Introduktion: Idag kan ett ordinerat läkemedel ersättas av ett medicinskt likvärdigt läkemedel på apotek om det är utbytbart. För utbytbara läkemedel ska informationen om bland annat säkerheten vara likadan ur patientsäkerhetssynpunkt. Syfte: Det första syftet med studien var att ta reda på om, hur och i vilken omfattning biverkningsinformationen skilde sig inom olika utbytesgrupper. Det andra syftet var att undersöka vad eventuella skillnader kunde bero på och hur dessa kunde påverka patienterna. Valet av dessa syften baserades på att det fanns en allmän ovetskap kring huruvida det förekom variationer i biverkningsinformationen eller inte, där denna ovetskap kunde påverka patientsäkerheten.  Metoder: Biverkningsinformation från samtliga produktresuméer i 25 utbytesgrupper undersöktes genom en kvantitativ innehållsanalys. Skillnader mellan utbytesgrupperna kategoriserades och kvantifierades, och det insamlade materialet beskrevs med deskriptiv statistik. Resultat: Från samtliga 25 utbytesgrupper analyserades totalt 195 preparat. I endast 27 av 195 preparat överensstämde biverkningsinformationen helt, och det upptäcktes sammanlagt 2482 skillnader. Det fanns avvikelser i samtliga utbytesgrupper. Som mest förekom det skillnader i kategorin tillagda biverkningar (572), följt av skillnader i frekvenser (569) samt skillnader i användningen av termer för samma biverkan (514).  Slutsats: Det förekom stora skillnader i biverkningsinformationen mellan utbytbara läkemedel. Särskilt borttagna biverkningar eller biverkningar som har redovisats under olika frekvenser kan skapa felaktiga slutsatser för hälso- och sjukvårdspersonal. Det är en patientsäkerhetsrisk att det föreligger så stora skillnader i biverkningsinformationen mellan läkemedel som byts ut på apotek och ansvarig myndighet ska se över hur informationen för utbytbara läkemedel kan likställas.

YouTube is an online video sharing platform where users can distribute and consume video and other types of content. The rapid technological advancement along with the proliferation och technological gadgets has led to the phenomenon of viral videos where videos and content garner hundreds of thousands if not million of views in a short span of time. This thesis looked at the reason for these viral content, more specifically as it pertains to videos on YouTube. This was done by building a predictor model using two different approaches and extracting important features that causes video popularity. The thesis further observed how the subsequent features impact video popularity via partial dependency plots. The knn model outperformed logistic regression model. The thesis showed, among other things that YouTube channel and title were the most important features followed by comment count, age and video category. Much research have been done pertaining to popularity prediction, but less on deriving important features and evaluating their impact on popularity. Further research has to be conduced on feature influence, which is paramount to comprehend the causes for content going viral. / YouTube är en online-plattform där användare kan distribuera och konsumera video och andra typer av innehåll. Den snabba tekniska utvecklingen tillsammans med spridningen av mobila plattformar har lett till fenomenet virala videor där videor får hundratusentals, om inte miljontals, visningar på kort tid. I arbetet undersöktes orsaken till virala videor på YouTube. Det gjordes genom att bygga två modeller för att förutspå videopopularitet och därefter analysera viktiga egenskaper som orsakar denna. Resultaten visade att Knn- modellen ger bättre resultat än logistisk regression. Arbetet visade bland annat att YouTube-kanalen och titeln var de viktigaste egenskaperna som driver popularitet, följt av antal kommentarer på en video, videons ålder och videons kategori. Vidare forskning är dock nödvändig inom detta område. Mycket forskning har gjorts för att förutsäga populariteten hos videor, men mindre fokus har lagts på att analysera deras viktiga egenskaper och utvärdera deras inverkan på populariteten.