Terveys- ja hyvinvointisektorilla kysyntä uusille ratkaisuille ja tehokkaammille käytännöille kasvaa. Uusia tauteja ja niiden uusia muunnoksia ilmaantuu. Väestö ikääntyy monissa maissa ja kroonisten tautien määrä kasvaa. Terveysala on digitalisoitumassa kovaa vauhtia ja dataa osataan entistä paremmin hallita ja kerätä, mikä mahdollistaa entistä tarkemmat diagnoosit, tautien ja hoitojen seurannan ja ennakoivan terveydenhuollon. Tekoälypohjaisten ratkaisujen soveltaminen terveydenhoitoon on jo osoittanut mahdollisuuden tehostaa merkittävästi käytäntöjä ja rutiineja (Habli, Lawton & Porter 2020).

Tekoälyratkaisujen kirjo on laaja terveyssektorilla

Tekoäly tarvitsee potilasdataa tehdäkseen diagnooseja ja hoitosuosituksia. Se etsii datasta piileviä malleja ja datapisteitä. Potilastietoa ovat esimerkiksi potilaan hoitohistoria, diagnoosit, lääkitys, hoitosuunnitelmat, hoitopaikat, kuvantamiset, kliiniset muistiinpanot, laboratoriotestit ja geenidata (THL 2022). Tekoäly voi löytää uutta tietoa aikaisemmista diagnooseista, tunnistaa biomarkkereita, paljastaa henkilöprofiileja jotka kuuluvat riskiryhmään ja ehdottaa vaikkapa hoitosuosituksia (Khan & Alamäki 2022).

Geenipohjaiset analyysit ovat kasvava tutkimussuuntaus ennakoivassa lääketieteessä, ja siinä hyötyjen kertominen asiakkaille edistää heidän halukkuuttaan luovuttaa dataansa tutkimuskäyttöön (Parvinen ym. 2023). Tekoälyratkaisuja on monenlaisia (Srinivasu ym. 2022) kuten tautien, sydänkohtausten tai syöpäkasvainten indikaattoreiden tunnistamisen ratkaisut jotka hyödyntävät erityyppistä sanallista, kuvapohjaista, numeerista ja geenipohjaista dataa.

Chatbotteja on myös käytössä (Aunimo, Kauttonen & Alamäki 2022). Lisäksi terveyssektorilla on käytössä paljon laitteistoja joissa on erilaisia antureita, sensoreita ja muita elektronisia komponentteja, jolloin se on suuri tekoälypohjaisen robotiikan ja älykkäiden laitteiden hyödyntäjä.

Kehitystyö vaatii aikaa ja kärsivällisyyttä

Luottamus ja tarkkuus ovat hyvin keskeisiä käsitteitä tekoälyn kehittämisessä ja soveltamisessa eettisten näkökulmien lisäksi. Teknisiä ratkaisuja kehitetään usein etunojassa ja käytännön laajamittainen soveltaminen tulee aina hitaasti perässä. Alkuvaiheessa ovat liikkeellä innovatiiviset uudistajat, jotka muuttavat rohkeasti käytäntöjään, pilotoivat ja kokeilevat.

Suuret terveysteknologian hyödyntäjämassat liikkuvat hitaasti (Goldfarb & Teodoridis 2022) koska rahoituksen lisäksi esteenä ovat sitkeästi pintansa pitävät opitut tavat ja tottumukset. Terveyshuollossa käsitellään sensitiivistä dataa, joten tietosuoja- ja turvallisuusasioiden tulee olla kunnossa. Lisäksi tekoälyn opettaminen on syklistä toimintaa ja se vaatii paljon asiantuntijatyötä. Yksikin väärä analyysi tai tulos vie helposti luottamuksen tekoälyä kohtaan. Ihmisten kohdalla sallitaan enempi virheitä.

Eräs tunnetuimmista terveysalan tekoälyhankkeista on IBM:n kehittämä Watson-niminen tekoäly. Odotukset olivat korkealla sen suhteen ja siihen investoitiin valtavia rahasummia ympäri maailmaa. Useimmat kokeilut sairaaloissa kaatuivat sen tarkkuuteen ja sitä kautta lääkärien kokemaan luottamuksen puutteeseen.

Olennaisin oppi näistä kokeilusta oli se, että lääkäriä ei kannatakaan yrittää korvata tekoäly-lääkärillä. Tekoäly tulee nähdä asiantuntijan avustajana (ns. augmented human), jolloin tekoäly toimii vuorovaikutuksessa asiantuntijan kanssa. Se seuloo esimerkiksi laajasta tietomassasta asioita, joista voidaan sitten tehdä johtopäätöksiä ja jatkoanalyysejä. Tekoäly voi löytää ehdotuksia tai malleja, joita ihminen ei ole tullut ajatelleeksi.

Lohr (2021) kuvaa New York Timesin artikkelissa, että Watsonin suorituskykyä heikensi monimutkainen rakenteistamaton data, liian suuret tavoitteet, käytetyn tekoälyteknologian joustamattomuus ja rajoitteet. Lisäksi käytetty potilas- tai muu data oli vaikeasti analysoitavaa, monimutkaista eikä se ollut rakenteellisessa muodossa. Samoja diagnooseja tai riskitekijöitä saatetaan kirjata potilaskertomuksiin eri sanoilla ja sanakäänteillä.

Tekoälyratkaisuille asetaan vaatimuksia

Maailman terveysjärjestö on julkaissut vuonna 2021 hyvän oppaan tekoälyn etiikasta terveyshuollossa, Ethics and governance of artificial intelligence for health. Se tarjoaa varsin hyvän teoksen perehtyä vaatimuksiin ja suosituksiin. Taustalla on se, että tekoälyratkaisujen tulee täyttää useita vaatimuksia ollakseen luotettavia ja eettisiä. Kuvasimme näitä asioita tarkemmin eSignalsissa viime vuonna julkaistussa kirjoituksessa.

Useiden tutkimusten mukaan tekoälyn algoritmien ja datan tulee kunnioittaa ihmisten omaa päätöksenteon autonomiaa ja täyttää luotettavuuden, toistettavuuden, tarkkuuden, selitettävyyden ja läpinäkyvyyden vaatimuksia (Alamäki ym. 2019; Bærøe, Miyata-Sturm & Henden 2020; Markus, Kors & Rijnbeek 2021). Yksityisyyteen liittyvät huolenaiheet ja vaatimukset tulee huomioida (Lafky & Horan 2011; Wilkowska & Ziefle 2012). Lisäksi käytettävät algoritmit ja data eivät saa aiheuttaa vääristymiä tai vinoutumia tuloksissa (Kerasidou 2021).

EU on julkaisemassa AI Act-nimisen säädöksen tekoälyn käytölle. Samoin maailmalla on yrityksiä, jotka auditoivat ja tarkastavat tekoälysovelluksia yritysten puolesta.

Tekoälyn laajamittainen ja systeeminen hyödyntäminen keskiössä

P4-lääketiede (predictive, preventive, personalized, participatory) tarkoittaa ennakoivaa, ehkäisevää, henkilökohtaista ja osallistavaa lääketiedettä. Se siirtää painopistettä hoidosta ehkäisyyn ja oman henkilökohtaisen terveyden edistämiseen (Perola ym. 2019). Tämän tapaiset suuntaukset luovat entistä suurempia mahdollisuuksia tekoälyn laajamittaiselle hyödyntämiselle, aina lääketieteestä hoitokäytäntöihin ja yksilöiden omaehtoiseen terveyden edistämiseen.

Yhä useammat tulevaisuuden tekoälyratkaisut ovat integroituneita ja verkottuneita ratkaisuja, jotka mahdollistavat systeemisen lähestymistavan irrrallisten tekoälysovellusten sijaan. Yhdistettynä tunteiden ja muiden psyko-fyysisten osa-alueiden seurantaan osana omaa terveyttä, tämä avaa varmasti uusia erinomaisia mahdollisuuksia.

Kuva: www.shutterstock.com