Sairaanhoitoa edistäviä tekoälymalleja kehitetään aktiivisesti ja maailmanlaajuisesti. Jyväskylän yliopiston informaatioteknologian tiedekunnan ja Keski-Suomen sairaanhoitopiirin tutkijat kehittävät parhaillaan yhdessä tekoälypohjaisia malleja, joilla edistetään lääkärien työtä ja polven nivelrikon varhaista diagnosoimista, kirjoittavat Sami Äyrämö ja Juha Paloneva.

Tekoälyä esitetään ratkaisuksi mitä erilaisimpiin ongelmiin. Myös me olemme sitä mieltä, että tekoälysovelluksissa on tapahtunut merkittäviä edistysaskeleita.

Alun perin tietokoneet pystyivät ratkaisemaan ihmisen puolesta lähinnä työläitä laskutehtäviä, kun taas viimeisen kymmenen vuoden aikana ne ovat paremmin ja paremmin alkaneet oppia ihmisen tavoin kertomaan, mitä kuvassa näkyy tai ehdottamaan miten aloittamasi lause voisi jatkua.

Tekoälyn avulla voidaan jo ratkaista tai helpottaa useita käytännön ongelmia, tai tutkija voi tavoitella uusia oivalluksia digitaalisesta tiedosta eli datasta.

Lääkäreiden kokemus nivelrikon merkeistä voidaan siirtää eteenpäin tekoälyn avulla

Tutkimusyhteistyömme liittyy polvikipuisen potilaan hoitoon terveysasemalla ja kivun diagnosoimiseen.

Pitkittyneen polvikivun taustalla on usein nivelrikko, joka voi oireilla eri tavoin. Nivelrikon havaitseminen varhaisessa vaiheessa olisi tärkeää, jotta vältytään tarpeettomilta tutkimuksilta ja hoidoilta, ja potilas voi vielä omatoimisestikin vaikuttaa sairauden etenemiseen.

Röntgenkuvista etsitään nivelrikkoon viittaavia muutoksia. 

Nivelrikon toteamisen perusmenetelmä on polven röntgenkuvaus. Röntgenkuvasta lääkäri voi havaita nivelrikkoon viittaavia muutoksia. Ihmiset ovat kuitenkin hyvin erilaisia eikä lääketieteellisten kuvien tulkintakaan ole aina yksiselitteistä. Erityisesti varhaisen nivelrikon merkkien havaitseminen kuvista voi olla lääkärillekin vaikeaa. Erikoistumisen ja kokemuksen kautta lääkäri kuitenkin oppii tekemään niistä entistä nopeampia, tarkempia ja johdonmukaisempia havaintoja.

Tekoälyllä voidaan edistää diagnostiikkaa siirtämällä kokeneen lääkärin osaamista tekoälyohjelmaan, joka puolestaan tukee vaikkapa nuoremman lääkärin päätöksentekoa osoittamalla kuvasta niitä merkityksellisiä asioita, joita kokenut lääkäri katsoisi.

Tällöin normaalin kuvissa esiintyvän vaihtelun seasta nuorempikin lääkäri osaa kiinnittää huomiota taudin merkkeihin jo varhaisessa vaiheessa. Tietokone ei tällöinkään päättäisi, vaan tukisi lääkärin päätöksentekoa.

Data on keskeisessä roolissa – lääkärien kokemusta on ”piilossa” röntgenkuvapankeissa

Koska kokeneille lääkäreille kertyvän diagnosointikokemuksen ohjelmoiminen tietokoneelle ei ole käytännössä mahdollista, tarvitaan avuksi digitaalista kokemusperäisen tiedon lähdettä eli dataa. Se voi tarkoittaa kuvia, tekstiä, lukuarvoja jne.

Data muodostaa nykyään rajapinnan, jonka avulla lääkärit ja informaatioteknologian tutkijat voivat tehdä erittäin tehokkaasti yhteistyötä. Lääkärien kokemusta on “piilossa” digitalisoituna heidän luokittelemissaan aineistoissa, kuten röntgenkuvapankeissa. Tähän digitaaliseen tietomassaan piiloutuu asioiden välisiä yhteyksiä, jotka kenties vain kokeneet lääkärit ymmärtävät.

Lääkäreiden avulla löydetään tekoälyn kehittämiselle keskeiset tiedonlähteet, jotka toimivat raaka-aineena tekoälykehittäjälle. Yhteistyössä lääkärit ja tekoälykehittäjät määrittelevät osaamistavoitteen uudelle tekoälyohjelmistolle.

Sen jälkeen tekoälytutkijan tehtävä on pyrkiä algoritmien ja saamansa datan avulla kehittämään malli, joka oppisi mahdollisimman tarkasti toistamaan kokeneiden lääkäreiden tekemiä diagnooseja.

Ilman dataa ja lääkärin tukea tekoälyosaaja on tarpeeton, eikä toisaalta lääkäreillä ole tekoälymalleja ilman tekoälyosaajaa. Keskinäinen riippuvuus on vahva. Siksi keskinäinen vuorovaikutus ja luottamus ovat tärkeitä. Ihmisistä kerättävän datan käsittely vaatii huolellisuutta.

Jotkut myös pelkäävät tekoälyn vievän asiantuntijoilta työt. Emme pidä pelkoa realistisena. Asiantuntemusta vaativien rutiinitehtävien siirtyminen tekoälyn hoidettavaksi pikemminkin vapauttaa asiantuntijoiden työpanosta entistä vaativampiin tehtäviin ja potilaan aitoon kohtaamiseen.

Tekoälysovellusten pitkäjänteinen kehittäminen voi tuoda edistyksellisiä keinoja hyvinvoinnin ja terveyden parantamiseen

Läheskään aina ei hyvästä ideasta päädytä heti toimivaan tekoälymalliin. Syy ei suinkaan ole lääkärien kokemattomuudessa tai tekoälyalgoritmien kyvyttömyydessä luoda datasta toimiva tekoälymalli. Jos datassa on jotain tietoa, se voidaan ainakin teoriassa aina mallintaa.

Tyypillinen hidaste on edelleen datan laadun ja määrän riittävyys. Se on yksi keskeisin rajoittava tekijä myös polvinivelrikossa varhaisen diagnostiikan tekoälypohjaisten mallien edistykselle.

Tähän ongelmaan etsitään ratkaisuja esimerkiksi luomalla synteettistä terveysdataa ja sekä myös osaamisverkostoja kasvattamalla.

Viimeisen kymmenen vuoden tekoälyharppausten ja hypetyksen jälkeen olemme siirtymässä aavistuksen hitaampaan ja kärsivällisyyttä vaativaan kehitysvaiheeseen, jota ennemmin tai myöhemmin seuraa jälleen yllättävät ja kenties isommat edistysaskeleet.

Monitieteisen osaamisen sekä yliopiston ja sairaanhoitopiirin saumattoman yhteistyörajapinnan vuoksi Keski-Suomessa on erinomaiset edellytykset kehittää edistyksellisiä keinoja hyvinvoinnin ja terveyden parantamiseen.

Tiedeblogin ovat kirjoittaneet laboratoriojohtaja Sami Äyrämö Digitaalisen terveysälyn laboratoriosta Jyväskylän yliopiston informaatioteknologian tiedekunnasta ja johtajaylilääkäri, professori Juha Paloneva Keski-Suomen sairaanhoitopiiristä. AI Hub Keski-Suomi -hanke on saanut tukea Euroopan aluekehitysrahastolta (EAKR). 

 

Tilaa tuoreimmat JYUNITY-jutut näppärästi sähköpostiisi. Voit tarvittaessa peruuttaa tilauksesi koska tahansa.