In this thesis, research and implementation of an AI-enhanced automated scheduler for medical examinations were performed. Sectra is a company whose radiology information system (RIS) is used by numerous clinics around the world to schedule examinations. The motivation for the project was to investigate whether advancements in natural language processing and machine learning could be used to automate and potentially improve the scheduling process. The improvements sought were to increase the utilisation of the modalities and reduce patient waiting times. The scheduling process was analysed and divided into sub tasks, which were automated using various methods. The process was initially divided into two main tasks, which was based on the scheduling process used at clinics. The first task was the strategic allocation of space in modalities’ base schedules for urgent examinations, which occur randomly. This was essential to keep the waiting time short for urgent cases while maximising the utilisation of the modalities’ time by using the rest of the schedule for non-urgent examinations. The second task was prioritising the non-urgent examinations by assigning a priority code before they could be scheduled. This was necessary since examinations on the waiting list had different levels of urgency. The prioritisation required a model that could process the text written by doctors, as it was discovered that the free text attribute in the examination request held the most important information. Furthermore, to extract information from human-made schedules and analyse the results of the automatically generated schedules, a system was developed. The system included a user interface, two APIs, and a database. The result shows that the maximum utilisation of time in the modalities’ base schedules that the automated scheduler could achieve was 88%. Additionally, the developed neural network model managed to reach an accuracy of 74% when prioritising the non-urgent examinations. Lastly, it could be concluded that the utilisation levels highly affected the waiting times for the patients.

I den här avhandlingen utfördes forskning och implementering av en AI-utrustad automatisk schemaläggare för medicinska undersökningar. Sectra är ett företag vars röntgeninformationssystem (RIS) används av många kliniker runt om i världen för att schemalägga undersökningar. Målet med projektet var att undersöka om framsteg inom naturlig språkbehandling och maskininlärning kunde användas för att automatisera och eventuellt förbättra schemaläggningsprocessen. Förbättringarna som eftersträvades var ökad användning av modaliteter och minskad väntetid för patienter. Schemaläggningsprocessen analyserades och delades upp i deluppgifter, som automatiserades med hjälp av olika metoder. Processen delades inledningsvis upp i två huvuduppgifter, vilket baserades på schemaläggningsprocessen som används på kliniker. Den första uppgiften var strategisk allokering av utrymme i modaliteternas grundscheman för akuta undersökningar, som sker slumpmässigt. Detta var viktigt för att hålla väntetiden kort för akuta fall samtidigt som man maximalt utnyttjade modaliteternas tid genom att använda resten av schemat för icke-akuta undersökningar. Den andra uppgiften var att prioritera de icke-akuta undersökningarna genom att tilldela en prioriteringskod innan de kunde schemaläggas. Detta var nödvändigt eftersom undersökningarna på väntelistan hade olika brådskenivåer. Prioriteringen krävde en modell som kunde bearbeta texten skriven av vårdpersonal eftersom det upptäcktes att fritextattributet i remissen innehöll den viktigaste informationen. Utöver detta utvecklades ett system för att extrahera information från scheman gjorda av personal på klinikerna och analysera resultaten av de automatiskt genererade scheman. Systemet inkluderade ett användargränssnitt, två API:er och en databas. Resultatet visar att den maximala utnyttjandegraden av tid i modaliteternas grundschema som det automatiserade schemaläggningssystemet kunde uppnå var 88%. Den utvecklade neurala nätverksmodellen lyckades nå en noggrannhet på 74% när den prioriterade icke-akuta undersökningar. Sammanfattningsvis kan det sägas att utnyttjandegraden i hög grad påverkade väntetiderna för patienterna.