Förord Gruppen vill börja med att tacka alla människor som har varit inblandade och stöttat oss med denna studie. Utan dessa personer hade det inte varit möjligt eftersom vi fick stöd från alla som varit inblandade och deras bidrag med studien. Därefter vill vi tacka vår handledare Erik Bjurström för hans hjälp och rådgivning under studiens gång. Utan honom hade denna studie inte varit möjlig att genomföra så han var till stor hjälp och stötta oss under studiens gång. Dessutom gav han oss bra feedback och konstruktiv kritik som vi bearbetade hädanefter. Utöver det vill vi skänka vår tacksamhet till Västerås Stad för att vi fick chansen att skriva om deras digitalisering av nyckelkvittens. Vill även tacka samtliga respondenter för att de erbjöd oss möjligheten att inspektera deras kommunala verksamhet inom vård och omsorg, för att diskutera innovationsmöjligheter samt innovationsbidrag. Vi vill också tacka de anställda i Västerås Stad för att de ställde upp på intervjuerna och kunde ge oss information som vi hade nytta av, genom att använda insamlad empiri till analys och empiriska material som därefter jämfördes med teorier. Det gav oss en inblick i att se behovet utifrån deras perspektiv. Samtidigt har deras engagemang och öppenhet varit till stor hjälp och avgörande för att denna studie ska bli fullgjort.  I slutändan vill vi tacka våra familjer,vänner och klasskamrater för deras stöd, förståelse, rådgivning, tips och stöttande under denna studie. Utan dem hade det varit omöjligt eftersom vi fick mycket stöd från dem samt inspiration.  Detta har bidragit till lärande för hur användningen av nyckelkvittenser ser ut i Västerås Stad. Det gav oss även en ökad förståelse för vilka nyttor som ökad tillämpning av digitalisering kan vara till nytta för vårdverksamheter. Det bildar en djupare förståelse för hur digitala verktyg kan vara användbara till att tillgodose patienters behov. Analysen och diskussionen indikerar på ett behov av digitala verktyg, vars personal har en positiv inställning till implementering av resultatet. / This study examines the digitalization of key receipts in the care and home care sector in the city of Västerås to increase efficiency and security. The focus is on improving the management of key receipts to address challenges with the current paper-based system. Through a qualitative analysis with interviews of relevant respondents, the study identifies the benefits and challenges of introducing digital key receipts. The results show that digitalization can improve operational efficiency, data security and overall security for both customers and staff. The research concludes with recommendations for developing and implementing a digital system for key receipts that is consistent with the needs and capacities within Västerås city's care services regarding security.

Införandet av elektorniska patientjournaler har bidragit till flera fördelar men trots det arbetar vårdpersonal fortfarande i hektiska och stressiga miljöer. Därmed har taligenkänning blivit ett allt vanligare arbetssätt kopplat till dokumentation, detta med anledning av att underlätta främst dokumentationsprocesser. Med denna studie kommer möjligheter och utmaningar kopplat till anvädning av taligenkänning att identidieras. Syftet med studien är att inhämta kunskap och skapa en bredare förståelse för anvädning av taligenkänning inom sjukvården. Resultatet av studien har lett till en bredare förståelse för vårdprocessen med taligenkänning inom hälso- och sjukvård, främst kopplat till dokumentation och elektronsika patientjournaler. Studiens bidrag kommer med förhoppning att kunna användas som stöd för använding av taligenkänning inom vården. Studien har utförts med en kvalitativ ansats där möjligheter och utmaningar identidierats, både från litteratur och från vårdpersonal. Detta kring hur väl taligenkänning integrerar och fungerar vårdmottanginar emellan. / Despite the many advantages of implementing electronic patient records, healthcare straff are still working in a hectic and stressful environment. Speech recognition has therefore become a more common way of working with documentation, mostly to facilitate the documentation process. In this study, possibilities and challanges with speech recognition will be identified. The main purpose of the study is to gather knowledge and create a greater understanding for the usage of speech recognition in healthcare. The result of the study has led to a greater understanding for the process of speech recogotion in healthcare, mostly connected to documentation and electronic patient records. The contribution of the study could optimistically be used as support for speech recognition in healthcare. The study was executed with a qualitative approach where possibilities and challenges have been identified from both literature and healthcare staff. This was carried out regaring how well speech recognition integrates and works healthcare clinics between.

Colorectal cancer (CRC) is a health challenge worldwide and early detection of the disease is crucial to improve patient prognosis. It is common for the first contact with care to occur in primary care centers where general practitioners often face the challenge of distinguishing CRC from other diseases with similar symptoms. In this master thesis, patient records from primary care were used to create, optimize, and evaluate a machine learning model that classifies patients with CRC for early detection of the disease. The data used in the project included parts of electronic health records (EHRs) from both public (SLSO) and privately run (Capio and Praktikertjänst) primary care centers in the Stockholm region. The available dataset was cleaned and pre- processed, and then tested on four separate models. After selecting and optimizing the most promising model, LightGBM, a detailed evaluation of the model was performed. To simulate realistic clinical conditions, data from the three months prior to diagnosis were excluded from two of the datasets. The results were then compared with a baseline machine learning model that utilized ICD codes extracted from EHRs in primary care for early detection of CRC.The results showed that the final developed model had a generally good performance with an AUROC score of a maximum of 85.8%, which indicates very good ability to distinguish between the classes. The performance dropped when using the datasets with 3 months of data removed, but the ROC curves still showed a better ability than random classification to distinguish between the classes with a AUROC score of maximum 60,8%. The results also showed that the model developed in this master thesis outperforms the baseline model, which was based on ICD codes, from a performance perspective. For future development and before a possible clinical implementation, a larger data set should be used for training and testing. / Tjock- och ändtarmscancer, kolorektal cancer (KRC) är en hälsoutmaning över hela världen och tidig upptäckt av sjukdomen är avgörande för att förbättra patientens prognos. Det är vanligt att den första kontakten med vården inträffar på vårdcentraler där allmänläkare ofta står inför utmaningen att skilja KRC från andra sjukdomar med liknande symtom. I denna masteruppsats kommer patientjournaler från primärvården att användas för att skapa, optimera och utvärdera en maskininlärningsmodell som klassificerar patienter med KRC för tidig upptäckt av sjukdomen.De data som använts i projektet omfattade delar av elektroniska patientjournaler (EHR) från både offentliga (SLSO) och privatägda (Capio och Praktikertjänst) primärvårdscentraler i Stockholmsregionen. Den tillgängliga datamängden städades och förbehandlades, och testades sedan på fyra separata modeller. Efter att ha valt ut och optimerat den mest lovande modellen, LightGBM, utfördes en detaljerad utvärdering av modellen. För att simulera realistiska kliniska tillstånd utvärderades modellen på två datamängder där data från tre månader före diagnos uteslöts. Resultaten jämfördes sedan med en baslinjemodell som använde ICD-koder som hämtats från journalsystem inom primärvården för tidig upptäckt av CRC.Resultaten visade att den slutliga utvecklade modellen hade en generellt bra prestanda med en AUROC-poäng på högst 85,8%, vilket indikerar mycket god förmåga att skilja mellan klasserna. Prestandan sjönk vid användning av datasatserna med 3 månaders data borttagen, men ROC-kurvorna visade fortfarande en bättre förmåga än slumpmässig klassificering att skilja mellan klasserna med en AUROC-poäng på högst 60,8%. Resultaten visade också att den modell som utvecklats i denna masteruppsats överträffar baslinjemodellen, som baserades på ICD-koder, ur ett prestationsperspektiv. För framtida utveckling och före en eventuell klinisk implementation bör en större datamängd användas för träning och testning av modellen.