Jos ihminen voi suorittaa jonkin ajattelua vaativan tehtävän yhdessä sekunnissa, voidaan tehtävä luultavasti automatisoida tekoälyn avulla jo nyt tai lähitulevaisuudessa.
Mediassa julistetaan tasaisin väliajoin sitä, kuinka tekoäly tuo tullessaan vallankumouksen terveydenhuoltoon. Avoimeksi monesti tosin jää, mitä tällä tekoälyllä oikeastaan tarkoitetaan. Tarkemmin sanottuna kyse on yleensä “koneoppimisesta”, joka ei pohjimmiltaan ole paljoakaan perinteisiä tilastomalleja ihmeellisempi tai älykkäämpi kokoelma menetelmiä.
Koneoppimismallit eroavat perinteisestä tilastotieteestä siinä, että ihminen ei täysin sanele ratkaisua ongelmaan. Ihminen sen sijaan luo ensin alustavan mallin, johon jätetään runsaasti liikkumavaraa. Kone pyrkii löytämään parhaan lopullisen mallin, joka ratkaisee sille annetun datantulkintaan liittyvän ongelman. Kone siis “oppii” ratkaisun, joka on monesti parempi kuin täysin ihmisen sanelema ratkaisu ongelmaan. Näin pystytään automatisoimaan mitä erilaisempia datantulkintaan liittyviä ongelmia. Monet koneoppimismallit ovat perusajatukseltaan verrattavissa kliinisessä käytössä oleviin pisteytyksiin, kuten keuhkoembolian todennäköisyyspisteytykseen (Wells score) tai eteisvärinän tromboemboliariskipisteytykseen (CHA2DS2-VASc). Tavoitteena on ennustaa jonkin tapahtuman riskiä tai diagnoosin todennäköisyyttä dataan pohjautuvan mallin avulla.
Mitä merkittäviä etuja koneoppiminen tuo? Ensinnäkin, monimutkaisemmat mallit voivat tuottaa tarkempia ennusteita. Esimerkiksi Lääkärin käsikirjan Keuhkoembolia-artikkelissa mainitun Wellsin keuhkoembolian todennäköisyyden arviointimallin mukaisesti, jos syke on yli 100, keuhkoembolian todennäköisyys kasvaa. Jos potilaan syke on kuitenkin 95, on keuhkoembolian todennäköisyys varmasti korkeampi kuin potilaalla, jonka syke on 50. Lisäksi, jos potilaalla on beetasalpaajalääkitys käytössä, lienee jo alle sadan syke keuhkoemboliaan sopiva löydös. Hienojakoisempi malli voisi ottaa nämä seikat huomioon. Koneoppimismallien onkin todettu ennustavan keuhkoembolian todennäköisyyttä kliinisten muuttujien perusteella pisteytysjärjestelmiä paremmin. Pisteytysjärjestelmien on toki oltava yksinkertaisia ollakseen käytettäviä lääkärille, mutta tietokoneella ei tätä rajoitusta ole. Kone voi väsymättä käyttää kaikkea potilaasta saatavilla olevaa tietoa hyväkseen.
Iso osa kokeneen lääkärin työstä pohjautuu intuitioon, jonka voisi ajatella olevan hankalasti automatisoitavissa. Kun kokenut radiologi arvioi pään TT-kuvasta, onko potilaalla tuore aivoinfarkti, käyttää hän intuitiivista hahmotunnistusta, eikä sovella tietoisia sääntöjä, kuten “aivoinfarkti on toispuoleinen” tai “infarktissa kudosten väliset rajat häipyvät”. Nämä säännöt toimivat pikemminkin apupyörinä niille, joiden hahmontunnistus ei ole vielä automaattista.
Neuroverkot (eräs koneoppimismallien alatyyppi) pystyvät kuitenkin ratkaisemaan moninaisia hahmontunnistusta tai intuitiota vaativia tehtäviä. Stanfordin tutkijat ovat kouluttaneet neuroverkkoja, jotka pystyvät tunnistamaan erikoislääkäreihin verrattavalla tai paremmalla tarkkuudella niin pneumonian thoraxin natiivikuvista kuin melanoomaluomet kamerakuvista sekä eri rytmihäiriöt EKG:sta. Neuroverkolle syötetään ensin harjoitusdataa, joka sisältää asiantuntijoiden tekemät oikeat ratkaisut. Harjoitusdatan avulla koneoppimismalli säätää neuroverkon laskennallisten “neuronien” välisiä yhteyksiä, ja lopputuloksena syntyy verkko, joka tuottaa syötetyn datan perusteella ennusteen. Neuroverkko tavallaan kopioi harjoitusdataan sisältyvän ihmisasiantuntijoiden osaamisen. Vaikka koneäly ei lopulta ohittaisi asiantuntijoiden taitoja, laskee se asiantuntemuksen hintaa ja parantaa sen saatavuutta. Näin taloudellisesti heikossa asemassa olevat ihmiset tai terveydenhuollon yksiköt voivat hyötyä automatisoidusta asiantuntemuksesta ympäri maailman.
Koneistettu asiantuntemus tekee myös lääkärien työstä mielekkäämpää. Koneäly voi hoitaa osan mekaanisista tehtävistä, ja lääkäri täydentää työtä erikoisosaamisellaan sekä vuorovaikutustaidoillaan. Kone voinee tulevaisuudessa hoitaa suurimman osan esimerkiksi EKG:n, Holter-rekisteröintien, telemetriaseurannan ja kuvantamistutkimusten tulkinnasta jättäen lääkärin pohdittavaksi erikoisemmat tai vaikeammat tapaukset. Toisaalta, jos esimerkiksi päivystyksessä automaattinen päätöksenteon tuki seuloo onnistuneesti terveet tai stabiilit potilaat hoitajan avulla, voi lääkäri turvallisin mielin keskittyä hoitoa tarvitsevien potilaiden huomioimiseen ja huolehtia vähemmän siitä, onko kiireessä jättänyt jonkun potilaan akuutin ongelman tunnistamatta. Kokematon nuori lääkäri voi yön myöhäisinä tunteina turvautua koneen arvioihin ja oppia niistä.
Koneoppiminen tuskin tuo tullessaan äkillistä vallankumousta terveydenhuoltoon, vaan vähittäisiä parannuksia askel kerrallaan. Tutkimusten automatisoitu tulkinta, geenitiedon huomioiva personoitu lääketiede, potilaan itsehoidon tukeminen ja kehittyvät päätöksenteon tukijärjestelmät tulevat varmasti muuttamaan alaa. Koneoppimiseen liittyy myös runsaasti ongelmia. Miten käy työllisyyden? Kuka kantaa vastuun virheistä? Ollaanko menossa kohti ylidiagnostiikkaa ja ylihoitoa? Tuleeko lääkäreistä vain teknikkoja? Näitä teemoja tulen käsittelemään tällä palstalla.
Sakari Jukarainen
Kirjoittaja on anestesiologiaan ja tehohoitoon erikoistuva lääkäri, joka on lähdössä syksyllä 2018 Harvardin yliopistoon opiskelemaan datatiedettä ja toimii Nuori Lääkäri -lehden Yhdysvaltain kirjeenvaihtajana.
