07.06.2018

Evästauolla

Helena Herttuainen

tekoaly3

Lääkärin apuäly

Tekoäly sopii kliiniseen lääketieteeseen, jossa syntyy valtavasti erilaista dataa.

HUS:ssa lähdettiin tutkimaan IBM:n Watson-alustan soveltuvuutta sairaalatyöhön 2014, vain vuosi sen jälkeen kun Yhdysvalloissa oli esitelty ensimmäisiä kliinisiä sovelluksia. Neurokirurgi ja HUS:n innovaatiojohtaja Miikka Korja kertoo, että keskosten tehohoito-osastolla toteutetusta pilottihankkeesta saatiin paljon oppia ja hyviä tuloksia – ja käsitys siitä, mitä tekoälyllä voidaan tehdä.

– Sairaala on kriisinhallintaorganisaatio, jossa ei siedetä virheitä, sillä ne voivat johtaa potilaan kannalta katastrofaalisiin seurauksiin. Jos siellä tehdään tutkimusta tai kehitystyötä, se pitää aina suunnitella virheriskiltään mahdollisimman vähäiseksi ja virheet koetaan valtavana epäonnistumisena, Korja selittää.

– Innovoinnissa pitäisi kuitenkin aina hyväksyä, että virheitä tulee. Ja koska pystymme käyttämään yli kymmenen vuoden aikana kerättyä arkistodataa potilaista, saatoimme kokeilla ja erehtyä mallimme kanssa täysin turvallisesti.

Toimivin tallatuilla poluilla

Vaikka Watson ei ole maailmalla lunastanut kaikkia lupauksiaan, HUS:ssa sillä on saatu vahva ymmärrys ja kyky tuottaa hyödyllisiä tekoälysovelluksia. Menestyksen syynä on, että suomalaistutkijat ovat lähteneet ratkomaan ongelmia, joihin saadaan yksiselitteinen vastaus. Silloin siitä on todellista apua diagnoosin tarkentajana ja täsmentäjänä.

– Jos esimerkiksi kysyt kymmeneltä röntgenlääkäriltä, mitä jokin keuhkokuvassa näkyvä varjostuma on, saat todennäköisesti kymmenen erilaista tulkintaa ja lopullinen varmuus selviää vasta ajan kanssa. Tekoälyllä ei ole sellaisesta mitään opittavaa – ainakaan vielä.

HUS:n kaltaisissa maailmanluokan akateemisissa yliopistosairaaloissa, on valtavia määriä tutkimusdataa, jota niissä työskentelevät tutkijalääkärit tuottavat. Lisäksi siellä on vuosikymmenten perinne analysoida historiadatasta mahdollisia syitä ja ennakoivia merkkejä potilaan tilalle.

– Kliinisessä lääketieteessä keskeinen osa tieteellisistä havainnoista on todellisia ja toistettavissa, vaikka itse mekanismia ei tunnettaisi. Käytämme työkaluina erilaisia protokollia, luokituksia, tasoja, ohjeistuksia ja pisteytyksiä, joiden toimivuudesta kerätään koko ajan tietoa, jolla mallit edelleen täsmentyvät. Kun tämän kaiken antaa suoraan tekoälyn tehtäväksi, analyysi vain tarkentuu ja tarkentuu uuden datan myötä, ja sitä voidaan käyttää yhä paremmin hoitopäätösten tukena.

Miikka Korja on Töölön sairaalan neurokirurgi, neurokirurgian dosentti ja Helsingin ja Uudenmaan sairaanhoitopiirin kehittämisylilääkäri.
korja

Kone ja ihminen

Tekoälyn käyttö ei vielä tähtää itsenäisten diagnoosien tekemiseen, jo validointisyistä, vaan se tekee parhaimmillaankin ehdotuksia, jotka kokenut lääkäri varmistaa. Korja arvioi, että noin 95 prosentissa sairaaloissa käytettävistä sovelluksista soveltaa yksinkertaista algoritmiikkaa, jonka voima on kyvyssä huomioida samanaikaisesti kymmeniä parametreja. Ihminen ei siihen pysty. Sairaalaan tulevista potilaista kerätään valtavasti dataa, erilaisia mittausparametreja tulee helposti kymmeniä.

– Käytännön hoitotilanteessa huippulääkäri tekee kuitenkin valintansa 3–5 parametrin perusteella luottaen kokemuksensa tuomaan intuitioon – ja hänen valintansa ovat lähes aina oikeita. Algoritmit pystyvät kuitenkin ottamaan huomioon kaikki parametrit, joten niiden tarkkuus tietysti on suurempi. Kun tietoa tulee koko ajan lisää, algoritmien tarkkuus päivittyy ja datasta nousee esiin entistä merkityksellisempiä muuttujia, joita emme ole edes pystyneet käsittelemään aikaisemmilla analyyttisillä työkaluilla, Korja kuvaa.

– Datan myötä jatkuvasti tarkentuvat yksinkertaiset algoritmit muuttavat lääkärien intuition objektiiviseksi ja standardoiduksi tiedoksi, joka ei kävele ulos sairaalarakennuksesta eläköityvien lääkärien mukana. Toki, jos hoitokäytäntö olennaisesti muuttuisi, olisi mietittävä, pitäisikö algoritmiakin vaihtaa. Ja se on ihmisen päätös. Pitemmälle menevät deep learning -järjestelmät tarvitsevat valtavia määriä dataa pystyäkseen tekemään omia hypoteesejaan. Syötettävän datan pitää myös olla laadukasta.

– Konetta ei voi opettaa datalla, jossa on yksikin virhe. Yksi Suomen vahvuuksia on terveysdatan kansainvälisesti verrattuna äärettömän korkea laatu, joten meillä on hyvät mahdollisuudet päästä jonakin päivänä silläkin suunnalla eteenpäin.

Miltä tulevaisuus näyttää?

Korja arvioi, että tekoälyn kehityksessä eletään vielä hypekäyrän nousuvaihetta. HUS:in piirissä on käynnissä noin 30 hanketta. Lisää on tulossa, sillä HUS on lähtenyt rakentamaan monenkeskeistä yritysyhteistyötä rahoituksen ja kil­pailutuksen ongelmia ratkovalla Clever Health Network -ekosysteemillä.

– HUS on kaikilla mittareilla mitattuna yksi Euroopan suurimmista ja laadukkaimmista yksiköistä alallaan, ja sillä todella on hyvät mahdollisuudet kehittyä kansainvälisesti johtavaksi tekoälyavusteisen hoidon kehittäjäksi.

Millaisia älykkäitä järjestelmiä Korja odottaa näkevänsä ajan mittaan?

– Esimerkiksi kuva-analytiikka todennäköisesti automatisoituu niin, että ihmiset voivat piipahtaa kuvattavina eri puolilla kaupunkia sijaitsevilla kuvantamisautomaateilla, joilta saisi tuloksen saman tien – esimerkiksi, että seurattava hyvänlaatuinen kasvain on pysynyt ennallaan, Korja sanoo.

– Keskustelu työpaikkojen häviämisestä on turhaa, sillä pelkkä järjestelmien opettaminen vaatii järkyttäviä työmääriä asiantuntijatyötä. Ja vapautuvat resurssit tarvitaan joka tapauksessa ikääntyvän väestön hoitamiseen. •

Lue seuraavaksi Tekoäly 3/4 tästä.

teksti Jussi-Pekka Aukia
Kuvat Jussi-Pekka Aukia, ShutterStock

 

 

Anna palautetta

Viesti välitetään sähköpostilla sivuston ylläpitäjille. Sitä ei julkaista.

Anna palautetta

Viesti välitetään sähköpostilla sivuston ylläpitäjille. Sitä ei julkaista.