Hoitajat joutuvat käyttämään merkittävän osan työajastaan
erilaisten välineiden kuljetukseen ja siirtelyyn. Esimerkiksi Seinäjoen
keskussairaalassa ollaan siirrytty käyttämään TUG-kuljetusrobottia, joka
voidaan kutsua paikalle älypuhelimella ja tilata tarvittavia liinavaatteita ja
lääkkeitä. Tällaisia logistisia ratkaisuja voisi hyödyntää myös esim. sänkyjen
ja lääkintälaitteiden siirrossa, jotka saattavat olla pitkienkin matkojen
päässä. Tällä tavoin sairaanhoitajien työaikaa vapautuu varsinaiseen
potilastyöhön. Robotiikasta saadaan myös apua kirurgisiin toimenpiteisiin,
sillä operaatiot voidaan suorittaa vähemmän invasiivisilla toimintatavoilla
kuin aiemmin. Näin potilaalla on edellytykset toipua nopeammin, kun
leikkaushaavat ovat pienemmät. Robottiavusteinen sänky taas helpottaa
potilaiden siirtelyä ja helpottaa hoitajan työn fyysistä kuormittavuutta.
Tekniikan kehittyessä robotiikka voisi tuoda apua erityisesti vanhuksille ja
muille liikuntarajoitteisille.
Apteekkari uutisoi (apteekkari.fi, 19.06.2017), että jo joka
neljännessä apteekissa on käytössä apteekkirobotti, joka toimii
varastoautomaattina. Robotti lajittelee saapuvat lääkkeet optimaalisella
tavalla, jolloin asiakkaan tullessa hakemaan lääkettä, voidaan tilaus toimittaa
robottiavusteisesti tiskille tehokkasti ja asiakastilanne voidaan hoitaa
loppuun ilman keskeytyksiä.
Moni on saattanut kuulla kotihoidossa käytettävästä
lääkerobotista. Robotti on pöydälle laitettava kilon painoinen laite, joka
annostelee lääkkeen tiettyyn kellonaikaan ja antaa muistutuksen lääkkeiden
ottamisesta. Jos annospussia ei ole otettu, saa hoitohenkilökunta hälytyksen ja
pystyy näin reagoimaan tilanteeseen. Tällä tavoin voidaan helpottaa aamuruuhkia
kun hoitajien ei tarvitse käydä pelkästään lääkkeenjakokäynneillä. Robotti
kustantaa esim. Siun sotelle (Pohjois-Karjalan kuntien ja Heinäveden julkiset
sosiaali- ja terveyspalvelut) alle 200 euroa kuukaudessa, kun työntekijän
välittömän työajan kustannus on arviolta 70 euroa per tunti.
Sähköiset asiointipalvelut puolestaan nopeuttavat avun
saamista ja samalla vähentävät turhia matkoja. Tulevaisuudessa osa
konsultaatiotapaamisista voidaan hoitaa etäyhteyden välityksellä. Tällaista
voisi käyttää esim. fysioterapiaan liittyvissä tapaamisissa, kun varsinainen konsultaatio
ei vaadi fyysistä paikallaoloa. Nettiajanvaraus taas lyhentää puhelinjonoja ja
ohjausta vaativat asiakkaat saavat nopeammin henkilökohtaista avustusta.
Tällä hetkellä käytössä on siis varsin monia arkipäivää
helpottavia teknisiä sovelluksia. Tekoälylle ei ole yksikäsitteistä
määritelmää, mutta keskeistä on, että se pystyy mukauttamaan toimintaansa
vaihtelevissa olosuhteissa ja sen toimintaa voidaan parantaa antamalla
koulutusvaiheessa suurempi määrä opetusdataa analysoitavaksi. Tekoälylle ei
ohjelmoida perinteisiä tapauskohtaisia ”if-lauseita”, vaan tekoälyalgoritmi
oppii itsenäisesti nämä säännöt eli funktion (joka voi olla hyvinkin
monimutkainen ratkaisu), jota se soveltaa sille syötetylle datalle.
Robotti voi toimia tekoälypohjaisella algoritmilla tai
”yksinkertaisemmassa” tapauksessa se voi olla ns. perinteisellä,
tapauskohtaisella tavalla ohjelmoitu toiminnallisuus. Tekoälyä tarvitaan
tapausten käsittelyyn, jossa tällaisen tapauskohtaisesti ohjelmoidun
”if-else-funktion” tuottaminen manuaalisesti on käytännössä mahdotonta,
monimutkaisista olosuhteista ja mahdollisuuksista johtuen.
Tarkkuutta
ja tehokkuutta terveydenhuoltoon?
Jos vähänkään seuraa uutisointia, niin ei voi välttyä
kuulemasta keskustelua terveydenhuollon säästötavoitteista. Väestön ikärakenne
ja siitä aiheutuva epäsuhtainen huoltosuhde aiheuttavat päänvaivaa. Väestön
vanhetessa terveydenhuolto kokee paineita vastata kasvavaan kysyntään
erilaisille tutkimuksille ja hoidoille. Samaan aikaan pitäisi kuitenkin
onnistua pitämään budjetti kuosissa ja hoidon laatu tasokkaana.
Tekoäly voi tarjota jäsennellyn analyysiehdotuksen
diagnostiikan tueksi. Kuva Pixabaysta.
|
Vastauksena resurssipulaan voisi toimia tekniset ratkaisut,
kuten tekoäly. Joku saattaisi jopa käyttää termiä innovatiiviset ratkaisut.
Ideana on, että hyödyntämällä terveydenhullossa tällaista uutta tekniikkaa,
voidaan joitain tehtäviä automatisoida tai ainakin helpottaa, jolloin
hoitohenkilökunnalla on enemmän aikaa vastata potilaiden tarpeisiin. Voidaan
myös pienentää tahattomasti aiheutuvien inhimillisten virheiden määrää (esim.
lääkkeden annostelu), sillä optimoitu tekoäly ei kärsi huomion herpaantumisesta
tai väsymyksestä. Samalla terveydenhullon kustannuksia saadaan pienennettyä.
Tekoälypohjaisia menetelmiä voidaan myös käyttää diagnoosin
tukena, sillä tekoäly pystyy käsittelemään valtavan määrän dataa suhteellisen
pienessä ajassa ja mahdollisesti löytämään oirekuvista piirteitä, joita
ammattilainenkaan ei välttämättä olisi tullut huomanneeksi. Lopullista
diagnoosia varten on siis enemmän jäsenneltyä informaatiota saatavilla kuin
aiemmin.
Loppujen lopuksi tekoäly ei ole mitään muuta kuin optimoitu
algoritmi joka suorittaa opittua toiminnallisuutta. Tällä hetkellä kritiikkiä
aiheuttaa ns. ”black box -ajattelu”, jolla tarkoitetaan sitä, että
tekoälypohjaiset ohjelmat antavat luokituksen mutta varsinaista syytä tähän
tulokseen päätymiseen ei välttämättä ole pystytty ilmaisemaan selkeästi. Tämä
johtuu siitä että käsiteltävälle datalle suoritetaan laskennallisia muunnoksia,
joita ihmismieli ei täysin pysty hahmottamaan. Tästä aiheutuu ymmärrettävästi
hämmennystä.
Vastaukseksi on esitetty mm. toimintatapaa jossa tekoälyn
pitäisi pystyä antaamaan ehdot joita muuttamalla päästään toisenlaiseen
luokitustulokseen. Esimerkiksi lainanannon eväämisen yhteydessä (luokitus:
laina evätty) viesti voisi olla että asiakkaan tulisi hankia tietynsuuruiset
säännölliset kuukausiansiot, jotta hän pystyy hoitamaan lainan takaisinmaksun.
Tekoälypohjaisilla menetelmillä ollaan saatu lupaavia tuloksia erityisesti
lääketieteellisten kuvien analyysissä, joten avataan tätä asiaa hieman
tarkemmin omassa kappaleessaan.
Lääketieteellisten
kuvien analyysi
Kuvantamisella tutkittavien rakenteiden analyysi (luokitus)
on asiantuntijoillekin paikoin hyvin hankalaa, vaikka ei otettaisi huomioon
mahdollisia kuvausvirheitä, varjostumia ja kuvissa esiintyvien rakenteiden
päällekkäisyyttä. Analyysiin vaikuttaa ympäröivien rakenteiden koostumus,
potilaan ikä (kudos muuttuu vanhetessa), sukupuoli, mahdolliset lääkitykset
jne. Tulkinnan tueksi ei ole yksiselitteistä referenssikuvaa, sillä oireettoman
potilaan kuvista voidaan osoittaa visuaalisen tulkinnan perusteella
epäilyttäviä rakenteita, kun taas kipuja kokevaan potilaan kuvista ei
välttämättä löydy mitään erityisen hälyttävää informaatiota.
Alaselkäkipujen diagnostiikka on tästä
vaikeatulkintaisuudesta hyvä esimerkki. Merkittävän suuri osa ihmisistä kokee
jossain kohtaa elämässään alaselkäkipuja mutta kivun syytä ei useimmiten saada
selvitettyä. Luonnollisestikin yksilöllisiä hoito-ohjeita on melkoisen vaikea
laatia, kun ei tiedetä mistä ongelmat johtuvat. Selkeästi rakenteellisia
ongelmia ei korjata fysioterapialla, mutta erilaiset selän alueen jännitystilat
voidaan purkaa oikeanlaisilla harjoitteilla. Olisi siis oleellista kehittää
menetelmä jonka avulla voitaisiin paikantaa näitä kipua aiheuttavia
rakenteellisuuksia ja näin pystyttäisiin auttamaan paremmin kipuilevia
potilaita.
Rintasyöpäseulonnoissa taas ns. tiivis rinta (nuorilla
naisilla esiintyy runsaasti rauhaskudosta) aiheuttaa erityisiä haasteita kuvien
tulkintaan, sillä tässä tapauksessa mahdollisen tuumorin ja rintakudoksen
rakenteet ovat niin lähellä toisiaan, että mammogrammeihin ilmestyy vain
heikkoa, vaikeatulkintaista kontrastieroa. Tosin myös ns. normaalin rinnan
mammogrammeja on haasteellista tulkita, sillä kuten edellä selitettiin,
ympäröivä kudos ja monet muut tekijät vaikuttavat tulkintaan, eikä selkeää
referenssikuvaa ole olemassakaan.
Yhteistä erilaisille kuvantamistutkimuksille on kuvantamisesta
kertyvä datamäärä ja tulkintaa vaikeuttava ihmismielen rajallinen hahmotuskyky.
Loppujen lopuksi kuvat ovat numeroista koostuvia matriisiesityksiä, joissa
kunkin pikselin numeerinen arvo antaa kuvaan tietyn harmaasävyn (tai värin).
Ihmissilmä taas kykenee hahmottamaan hyvin rajallisen määrän erilaisia sävyjä.
Jos tulkitsijan hahmotuskyky olisi riittävä puhtaan numeromatriisin tulkintaan
eli pikselitason tulkintaa, niin pienetkin eroavaisuudet kudosten tiheydessä
saataisiin havaittua. Mahdollisesti voitaisiin myös havaita varhaisen vaiheen
tuumoreita, jolloin paranemisennuste olisi lupaavampi kun hoidot voitaisiin
aloittaa hyvin varhaisessa vaheessa.
Datamassassa on siis niin paljon informaatiota että
diagnoosia tekevä ihminen ei yksinkertaisesti pysty havainnoimaan kaikkea.
Käsiteltävää datamäärää voisi verrata tilanteeseen jossa lattialle kumotaan
hillitön (lääketieteellinen kuva luokkaa 512 x 512) kasa pienen
pieniä nastoja (vrt. yksittäinen pikseli), joiden rakenteessa ja värissä on
vain hienovaraisia eroavaisuuksia. Tarkassa tulkinnassa tulisi ottaa huomioon
jokaisen nastan antama informaatio ja vertailla sitä ympärillä oleviin
kohteisiin. Samalla tulisi tarkastella nastojen muodostamaa kokonaisuutta ja
silmäillä valmistajan raporttia nastojen valmistusprosessista (vrt. sukupuoli,
ikä, lääkehoidot jne. vaikuttavat kudoksen rakenteeseen) ja saada tästä järkevä
tulkinta aikaiseksi.
Tekoälyn (lopulta tietokone tai muu prosessoiva yksikkö, joka
pyörittää algoritmia) ”työmuistilla” on huomattavan paljon paremmat resurssit tai
ainakin parempi kyky allokoida muistia tiettyyn tehtävään kuin ihmisellä (aivojen
muistikapsiteetti luokkaa 1 TB), joten edellä kuvatun kaltainen datan tarkka
analyysi ja vertailu on mahdollista. Tehoja lisäämällä voidaan tarkastella
enemmän vaihtoehtoja (tarkempi analyysi) ja silti saada analyysiehdotus järkevässä
ajassa.
Tekoälyn avulla voitaisiin siis nopeuttaa, tarkentaa ja
tehostaa diagnostiikkaa, kun joitain välivaiheita voitaisiin automatisoida ja
lopullista diagnoosia tekevälle lääketieteen asiantuntijalle olisi enemmän
hyvin strukturoitua (merkityksellistä) dataa saatavilla kuin aiemmin.
Lähteitä: