Potilaan taustatiedot, hänen vuoteensa vierellä olevien monitorien antamat tiedot, verikokeiden tulokset tai hänen käyttämänsä lääkkeet – nykyaikaisessa terveydenhuollossa on käytettävissä todella paljon dataa. Älykkäät algoritmit muuttavat tämän tietomassan helposti käytettäväksi ja hakukelpoiseksi tiedoksi, jonka avulla lääkärit pystyvät tekemään tarkempia diagnooseja nopeammin ja joiden avulla yksilöllisten ennakoivien diagnoosien teko ja ennakoiva neuvonta helpottuisivat.
Vaikka data on aina ollut terveydenhuollon kovinta ydintä, nopea digitalisaatio tarkoittaa, että yhteydenpito terveysalan ammattilaisiin tuottaa monimuotoista dataa. Tätä dataa saadaan sairaaloissa käytettävien laitteiden kuten kuvantamislaitteiden ja potilassängyn vieressä olevien monitorien lisäksi yhä enemmän myös kotona käytettävistä puettavista laitteista. Kaiken tämän tiedon kokoaminen yhteen paikkaan antaisi lääkärille kokonaisvaltaisen kuvan potilaan lääketieteellisestä menneisyydestä, mutta tiedon keruussa on muun muassa tietoturvaa ja potilasturvallisuutta koskevia haasteita. Ja viime kädessä se on kuitenkin nimenomaan menneisyyttä koskevaa tietoa, eikä siitä voi ennustaa tulevaa. Mutta entä jos voisimmekin saada tuhansista tai jopa sadoistatuhansista potilaista tietoja, jotka kattaisivat heidän geneettiset tietonsa, ympäristötekijät, aktiivisuustasoa, alkoholinkäyttöä ja tupakointia sekä sairauksia ja heidän saamiaan hoitoja koskevat tiedot? Sellainen määrä dataa olisikin todella tärkeä työkalu sairauksia diagnosoitaessa, tulevaa terveydentilaa ja siihen liittyviä riskejä ennakoitaessa sekä yksilöllisiä tarpeita vastaavaa hoitoa suunniteltaessa. Mutta vain siinä tapauksessa, että meillä on käytettävissä riittävän tehokkaat dataa analysoivat algoritmit, joiden avulla tietoa voidaan tulkita.
Liikaa tietoa
Aiemmin ongelmana oli se, että dataa oli kyllä saatavilla valtavasti, mutta se oli siiloutuneena erilaisiin tietokantoihin, mikä teki tietojen yhdistelystä ja objektiivisten diagnoosien tekemisestä vaikeaa. Jokainen ihminen on erilainen, eikä käytössämme ole kaikenkattavaa datapankkia, joka sisältäisi kaikki mahdolliset sairaudet. Siksi tiedon luotettavuutta on vaikea arvioida. Sairaudesta riippuen olemassa olevasta datasta voi olla hyötyä noin 80 prosentille potilaista, mutta huolestuneena lääkärin vastaanotolle saapunut potilas ei voi tietää, kuuluuko hän kyseiseen joukkoon, mikä on omiaan lisäämään turvattomuuden tunnetta. Jotta voisimme tuottaa potilaille varmempaa tietoa ja lääkäreille parempaa tukea, tarvitsemme toisenlaista tietoa. Tässä apuun tulevat esimerkiksi biopankit ja geneettinen data, jotka voivat tuoda äärimmäisen arvokasta tietoa.
Algoritmit avuksi
Yhteen paikkaan koottuna tämä valtava muuttujien joukko vaikuttaa palapeliltä, jota on mahdoton koota. Mutta tässä algoritmit tulevat avuksi. Potilastulos voi olla esimerkiksi sairauden puhkeaminen. Jos sairauden ilmenemisen malli pystytään tunnistamaan, terveydenhoidon ammattilaiset voivat tulkita sitä. Tämä ei kuitenkaan ole mahdollista ilman tekoälyalgoritmin apua. Se pystyy erottelemaan malleja, muuttujia ja muuttujien yhdistelmiä ja tarjoamaan todennäköisimmän diagnoosin tai ennustamaan potilaan tulevaisuutta. Mitä enemmän dataa meillä on, sitä täydellisemmän kuvan asiasta saamme ja sitä älykkäämpiä ja tarkempia ennusteet ovat.
Kun terveyssovellusten algoritmeja kehitellään, on oleellisen tärkeää tehdä yhteistyötä lääkärien ja hoitajien kanssa. Potilastietoja ja koneoppimisen ja tekoälyn kaltaisia teknologioita yhdistelemällä voidaan varsin helposti tuottaa suuri määrä yksilöllistä tietoa. Tästä tiedosta on kuitenkin hyötyä vain siinä tapauksessa, että se esitetään terveydenhuollon ammattilaisille helposti ja nopeasti ymmärrettävässä muodossa. Siksi on tärkeää yhdistää datatieteilijöiden, matemaatikkojen, käytettävyysasiantuntijoiden ja ohjelmoijien osaaminen niiden terveydenhuollon ammattilaisten tuottamaan tietoon, jotka todennäköisesti käyttävät sovellusta jokapäiväisessä työssään.
Kaikkien sidosryhmien tarpeiden ymmärtäminen
VTT on toiminut terveydenhuollon kentällä jo yli 20 vuotta ja kehittänyt yhteistyössä lääkärien ja sairaaloiden kanssa älykkäitä algoritmeja, jotka tarjoavat merkittävää tukea lääketieteen ammattilaisille heidän tehdessään päätöksiä, jotka koskevat esimerkiksi neurologisia häiriöitä kuten Parkinsonin tautia ja dementiaa tai sydänsairauksia ja syöpää. Teemme myös yhteistyötä terveysalan teollisuuden toimijoiden kanssa, jotka pyrkivät integroimaan näitä algoritmeja uusiin työkaluihin ja tuotteisiin.
"Terveysdatan analysoinnissa on aivan erityisiä sekä teknisiä että muita haasteita. Jotta näihin haasteisiin voitaisiin vastata, on erittäin tärkeää ymmärtää sekä terveydenhuollon ammattilaisten että lääketieteellisiä laitteita tuottavien yritysten tarpeita", sanoo professori Mark van Gils, jonka vastuualueena VTT:llä on tekoäly hyvinvointi- ja terveysteknologiassa. "Meidän lähtökohtanamme ovat aina todelliset tilanteet: voiko tämän toteuttaa ja mitä käytännön ongelmia tässä yhteydessä on huomioitava. Voi olla, että meidän pitää tehdä kompromisseja algoritmien suorituskyvyn ja käytettävyyden välillä."
Teorian vieminen käytäntöön
VTT:tä lähestyvillä yrityksillä on erilaisia tarpeita. Yksinkertaisimmillaan yrityksellä tai sairaalalla on käytössään valtava määrä dataa, jota ei kuitenkaan osata käsitellä. Kun VTT:llä on turvattu pääsy näihin tietokantoihin, se voi muuttaa miljoonat tietopisteet hakukelpoiseksi tiedoksi. Toisaalta lääketieteellisen laitteen valmistaja saattaa haluta tehdä yhteistyötä sellaisen algoritmin luomisessa, jolla voitaisiin ennustaa jotakin tiettyä sairautta tietyllä ihmisryhmällä. Yhteistyö asiakkaan kanssa tai tutkimusprojekti voi pidemmällä tähtäimellä tuottaa käyttökelpoisen tuotteen, joka johtaa uuden yrityksen tai yhteisyrityksen perustamiseen.
Hyvä esimerkki tästä on VTT:n ja Odum Oy:n yhteistyössä kehittämä tekoälyyn perustuva sovellus AlvinOne. Odum Oy on suomalainen digitaalisten terveysratkaisujen tuottaja. Sovellus osaa ennustaa käyttäjän sairastumisriskin, arvioida terveyttä sähköisesti ja antaa yksilöllistä palautetta siitä, miten käyttäjän kannattaa toimia. Sen taustalla oleva teknologia perustuu koneoppivaan algoritmiin, jota on kehitelty VTT:n kanssa osana pitkäaikaista yhteistyötä. Se on hyvä esimerkki ratkaisusta, josta on kouriintuntuvaa hyötyä arjessa. AlvinOne tarjoaa käyttäjille helposti haettavaa tietoa näiden terveydentilasta ja vaikuttaa näin myönteisesti ihmisten käyttäytymiseen, parantaa hyvinvointia ja kehittää työn tuottavuutta.
Lääkäreille enemmän aikaa tehdä omaa työtään
Tekoälyyn ja koneoppimiseen liittyvä teknologia kehittyy koko ajan. Itseoppivat neuroverkot tulevat nopeuttamaan yhä suurempien datamäärien käsittelyä, mikä johtaa yhä nopeampiin ja tarkempiin diagnooseihin. Tämä on yleiskuva asiasta. Arjen tasolla älykkäät algoritmit auttavat lääkäreitä tekemään parempia kliinisiä päätöksiä ja keskittymään tärkeämpiin asioihin, koska ne automatisoivat helpompia tehtäviä kuten esimerkiksi röntgenkuvien arviointia ja antavat lääkärille enemmän aikaa potilastyöhön.
"Älykkäisiin algoritmeihin perustuvilla teknologioilla ei haluta korvata lääkäreitä tai muita terveydenhoidon ammattilaisia tai tehdä päätöksiä heidän puolestaan vaan antaa heille enemmän ja parempaa tukea kliinisiin päätöksiin", van Gils toteaa.
