Espoo otti tekoälyn sote-työntekijäksi – millaisin tuloksin? - Kotimaa - Ilta-Sanomat

Espoo pestasi tekoälyn sote-työntekijäksi – millaisin tuloksin?

Tietokone löysi puolen miljoonan espoolaisen sosiaali- ja terveystiedoista muun muassa 280 eri tekijää, jotka ennustavat lastensuojelun tarvetta.

25.4.2018 7:08

Uuden teknologian, data-analytiikan ja tekoälyn tulo sosiaali- ja terveyspalveluihin on vähintään yhtä iso mullistus kuin hallituksen kohuttu sote-uudistus. Siitä vain ei puhuta niin paljon kuin sotesta.

Otetaan esimerkiksi vaikka puoli miljoonaa suomalaista. Kootaan lähes viidentoista vuoden ajalta samaan laariin tiedot näiden ihmisten terveydestä, sote-palvelujen käytöstä ja varhaiskasvatuksesta. Saadaan valtava täysin anonymisoitu tietomassa, jossa on alle 500 miljoonaa tekstikenttää: dataa yli 37 miljoonasta asiakaskäynnistä tai -kontaktista, kolmesta miljoonasta diagnoosista ja 24 miljoonasta laboratoriotuloksesta.

Sitten annetaan tämä sakea soppa teko­älyn käsiteltäväksi ja odotetaan tuloksia.

Näin toimii Espoon kaupungin ja Tieto oyj:n yhteinen pilottihanke, joka päättyy toukokuun lopussa. Sen tarkoituksena on tehdä hyvää, parantaa elämänlaatua ja säästää veroäyrejä.

Samantyyppisiä hankkeita on muuallakin. Eläketurvakeskus käytti tuoreessa kokeilussa puolen miljoonan ihmisen anonymisoituja tietoja. Niiden joukosta tekoäly etsi ennustemallin avulla ihmisiä, jotka jäisivät kahden vuoden kuluttua työkyvyttömyyseläkkeelle. Tarkkuudeksi saatiin 78 prosenttia. Työkyvyttömyyttä ennustivat muun muassa korkea ikä, sairauspäivärahojen runsas käyttö, matala tulo- ja koulutustaso ja työttömyys.

Espoon ja Tiedon pilottihankkeessa itseoppiva algoritmi seuloi datamassaa ja järjesteli ihmiset ”asiakassegmentteihin”. Mutta mitä ne käytännössä ovat?

– Niissä näkyy asiakkaan samanaikainen palvelujen käyttö. Esimerkiksi lastensuojelun asiakkaalla on usein myös, joko itsellä tai perheenjäsenellä, mielenterveyspalvelujen käyttöä. Tämä näkyi myös teko­älyn yhdistämässä tietomassassa, kertoo Espoon perhe- ja sosiaalipalvelujen johtaja Mari Ahlström IS:lle.

Muita esimerkkejä ovat diabetes, jalkasairaudet ja korkea ikä.

 Kaikki tieto on tiukasti anonymisoitua ja pseudonymisoitua, eli henkilötasolla tunnisteet ovat pelkkiä käsittämättömiä koodeja.

Kun sitten tutkitaan asiakassegmenttejä ja siirtymiä niiden välillä, pystytään ennustamaan, miten palvelut kannattaa rakentaa ja kohdentaa. Näin voitaisiin monet tapaukset hoitaa ennaltaehkäisevästi, kevyillä palveluilla, sen sijaan että yritettäisiin vain korjata ongelmia raskaiden toimien – esimerkiksi huostaanoton – avulla.

Teknisesti hankkeessa olisi myös voitu mennä niin pitkälle, että tekoäly ilmoittaisi suoraan, ketkä espoolaiset ovat vaarassa sairastua, syrjäytyä tai joutua kriisiin. Tällöin järjestelmä toimisi tavallaan kuin kohdennettu verkkotiedustelu: se ilmoittaisi osumasta, kun tietyt kriteerit täyttyisivät, ja sote-ammattilainen, esimerkiksi sosiaalityöntekijä, ottaisi yhteyttä riskiryhmässä olevaan ihmiseen.

Pilottihankkeen data on kuitenkin käsitelty niin, ettei se sisällä lainkaan henkilöiden demografisia tietoja kuten ikää tai sukupuolta, puhumattakaan nimistä tai sosiaaliturvatunnuksista. Kaikki tieto on tiukasti anonymisoitua ja pseudonymisoitua, eli henkilötasolla tunnisteet ovat pelkkiä käsittämättömiä koodeja.

– Tekoäly antaa meille vain ryhmiä ja kertoo, mitkä diagnoosit tai käyntisyyt ovat sellaisia, jotka siinä ryhmässä erottuvat kaupungin keskiarvosta, kertoo Espoon kaupungin projektipäällikkö, data-analyytikkakonsultti Tomas Lehtinen.

– Kun saimme tämän toimimaan, meiltä tultiin kysymään, pystytäänkö me heti antamaan lista vaikkapa niistä, jotka ovat vaarassa syrjäytyä. Mutta tiedot ovat niin hyvin anonymisoituja, että me emme pysty siihen. Se olisi varmasti laajemman keskustelun paikka: miten kuntalaiset olisivat sellaiseen valmiita?

Tätä pohdittaessa esiin nousi heti monta kysymystä. Pitäisikö kuntalaisten ensin antaa erityinen lupa tietojensa seulomiseen tekoälyn avulla? Kuka saisi nähdä, että järjestelmä on liputtanut henkilön? Siksi pilottihankkeeseen ei rakennettu näitä ominaisuuksia.

Vastaan tulee myös EU:n uusi tietosuojadirektiivi, joka astuu voimaan toukokuussa. Se asettaa entistä tiukemmat rajat juuri tällaiselle big data -tutkimukselle.

Lehtinen haluaa muutenkin kaikin tavoin välttää vaikutelman, että kyse olisi kaupunkilaisten tietojen penkomisesta.

– Tämä on kunnan aika normaalia tutkimustoimintaa, jolla me kehitämme palveluja kuntalaisille paremmiksi.

 Lastensuojeluasiakkuuden taustalla on usein vanhempiin liittyviä tekijöitä, kuten päihteiden käyttö, mielenterveysongelmat, työttömyys tai liiallinen työnteko.

Hankkeessa on tehty myös riskiennustemalleja. Tekoäly löysi esimerkiksi 280 erilaista tekijää, jotka viittaavat siihen, että lapsi todennäköisesti joutuu lastensuojelun asiakkaaksi.

– Nämä 280 annettiin sitten lasten kanssa oikeasti tekemisissä olevien ammattilaisten käyttöön, Lehtinen sanoo.

Yksittäinen tekijä harvoin indikoi lastensuojelun asiakkuutta, mutta useamman riskifaktorin yhtäaikainen esiintyminen saattaa ennustaa asiakkuutta.

– Ongelmanahan on, että meidän tiedonkeruutapamme ei kovin helposti tuo esiin näitä ”riskiyhdistelmiä”, joten teko­äly voisi olla keino nostaa näitä esiin. Asiakirjamerkinnät kirjoitetaan proosamuodossa ja sitä on paljon, selittää perhe- ja sosiaalipalvelujen johtaja Ahlström.

– Näin pystyttäisiin auttamaan ihmisiä ennen kuin ongelmat monimutkaistuvat.

Riskiyhdistelmät ovat ihan tavallisia ihmisten elämää kuormittavia asioita, kuten muutokset perhesuhteissa – ero, läheisen kuolema – työttömyys, yksinhuoltajuus, sairaus, vähäinen koulutusaste.

– Yksikään näistä ei varmasti johda asiakkuuteen, mutta yhtäaikainen esiintyminen saattaa kuormittaa niin, että tukea kannattaisi tarjota lisäongelmien ehkäisemiseksi, Ahlström sanoo.

– Yleisesti ottaen lastensuojeluasiakkuuden taustalla on usein vanhempiin liittyviä tekijöitä, kuten päihteiden käyttö, mielenterveysongelmat, työttömyys tai liiallinen työnteko. Toiset tekijät ovat lapseen itseensä liittyviä: rikollinen käytös, itsetuhoisuus, koulua käymättömyys.

 Tekoälyhanke päättyy toukokuun lopussa eikä sille ole ainakaan vielä luvassa jatkoa. Sen jälkeen koko suurella vaivalla koottu datamassa tuhotaan.

Mitä jää käteen? Tieto Oyj hyötyy kehittämällä tekoälysovelluksesta omaa tuotetta, jota se voi markkinoida asiakkailleen.

Espoon kaupunki puolestaan saa hankkeesta muun muassa valtavasti kokemusta big data -pohjaisesta analytiikasta.

Entä sote-ammattilaiset?

– Konkreettista on vielä tullut vähän. Olemme vasta tutustuneet siihen, mitä mahdollisesti olisi saatavissa ulos järjestelmistä tekoälyn avulla. Tämä vaatii vielä paljon yhteistä pohdintaa ja analysointia, Ahlström sanoo.

– Pyrimme liittämään tutkimuksen mukaan jatkotyöhön ja -työskentelyyn. Tämä on ollut hyvin innostavaa, vaikeaa ja ehdottomasti jatkamisen arvoista.

Tekoäly ei korvaa lääkäriä

Terveysteknologia kehittyy nyt nopeasti. Tässä esimerkkejä uusista menetelmistä, jotka tukevat lääkäreitä ja säästävät rahaa. Vaikka uusia tekoälysovelluksia tulee jatkuvasti, ei lääkärien ammattikunta ole katoamassa.

Diagnostiikka: Tekoälysovellus ja konenäkö pystyvät seulomaan ja tunnistamaan poikkeavuuksia lääketieteellisistä kuvista. Kone vertaa kuvia valtavaan tietokantaan ja oppii itse. Esimerkiksi suomalainen Combinostics on kehittänyt työkalun, joka on suunnattu Alzheimerin taudin ja muiden muistisairauksien varhaiseen havaitsemiseen aivokuvista.

HUS käyttää tekoälyä aivoverenvuotojen diagnostiikkaan. Kone analysoi pään CT-kuvia ja etsii niistä merkkejä leikkaushoitoa vaativista lukinkalvon alaisista verenvuodoista.

Myös ihosyövän varhaisasteiden tunnistukseen on kehitetty hermoverkkoanalyysiin perustuva järjestelmä.

Yhdysvaltalaisessa tutkimuksessa itseoppiva algoritmi pääsi 92 prosentin tarkkuuteen analysoitaessa patologisia näytteitä mikroskoopilla. Tässä tutkimuksessa ihminen saavutti 96 prosentin tarkkuuden, mutta yhdistettäessä koneen ja ihmisen havainnot tarkkuus nousi 99,5 prosenttiin.

Brittiläinen John Radcliffe -sairaala on kehittänyt tekoälypohjaisen diagnostiikkatyökalun kardiologisiin tutkimuksiin. Britanniassa tehdään vuosittain 60000 sydäntutkimusta, joista BBC:n mukaan peräti 12000 diagnosoidaan väärin. Julkinen terveydenhoitojärjestelmä NHS uskoo, että työkalu säästää huomattavia summia muun muassa vähentämällä turhia leikkauksia.

Puheentunnistus: Tanskassa on jo kehitetty järjestelmä, joka seuraa hätäkeskukseen tulevia puheluja. Se pystyy havaitsemaan, kärsiikö soittaja aivohalvauksesta, joka vaikuttaa kykyyn tuottaa puhetta.

Kasvojentunnistus: Itseoppiva ohjelmisto voi auttaa lääkäriä tunnistamaan lasten harvinaisia perinnöllisiä sairauksia tiettyjen kasvonpiirteiden perusteella.

Osion tuoreimmat

Luitko jo nämä?