Tekoäly mullistaa terveydenhuollon: 5 asiaa, jotka tällä hetkellä on syytä ymmärtää
Automatisoiduista diagnooseista älykkäisiin terveydenseurantalaitteisiin – Suomen tekoälykeskus FCAI:n ja Aalto-yliopiston tutkijat kertovat, miten tekoälyteknologia muuttaa terveydenhuoltoa ja miten siihen kannattaa suhtautua.
Kuva: Owen Beard, Unsplash
1. Tekoälyä käytetään jo nyt sairauksien diagnosoinnissa, potilaiden seurannassa ja terveydenhuollon resurssien suunnittelussa
Tekoälyavusteisella kuva-analyysillä voidaan diagnosoida kasvun poikkeavuuksia lapsen käden röntgenkuvasta, jäljittää hienovaraisia muutoksia aivoissa kliinisten lääkekokeiden aikana tai seurata sairauksien, kuten aivosyövän, etenemistä. Tekoälyn avulla skannaaminen käy nopeammin, mikä vähentää sekä potilaan liikahdusten aiheuttamia häiriöitä lääketieteellisissä kuvissa että potilaan saaman säteilyn määrää. Näin kertoo Aalto-yliopiston professori Koen Van Leemput, joka kehittää koneoppimismenetelmiä lääketieteellisten kuvien tulkintaan.
"Tekoälyn avulla voimme myös lyhentää aikaa, joka lääkäriltä kuluu kuvien tulkitsemiseen. Tämä antaa meille mahdollisuuden ottaa korkearesoluutioisia kuvia, joissa näkyy enemmän yksityiskohtia.”
Digitaalisiin terapioihin perehtynyt väitöstutkija Tommi Gröhn on kerännyt kroonisesta kivusta kärsivien potilaiden dataa digitaalisten sensorien avulla. Näitä mittauksia voidaan käyttää virtuaalitodellisuudessa toteutettavaan hoitoon, ja liikedatan matemaattisen mallintamisen avulla voidaan jopa erottaa potilaat terveiden vapaaehtoisten kontrolliryhmästä. Automatisoidut mittaukset ja seuranta ovat yleistymässä. Vähitellen on myös mahdollista seurata erilaisten hoitopolkujen hiilijalanjälkeä.
Taloustieteilijät ovat pyrkineet kohdentamaan terveydenhuollon resursseja oikeudenmukaisesti matemaattisten mallien avulla jo pitkään. Viime vuosina tekoäly on tarjonnut ekonomisteille uusia mahdollisuuksia luoda malleja, jotka oppivat joustavasti muuttujien, kuten iän ja erilaisten sairauksien, välisiä riippuvuussuhteita. Näiden työkalujen avulla päätöksentekijät voivat tunnistaa aliresursoituja potilasryhmiä, esimerkiksi kroonisia monisairastavia.
2. datan puute ja validointi ovat haasteita tekoälyn käytön laajentamiselle terveydenhuollossa
Ihmisiä kuvannetaan vain kun heillä on sairauksia tai he ovat loukkaantuneet, ja kuvantamisdata on hyvin heterogeenista: se on otettu erilaisilla koneilla ja eri asetuksilla ympäri maailmaa. Tämä rajoittaa tuntuvasti sen datan määrää, jolla tekoälyalgoritmeja on mahdollista kouluttaa ja testata. Lisäksi sähköisistä potilastiedoista puuttuu tieto siitä, onko potilas ollut saamaansa hoitoon tyytyväinen. Jos potilas katoaa hoidon piiristä, onko syynä parantuminen vai se, että hän päätti jatkaa hoitoaan muualla? Puutteellinen seuranta hoitopolkujen tuloksissa on merkittävä este terveydenhuollon tehokkuuden lisäämiselle.
“Jos rakennat paremman polkupyörän, et korvaa pyöräilijää – etkä kuvantamisessa radiologia”
Toinen haaste tekoälyä hyödyntävän terveysteknologian kaupallistamisessa on datan siirtäminen käyttötarkoituksesta toiseen, sanoo Van Leemput.
“On koulutusdataa ja algoritmi, joka toimii yhden tyyppisessä skannerissa tai yhdessä tutkimuksessa, ja tämän perusteella myydään tuote joka sitten epäonnistuu toisessa kontekstissa tai toisella laitteella käytettynä. Tutkimukset ovat osoittaneet, että monia kaupallisesti saatavilla olevia järjestelmiä ei ole tässä mielessä validoitu.”
Van Leemput pyrkii ratkaisemaan ongelman kehittämällä menetelmiä, jotka sopeutuvat automaattisesti kuvissa oleviin vaihtelevuuksiin ja tulevat paremmin toimeen epätarkkuuksien ja muiden rajoitusten kanssa.
3. Tekoälymallien tekemien päätösten täytyy olla ymmärrettäviä, jotta niihin voidaan luottaa
Algoritmien luotettavuuteen täytyy kiinnittää laajemmin huomiota, sanoo Gröhn.
“Kun painotetaan hyvää ennustekykyä, huomio usein siirtyy pois mallin logiikan ymmärtämisestä. Koska mikään malli ei kuitenkaan ole täydellinen, meidän täytyy voida luottaa siihen, että mallin taustalla on järjellinen logiikka ja ymmärrys sen tekemän ennusteen rajoituksista ja epävarmuuksista.”
Datatutkijat, lääkärit ja yhteiskuntatieteilijät tekevät aktiivista yhteistyötä läpinäkyvämpien ja ymmärrettävämpien mallien eteen.
“Ihmisen on esimerkiksi hankala ymmärtää, miten neuroverkko arvioi taudin tilaa aivokuvasta”, Van Leemput sanoo.
Sellaisen tekoälyn luominen, joka osaa selittää päätöksensä ihmiselle helposti ymmärrettävällä tavalla, edellyttää uudenlaisten algoritmien kehittämistä. Kun lääkärit selittävät päätöksiään, he usein painottavat sitä, miten potilaan sairaus aiheuttaa tietynlaisia muutoksia ihmisen anatomiassa ja kuinka jokin toinen diagnoosi olisi tarkoittanut, että kuvat olisivat näyttäneet erilaisilta. Tämä on perustavanlaatuisesti eri tilanne kuin nykyisen tekoälyteknologian lähestymistapa, jossa kone tekee diagnoosin vain sen perusteella, kuinka samalta tai erilaiselta kuva näyttää verrattuna tuhansiin muihin koulutusdatassa olleisiin kuviin.
4. Tekoäly ei korvaa lääkäreitä
Mutta se mahdollistaa lääkäreille tehokkaamman ajankäytön tulevaisuudessa.
“Tekoäly voi tehdä tylsiä tehtäviä lääkäreitä nopeammin, ja se auttaa huomaamaan hienovaraisia muutoksia aiempaa tarkemmin. Jos rakennat paremman polkupyörän, et korvaa pyöräilijää – etkä kuvantamisessa radiologia”, Van Leemput sanoo.
Gröhn on samaa mieltä: “Koneet näkevät enemmän pikseleitä, joten on järkevää hyödyntää niitä havainnoimisessa. Tällöin lääkärit voivat keskittyä vaikeisiin tapauksiin. Jos kone pystyy diagnosoimaan 90 prosenttia potilaista erittäin luotettavasti, meidän kannattaa antaa sen tehdä se. Toisaalta on erittäin tärkeää, että kone myös ilmoittaa selkeästi rajoitteistaan jäljelle jäävien 10 prosentin kohdalla.”
Ihmisillä on edelleenkin etuöyntiasema hiljaisen tiedon ja eletystä elämästä ammentavan kokemuksen saroilla.
Gröhnin mukaan meidän tulee suhtautua varauksella ajatukseen, että terveydenhuollon kustannusten nousua voitaisiin ratkoa korvaamalla kalliita palveluja tekoälyn avulla.
"Algoritmit voivat tarjota vastauksia resurssien kohdentamiseen, mutta emme voi sivuuttaa yhteiskunnallisia huolenaiheita tai heikentää hoidon laatua pelkästään niiden tekemien ennusteiden perusteella."
5. Sääntely ja monitieteinen asiantuntemus ovat elintärkeitä hyödyllisen ja oikeudenmukaisen tekoälyn kehittämisessä
Terveysteknologia-alalla on paljon hypeä.
"Joku voi kerätä rahaa ja myydä mallinsa tai tuotteensa sairaalalle, ja se voi epäonnistua varoituksetta, koska tuote on koulutettu muualta kerätyllä datalla. Tarvitsemme ehdottomasti sääntelyä varmistaaksemme, että tekoälymenetelmät testataan ja validoidaan todellisessa maailmassa ja että ne perustuvat tutkittuun tietoon”, Van Leemput sanoo.
Aluksi hyvin toimineet menetelmät voivat myös vanhentua ajan myötä.
”Pienillä muutoksilla voi olla dramaattisia vaikutuksia. Ohjelmisto voi esimerkiksi menettää ennustekykynsä, jos sairaala muuttaa yksittäisessä lomakkeessa vaihtoehtojen järjestystä. Tekoälyn jatkuvaa testausta ja validointia tarvitaan terveydenhuollossa”, Van Leemput korostaa.
Gröhn huomauttaa, että ihannetapauksessa tekoäly yhdistää taustatietoa useilta aloilta, esimerkiksi biologiasta ja taloustieteestä.
”Tekoäly tai datatiede eivät yksinään riitä, sillä terveysteknologioissa yksi ratkaisu ei sovi kaikkeen. Eri alojen asiantuntijat voivat lisätä ymmärrystämme siitä, mitä laadukas data on”, Gröhn mainitsee tavoitteita Datalit-projektista, jossa hän tekee väitöstutkimustaan.