Syftet med denna kandidatuppsats är att, via kvalitativa intervjuer, identifiera och beskriva ett landstings process för hur patient- och sjukvårdsdata, genom olika typer av dataanalyser, kan generera rättidiga beslut.   I det valda kvalitativa tillvägagångssättet skapades en semi-strukturerad intervjuguide, baserad på en analysmodell. Fem intervjuer med anställda inom fallstudieorganisationen genomfördes. För att underlätta för respondenterna och ge en tydlig helhetssyn på intervjuns innehåll, fick respondenterna innan intervjun se analysmodellen som skapats.   Deskriptiv analys är den vanligaste dataanalysmodellen som används av respondenterna, i form av verksamhets- och produktionsuppföljning. Det framgår även i undersökningen att det är viktigt med ett brett dataunderlag för beslutsfattning och att Landstinget i Värmland överlag är en mycket faktabaserad organisation. Förutsättningarna för att kunna fatta rättidiga beslut, genererade från dataanalyser, anses vara att veta vilka frågeställningar som ska besvaras, att data snabbt finns tillgänglig och att analyser utförs på denna tillgängliga data. Men även om data snabbt finns tillgängligt för beslutsfattarna och analyser gjorts, medför inte det rättidiga beslut. Data ger inte alltid en korrekt eller sann bild, utan behöver först tolkas innan besluten kan fattas. Tolkningar av data kan skilja sig åt vilket medför att ytterligare en person behöver titta på materialet, vilket också medför att besluten skjuts fram. Det anses även saknas ett enhetligt arbetssätt för hur de anställda arbetar i vårdsystemen.   Rättidiga beslut finns på olika nivåer inom landstinget. När det gäller den övergripande nivån är det inte brådskande med beslut, men ju mer operativt personalen arbetar desto viktigare är det med snabba beslut. Detta visar att ”rättidiga beslut” har olika betydelser, beroende på var i verksamheten de anställda befinner sig. Vården är tidspressad och det är inte alltid det finns möjlighet att analysera de data som finns tillräckligt mycket.

<p>This research was conducted to develop and evaluate a screening tool for Hepatic Steatosis (or fatty liver) detection using machine learning based models. The developed models are intended to be used as a potential clinical decision support tool for identifying patients with Non-Alcoholic Fatty  Liver  Disease  (NAFLD).  Two  versions  of  a  HS  prediction  tool  are  discussed  in  Paper  1, Objectives 1A, and 1B, respectively.</p> <p>Explainability  analysis  of  the  developed  models  is  also  a  major  component  of  this  work, discussed in Paper 2. Models from Paper 1 are analyzed further for interpretability and the results are then compared with current clinical literature. Insights from the explainability analysis are used to  identify  best  models  that  follow  the  clinical  literature  logically.  Most  contributing  features within each model are also identified in this work.</p> <p>Another aspect of NAFLD management is related to the chronic exposure to heavy metals in the environment (such as: Arsenic, Lead, Cadmium etc.). The heavy metal exposure component is explored in two ways in this dissertation. In paper 3, another version of the ML-based screening tool is explored by including heavy metal exposure data. The results from the model (with heavy metal data) are then compared with models that exclude the heavy metal exposure data. The results and their implications are discussed in paper 3.</p> <p>Arsenic is a major hepatotoxin and the chronic exposure can lead to severe liver injury. In Paper  4,  a  commercially  available  Arsenic  detection  kit  was examined  for  Arsenic  detection  in water  at  a  household  level.  The  kit  was  evaluated  following  a  short  experimental  plan  and  the obtained  results  are  discussed.  Finally,  the  obtained  images  were  quantified  digitally  using  a customized image analysis and pattern recognition algorithm. The methods used for quantification and the obtained results are also discussed.</p> <p><br></p>

No description available.