var 76% födda under åren 1994–2000. (se figur 2) 4.1.2 Kön
De flesta respondenter i enkäten var 55% kvinnor (312 st), medan 43,7% var män (248 st).
Därtill beskrev 3 st respondenter sig som icke-binära, och 4 st ville ej uppge sitt kön.
4.1.3 Lärosäte
Två av frågorna i enkäten berörde om respondenten faktiskt studerar vid Läkarprogrammet i Sverige, och vilket universitet som den i så fall har valt att studera till läkare vid.
Samtliga 567 st respondenter som besvarade enkäten angav alternativet “Ja” på frågan om de läser eller har läst vid Läkarprogrammet i Sverige.
Figur 3. Svarsfördelning av lärosäten.
Figur 3 visar att nästan var tredje av alla 567 st respondenter uppgav att de valt att studera vid Lunds universitet. Nära var femte respondent studerade vid Göteborgs universitet. Karolinska institutet hade 41 st respondenter, och Örebro universitet hade 26 st.
4.1.4 Termin
Figur 4. Svarsfördelning av terminer.
Figur 4 visar att den största andelen av enkätens 567 st respondenter gick på termin 1 vid Läkarprogrammet. Resten av terminerna hade ett lägre antal studenter. Antalet läkarstudenter per termin varierade mellan 42-74 st.
4.1.5 Intresse för AI inom sjukvård
Figur 5. Svarsfördelning av intresset för AI inom sjukvård.
Frågan som berörde vilket intresse som respondenten har gällande AI inom sjukvård hade svarsalternativ med en 5-gradig skala, där siffran 0 motsvarade “Inte intresserad” och siffran 4 motsvarade “Väldigt intresserad”. Figur 5 visar att de flesta av de 567 st respondenterna valde alternativ 2 eller 3 som svar på frågan.
4.1.6 Viljan att lära sig mer om AI under sin läkarutbildning
Figur 6. Svarsfördelning av viljan att lära sig mer om AI under sin läkarutbildning.
Frågan gällande vilken vilja som respondenten har för att lära sig mer om AI under sin läkarutbildning hade svarsalternativ med en 5-gradig skala, där siffran 0 motsvarade
“Stämmer inte” och siffran 4 motsvarade “Stämmer fullständigt”. Figur 6 visar att den största andelen respondenter angav alternativ 4 som svar på frågan. Trenden för antalet svar per alternativ var nedåtgående ju längre ner bland svarsalternativen man kom.
4.1.7 Experience
Figur 7. Svarsfördelning av bekantskap med principer för hur ett AI-system tar sina beslut.
Frågan angående hur bekant respondenten är med principerna för hur ett AI-system tar sina beslut hade svarsalternativ i en 5-gradig skala, där siffran 0 motsvarade “Ingen kunskap” och siffran 4 motsvarade “Väldigt bra kunskap”. Figur 7 visar att de flesta av respondenterna svarade alternativ 1 på denna fråga, följt av alternativ 0. Övriga svarsalternativ hade färre svar, där svarsalternativ 4 hade lägst antal svar.
4.1.8 Output quality (1 av 2)
Figur 8. Svarsfördelning av förtroendet för bedömningsförmågan hos en kliniskt godkänd AI.
Denna fråga berör förtroendet för en AI:s bedömningsförmåga hade svarsalternativ i en 5-gradig skala, där siffran 0 motsvarade “Inget förtroende” och siffran 4 motsvarade “Fullt förtroende”. Figur 8 visar att en majoritet av respondenterna har något slags förtroende för bedömningsförmågan, medan en liten andel har inget eller lågt förtroende i frågan.
4.1.9 Output quality (2 av 2)
Figur 9. Svarsfördelning av uppfattningen om att en AI kan bli bättre än en läkare på vissa arbetsuppgifter.
Frågan som berörde uppfattningen att en AI kan bli bättre än en läkare på vissa
arbetsuppgifter hade svarsalternativ i en 5-gradig skala, där siffran 0 motsvarade “Stämmer inte” och siffran 4 motsvarade “Stämmer fullständigt”. Figur 9 visar att en klar majoritet av respondenterna tror att en AI kan bli bättre än en läkare på vissa arbetsuppgifter.
4.1.10 Job relevance
Figur 10. Svarsfördelning gällande om AI kommer att vara till hjälp i ens yrkesroll som läkare.
Denna fråga berör uppfattningen som respondenten har gällande om att AI kommer att vara till hjälp i dennes yrkesroll som läkare i framtiden hade svarsalternativ i en 5-gradig skala, där siffran 0 motsvarade “Stämmer inte” och siffran 4 motsvarade “Stämmer fullständigt”.
Figur 10 visar att en stor majoritet av respondenterna tror att så blir fallet.
4.1.11 Image (1 av 2)
Figur 11. Svarsfördelning av vilket intryck man har av AI som ett hjälpmedel inom sjukvården.
Denna fråga berör det intryck som respondenten har i största allmänhet av AI som ett hjälpmedel inom sjukvården. Figur 11 visar att en stor majoritet är positiva eller mycket positiva till AI som hjälpmedel inom sjukvården, medan var fjärde respondent är neutral eller utan åsikt i frågan.
4.1.12 Image (2 av 2)
Figur 12. Svarsfördelning för om man har oro över den negativa påverkan som AI kan ha på läkaryrket.
Frågan angående om respondenten har oro över den negativa påverkan som AI kan ha på läkaryrket hade en 5-gradig skala, där siffran 0 motsvarade “Stämmer inte” och siffran 4 motsvarade “Stämmer fullständigt”. Figur 12 visar att det var en jämn fördelning bland respondenterna mellan att ha oro och att inte ha oro. Nästan var tredje respondent angav alternativ 2 på frågan.
4.1.13 Intention to use (1 av 2)
Figur 13. Svarsfördelning gällande om man skulle använda sig av ett AI-system om möjligheten gavs.
Frågan angående om respondenten skulle använda ett AI-system i sin yrkesroll som läkare hade en 5-gradig skala, där siffran 0 motsvarade “Inte troligt” och siffran 4 motsvarade
“Mycket troligt”. Figur 13 visar att en klar majoritet av respondenterna skulle använda sig av ett AI-system om de fick möjligheten.
4.1.14 Intention to use (2 av 2)
Figur 14. Svarsfördelning av bekvämligheten gällande när en AI hjälper till vid medicinska beslut.
Frågan om hur bekväm respondenten är med att en AI hjälper till att ta medicinska beslut hade en 5-gradig skala, där siffran 0 motsvarade “Stämmer inte” och siffran 4 motsvarade
“Stämmer fullständigt”. Figur 14 visar att en majoritet av respondenterna var bekväma med att en AI hjälper till, medan omkring var fjärde respondent hade en neutral åsikt gällande om de skulle känna sig bekväma i den situationen eller inte.
4.1.15 Perceived usefulness
Figur 15. Svarsfördelning av vilken betydelse som man anser att AI:s uppgifter kommer att ha inom läkaryrket.
Frågan angående vilken betydelse som respondenten anser att AI:s uppgifter kommer att ha inom läkaryrket hade en 5-gradig skala, där siffran 0 motsvarade “Ingen betydelse” och siffran 4 motsvarade “Stor betydelse”. Figur 15 visar att en stor majoritet av respondenterna anser att de uppgifter som AI kan utföra inom läkaryrket kommer att ha betydelse eller stor betydelse.
4.1.16 Result demonstrability
Figur 16. Svarsfördelning angående viljan att fördelarna med att använda AI ska framgå tydligt.
Frågan gällande om respondenten vill att fördelarna med att använda en AI är tydliga hade en 5-gradig skala, där siffran 0 motsvarade “Stämmer inte” och siffran 4 motsvarade “Stämmer fullständigt”. Figur 16 visar att en klar majoritet av respondenterna vill att det ska vara tydligt med vilka fördelar som användandet av en AI-lösning ger.
5. Analys
Denna del innehåller analyser från de empiriska resultat och tester som har gjorts utifrån resultaten från enkätundersökningen. Resultaten tas även i beaktning mot det teoretiska ramverket.
5.1 T-tester
Här nedan följer redovisningen av de t-tester som har gjorts. Vid t-testandet har medelvärden för variablerna för percieved usefulness och intention to use testats mellan grupper. Dessa två variabler beror nämligen av flera andra variabler i TAM2-modellen och anses därför vara de mest relevanta att granska. Variabeln experience har tagits med för jämförelse med tidigare forskning gällande attityden hos könen.
De enkätfrågor som berörs i t-testerna är:
(a) Jag skulle känna mig bekväm med att en AI hjälper mig att ta medicinska beslut.
(b) Jag anser att de uppgifter som AI kan utföra inom läkaryrket kommer att ha ...
(c) Jag skulle använda mig av ett AI-system i mitt läkaryrke om jag fick möjligheten.
(d) Hur bekant är du med principerna för hur ett AI-system tar sina beslut eller ger sina rekommendationer?
(e) Hur stort är ditt intresse för AI inom sjukvård?
Maxvärdet för ett medelvärde är 4,00 enligt skalan i enkätens svarsalternativ.
De medelvärden som anses vara signifikanta har ett associerat p-värde under 0,05 (Kent State University, 2020.).
Det första t-testet berör attitydskillnader mellan kvinnor och män. Denna gruppindelning är intressant och ett metodiskt val som kan påvisa eventuella signifikanta skillnader mellan könen gällande attityder och intresset rörande AI som hjälpmedel inom sjukvård.
t-test #1 Grupp N Medelvärde t-värde p-värde
intention to use (a) Kvinnor 312 2,49 3,53 0,00024
Män 248 2,82
intention to use (b) Kvinnor Män 312 248 2,94 3,06 1,92 0,02778 perceived usefulness (c) Kvinnor Män 312 248 2,86 3,07 2,36 0,00939 experience (d) Kvinnor Män 312 248 1,17 1,86 5,56 0,00000
intresse (e) Kvinnor Män 312 248 2,23 2,71 5,36 0,00000
Tabell 1. Överblick av medelvärden för svar från kvinnliga och manliga respondenter.
Tabell 1 visar resultatet från t-testet mellan kvinnor och män. Värdena visar att kvinnliga läkarstudenter i Sverige har signifikant lägre bekvämlighet än manliga läkarstudenter att låta ett AI-program hjälpa till vid ett medicinskt beslut. Dessutom tror kvinnliga läkarstudenter i lägre utsträckning att uppgifterna som AI kan utföra inom läkaryrket kommer att ha
betydelse.
Manliga läkarstudenter skulle i högre utsträckning använda sig av ett AI-system i sitt läkaryrke om chansen gavs. De anser sig i större utsträckning vara bekanta med principerna för hur ett AI-system tar sina beslut eller ger sina rekommendationer vid jämförelse med svaren från kvinnliga läkarstudenter. Dessutom har manliga läkarstudenter ett signifikant större intresse för AI inom sjukvård i jämförelse kvinnliga läkarstudenter.
Det andra t-testet berör läkarstudenter vid Uppsala universitet gentemot läkarstudenter från andra lärosäten. Denna inledning för t-testet har valts eftersom att ett av pilotprojekten inom AI i Sverige sker på Akademiska universitetssjukhuset i Uppsala. Därav är det intressant att se om det finns signifikanta attitydskillnader hos Uppsalastudenterna gentemot övriga läkarstudenter.
t-test #2 Grupp N Medelvärde t-värde p-värde
intention to use (a) övriga UU 506 61 2,48 2,66 1,19 0,11978 intention to use (b) övriga UU 506 61 2,92 3,00 0,85 0,20006 perceived usefulness (c) övriga UU 506 61 2,84 2,97 0,81 0,20936
experience (d) UU 61 1,21 1,40 0,08284
övriga 506 1,49
intresse (e) UU 61 2,49 0,38 0,35307
övriga 506 2,43
Tabell 2. Överblick av medelvärden för svar från Uppsalastudenter och övriga respondenter.
Tabell 2 visar resultatet från det andra t-testet. Det saknas signifikanta skillnader i medelvärdena mellan Uppsalastudenter resp. övriga läkarstudenter i Sverige. Vi hade en tanke att Uppsalastudenter skulle ha en signifikant skillnad i attityd gentemot AI som ett hjälpmedel eftersom det pågår ett AI-pilotprojekt i stadens universitetssjukhus, men så var det inte enligt vår undersökning.
Det tredje t-testet inkluderar dels gruppen läkarstudenter vid terminerna 1-4, som motsvarar utbildningens teoretiska (prekliniska) terminer, och även gruppen läkarstudenter vid
terminerna 5-11, som är utbildningens verksamhetsförlagda (kliniska) terminer. Denna inledning har valts eftersom prekliniska läkarstudenter har mindre erfarenhet och kunskap om verksamhetsförlagt arbete på klinik, vilket kan eventuellt innebära en skillnad i attityd
gentemot AI som ett hjälpmedel.
t-test #3 Grupp N Medelvärde t-värde p-värde intention to use (a) Preklin 242 2,73 1,75 0,04040
Klin 325 2,57
intention to use (b) Preklin Klin 242 325 3,08 2,92 2,63 0,00460 perceived usefulness (c) Preklin Klin 242 325 3,06 2,88 2,18 0,01494 experience (d) Preklin Klin 242 325 1,38 1,51 1,09 0,13793
intresse (e) Preklin Klin 242 325 2,48 2,41 0,74 0,23022
Tabell 3. Överblick av medelvärden för svar från läkarstudenter på prekliniska resp. kliniska terminer.
Tabell 3 visar resultatet från det tredje t-testet. De signifikanta skillnaderna mellan prekliniska och kliniska läkarstudenter visar att studenterna på de kliniska terminerna har lägre bekvämlighet med att en AI hjälper till att ta medicinska beslut. Dessutom anser
kliniska läkarstudenter i lägre utsträckning att de uppgifter som AI kan utföra inom läkaryrket kommer att ha betydelse. Prekliniska läkarstudenter skulle i större utsträckning använda sig av ett AI-system i sitt läkaryrke om de fick möjligheten.
5.2 Regressionsanalyser
5.2.1 Regressionsanalys av externa variabler i TAM2
Nedan följer en regressionsanalys av TAM2-variablerna image, output quality, result demonstrability, job relevance som x-värden och perceived usefulness som y-värde.
R-kvadrat 41%
Observationer 567
fg p-värde för F
Regression 5 0,0000000000
Residual 561
Totalt 566
Koefficienter p-värde
Konstant 0,57 0,0006941859
output quality (a) 0,09 0,0185101240
job relevance (b) 0,41 0,0000000000
image (c) 0,05 0,0307397909
result demonstrability (d) 0,08 0,0221675335
output quality (e) 0,18 0,0000000347
Tabell 4. Regressionsanalys av externa TAM2-variabler.
y-värde: Jag anser att de uppgifter som AI kan utföra inom läkaryrket kommer att ha … (betydelse).
x-värden:
(a): Hur stort förtroende har du gällande bedömningsförmågan hos en kliniskt godkänd AI?
(b): Jag tror AI kommer hjälpa mig i min yrkesroll som läkare
(c): Jag är oroad över den negativa påverkan som AI kan ha på läkaryrket
(d): Jag vill att fördelarna med att använda en AI är tydlig så det framgår vilken nytta jag får av användandet.
(e): Jag tror att en AI kan bli bättre än en läkare på vissa arbetsuppgifter.
Tabell 4 visar att när de x-värden som kommer från frågorna baserade på variabler i vår modifierade TAM2-modell analyseras mot vårt y-värde får vi en R-kvadrat på 41%. Ju mer frågorna från modellen kan förutspå värdet på y-variabeln, desto högre kommer R-kvadraten att bli. Detta innebär att de frågor som har använts som x-värden kan till 41% förklara variansen av den upplevda användbarheten som motsvarade y-variabeln.
Signifikansen gäller alla dessa värden eftersom deras associerade p-värde < 0,05. Det tyder på att det finns ett faktiskt signifikant samband mellan våra x-variabler och y-variabel och att det inte är en slumpmässighet bland värdena.
Värdena i kolumnen “Koefficienter” visar hur stor inverkan de olika x-värdena har på y-värdet efter att de har standardiserats till samma skala. Här kan vi se att de frågor som bidrar mest till förändringar i y-värdet berör hur relevant personen anser AI kommer att vara till hjälp i dennes yrkesroll som läkare (0,41), och hur väl AI-systemet presterar när den utför sina mätningar (0,18).
Dessa värden visar tillsammans att det finns ett samband mellan en mer positiv attityd till AI, dess kapacitet och att anse att AI kommer att ha större betydelse för läkaryrket. Genom dessa mätningar kan vi alltså bekräfta modellens antagande om att personer som har positiv attityd till AI bland svaren har en större upplevd användbarhet.
5.2.2 Regressionsanalys av interna TAM2-variabler
Nedan följer en regressionsanalys av TAM2-variabeln perceived usefulness som x-värde och intention to use som y-värde.
R-kvadrat 25%
Observationer 567
fg p-värde för F
Regression 1 0,0000000000
Residual 565
Totalt 566
Koefficienter p-värde
Konstant 0,78 0,0000000000
perceived usefulness (a) 0,62 0,0000000000
Tabell 5. Regressionsanalys av interna TAM2-variabler.
x-värde: (a) Jag anser att de uppgifter som AI kan utföra inom läkaryrket kommer att ha … (betydelse)
y-värde: Jag skulle känna mig bekväm med att en AI hjälper mig att ta medicinska beslut.
Tabell 5 visar en analys där de interna TAM2-variablerna för upplevd användbarhet och avsikt att använda relaterar till varandra. Här ser vi att resultatet av analysen blir en R-kvadrat på 25%. Detta innebär att x-värdet förklarar 25% av variansen i y-värdet. Denna analys utfördes för att testa modellens påstående om att en upplevd användbarhet leder till en ökat avsikt att använda ett system. Vi ser genom p-värdet att det finns ett signifikant samband och att det inte beror på slumpmässighet i datan från enkäten.
Resultatet för R-kvadrat (25%) visar att modellens antagande stämmer gällande att en upplevd användbarhet leder till en ökad avsikt att använda tekniken. Detta eftersom att man kan använda upplevd användbarhet som indikator till avsikten att använda, även om det finns andra faktorer som påverkar denna variabel och som inte reflekteras i vår modell och bland våra enkätfrågor.
6. Diskussion och slutsats
Denna del av uppsatsen innehåller slutsatser och diskussion över de resultat som studien har tagit fram. Detta efterföljs av reflektioner om hur väl studien har nått sitt mål, och vad en framtida studie inom samma område kan innehålla.
6.1 Jämförelse med tidigare forskning
I jämförelse med tidigare forskning inom samma område med brittiska läkarstudenter är den självrapporterade förståelsen för AI:s beslutsprinciper lägre då 22% av de tillfrågade
studenterna i vår studie uppgav att de hade god/mycket god förståelse, jämfört med 44% av de brittiska studenterna. Optimismen för AI:s framtid inom läkaryrket är något högre hos de brittiska studenterna, där 88% av de tillfrågade tror att AI kommer att spela en viktig roll inom läkaryrket i framtiden, i jämförelse med vår studie där 71% av de tillfrågade läkarstudenterna i Sverige uppgav samma svar. (Sit et al., 2020)
Viljan att lära sig mer om AI under sin utbildning är snarlik eftersom 71% av de brittiska läkarstudenterna uppgav ett intresse för att lära sig mer inom ämnet, i jämförelse med 67% av Sveriges läkarstudenter. Som Laï et al. (2020) diskuterar i sin forskning om läkares attityder till AI, där blivande läkare identifieras som en nyckelgrupp för en lyckad lansering av AI inom sjukvården, så ser vi positivt på att läkarstudenter vill lära sig mer om AI under sin utbildning. Kunskap och utbildning inom ämnet har i tidigare studier resulterat i
läkarstudenter som känner sig mer förberedda för att arbeta med AI när de börjar praktisera (Sit et al., 2020).
Den attityd som kan utläsas i vår studie gällande att de flesta läkarstudenter vill lära sig mer om AI under sin utbildning överensstämmer med slutsatserna som Pinto dos Santos et al.
(2019) drar angående att läkarstudenter anser att AI bör ingå i den medicinska utbildningen.
Resultaten från vår studie visar på att läkarstudenter inte har någon övervägande oro över den negativa påverkan som AI kan ha på läkaryrket vid implementering som hjälpmedel inom sjukvården. Detta går i linje med studien av Pinto dos Santos et al. (2019), som visar att läkarstudenter inte tror att AI kommer att ersätta läkare i framtiden. Studien av Sit et al.
(2020) visade att en minoritet (48,3%) av de tillfrågade läkarstudenterna trodde att vissa läkarspecialiteter inom medicin skulle kunna bli ersatta av AI någon gång i framtiden.
Enligt vår studie anger manliga läkarstudenter i större utsträckning att de är bekanta med principerna för hur ett AI-system tar sina beslut eller ger sina rekommendationer, i jämförelse med kvinnliga läkarstudenter. Detta går i linje med resultaten från studien av Pinto dos Santos et al. (2019), där en klar majoritet av de som sade sig vara obekanta med de AI-teknologier som studien berörde var kvinnliga läkarstudenter.
6.2 Sammanfattning och slutsats
Totalt samlades 567 svar in genom enkätundersökningen. Dessa svar analyserades med t-tester för att upptäcka skillnader bland respondenterna, och regressionsanalys för att
undersöka hur väl modellens antagande om avsikt att använda AI-tekniken stämde. T-testerna visar att det finns skillnader mellan subgrupper och att detta kan tas i åtanke när man
utformar vidare studier och material för undervisning. Regressionsanalyserna visade att modellens antagande om vilka faktorer som leder till upplevd användbarhet stämmer, samt att upplevd användbarhet leder till en ökad avsikt att använda tekniken.
Forskningsfrågorna som denna studie ämnade att besvara är:
- Vilken attityd har läkarstudenter i Sverige till att använda artificiell intelligens (AI) som hjälpmedel inom hälso- och sjukvården?
En sekundär frågeställning till huvudfrågeställningen är:
- Finns det segment inom populationen läkarstudenter i Sverige som har signifikant annorlunda uppfattning av artificiell intelligens (AI) inom sjukvården?
Den första frågan har besvarats tydligt genom att undersöka attityden hos svenska
läkarstudenter med utgång från en modifierad TAM-modell. Resultaten visar att en majoritet (68,8%) av dagens läkarstudenter i Sverige skulle använda tekniken om de fick möjligheten, och att en majoritet (63,9%) har en positiv eller mycket positiv inställning till AI inom
sjukvård. Studenterna visar också ett intresse för att lära sig mer om denna teknologi eftersom två av tre (66,7%) läkarstudenter svarar att de vill lära sig mer om AI under sin utbildning.
Resultaten av denna studie har visat att attityderna gentemot AI inom sjukvård bland Sveriges läkarstudenter är överlag positiv och att acceptansen för denna nya teknologi är god.
T-tester användes för att analysera om det fanns några segment av läkarstudenter som stack ut i mätningen och som kan undersökas vidare. Testerna visar att kvinnor är mer skeptiska till tekniken och rankar sin förståelse om tekniken som sämre i jämförelse med män. Intresset för tekniken är också lägre bland kvinnor, vilket kan förklara skillnaden mellan könen.
Prekliniska läkarstudenter har en större tro på AI-verktyg än läkarstudenter som går senare terminer och har praktisk klinisk erfarenhet. Skillnaden mellan dessa grupper kan bland annat bero på att läkarstudenter på kliniska terminer har mer erfarenhet av kliniskt arbete och förstår därigenom att det behövs mer än bara bra AI-verktyg för att sjukvården ska fungera.
6.3 Framtida forskning
Enkätstudier är av sin natur en undersökning i bredd och inte djup. Ett förslag till framtida forskning är mer djupgående studier med enskilda intervjuer som ger en djupare bättre förståelse för attityder gentemot AI inom hälso- och sjukvården, och de faktorer som påverkar uppfattningen (Oates, 2006). Om man vill få ut mer information än vad denna enkätstudie har inbringat rekommenderas en mer djupgående studie med enskilda intervjuer med läkarstudenter. Dessutom rekommenderas man även undersöka vilka attityder som läkare och annan relevant sjukvårdspersonal har gentemot dessa AI-tillämpningar.
Eftersom mer kunskap och utbildning inom AI-området associeras med en större
självsäkerhet av att använda sig av tekniken i framtiden bör mer resurser läggas på att utreda hur man ska lära ut denna teknik så att framtidens läkare är självsäkra och vågar använda sig av teknik i sitt arbete (Sit et al., 2020). Dessutom kan forskning se över hur intresset kan öka bland läkarstudenter så att de en dag lättare kan anamma och acceptera AI-tekniken när de arbetar kliniskt.
Ett framtida område som kan undersökas är kliniska tillämpningar inom AI och hur dessa faktiskt har presterat i samband med diagnostisering eller behandling av patienter. När mer material gällande resultaten kring den faktiska tillämpningen av AI-verktyg finns tillgängligt i framtiden kommer det att kunna göras mer djupgående analyser berörande om AI-verktygen lever upp till de förväntningar som har ställs på dem idag.
Källförteckning
Bi, W., Hosny, A., Schabath, M., Giger, M., Birkbak, N., Mehrtash, A., Allison, T., Arnaout, O., Abbosh, C., Dunn, I., Mak, R., Tamimi, R., Tempany, C., Swanton, C., Hoffmann, U., Schwartz, L., Gillies, R., Huang, R. & Aerts, H. “Artificial intelligence in cancer imaging:
Clinical challenges and applications”. CA: A Cancer Journal for Clinicians. 2019.
Bosnic, A. “Röntgenavdelningar i länet tar hjälp av artificiell intelligens.” Sveriges Radio. 24 november 2019.
Chismar, W.G. & Wiley-Patton, S. “Test of the Technology Acceptance Model for the Internet in Pediatrics“. Proceedings of the AMIA Symposium. 2002.
Hayes, A. “R-Squared Definition”. Investopedia. Läst 27 maj 2020.
Hosny, A., Parmar, C., Quackenbush, J., Schwartz, L.H. & Aerts, H.J. “Artificial intelligence in radiology”. Nature, 18(8), s.500-510. 2018.
Kaplan, A. & Haenlein, M. 2019. “Siri, Siri, in my hand: Who’s the fairest in the land? On the interpretations, illustrations, and implications of artificial intelligence”. Business Horizons, 62(1), pp.15-25.
Kent State University. “Independent Samples t Test - SPSS Tutorials”. Läst 13 juni 2020.
Lagerbielke, M. “Max och Björn tolkar röntgenbilder med hjälp av artificiell intelligens”.
Danderyds sjukhus. 22 oktober 2019.
Laï, M., Brian, M. & Mamzer, M. “Perceptions of artificial intelligence in healthcare:
findings from a qualitative survey study among actors in France”. Journal of Translational Medicine 18, 14. 2020.
LeCun, Y., Bengio, Y. and Hinton, G., 2015. “Deep learning”. Nature, 521(7553), pp.436-444.
Likert, R. (1932). “A technique for the measurement of attitudes”. Archives of Psychology, 22 140, 55.
Litjens, G., Kooi, T., Bejnordi, B.E., Setio, A.A.A., Ciompi, F., Ghafoorian, M., Van Der Laak, J.A., Van Ginneken, B. Sánchez, C.I. “A survey on deep learning in medical image analysis”. Medical image analysis. 2017.
Longoni, C., Bonezzi, A., & Morewedge, C. K. “Resistance To Medical Artificial Intelligence”. Journal of Consumer Research, Forthcoming. 2019.
Oates, B. “Researching information systems and computing”. Los Angeles: Sage. 2006.
Patel, V. L., Shortliffe, E. H., Stefanelli, M., Szolovits, P., Berthold, M.R., Bellazzi, R., Abu-Hanna, A. “The coming of age of artificial intelligence in medicine”. Artif Intell Med.
2009.
Pesapane, F, Codari, M, Sardanelli, F. “Artificial intelligence in medical imaging: threat or opportunity? Radiologists again at the forefront of innovation in medicine”. Eur Radiol Exp.
2019.
Pinto dos Santos, D., Giese, D., Brodehl, S., Chon, S., Staab, W., Kleinert, R., Maintz, D. and Baeßler, B., 2018. “Medical students' attitude towards artificial intelligence: a multicentre survey”. European Radiology, 29(4), pp.1640-1646.
Sit, C., Srinivasan, R., Amlani, A., Muthuswamy, K., Azam A., Monzon, L., Poon, D. S.
“Attitudes and perceptions of UK medical students towards artificial intelligence and radiology: a multicentre survey”. SpringerOpen. 2020.
Ström, M. “Färre läkarstudenter utomlands – men fler i Sverige”. Läkartidningen.se. Läst 8 Juni 2020.
Sundell, A. “Guide: Jämföra medelvärden och t-test”. Spssaktuen.com. Läst 27 maj 2020.
Tétard, Franck. 2020. Föreläsning: “Kvalitativ Datainsamling och dataanalys”. Kurs:
Forskningsmetod. Uppsala universitet.
Topol, E.J. “High-performance medicine: the convergence of human and artificial intelligence”. Nature. 2019.
Tysk, E. “Nytt AI-stöd kan ge snabbare röntgenssvar”. Mynewsdesk. 2019.
Venkatesh, V, Davis, F. D. “A Theoretical Extension of the Technology Acceptance Model:
Four Longitudinal Field Studies”. Management Science. 2000.
Wikipedia. “Welch's t-test”. Läst 15 maj 2020.
Yarbrough, A., Smith, T. “Technology Acceptance among Physicians: A New Take on TAM”. Medical Care Research and Review, 64(6), pp.650-672. 2007.
