Literatur vom gleichen Autor/der gleichen Autor*in
plus bei Google Scholar

Bibliografische Daten exportieren
 

Machine Learning approaches along the Radiology Value Chain : Rethinking Value Propositions

Titelangaben

Hofmann, Peter ; Oesterle, Severin ; Rust, Paul ; Urbach, Nils:
Machine Learning approaches along the Radiology Value Chain : Rethinking Value Propositions.
In: Proceedings of the 27th European Conference on Information Systems (ECIS). - Uppsala, Sweden , 2019
ISBN 978-1-73363-250-8

Volltext

Link zum Volltext (externe URL): Volltext

Angaben zu Projekten

Projekttitel:
Offizieller Projekttitel
Projekt-ID
Projektgruppe WI Künstliche Intelligenz
Ohne Angabe
Projektgruppe WI Strategisches IT-Management
Ohne Angabe

Abstract

Radiology is experiencing an increased interest in machine learning with its ability to use a large amount of available data. However, it remains unclear how and to what extent machine learning will affect radiology businesses. Conducting a systematic literature review and expert interviews, we compile the opportunities and challenges of machine learning along the radiology value chain to discuss their implications for the radiology business. Machine learning can improve diagnostic quality by reducing human errors, accurately analysing large amounts of data, quantifying reports, and integrating data. Hence, it strengthens radiology businesses seeking product or service leadership. Machine learning fosters efficiency by automating accompanying activities such as generating study protocols or reports, avoiding duplicate work due to low image quality, and supporting radiologists. These efficiency improvements advance the operational excellence strategy. By providing personnel and proactive medical solutions beyond the radiology silo, machine learning supports a customer intimacy strategy. However, the opportunities face challenges that are technical (i.e., lack of data, weak labelling, and generalisation), legal (i.e., regulatory approval and privacy laws), and persuasive (i.e., radiologists’ resistance and patients’ distrust). Our findings shed light on the strategic positioning of radiology businesses, contributing to academic discourse and practical decision-making.

Weitere Angaben

Publikationsform: Aufsatz in einem Buch
Begutachteter Beitrag: Nein
Keywords: Artificial Intelligence; Machine Learning; Radiology; Health IT; Business Models
Institutionen der Universität: Fakultäten > Rechts- und Wirtschaftswissenschaftliche Fakultät > Fachgruppe Betriebswirtschaftslehre
Fakultäten > Rechts- und Wirtschaftswissenschaftliche Fakultät > Fachgruppe Betriebswirtschaftslehre > Professur Wirtschaftsinformatik und strategisches IT-Management
Fakultäten > Rechts- und Wirtschaftswissenschaftliche Fakultät > Fachgruppe Betriebswirtschaftslehre > Ehemalige Professoren > Professur Wirtschaftsinformatik und strategisches IT-Management - Univ.-Prof. Dr. Nils Urbach
Forschungseinrichtungen
Forschungseinrichtungen > Institute in Verbindung mit der Universität
Forschungseinrichtungen > Institute in Verbindung mit der Universität > Projektgruppe Wirtschaftsinformatik der Fraunhofer FIT
Forschungseinrichtungen > Institute in Verbindung mit der Universität > FIM Kernkompetenzzentrum Finanz- & Informationsmanagement
Fakultäten
Fakultäten > Rechts- und Wirtschaftswissenschaftliche Fakultät
Fakultäten > Rechts- und Wirtschaftswissenschaftliche Fakultät > Fachgruppe Betriebswirtschaftslehre > Ehemalige Professoren
Titel an der UBT entstanden: Ja
Themengebiete aus DDC: 000 Informatik,Informationswissenschaft, allgemeine Werke > 004 Informatik
300 Sozialwissenschaften > 330 Wirtschaft
Eingestellt am: 02 Mai 2019 06:06
Letzte Änderung: 20 Okt 2022 12:49
URI: https://eref.uni-bayreuth.de/id/eprint/48762