Näiden 20 valikoidun artikkelin lähdeluettelosta vielä etsin sopivia lähteitä tutkielmaan.
Lopulta valikoitui vielä 11 artikkelia lisää, jotka sopivat kriteeristöön.
Artikkeleita valitessa kiinnitin huomiota sisällön sopivuudesta tutkielmaan. Otsikko tasolla sain rajattua artikkeleita pois. Erityisesti Scopus-tietokannassa oli paljon artikkeleita, jotka otsikko tasolla viittasivat pelkästään tekniikan alaan ja tietokonetekniikkaan. Otsikossa ei ollut viitteitä siitä, että ne olisivat soveltuneet tähän tutkielmaan ja siksi ne rajautuivat ulos. Vaikka olin hakulausekkeessa pyrkinyt rajaamaan lääketieteen pois tuli siitä huolimatta tuloksiin esimerkiksi leikkausrobotteihin liittyviä dokumentteja, joita en ottanut mukaan tutkielmaani.
Leikkausrobottien rajaamisen perusteluna toimii se, että ne ovat laajasti käytössä, joten niistä myös löytyy hyvin tutkittua tietoa. Esimerkiksi Suomeen tuli vuonna 2000 ensimmäinen leikkausrobotti Tampereen yliopistollisen sairaalaan ja Yhdysvalloissa
joka kolmas sairaala omistaa leikkausrobotin ja vuonna 2018 leikkauksia oli tehty yli 3 miljoonaa ympäri maailmaa. (Alho ym. 2018, 8; Beane 2018.) Ensimmäinen dokumentoitu robottinen leikkaus on tehty vuonna 1985, 1998 da Vinci systeemi esiteltiin ensimmäisen kerran kaupalliseen tarkoitukseen saksalaisessa sairaalassa ja vuonna 1999 se asetettiin vapaille markkinoille. Vuosien 2007-2013 1.7 miljoonaa operaatiota tehtiin da Vinci robotiikan avulla pelkästään Yhdysvalloissa. (Marino, Shabat, Gullotta, Komarowski 2018.)
Kaikki tiivistelmät olivat saatavilla lukuun ottamatta cinahl-tietokannan 4 artikkelia.
Tiivistelmien avulla osasta artikkeleista sai hyvin selville sopivatko ne tutkielmaan vai ei sisäänottokriteereiden mukaisesti. Kuitenkin suhteellisen suuri joukko artikkeleita jäi koko tekstin tarkasteluun, koska tiivistelmästä ei esimerkiksi selvinnyt oliko artikkelissa oleva automatiikka tai robotiikka jo käytössä tai edes kokeiluasteella terveydenhuollossa. Koko tekstin tarkastelun jälkeen artikkeleita jäi 20 kappaletta, jotka sopivat tutkielmaan. 20 valitun artikkelin lähdeluetteloista valikoitui vielä 11 artikkelia.
Jokaisen tutkimuksen lähdeluettelo käytiin läpi yksitellen. Sopivat artikkelit valikoituivat tarkempaan tarkasteluun. Tarkastelussa luettiin koko teksti ja jos se täytti, sisäänottokriteerit artikkeli valikoitui mukaan. Valikoitujen artikkeleiden lähdeluetteloista etsittiin myös sopivia artikkeleita mutta sieltä ei löytynyt tutkielmaan sopivia artikkeleita tai ne eivät täyttäneet sisäänottokriteereitä. Yhteensä artikkeleita valikoitui 31 kappaletta tutkielmaan. Artikkelit noudattivat sisäänottokriteerejä.
Valikoin artikkelit, joista käy ilmi, että niitä käytetään terveydenhuollossa jo tai niitä oli tutkittu ihmisten käytössä. Artikkeleita valikoidessa en huomioinut artikkelin alkuperäistä tarkoitusta vaan pyrin löytämään ne artikkelit, joista saan vastauksen tutkimuskysymykseeni. Valitut artikkelit olivat tutkimuksia ja artikkeleita laidasta laitaan mutta kaikki vertaisarvioitu. Liitteenä (LIITE 1) artikkelilista, josta selviää kirjoittaja, julkaisuvuosi, artikkelin nimi, automatiikan ja robotiikan laatu sekä millaista hyötyä valitussa artikkelissa oli.
31 artikkelista 11 oli yhdysvaltalaisten kirjoittajien kirjoittama, yksi oli kirjoitettu kanadalaisen kirjoittajan kanssa, yksi artikkeli oli kokonaan kanadalaisen kirjoittama.
12 artikkelia oli eurooppalaisten kirjoittamia, yksi artikkeleista oli suomesta muut muualta Euroopasta. Kaksi artikkelia oli australialaisen kirjoittamia ja kahdesta toinen
kirjoitettu yhdessä Uusi-seelantilaisen kirjoittajan kanssa. Korean tasavallasta oli yksi artikkeli, jossa yksi kirjoittaja oli USA:sta. Yksi artikkeli oli Saudi-Arabiasta, yksi Nigeriasta ja yksi Etelä-Afrikasta. Artikkeleita oli kaikista muista maanosista paitsi Etelä-Amerikasta. Yllättävää on, että Aasian maat eivät nousseet esille hauissa tämän enempää. Artikkelit jakautuivat tasaisesti Euroopan ja USA:n välille.
Tutkielmassa aikaisemmin on määritelty ohjelmistorobotiikan mutta koska haku ei tuottanut tuloksia kokeilin vielä hakea artificial intelligence eli keinoälyn nimellä.
Tuloksia tuli jokaiseen tietokantaan paljon. Tässä kohtaa haluan vielä erotella tekoälyn ja ohjelmistorobotiikan eron. Tekoälyä sekä ohjelmistorobotiikkaa käytetään organisaatioissa. Ohjelmistorobotiikkaa käytetään rutiininomaisissa tehtävissä, joita ihminen normaalisti tekisi, se ei päättele vaan noudattaa sille annettuja tehtäviä. Tekoäly taas päättelee ja ratkaisee ongelmia. (Kääriäinen, Aihkisalo, Halen, Holmström, Jurmu, Matinmikko, Seppälä, Tihinen, Tirronen 2018, 8.) Tekoälyn käsitteellistäminen on haastavaa, koska se on niin laaja sekä moniulotteinen asia. Laajan ja moniulotteisen siitä tekee se, että ei ole yksi teknologia vaan koostuu monesta eri menetelmästä, teknologiasta, sovelluksesta ja jopa tutkimussuunnasta. Yhtenä tekoälyn suuntauksena on pidetty digitalisaatiota, jossa tekoäly, sen menetelmät, teknologiat ja sovellukset olisivat osa digitalisaatiota. (Ailisto, Heikkilä, Helaakoski, Neuvonen, Seppälä 2018, 6.) Kuten tekoälyn käsitteellisestämisetä käy ilmi sen olevan laaja kokonaisuus sekä sen tehtävä on eri kuin ohjelmistorobotiikalla, joten sen tutkiminen on oma tutkimusaiheensa eikä näin ollen tekoälyä sisällytetä tähän tutkielmaan.
3.3 Aineiston analyysi
Analysoin saadun aineiston sisällönanalyysillä.
Sisällönanalyysin tarkoitus on analysoida kirjallisuuskatsauksen aineisto objektiivisesti ja systemaattisesti. Sisällönanalyysin avulla saadaan tiivis kuvaus tutkittavasta ilmiöstä ja sen yleismuoto. Sisällönanalyysin tarkoituksena on järjestää aineisto niin, että siitä voidaan tehdä johtopäätökset. Sisällönanalyysin avulla voidaan analysoida erilaisia dokumentteja. Dokumentit voivat olla kirjoja, artikkeleita, päiväkirjoja, kirjeitä, haastattelu, puhe, keskustelu, dialogi ja raportti. Melkein minkä tahansa materiaalin voi
analysoida sisällönanalyysin avulla. Sisällönanalyysi on saanut myös kritiikkiä, koska sen avulla saadaan aineisto järjestykseen johtopäätösten tekoa varten mutta johtopäätökset voivat jäädä pintapuolisiksi ja sisällönanalyysin avulla analysoitu aineisto esitellään tuloksina. (Tuomi & Sarajärvi 2018.)
Teorialähtöinen sisällönanalyysi on yksi keino analysoida aineistoa. Teorialähtöinen aineiston analyysi perustuu teoriaan, malliin tai käsitejärjestelmään. Ensimmäiseksi teorialähtöisessä sisällönanalyysissä tulee muodostaa analyysirunko. Analyysirunko perustuu esimerkiksi teoriaan. Analyysirungon perusteella muodostetaan erilaisia luokituksia tai kategorioita. Luokitusten tai kategorioiden luomiseen käytetään sisällönanalyysin periaatteita. Aineistosta valitaan ne asiat, jotka kuuluvat analyysirunkoon ja sitten ne asiat, jotka eivät kuulu runkoon mutta ovat olennaisia.
Ulkopuolelle jääneet asiat voidaan luokitella aineistolähtöisen sisällönanalyysin periaattein. Luokittelussa tutkimusaineisto järjestellään. Se voi olla hyvin yksinkertaista ja alkeellista luokittelua. Tarkoituksena on määritellä erilaisia luokkia. (Tuomi &
Sarajärvi 2018.)
Tässä tutkielmassa teoriasta nousivat esille automatiikka ja robotiikka sekä voimavarat/resurssit, joita tutkitaan terveystaloustieteessä. Kirjallisuudesta nousi esille automatiikasta ja robotiikasta saatua tehokkuutta ja turvallisuutta, kuten lääkkeenjakokaapin tuoma potilasturvallisuuden lisääntyminen. Näiden perusteella muodostin analyysirungon. Analyysirunko oli molemmissa tutkimuskysymyksissä oma, koska automatiikan ja robotiikan teoriaa ohjasivat eri asiat kuin hyötyjen.
Huomautuksena kuitenkin se, että vaikka teoria vahvasti nojaa talouteen tässä tutkielmassa ja aineistonanalyysissä ei ole tarkoitus analysoida talouden näkökulmia muuta kuin, jos ne aineistosta nousee esille esimerkiksi tehokkuuden näkökulmasta mutta puhtaasti pelkkää taloutta ei ole tarkoitus analysoida. Analyysirungon avulla lähdin selvittämään aineistosta millaista automatiikkaa ja robotiikka on. Luin artikkeleita läpi ja aloin alleviivaamana kaikki havainnot, jotka liittyivät automatiikkaan ja robotiikkaan sekä sen analyysirunkoon. Etsin vastausta kysymykseen millaista automatiikkaa ja robotiikkaa on käytössä terveydenhuollossa. Haasteta analyysille toi aineiston laatu sekä englanninkielisten ilmaisujen kääntäminen suomeksi.
Alleviivaukset kirjoitin ylös Exceliin. Tarkastelin ylös kirjoittamiani asioita. Tämän
jälkeen aloin luokittelemaan aineistoa. Luokittelin samankaltaiset havainnot samaan ryhmään. Tämän jälkeen muodostin alaluokkia. Alaluokkia sain 4 kappaletta. Ne olivat apteekki automaatio, laboratorio automaatio, avustava robotiikka ja automaatio sekä automaattinen teleterveys. Kuten jo aikaisemmin mainitsin käännöksen vaikeudesta, koska kaikille englanninkielisille käsitteille ei välttämättä löydy suoraa käännöstä.
Neljän alaluokituksen mukaan päädyin kahteen pääluokkaan ja ne olivat automaatio sekä robotiikka. Teoriaohjaavasti pääluokkia oli kaksi automaatio ja robotiikka. Kuvio 4 esimerkkinä aineiston luokittelusta. Ensimmäisessä laatikossa on havainto analyysirungon mukaisesti. Tämän jälkeen on alaluokka, johon kuului apteekki automaatio. Sen jälkeen muodostui pääluokka, joka oli automaatio.