Uppsala universitet
Inst. för informatik och media
Sjukvårdskris och svalt mottagande av AI, hur går det ihop?
En fallstudie i vilka faktorer som har störst påverkan på införandet av artificiell intelligens
Lia Forslund & Sofia von Mentzer
Kurs: Examensarbete Nivå: C
Termin: VT-20 Datum: 200528
Sammanfattning
Det svenska sjukvårdssystemet är konstant under hög press och situationen benämns ofta i media som en sjukvårdskris . Radiologin är en av de medicinska discipliner som drabbats av en kontinuerligt ökande arbetsbelastning och personalbrist. Detta sätter sjukvården i en situation att konstant tvingas väga effektivitet mot kvalitet. Trots höga förväntningar på att innovationer som Artificiell Intelligens (AI) ska kunna bistå behoven, används AI idag i en mycket begränsad utsträckning. Denna studie syftar till att utreda påverkande faktorer för införandet av AI inom radiologin. För att besvara arbetets forskningsfråga har HA
Adoption-Decision Model, en modifierad version av det väletablerade
Technology-Organization-Environment Framework (TOE), tillämpats. Ramverket innefattar tre kontexter; teknologisk, organisatorisk och extern kontext. Varje kontexts delaspekter, så kallade faktorer, följer under respektive kontext. Dessa tio faktorer utvärderades för att besvara studiens forskningsfråga om vilka faktorer som har störst påverkan på införande av AI inom radiologi. Genom att förena tidigare forskning med resultatet från sex intervjuer visade sig affärsvärde , strategisk lämplighet , ledningsstöd och reglering av datahantering ha störst påverkan. Avslutningsvis presenteras ett förslag om att introducera en elfte faktor, IT-mognad , till ramverket.
Nyckelord : Sjukvård, Radiologi, Artificiell Intelligens (AI),
Technology-Organization-Environment Framework (TOE), AI-Adoption Decision Model.
Innehållsförteckning
Sammanfattning 1
Innehållsförteckning 2
Tabell- och figurförteckning 4
Bilageförteckning 4
1. Inledning 5
1.1 Introduktion 5
1.2 Bakgrund 6
1.3 Problembeskrivning 8
1.4 Syfte och forskningsfråga 9
1.5 Avgränsningar 9
1.6 Kunskapsintressenter 10
1.7 Studiens disposition 10
2. Teori 10
2.1 Tidigare forskning inom radiologisk AI 11
2.1.1 AI 12
2.1.2 Maskininlärning 13
2.1.3 Djupinlärning 13
2.1.4 Språkteknologi 14
2.2 Val av teori 15
3. Metod 19
3.1 Forskningsansats 19
3.2 Datainsamling 21
3.2.1 Undersökningsgrupp 21
3.2.2 Genomförande 22
3.3 Dataanalys 24
3.3.1 Förberedelse av data 24
3.3.2 Dataanalys 24
3.4 Etiska aspekter 25
3.5 Metodkritik 25
4. Empiri 26
4.1 Fallbeskrivning 26
4.2 Resultat från intervjuer 28
5. Analys 35
5.1 Analys av HA Adoption-Decision Model 36
5.2 Sammanfattning 40
6. Slutsats och diskussion 40
6.1 Slutsatser 41
6.2 Diskussion 41
6.3 Begränsningar 42
6.4 Förslag på vidare forskning 42
Källförteckning 42
Bilaga 1 - Begreppslista 48
Tabell- och figurförteckning
Tabell 1, sida 11-12. Övergripande områden inom AI-begreppet utifrån karaktärisering och användning.
Tabell 2, sida 17. D&M IS framgångsfaktorer för Healthcare Analytics (Venkatraman, Sundarraj, Seethamraju, 2015).
Tabell 3, sida 21-22. Undersökningsgrupp.
Figur 1, sida 7. Målbildens delar (Sveriges Kommuner och Regioner, 2020).
Figur 2, sida 12. AI:ns områden: maskininlärning, djupinlärning och språkteknologi (Sathiyakugan, 2018).
Figur 3, sida 16. Healthcare Analytics Adoption-Decision Model (Venkatraman et.al, 2015).
Figur 4, sida 28. Marknaden för AI-baserad medicinsk bildanalys kan komma att utvecklas i tre horisonter. (Alexander, Jiang, Ferreira, Zurkiya, 2019).
Figur 5, sida 40. En sammanställning av resultatet från analys.
Bilageförteckning
Bilaga 1, sida 48-49. Begreppslista.
1. Inledning
Detta avsnitt ämnar ge en introduktion till den rådande vårdsituationen och aktuella tillämpningar av Artificiell Intelligens (AI) samt ge en bakgrund till radiologins arbetsprocesser. Vidare problematiseras området och studiens syfte och frågeställning presenteras. Avslutningsvis motiveras avgränsningar och kunskapsintressenter.
1.1 Introduktion
En hårt pressad arbetssituation och brist på vårdplatser är ett par av de orsaker till vad som i media ofta beskrivs som en sjukvårdskris. I region Stockholm tvingar nya avtal
akutsjukhusen att leverera fler vårdplatser än tidigare samtidigt som man kräver stora
besparingar och anställningsstopp (Gustavsson, Lindholm, 2019). Underskottet av vårdplatser kan härledas till vårdens svårigheter att både rekrytera och behålla personal, något som lett till brist på både specialiserade sjuksköterskor och läkare (Dagens Medicin, 2020).
Problemen är rikstäckande och omfattar flera medicinska områden, varav ett som drabbats hårt är radiologin (Socialstyrelsen, 2019), en disciplin som rör diagnostisering och
behandling av sjukdomar med hjälp av strålning. Det ökade behovet förklaras delvis av den låga utbildningstakten av radiologer, utökat uppdrag och fler avancerade undersökningar (Socialstyrelsen, 2020).
Behovet av nya lösningar är stort och för många ligger förhoppningarna på ny teknologi. Inte minst Artificiell Intelligens (AI), som av forskare lyfts som ett potentiellt paradigmskifte för sjukvården (Jaremko, Bromwich, Lum, Cheong, Gibert, Laviolette, Gray, Reinhold, Cicero, Chong, Shaw, Rybicki, Hurrell, Lee, Tang, 2019). AI-applikationer är tekniker som tack vare inlärning från data kan efterlikna mänskliga beslut och åtgärder för problemlösning
(Devopedia, 2020). Radiologin har länge spelat en viktig roll för utvecklingen av medicinsk digitalisering och väntas nu även bli ledande när det kommer till medicinska tillämpningar av AI. De miljontals röntgenrapporter och miljarder bilder som sparas exemplifierar den stora mängd data, så kallad “big data”, och de underlag som krävs för utvecklingen av AI (Thrall Li, Li, Cruz, Do, Dreyer, Brink, 2018).
Radiologiska arbetsuppgifter ses som lovande för AI och bildanalys är ett av de områden som det forskas mest kring (Socialstyrelsen, 2019). Införandet av AI är dock inte en problemfri process och det finns en rad faktorer som på olika sätt påverkar införandet. Detta arbete kommer i en fallstudie utforska förutsättningarna för att införa AI i större utsträckning i vården och faktorer kommer att diskuteras utifrån ett teknologiskt, organisatoriskt och externt perspektiv.
1.2 Bakgrund
Den svenska sjukvården utgör en komplex miljö. Det finns flera motstridiga intressen från politiker, professioner och patienter. Det är således viktigt att ta dessa aspekter i beaktning när man utför studier i den specifika miljön, inte minst eftersom sjukvården i slutändan handlar om människoliv (Ström, 2017). Den offentliga vårdens struktur utgörs av tre administrativa nivåer; statlig, regional och kommunal. Vårdkedjan består av primärvård, länssjukvård och regionsjukvård. Även privata företag utför en del av vården och under 2018 utgjordes 13,5 % av regionernas vårdverksamhet (Holmström, 2019). Inom radiologin hanteras exempelvis bristen på specialistläkare till stor utsträckning av privata telemedicin-företag och hyrläkare (Socialstyrelsen, 2020).
I en redan hårt pressad vårdsituation fastslår flera rapporter att ett fortsatt ökat behov av hälso- och sjukvård är att vänta. I takt med att befolkningens hälsa förbättras och att
medellivslängden ökar väntas enligt Myndigheten för vård- och omsorgsanalys (Vårdanalys), sjukvårdens kostnader år 2050 ha ökat med 30 procent. En allt äldre befolkning innebär att en större andel både utvecklar och lever längre med kroniska sjukdomar. En förutsättning för att klara dessa utmaningar är att fler patientgrupper omfattas av proaktiva åtgärder såsom
mammografi-screening för att effektivt förhindra uppkomst eller försämring av ett
sjukdomsförlopp (Vårdanalys, 2014). Radiologin är således ett område som väntas drabbas av framtidens växande och åldrande befolkning.
Förändringar i den demografiska utvecklingen ställer stora krav på vårdens strategi. Sveriges Kommuner och Regioner (SKR) presenterade år 2020 en ny digital strategi som med en gemensam riktning för digital utveckling ska bidra till två effektmål i form av effektiv och innovativ välfärd. De två övergripande effektmålen samt strategins fyra grundläggande förutsättande målområden illustreras av Figur 1. En effektiv välfärd syftar till en ökad förmåga inom styrning, standardisering och automatisering men även optimering av
skattemedel. En innovativ välfärd karaktäriseras av nya lösningar som svarar mot behov och efterfrågan i vardagen och omvärlden. Strategin betonar även vikten ny teknologi och potentialen i data som strategisk resurs (SKR, 2020).
Figur 1: Målbildens delar (Sveriges Kommuner och Regioner, 2020)
Radiologin som är ett teknikintensivt medicinskt område som länge har drivit teknisk
utveckling inom sjukvården (Thrall et al., 2018). Radiologin använder stora mängder bilddata vilket är en goda förutsättning för användning av AI-applikationer. AI kan på många sätt spegla vad utbildade radiologer gör, exempelvis att identifiera parametrar och bestämma vikten av dessa för att komma till ett kliniskt beslut (Hosny, Parmar, Quackenbush, Schwartz, Aerts, 2018). Radiologins växande behov av effektiviseringar (Hosny, et al., 2018) och AI har stor potential att förbättra olika steg av det radiologiska arbetsflödet som generellt kan delas in i bildtagning , triage , bildanalys och journalhantering (Choy, Khalilzadeh, Mark, Do, Samir, Pianykh, Geis, Pandharipande, Brink, Dreye, 2018).
Bildtagning. Bildtagning görs vanligtvis genom antingen röntgen, ultraljud, datortomografi eller magnetresonanstomografi ( MR)(se Bilaga 1 s.48). De olika teknikerna lämpar sig bättre för olika delar av kroppen och är av varierande tidskonsumtion. Att samla bilddata från MR-undersökningar tenderar exempelvis att konsumera avsevärt mycket längre tid än övrig bildtagning. Att anskaffa bilddatan för radiologisk sjukvård i sin helhet är därmed en
omfattande process som AI har potential att effektivisera (Lakhani, Hutson, Dreyer, Morey, Prevedello, Clar, Geis, Itri, Hawkins, 2018).
Triage . De flesta sjukvårdsorganisationer använder idag någon typ av prioritering och sortering i ett så kallat triage-system för att bestämma hur snabbt en patient måste få vård i förhållande till andra patienter (Briggs, Grossman, 2020). Inom radiologin skulle AI kunna underlätta arbetet med att sortera bort de stora mängder normalfall som förekommer i rutinundersökningar, exempelvis inom mammografi. Detta frigör tid så att fall med
misstänkta lesioner(se Bilaga 1 s.48) kan prioriteras (Kyono, Gilbert, van der Schaar, 2020).
Bildanalys . Inom området för bildanalys innefattas bland annat sökstrategier,
mönsterigenkänning, jämförelser med tidigare bilder, sortering av relevanta från irrelevanta fynd, diagnos-generering och beslut om åtgärder. På det stora hela ställer bildtolkning höga krav på en effektiv och holistisk ansats ( van der Gijp , van der Schaaf , Huige , Ravesloot , van Schaik , ten Cate , 2014). AI för bildanalys förväntas kunna öka effektiviteten, minska antalet fel och förse radiologer med för-skannade bilder med identifierade lesioner (Hosny et al,.
2018).
Journalhantering. Idag genererar rapporteringar stora kvantiteter digitalt innehåll som radiologer och röntgensjuksköterskor använder i journalhantering. Det är också en stor variation i hur enskilda radiologer och institutioner rapporterar. Innehållet är ofta
semistrukturerad text utan standardiserat format (Lakhani et.al 2018). Att skapa strukturerad data av klinisk fritext är den största utmaningen för radiologisk rapportering. Denna
konvertering är dock något som språkteknologisk AI skulle kunna underlätta (Pons, Braun, Hunink, Kors, 2016).
Trots ett brett spektrum av tillämpningar används AI i mycket liten utsträckning inom vården.
I maj 2019 genomförde Socialstyrelsen en kartläggning av användningen av AI inom den svenska hälso-och sjukvården. Utredningen visade att vårdkvaliteten kan förbättras av AI och att det pågår mycket forskning men att det trots detta endast ett fåtal applikationer tillämpas i ordinarie drift. Studien visade på en mycket begränsad användning med endast 59
tillämpningar i ordinarie drift. Dessa fanns inom bland annat anamnes, diagnos och beslutstöd för mammografi, kardiologi, dermatologi, digital patologi, oftalmologi, gastroenterologi och laboratorieanalys (se Bilaga 1 s. 48) . Rapporten visade även 102 tillämpningar i
planeringsstadiet och ytterligare 77 aktuella forskningsprojekt (Socialstyrelsen, 2019).
1.3 Problembeskrivning
De främsta utmaningarna för den radiologiska sjukvården ligger i exponentiellt växande mängd bilddata, ökat vårdbehov, begränsade resurser samt brist på specialistläkare. Med sina begränsade resurser står sjukvården inför ett konstant avvägande mellan effektivitet och kvalitet. I situationen ser emellertid många AI som en potentiell lösning på denna svåra kompromiss. Otvivelaktigt finns stort intresse och enorma förväntningar på AI och dess potential inom radiologin. Dock finns det delade meningar huruvida AI är ett stort
framtidshopp eller om det rör sig om en överskattad hajp (Ranschaert, 2018). Inom vården har AI hittills fått ett svalt mottagande i och med det mycket begränsade antalet
tillämpningar. Att i en hårt pressad vårdsituation inte använda potentialen hos ny teknik kan tyckas anmärkningsvärt. Det finns därmed en problematik i att inte utforska ett alternativ som skulle kunn a avlasta en vård i behov av stöd. Å andra sidan är det inte problemfritt att införa AI. Ett införande är mycket komplext och kräver ett långsiktigt perspektiv. Det är således
relevant att undersöka omständigheterna kring införande. Den begränsade användningen av AI gör det intressant att titta på vilka faktorer som påverkar vårdens införande av AI och att ställa sig frågan - sjukvårdskris och svalt mottagande av AI, hur går det ihop?
1.4 Syfte och forskningsfråga
Syfte
Trots stora behov av effektiviseringar används AI fortfarande i en begränsad utsträckning.
Inte minst finns en kunskapslucka i hur AI framgångsrikt ska kunna implementeras inom hälso- och sjukvården. Trots mycket forskning och välutvecklade AI-lösningar har vården av olika anledningar svårt att implementera dessa. Studien syftar således till att undersöka påverkande faktorer för införandet av AI inom radiologin. Ytterligare är förhoppningen att detta arbete ska bidra med en ökad kunskap och förståelse för dessa faktorers betydelse samt ge upphov till vidare forskning. Detta kommer att utforskas i en fallstudie utifrån
nedanstående frågeställning.
Forskningsfråga
- Vilka av HA Adoption-Decision Models faktorer har störst påverkan på införande av AI inom radiologin?
1.5 Avgränsningar
Då denna studie undersöker generella förutsättningar för införande av AI och tillämpningarna idag är få, ser inte författarna anledning att begränsa det radiologiska ämnesområdet till exempelvis ultraljud, mammografi eller liknande. Studien avgränsas istället till vissa
processer inom radiologins arbetsflöde. Författarna finner det rimligt att avgränsa till endast de processer som i nuläget berörs eller som inom en snar framtid kan komma att beröras av AI. Studien begränsas därför till processerna bildtagning, triage, bildanalys och
journalhantering.
Det finns otaliga faktorer inom en verksamhet som kan påverka införandet av AI. Det är därför viktigt att understryka att denna studie endast fokuserar på de tio faktorer som presenteras i det teoretiska ramverkets tre kontexter. Synen på faktorerna kan skilja sig åt mellan tjänstegrupper. Studien omfattar därför verksamhetschefer, radiologer,
röntgensjuksköterskor samt ett IT-perspektiv. Patienters perspektiv kommer inte att inkluderas i studien. I studien kommer inte ekonomiska aspekter behandlas utan anses ligga utanför ämnesområdet för denna undersökning. Detta eftersom ekonomiska aspekter är en komplex
fråga som visserligen är relevant för införande av AI men som ligger utanför omfattningen av det teoretiska ramverket.
Arbetet begränsas till Sverige men inte till specifika regioner eftersom möjligheterna för datainsamling då begränsas och geografisk position inte antas påverka insamlad data nämnvärt. Studien kommer att undersöka både privata vårdföretag och offentliga sjukvårdsverksamheter. Privata vårdföretag utgör en betydande andel av regionernas vårdverksamhet och är således intressant och relevant för studiens resultat.
1.6 Kunskapsintressenter
Utredningen av de faktorer som har störst påverkan är intressanta både för den regionala och privata vården såväl som för aktörer på AI-marknaden. För vården är en sådan studie
intressant ur ett effektivitets- och kvalitetsperspektiv och kan ge djupare insikt och kunskap kring beslut angående införande av AI. För utvecklare av AI-lösningar kan studien komma att bidra till större förståelse för behov, möjliggörare och hinder när det kommer till vårdens införande av dessa applikationer. Sammanfattningsvis är studien relevant för alla som är involverade eller har intresse för införandet av AI inom sjukvården.
1.7 Studiens disposition
Studien består av sex avsnitt; Inledning (1), Teori (2) Metod (3), Empiri (4), Analys (5) samt Diskussion (6). Det första avsnittet ger en introduktion till ämnet som beskriver
sjukvårdssituationen och förhoppningar på ny teknologi. Efter denna följer en bakgrund som tar upp vårdens uppbyggnad samt går djupare in på radiologins arbetsprocesser och
potentiella AI-tillämpningar för dessa. Detta följs av problembeskrivning, syfte,
frågeställning och avgränsningar. Studiens andra avsnitt redogör för tidigare forskning inom AI och radiologi där karaktärisering och användning av olika områden inom AI beskrivs.
Från detta följer teorival samt beskrivning av det teoretiska ramverket HA Adoption-Decision Model. I det tredje avsnittet ges en beskrivning av studiens metod där forskningsansats och forskningsparadigm formuleras. Även beskrivning av metod för datainsamling och dataanalys tas upp och avslutas med metodkritik. Avsnitt fyra består av en fallbeskrivning, för att
beskriva radiologins nuvarande situation, och resultat från intervjuer. I det femte avsnittet appliceras HA Adoption-Decision Model på resultatet samt den tidigare forskningen i form av analys. I det sjätte avsnittet dras slutsatser, resultat diskuteras, begränsningar i studien tas upp och förslag på vidare forskning ges.
2. Teori
I detta avsnitt presenteras ett urval av tidigare relevanta forskningsartiklar samt det teoretiska ramverk som kommer att användas för analys. Innehållet delas in efter koncept inom AI-begreppet, som demonstreras i Tabell 1. Vidare ges en redogörelse för det teoretiska ramverket HA Adoption-Decision Model.
2.1 Tidigare forskning inom radiologisk AI
Tidigare forskning presenteras nedan utifrån fyra övergripande områden som adresserar hur AI-begreppet byggs upp och som är relevanta för användningen inom radiologi. Dessa redogörs i Tabell 1 och innefattar AI, maskininlärning, djupinlärning samt språkteknologi ( (eng: Natural Language Processing (NLP)). En viss kunskap om vad som karaktäriserar dessa områden anses relevant för att få förståelse för komplexitet, användning och införande.
Artiklar har valts ut för att täcka dessa områden, dess användbarhet inom arbetsprocesserna och påvisade resultat.
Område Delområde Författare
AI
Karaktärisering (Hamet, Tremblay, 2017).
Användning (Dikici, Bigelow, Prevedello, White, Erdal, 2020)
Maskininlärning
Karaktärisering ( Wang, Summers , 2012) ( Rodriguez , 2017) Användning ( Wang et al., 2012)
(Erickson, Korfiatis, Kline, Akkus, Philbrick, Weston, 2018)
Djupinlärning
Karaktärisering (Mazurowski, Buda, Saha, Bashir, 2019)
(Erick son et al., 2017)
Användning (Montagnon, Cerny,
Cadrin-Chênevert, Hamilton, Derennes, Ilinca,
Vandenbroucke-Menu, Turcotte,
(Kadoury, Tang, 2020) (Bluemke, 2018)
(Yasaka, Akai, Abe, Kiryu, 2017) (Hosny et al., 2018)
( Gao , Geras , Lewin , Moy , 2019) (Higaki, Nakamura, Tatsugami, (Nakura,, Awai, 2019)
(Du, Chen, Wu, Sun, Liao, & Zhang, 2017)
(Jin, McCann, Froustey, Unser, 2017) Språkteknologi Karaktärisering ( Pons , Braun , Hunink , Kors , 2016)
Användning (Hodgson, Coiera, 2016) ( Pons et al., 2016)
Tabell 1. Övergripande områden inom AI-begreppet utifrån karaktärisering och användning
2.1.1 AI
AI är ett allmänt begrepp som syftar till användning av datorer för att modellera intelligent beteende med minimal mänsklig inblandning. Begreppet AI myntades av forskaren John McCarthy år 1955 som definierade det som “vetenskapen och tekniken att skapa intelligenta maskiner”. Idag betraktas AI som ett tekniskt område som implementerar nya koncept och lösningar för att lösa komplexa utmaningar (Hamet, Tremblay, 2017).
AI har visat stor potential för att kunna integreras i det radiologiska arbetsflödet och gynna radiologers arbete genom optimerad automatisering av flera områden (Dikici, Bigelow, Prevedello, White, Erdal, 2020). AI som begrepp visualiseras i Figur 2 och omfattar
maskininlärning, djupinlärning och språkteknologi samt hur dessa förhåller sig till varandra.
Figur 2. AI:ns områden: maskininlärning, djupinlärning och språkteknologi ( Sathiyakugan , 2018)
2.1.2 Maskininlärning
Maskininlärning är en del av AI-begreppet och har förmåga att, likt en människa, utvinna meningsfulla mönster utifrån tidigare exempel. Datorer har dock en tydlig fördel gentemot människan i att outtröttligt kunna utföra väldefinierade uppgifter ( Wang, Summers , 2012) . Maskininlärning kategoriseras ofta i övervakad inlärning (eng: supervised learning) och oövervakad (eng: unsupervised learning) inlärning. I övervakad inlärning förser datasetet med färdiga etiketter, exempelvis tumörtyp, som algoritmen kan lära sig från för att själv kunna klassificera in-data. oövervakad inlärning upptäcker däremot egna mönster
( Rodriguez , 2017).
Klassificering är den mest använda maskininlärningstekniken inom radiologi då många appliceringar inom kliniskt arbete kan formuleras som ett klassificeringsproblem. Inom mammografi kan problemet vara relativt simpelt i den mening att det handlar om att besvara huruvida en patients fall är normalt eller inte (Erickson et al., 2018). Speciellt för många datorbaserade beslutsstöd (eng: Computer-Aided diagnosis (CAD))(se Bilaga 1 s.48)) inom radiologi såsom för lunga, bröst och kolon (se Bilaga 1 s.48) är intelligent klassificering av lesioner en central uppgift. Ett av de viktigaste bidragen som maskininlärning kan tillföra radiologin är ett automatiskt sätt att generalisera mänsklig kunskap, utvunnet från
träningsdata för ett framtida okänt testdata. Exempelvis kan man lära ett beslutstödjande system för mammografi att beskriva och klassificera massa eller mikroförkalkningar. På detta sätt överförs kunskap från radiologer till datorer ( Wang, Summers , 2012).
2.1.3 Djupinlärning
Djupinlärning är en gren av maskininlärning där nätverk av sammankopplade enheter
används för att extrahera mönster från data med syfte att lösa komplexa problem. Algoritmer för djupinlärning har visat på banbrytande resultat i en rad avancerade uppgifter (Mazurowski et al., 2019). Genom flertalet lager kan extraktion av särdrag, urval och slutgiltig
klassificering utföras parallellt med att den tränas. När lager lär sig allt högre funktioner kan tidigare lager lära sig mer abstrakta former som linjer och skuggor medan djupare lager kan lära sig hela organ och objekt. (Erick son et al., 2017). Djupinlärning kan användas inom flera områden och automatisera uppgifter som detektion av lesioner (se Bilaga 1, s.48),
segmentering, klassificering och övervakning (Montagnon et al., 2020). År 2018 genomfördes en studie på hur väl en AI algoritm, i jämförelse med två neuroradiologer, kunde upptäcka stroke. Samtliga fick läsa 300 CT-skanningar och resultatet visade att AI:ns känslighet att upptäcka dessa var 97%. Den generella träffsäkerheten var 78% och man sparade in 52 minuter i över 95% av fallen. Ett annat experiment i samma studie, inom onkologi, visade att en AI som företaget IBM utvecklat kom till 99% överens med rekommendationerna från mänskliga onkologer (Bluemke, 2018).
Vad gäller användning är Convolutional Neural Networks (CNN) en vanlig implementering av djupinlärning som använder neurala nätverk. Dessa processar endast array-data såsom bilder och används således frekvent inom djupinlärning som riktar sig till medicinska bilder.
Precis som radiologer lär sig att korrelera sin visuella tolkning av radiologiska bilder till det faktiska kliniska utfallet, lär sig även maskiner korrelationer. Studier har visat på
djupinlärning med CNN på hög diagnostiskt prestanda (Yasaka et al., 2017) och reducerar därmed behovet av manuell förgranskning och det läggs därför stora resurser på att utveckla de tekniska framsteg relaterade till AI inom bildanalys ( Hosny et al,. 2018).
Bildanalys är ett av de mest utvecklade användningsområdena för djupinlärning-algoritmer.
Datorbaserade beslutsstöd inom mammografi har under senare år fått en bredare mening i samband med djupinlärning och det finns stora mängder forskning i ämnet ( Gao et al., 2019).
Vidare tillämpningar relaterade till bildhantering har visat djupinlärning vara effektivt för att förbättra bildkvalité. Inom MR har dessa tekniker kraftigt kunna minska tiden för bildtagning.
Samma metoder kan minska strålningsdosen för datortomografi tack vare att
djupinlärningsalgoritmen kan rekonstruera lågupplösta bilder till högkvalitativa (Higaki, et al., 2019). En iterativ rekonstruerande metod för datortomografi utvecklad av Du et al.
tillämpad på abdominala (se Bilaga 1 s.48) röntgenbilden vid olika strålningsdoser
reducerades bildbruset samtidigt som objektets struktur kunde bibehållas. Detta gjorde det möjligt att reducera strålningsdosen till en sjättedel av konventionell dos (Du et al., 2017) (Jin et al., 2017).
2.1.4 Språkteknologi
Språkteknologi är ett område inom AI som genom teorier och teknologier används för att analysera text och tal. Syftet kan exempelvis vara att konvertera klinisk information (text) till ett strukturerat format så att meningsfulla förfrågningar och manipulationer kan utföras från
en dator. Inom radiologin används språkteknologi på rapportering för att automatisk kunna identifiera och utvinna information ( Pons , Braun , Hunink , Kors , 2016).
Språkteknologi kan även användas för att underlätta läkarens diktering genom så kallade taligenkänning. Taligenkänning är ett system för medicinsk rapportering som syftar till att assistera vid klinisk dokumentering genom att översätta tal till text. Tekniken har funnits i över tjugo år men införandet har hindrats av omogen teknologi och oacceptabla felmarginaler.
Men ett stadigt avancemang hos algoritmer, design och prestanda har gjorts sedan dess. Idag är taligenkänning framgångsrikt infört i kliniska miljöer exempelvis radiologers diktering, i användning av informationssystem för röntgen, bildarkivering och i kommunikationssystem.
(Hodgson, Coiera, 2016). Dagens tillämpningar av språkteknologi baseras främst på
djupinlärning och kräver enorma mängder av märkt data för träning för att kunna identifiera relevanta korrelationer. Mängden data är också en av de största utmaningarna med
språkteknologi (Pons et al, 2016) .
2.2 Val av teori
Det teoretiska ramverket som kommer att utgöra grunden för arbetets analys är Healthcare Analytics Adoption-Decision Model (HA Adoption-Decision model) som baseras på det väletablerade Technology-Organization-Environment Framework (TOE).
TOE-ramverket är en teori för informationssystem som syftar till att förklara tre olika kontext som influerar en organisations beslut att införa ny teknologi. TOE-ramverket utgår ifrån teknologiskt kontext , organisatoriskt kontext och extern kontext som tre övergripande kategorier som påverkar införandet av en teknologiska innovation (Depietro, Wiarda, Fleisher, 1990). I boken The process of technological innovation (1990) av Tornatzky och Fleischer beskrivs innovationsprocessen från att innovation utvecklas tills att den
implementeras av en organisation. Den teknologiska kontexten innefattar relevanta interna och externa teknologier, den organisatoriska kontexten innefattar karaktär och resurser hos organisationen och den externa kontexten syftar på marknadsstruktur och statlig reglering.
Sammantaget skapar dessa aspekter både hinder och möjligheter för teknisk innovation och påverkar hur en organisation ser behov, letar efter och inför ny teknologi (Depietro, Wiarda, Fleisher, 1990). Teorin är således relevant att vidare utforska för användning i denna studie där innovationen är AI och organisationen är sjukvården i stort.
2.2.1 HA Adoption-Decision Model
I Healthcare Analytics Adoption-Decision Model: A case study (2015) applicerar Venkatraman, Sundarraj och Seethamraju TOE Health analytics (HA) och anpassar
TOE-ramverket efter sjukvården som organisation. Denna modifierade teori anses därmed ännu bättre lämpad för studiens syfte. De tre kontexten och dess tio faktorer illustreras av Figur 3.
Figur 3. HA Adoption-Decision Model (Venkatraman, Sundarraj, Seethamraju, 2015).
Venkatraman et al har integrerat ramverket med D&M IS Framgångsmodell genom att placera faktorerna systemkvalitet, informationskvalitet, servicekvalitet, användning (eng:
usage) och affärsvärde (eng: business value) under ramverkets tekniska kontext. Dessa
används för att adressera kvalitetsaspekterna som är viktiga för ett framgångsrikt införande av ett system och syns också i Tabell 2. Den modifierade versionen har fått namnet HA
Adoption-Decision Model (Venkatraman et.al, 2015).
Tabell 2: D&M IS framgångsfaktorer för Healthcare Analytics (Venkatraman et.al, 2015)
Tekniskt kontext
Den tekniska kontexten består av systemkvalitet, informationskvalitet, servicekvalitet, användning och affärsvärde. Som redovisas i Tabell 2 kategoriseras dessa variabler in i tillgänglighet (eng: availability) och kännetecken (eng: characteristics), en indelning som baseras på det ursprungliga TOE-ramverket. Nedan följer en beskrivning av samtliga faktorer (Venkatraman et.al, 2015).
Systemkvalitet
Innefattar kvaliteten på systemen (hårdvara, nätverk, applikationer, databas, analysverktyg):
användarvänlighet, systemflexibilitet, tillgänglighetens tillförlitlighet, prestanda, flexibilitet, svarstider, skalbarhet och säkerhet.
Informationskvalitet.
Avser graden av användbara outputs från systemet: datans riktighet, representation, presentation, datakvalitet, konsekvens, datans tidsmässiga lämplighet, relevans av analysrapporter producerade av applikationerna och systemen.
Servicekvalitet
Syftar till servicestrategi, serviceprocedurer, servicedesign, kontinuerlig serviceförbättring, hantering av kontrakt mellan tjänsteleverantör och kund, kommunikation, relationer, tillgänglighet, teknisk kompetens, analyskompetens.
Användning
Innefattar syfte, omfattning och frekvens av användning av analytiska rapporter för att stödja beslutsfattning, motivation till användning. Klarhet i förväntningar, nöjdhet, involvering i att stärka kvalitet samt feedback.
Affärsvärde
Avser kliniskt beslutstöd, reducering av dödstal, reducering av kliniska fel, förbättrad vårdkvalitet och hantering, kostnadsoptimering, reducering av material, arbetskraft, tidsslösande. Innefattar också lönsamhet och reducering av procedurer.
Organisatorisk kontext
Den organisatoriska kontexten syftar på organisationens karaktäristiska egenskaper och resurser vilka påverkar införande och genomförandebeslut på många sätt. HA
Adoption-Decision Model lyfter fram de tre viktiga faktorerna strategisk lämplighet, ledningsstöd samt organisationsstorlek och komplexitet (Venkatraman et.al, 2015).
Strategisk lämplighet
För att investeringen ska kunna generera värde för sjukvården är den viktigaste
förutsättningen att det finns en passande anpassning mellan organisationens IT-system och affärsplan. Detta innebär att IT-investeringar och kapacitet måste anpassas för marknaden och patientens behov. Forskning visar att anpassning av informationssystem till strategiska
organisatoriska mål är en nyckel och en utmaning för organisationer i allmänhet men sjukvården i synnerhet (Venkatraman et.al, 2015).
Ledningsstöd
En kritisk faktor för framgången av alla IT-implementationer är ledningens stöd i organisationen. Tidigare studier som används av Venkatraman et.al visar att
informationssäkerhetschefens (eng: Chief Information Officer) delaktighet i ledningen är kritiskt genom att hon/han förespråkar medvetenhet, kunskap och assimilation kring IT (Armstrong, Sambamurthy, 1999). I TOE-ramverket nämns även att företagets ledning kan främja innovation genom att skapa en organisatorisk miljö som omfamnar förändring och innovation. Kommunikationen och ledningens beteende skulle inkludera beskrivande av innovationens roll och ändras inom organisationens generella strategi, understryka vikten av acceptans av innovation, belöning för innovation både formellt och informellt (Depietro, Wiarda, Fleisher, 1990).
Storlek och komplexitet
Shim och Lee visar i sin studie att alla storskaliga IT-investeringsbeslut är mer märkbara i större organisationer snarare än små samt att beslutsfattning relaterar till företagets storlek (Shim, Lee, 2010). Assimilering av IT och även framgångar av informationssystem till följd av användning av innovationen visade ha en direkt korrelation till företagets storlek och mognad. Det finns dock även forskning som identifierat en svagare betydelse av en organisations storlek och antagande av IS (Venkatraman et.al, 2015).
Extern kontext
I den externa kontexten inkluderas i Ha Adoption-Decision Model två faktorer som påverkar beslutet om införande. Dessa är konkurrensmässigt press samt de bestämmelser som gäller reglering av datadelning inom sjukvården (Venkatraman et.al, 2015).
Konkurrensmässig press
Tidigare forskning indikerar att marknadens konkurrens positivt kan komma att påverka införandet av en ny innovation (Venkatraman et.al, 2015). En dominerande aktör i den konkurrenskraftiga kedjan kan påverka resten att förnya sig och i växande industrier som sjukvården kan innovationen ske ännu snabbare. Forskning har visat att investeringar i IT kan skapa konkurrensfördelar som leder till överlägsen prestation. En viktig punkt är dock att investeringar i IT bör kopplas till IT-strategin.
Reglering av datadelning
Tillgänglighet av kliniska system för datadelning blir en viktig faktor för att ta sig an ny teknologi då varje sjukvårdsorganisations kliniska patientdata är av signifikant värde. Det finns ett antal utmaningar rörande dataskydd och sekretess, speciellt inom molnlösningar.
Sammanfattningsvis blir delning av klinisk data en viktig del i övervägandet att anta en innovation (Venkatraman et. al, 2015)
3. Metod
Detta avsnitt behandlar arbetets metod och motiverar de val som gjorts beträffande studiens ansats. Vidare redogörs tillvägagångssätt för den datainsamling som genomförts samt arbetets metod för dataanalys.
3.1 Forskningsansats
Studiens forskningsfråga undersöktes utifrån en explorativ kvalitativ fallstudie med
semistrukturerade intervjuer som datainsamlingsmetod. Kvalitativa metoder lämpar sig för frågor som rör människors upplevelser och deras syn på verkligheten samt när man är
intresserad av ett beskrivande, förklarande och tolkande tillvägagångssätt (Ahrne, 2011). Den kvalitativa metoden rör ofta beskrivande aspekter och utgår inte från en objektiv sanning och undersöker genom ett färre antal personer ett ämne på djupet (McCracken, 1988). Då studien syftar till att både beskriva en situation och utforska förklaringar utifrån flera perspektiv för att kunna avgöra de olika faktorernas betydelse ansågs en kvalitativ metod lämplig. En kvalitativ metod är även fördelaktig vid explorativa undersökningar (Malterud, 2014). På grund av att det finns knapphändigt med tidigare forskning kring faktorers påverkan på införande av AI ansågs en explorativ som en naturlig ansats. Utforskade studier syftar till att skapa förståelse för problemet och är även användbara för att identifiera ämnen för
efterföljande forskningsprojekt (Oates, 2006). AI är ett relativt nytt fenomen inom vården men trots mycket tidigare forskning kring dess kapacitet finns en avsaknad på studier som tvärvetenskapligt tittar på faktorer som påverkar antagandet av AI. Det anses även finnas potential för studien att bidra med nya outforskade forskningsfrågor. En utforskande ansats anses således lämplig.
Kvalitativa metoder karaktäriseras av mindre undersökningsgrupper och försöker fånga såväl människors handlingar som innebörden av dessa handlingar för att åstadkomma en
helhetsbeskrivning, något som vidare motiverade ett kvalitativt tillvägagångssätt. Ett färre antal intervjuer ansågs lämpligt för att i kunna fånga ett djup. Semistrukturerade intervjuer valdes specifikt eftersom de är informella och konverserande i sin natur. Semistrukturerade intervjuer är verbal utväxling där intervjuaren ämnar få fram information från en annan person genom att fråga både förbestämda frågor och lämna rum för utveckling av egna reflektioner hos respondenten. På så sätt skapas förutsättningar att få träffande och beskrivande information om erfarenheter, tankar och känslor hos de utfrågade (Clifford, Cope, Gillespie, French, 2016). Då radiologi är ett stort och komplext ämne ansågs en viss frihet för respondenterna som avgörande för att fånga viktiga aspekter.
Intervjusvaren ska sedan ge en grund för att utföra den fallstudie som anses lämplig för studien. Fallstudier passar småskaliga och djupgående studier som undersöker något i sin naturliga miljö. De kännetecknas också av multipla datainsamlingsmetoder för att rymma flera perspektiv och insikter på fallet. Ofta innefattar de iterativa processer för att balansera djup och bredd (Clifford et.al, 2016). Denna studie utgår inte från någon naturlig miljö på så vis att den undersöker exempelvis en röntgenavdelning på ett sjukhus. Däremot undersöker den en situation småskaligt och på djupet, använder multipla datakällor i en iterativ process för att täcka alla relevanta perspektiv på ämnet. Med dessa avses ledarperspektiv och
radiolog/sjuksköterskeperspektiv, samt sjukvårds- och datavetenskapligt perspektiv. Således ansågs en fallstudie som en lämplig metod.
Ovan nämnd forskningsansats hör till forskningsparadigmet interpretivismen. Detta eftersom interpretivismen ämnar förstå sociala kontexter på informationssystem. Dessa är exempelvis de sociala processer som utvecklar systemet och faktumet att de konstrueras av människor
som influerats av sin sociala miljö. Paradigmet kännetecknas också oftast av kvalitativ dataanalys (Oates, 2006).
3.2 Datainsamling
3.2.1 Undersökningsgrupp
Urvalet av respondenter var ett kritiskt moment i undersökningen för att få ett relevant och rimligt resultat. För att datainsamlingens resultat skulle bli användbart och korrekt var det därför viktigt att ta fram vissa urvalskriterier. Denna metod ansågs lämplig eftersom arbetet både är outforskat och handlar om att undersöka nya idéer och tankar hur AI potentiellt skulle kunna användas.
Urvalsmetoden kan beskrivas som en kombination av ett ändamålsenligt urval och ett bekvämlighetsurval. Respondenterna valdes delvis ut baserat på deras attribut, bland annat kunskap och kompetens om ämnet samt att de hade stor relevans för forskningsprojektet. De valdes även ut genom sin roll då syftet var att representera olika verksamhetsnivåer samt sjukvårdsperspektivet såväl som IT-perspektivet. De verksamhetsnivåer som avses är verksamhetschefer respektive läkare eller sjuksköterskor. Med relevans menas att personer valdes för att täcka in samtliga perspektiv exempelvis datavetenskapliga eller
sjukvårdsorganisatoriska. Vissa respondenter kontaktades direkt baserat på attribut och vissa förmedlades via en gemensam kontakt, något som kan beskrivas som ett bekvämlighetsurval.
Respondent Yrkesroll Åldersgrupp Kontaktsätt
1 Styrelseordförande på två
sjukhus samt statlig utredare.
I grunden läkare.
65-70 år. Via gemensam kontakt.
2 Överläkare och sektionschef
på universitetssjukhus. I grunden radiolog.
60-65 år. Via gemensam kontakt.
3 Praktiserande
röntgensjuksköterska.
20-25 år. Direktkontakt.
4 Verksamhetschef för privat
bolag och röntgenläkare.
45-50 år. Via gemensam kontakt.
5 Konsult-radiolog på svenska
sjukhus och på telemedicinföretag.
40-45 år Förfrågan via LinkedIn
6 Forskningschef på
medicinteknik-företag samt ledare för AI-inriktat forskningsprojekt.
Civilingenjör i grunden.
40-50 år Via gemensam kontakt
Tabell 3. Undersökningsgrupp.
3.2.2 Genomförande
Totalt genomfördes sex semistrukturerade intervjuer. Inför intervjuerna sammanställdes ett dokument bestående av frågor som ställdes till samtliga respondenter som relaterar till det teoretiska ramverket, samt frågor som anpassades beroende på roll och kompetens. Under intervjuerna ställdes även ett antal följdfrågor. Detta tillvägagångssätt ansågs kunna täcka särskilda huvudfrågor men möjliggjorde samtidigt för en öppenhet och möjlighet att utveckla aspekter där de olika respondenterna hade olika erfarenhet eller kunskap. Två intervjuer genomfördes via Zoom och resterande sex över telefon, samtliga med båda författarna närvarande och aktiva i samtalet.
Sammanfattning intervjuer
Intervju 1 - 60 minuter
Intervjun med styrelseordföranden fokuserade på att få en övergripande syn på sjukvården som organisation. Målet var också att förstå hur verksamhetschefer, som är längre ifrån det kliniska arbetet, uppfattar införandet av AI. Respondenten var positiv till införande av AI men tog upp svårigheter med användning och förändringsarbete samt läkares förmodade motstånd. Intervjun gav också information om ledningens roll och tidigare införande av ny teknik.
Intervju 2 - 60 minuter
I intervjun med överläkaren behandlades radiologins förutsättningar, tekniker man använder idag samt för- och nackdelar med dessa. Fokus låg även på arbetsbördan för radiologer samt hur AI i form av taligenkänning påverkar denna. Intervjun gick också mer på djupet i
radiologiska arbetsprocesser där AI skulle kunna avlasta, exempelvis triage, samt förmågan hos dator vs. människa. Dessutom reflekterade respondenten över skillnader mellan
mottagningar, fria val och människors olika inställning till teknik.
Intervju 3 - 30 minuter
Intervjun med röntgensjuksköterskan avsåg att ge förståelse för arbetsprocesser samt
förståelse för patientens behov. Fokus låg på processerna journalhantering, triage, samarbete
med radiologer som generellt utför själva diagnostiseringen och bildtagning exempelvis MR.
I intervjun togs betydelsen av den mänskliga faktorn upp samt behovet av kompetens och eventuella tidsbesparingar.
Intervju 4 - 60 minuter
Verksamhetschefen från den privata vårdverksamheten berättade i intervjun om ett antal AI-projekt som initierats. Både misslyckade och mer positiva erfarenheter av AI-projekt, som visserligen fortfarande är i ett mycket tidigt skede, diskuterades. Under denna intervju
diskuterades systemkvalitet i form av användarvänlighet och systemintegration. Intervjun bidrog också med information om synen på datadelning, marknadens utveckling samt vilken typ av arbetsuppgifter som AI anses lämpade för. Även skillnader mellan privat och offentlig sektor togs upp och respondenten bekräftade även det faktum att efterfrågan på radiologer ökar snabbare än man hinner utbilda. Viss diskussion kring konkurrens påverkan på utvecklingen samt graden av hajp förekom också.
Intervju 5 - 40 minuter
Konsult-radiologen hade erfarenhet av både privat och offentlig verksamheter och tog bland annat upp funktionalitet i nuvarande system och dess utveckling samt hur patientens data får delas. Intervjun diskuterade även hur det funkar att arbeta med bildanalys på distans från ett annat land samt användning av taligenkänning och de arbetsprocesser som skulle kunna underlättas av AI. Diskussion kring effektivitet och kvalitet förekom. Det framkom även att det är svårt för yrkesverksamma radiologer att veta vad som innefattar AI och inte. Även vårdens hantering av personuppgifter och data togs upp och hur det påverkar radiologens arbete.
Intervju 6 - 60 minuter
Intervjun med forskningschefen fokuserade på mer tekniska bitar såsom själva algoritmen och tekniska komponenter. Vårdens behov diskuterades med exemplet att sjukhusen ogärna ser fler servrar och integrationer. Intervjun fokuserade även på relationen mellan sjukvården och leverantörer av AI-lösningar. Problematiken i okunskapen och rädslan inför AI lyftes också som ett potentiellt hinder. Respondenten berättade också hur GDPR påverkar och att
oklarheter i restriktioner orsakar en enorm flaskhals för användningen av AI. Även den etiska aspekten av att det idag finns data som ligger oanvänd trots att den kan göra nytta
diskuterades.
3.3 Dataanalys
3.3.1 Förberedelse av data
Efter genomförd datainsamling i form av intervjuer behandlades och förbereddes datan för analys. Detta gjordes i enlighet med de riktlinjer som beskrivs i Research in Information system and Computing (Oates, 2006) och Fundamentals of qualitative research (Saldana, 2011) och innefattar en ordagrann transkribering av inspelat material, skapande av ett
enhetligt format, identifiering av ett effektivt system för lagring samt planering för dataanalys.
3.3.2 Dataanalys
Dataanalysen utfördes kvalitativt med kodning av insamlat material från intervjuer och integrerades senare med tidigare forskning. Kodning är en heuristiskt, undersökande metod och används för att skapa mönster och klassificering för att sedan reorganisera varje
utgångspunkt för analys (Saldana, 2011). Ett inledande tillvägagångssätt för kvalitativ
dataanalys som föreslås av Oates i Research in Informations system and Computing (2006) är att skapa tre initiala teman och dela in viktiga begrepp, nyckelord och segment utefter dessa, något som kallas en deduktiv temaanalys.
Deduktion innebär att man drar generella slutsatser utifrån etablerade fakta och bevis
(Saldana, 2011). Temana sattes till HA Adoption-Decision Models tre kontexter; teknologisk, organisatorisk och extern kontext . Dataanalysen inleddes därför med avkodning av samtliga intervjuer, genom programmet MAXQDA där färgkoder användes för dela in relevanta svar efter tema. Efter tema-indelningen repeterades indelningen, denna gång utefter varje temas faktorer som presenteras i avsnittet “Teori”. Dessa var totalt tio stycken. Metoden resulterade i att alla svar tillhörde både ett övergripande tema samt en av faktorerna.
I avsnittet “Resultat från intervjuer” har svaren placerats in under relevant faktor i ramverket.
Exempel på detta är “1300 i Sverige, koncernen en bit över 10 000” från respondent 4:
verksamhetschefen som placerades under faktorn Storlek och komplexitet , faktor under temat organisation . De svar som var mycket lika varandra sammanställdes till en generell
beskrivning och i de fall där uppfattningarna skilde sig åt presenterades samtliga svar. Efter hand sammanställdes därmed många svar under varje tema och faktor vilket gjorde det möjligt att se innehållet i varje del tydligt. Baserat på varje faktors respondent-svar och tidigare forskning, tilldelades den en av följande; mindre påverkan , påverkan och stor påverkan . Bedömningen av påverkansgrad baserades på hur frekvent en faktor förekom, hur viktig den ansågs av respondenterna men också baserat på vilken erfarenhet och kunskap som respondenten besitter.
Kategoriseringen mindre påverkan , påverkan och stor påverkan avser hur påverkande en faktor är för införande idag. Det betyder att en faktor som tilldelas mindre påverkande varken är möjliggörande eller hindrande i någon anmärkningsvärd grad. En faktor som kategoriseras som påverkande är möjliggörande eller hindrande i någon mening men anses inte vara avgörande. En faktor som tilldelas kategoriseringen stor påverkan är antingen möjliggörande eller hindrande till den grad att den anses kunna avgöra införande helt.
3.4 Etiska aspekter
För att försäkra respondenternas integritet och allmänna hälsa har författarna utgått från Vetenskapsrådets principer gällande etik. Samtliga principer har säkerställts och informerats om via den initiala mail-kontakten, före samtalet. För att uppfylla den första principen om information, har författarna informerat de berörda om studiens syfte. Den andra principen, samtycke, har försäkrats genom förfrågan om att delta med betoning på att det går att avbryta exempelvis om personernas arbetsbelastning blir för stor. Författarna har också efterfrågat samtycke till inspelning och lovat att denna kommer raderas efter transkribering. Den tredje principen, konfidentialitet, har författarna tagit i åtanke genom att fråga samtliga om de önskar vara anonyma och därtill tillämpat detta på samtliga. Vid samma tillfälle informerades också om vilka som kommer kunna ta del av studien. Den fjärde och sista principen gällande nyttjandekrav, har författarna försäkrat genom principen ovan samt genom att inte
återanvända material (Vetenskapsrådet, 2002).
3.5 Metodkritik
Oates lyfter en kritik mot fallstudier kopplat till hur mycket tid forskarna spenderat i den naturliga miljön, något som inte denna studie tillämpat. Å andra sidan har dock många timmar lagts på intervjuer för att få utförliga svar. Nackdelar finns också i form av risk för oproportionerlig generalisering (Oates, 2006), detta har dock försökt undgås genom att välja en majoritet av respondenter med bred arbetserfarenhet. Förhoppningen är också att det ska ge ett holistiskt perspektiv vilket är en utmaning med fallstudier (Oates, 2006).
Brister i den kvalitativa metoden som bör adresseras är tillvägagångssättet för urval och identifiering av teman i avsnittet tidigare forskning. På grund av den stora mängd forskning om radiologisk AI i kombination med ett omfattande och komplext medicinskt område uppstod svårigheter i att identifiera de mest relevanta koncepten. Trots att de artiklar och teman som slutligen valdes ut anses mycket relevanta och beskrivande finns risk att man missat ett alternativ som varit mer lämpligt. Enligt Oates uppstår detta ofta inom kvalitativ forskning och benämns som en av de främsta nackdelarna (Oates, 2006).
Det finns även ett antal brister som naturligt uppstår vid intervjuer som datainsamlingsmetod.
Dels finns en risk att tolkningar och analys har blivit påverkade subjektivt av författarna.
Enligt Oates är påverkan från författarnas identitet, bakgrund och antaganden en av riskerna med kvalitativ analys (Oates, 2006) I detta arbete kan detta ha yttrat sig ledande frågor som noterades först i transkriberingen. Detta kan ha kommit att påverka respondenternas svar.
Författarna ser även svårigheter i att avgöra fallstudiens möjlighet till generalisering på grund av att resultatet med säkert inte kan valideras.
4. Empiri
Detta avsnitt syftar till att genom en fallbeskrivning ge en tydlig bild av radiologins situation idag, dess förutsättningar för datahantering samt den en beskrivning av marknaden för radiologisk AI. Avslutningsvis presenteras det resultat som framkom av intervjuer utefter ramverkets teman och faktorer.
4.1 Fallbeskrivning
Radiologins situation idag präglas av stora mängder data. Utvecklingen av de grundläggande teknologierna för exempelvis traditionell röntgen kan idag kan ta fram stora mängder
detaljerade bilddata, något som ger radiologer bättre möjligheter att att upptäcka sjukdomar men också genererar högre arbetsbelastning. Växande mängder bilddata får även
konsekvensen att radiologer inte alltid kan tillgodose antalet kliniska bedömningar.
Diagnostisering överlåts därmed till viss grad till andra läkare eller radiografer som saknar likvärdig samma specialistkompetens ( Pesapane , M Codari , F Sardanelli , 2018). Samtidigt som bilddatan ökar, stiger också det allmänna vårdbehovet i landet i en oproportionerlig hastighet jämfört med antalet tillgängliga läkare. I en utredning från Socialstyrelsen rapporterar 16 regioner brist på radiologer och 17 regioner brist på röntgensjuksköterskor (Socialstyrelsen, 2019). Att utbilda specialistläkare tar lång tid och att bli färdig radiolog tar sammanlagt mellan 12-13 år. Samtidigt som tillväxten av yrkesverksamma radiologer är långsam ökar den åldrande befolkningen och kroniskt sjuka, något som ställer höga krav på en ökad effektivitet inom sjukvården, särskilt inom diagnostik och laboratorier (Vårdanalys, 2014).
Då bilddata rutinmässigt samlas in under radiologens kliniskt arbete finns stora dataset i princip redo att användas och utför är en enorm resurs för vetenskapliga och medicinska upptäckter (Hosny et al., 2018). För att nyttja data för AI krävs dock att datan delas mellan olika intressenter, såsom vårdinstitutioners delning av patientdata och de IT-företag som utvecklar AI:n. Att dela och överföra data innefattar dock vissa säkerhetsrisker såsom
internetupptagning eller förlust och stöld (Jaremko et al., 2019). Således väcker införandet av AI inom radiologin flera frågor kring datadelning och lagliga aspekter.
Idag regleras informationssäkerhet inom sjukvården på flera nivåer. Sedan maj 2018 gäller EU:s dataskyddsförordning General Data Protection Regulation (GDPR) som med striktare regler bestämmer hur personuppgifter får samlas, behandlas och lagras (Voigt, von dem Bussche, 2017). I patientdatalagen (2008:355), förekommer även ytterligare regleringar som kompletterar GDPR i fråga om patientens personuppgifter och journalhandlingar ska
hanteras.
På uppdrag av regeringen har Myndigheten för digital förvaltning (DIGG) fått i uppdrag att öka den offentliga förvaltningens förmåga att göra öppna data mer tillgängliga, bedriva öppen och datadriven innovation samt att främja användning av AI. I utredningen beskrivs GDPR:s princip om ändamålsbegränsning som en hindrande aspekt för användningen av AI.
Ändamålsbegränsning syftar till att bestämma den yttersta ramen för hur personuppgifter får användas och behandlas. I fråga om AI kan dessa bestämmelser vara restriktiva när det gällande vilka ändamål som tillåts vilket är problematiskt då det kan leda till att man saknar möjlighet att använda personuppgifter för nya lösningar eller utveckling av befintliga sådana.
För utveckling och användning av AI, som kräver stora mängder träningsdata, kan detta vara ett stort hinder. Man anser vidare att det trots goda förutsättningar inte finns tillräckliga medel för att utnyttja AI:s fördelar och att det finns behov av ytterligare förutsättningar för en ändamålsenligt användning av AI. (DIGG, 2019).
Trots oklarheter och ofullständiga bestämmelser rörande legala aspekter av datahantering fortsätter marknaden för AI-baserad medicinsk bildanalys att växa exponentiellt. AI:ns potential driver upp stora investeringar både i form av startups och växande intresse från större IT-företag som Google och Apple samt företag inom medicinteknik såsom GE
Healthcare ( Alexander, Jiang, Ferreira, Zurkiya , 2019). AI-baserade företag inom bildanalys har visat på en markant ökning och nådde 1,17 miljarder mellan 2014 och 2019. Dock visar resultat att medelvärdet för investeringar har sjunkit och att det genomsnittliga antalet investeringar per företag har minskat. Sammanfattningsvis kan det konstateras att trots fortsatt stort intresse för AI-relaterade investeringar inom bildanalys, har hög efterfrågan på finansiering resulterat i inte bara många nya startups, utan mindre sådana samt inte lika välfinansierade sedan 2017. Resultatet för marknadens förväntade utveckling kan enligt forskningen delas upp i tre horisonter som presenteras i Figur 4. Enligt Alexander et al befinner sig dagens marknad i nuläget i slutet av horisont 1 där flertalet företag erbjuder AI-applikationer men ingen i större skala. ( Alexander et al., 2019).
Figur 4: Marknaden för artificiell intelligence-baserad medicinsk bildanalys kan komma att utvecklas i tre horisonter. ( Alexander et al., 2019).
