Tekoäly tuo uusia mahdollisuuksia RWE-tutkimukseen – sen käyttö terveystietojen analysoinnissa on rajallista

Tekoäly (AI) muuttaa tutkimusta ja työelämää eri toimialoilla. Mutta mikä on sen merkitys terveystiedon analysoinnissa ja Real World Evidence (RWE) tutkimuksessa? Medaffconin asiantuntijat Juhani Aakko ja Lisse-Lotte Hermansson kertovat näkökulmiaan tekoälystä työssään.

Medaffcon tarjoaa tutkimus-, ja asiantuntijapalveluita sekä konsultointia lääketeollisuudelle ja terveydenhuoltoalalle. Yksi sen keskeisistä osaamisalueista on terveydenhuollon tietoihin perustuva tosielämän tiedon tutkimus (real-world evidence, RWE).

Juhani Aakko, vanhempi datatieteilijä, työskentelee RWE tutkimuksen parissa Suomessa. Tehtävässään Aakko hyödyntää generatiivista tekoälyä muun muassa tiedonhakuun ja esitysten valmisteluun liittyvissä tehtävissä. Generatiivisen tekoälyn käyttö RWE datan analysoinnissa on kuitenkin rajallista, koska dataa on käsiteltävä turvallisissa ympäristöissä, joissa on rajoitettu internet-yhteys.

”Analysoimme terveydenhuollon tietoja Findatan suojatussa ympäristössä eli HUS Acamedicissa. Internetiin on hyvin rajoitettu pääsy, eikä tietoja voi poistaa näistä ympäristöistä, jotta varmistetaan terveystietojen suojaus ja estetään potilastietojen tietoturvaloukkausten riski”, Aakko kertoo.

Aakko uskoo, että generatiivisella tekoälyllä voisi olla merkittävä rooli terveydenhuollossa, erityisesti aikaa vievien dokumentointitehtävien automatisoinnissa. Strukturoitujen tietojen syöttämisen automatisointi voisi helpottaa ammattilaisten työtaakkaa ja parantaa tietojen laatua.

Koneoppiminen ja tekoäly Medaffconin hankkeessa

Tekoäly (AI) on laaja käsite, joka ei rajoitu vain generatiiviseen tekoälyyn. Medaffcon on tehnyt uraauurtavan rekisteritutkimuksen, jossa on käytetty koneoppimista ja tekoälyä. Tutkimuksessa analysoitiin kaikki Helsingin yliopistollisen sairaalan (HUS) alueella vuosina 2015-2019 tehdyt leikkaukset. Tulokset osoittivat, että nykyisillä ja entisillä tupakoitsijoilla on huomattavasti suurempi komplikaatioriski leikkauksen jälkeen.

Tietokanta sisälsi noin miljoona leikkausta. Aluksi lääkärit tarkastelivat 20 000 potilastietoa ja luokittelivat potilaat tupakoitsijoiksi, tupakoinnin lopettaneiksi tai tupakoimattomiksi. Tämän luokittelun perusteella koulutettiin koneoppimisalgoritmi.

Soveltamalla koneoppimista ja tekoälyä tunnistettiin yli miljoonan leikkauksen tupakointitiedot. Algoritmi luokitteli potilastiedoista tupakoitsijat, tupakoinnin lopettaneet ja tupakoimattomat. Lääkärit määrittelivät etukäteen analysoitavat komplikaatiot; lopulta tekoälyanalyysissä oli mukana 158 638 leikkausta.

”Koneoppiminen ja algoritmit mahdollistivat projektin, joka olisi ollut aiemmin käytännössä mahdoton toteuttaa”, Aakko sanoo.

Medaffconin Ruotsin maajohtajan Lisse-Lotte Hermanssonin mukaan tekoäly tarjoaa merkittäviä etuja tekstipohjaisessa data-analyysissä, kun sen käyttö on mahdollista.

”Perinteinen tietojen puhdistus voi viedä jopa 80 prosenttia koko analyysiin kuluvasta ajasta, mutta tekoälyn avulla tämä prosessi helpottuu huomattavasti”, Hermansson toteaa.

Luokittelun ja ennustamisen koneoppimismallit

Koneoppimismallit ovat erityisen arvokkaita potilasryhmien luokittelussa ja ennusteiden tekemisessä.

”Emme ole vielä käyttäneet niitä laajasti, koska asiakkailla on yleensä selkeät määritelmät potilasryhmistä, joita he haluavat tutkia”, Aakko kertoo.

Riittävän suurten tietokokonaisuuksien analysointi voisi kuitenkin auttaa löytämään potilasryhmiä, jotka saattaisivat hyötyä tietystä hoidosta enemmän.

”Tämä on mielenkiintoinen mahdollisuus, mutta siitä ei todennäköisesti ole suurta hyötyä. Lääkemekanismeista tiedetään jo paljon, joten mahdollisuudet löytää uraauurtavia oivalluksia data-analyysin avulla ovat epätodennäköiset.”

Tekoälyn on toimittava korkeimman eettisyyden ja ennakkoluulottomuuden periaatteiden mukaisesti

Aakko ja Hermansson eivät ole juurikaan huolissaan tekoälystä tai sen sääntelystä RWE-tutkimuksessa.

”Tietojen käsittelymahdollisuudet ovat tällä hetkellä hyvin rajalliset, joten en ole tällä hetkellä huolissani”, Aakko toteaa.

Hermansson korostaa asianmukaisesti kehitettyjen ennustemallien merkitystä.

”Tekoälyalgoritmien on luonnollisesti toimittava korkeimpien eettisten standardien mukaisesti ja ilman ennakkoluuloja. Niitä on koulutettava asiaankuuluvilla potilaspopulaatioilla, niiden on käytettävä erinomaista tiedon laatua ja niitä on sovellettava kriittisesti ajatellen. Tekoälymallien tulkittavuus on ratkaisevan tärkeää niiden tuottamien oivallusten ja ennusteiden ymmärtämiseksi, mikä voi olla haastavaa syväoppimismallien monimutkaisuuden vuoksi”, Hermansson selittää.

Lisäksi hän toteaa, että yksilöiden tunnistaminen suurista terveystietoaineistoista on lähes mahdotonta.

”Tämä ei saisi olla ensisijainen argumentti sitä vastaan, että hyödyntämätöntä tietoa ei käytettäisi potilastulosten parantamiseksi.”