Tekniikka

Tekoäly perusterveydenhuollossa – millainen data sopii ensimmäisen potilaskontaktin automatisointiin?

Anastacia Simonchik

<span id="hs_cos_wrapper_name" class="hs_cos_wrapper hs_cos_wrapper_meta_field hs_cos_wrapper_type_text" style="" data-hs-cos-general-type="meta_field" data-hs-cos-type="text" >Tekoäly perusterveydenhuollossa – millainen data sopii ensimmäisen potilaskontaktin automatisointiin?</span>

Ensimmäisen potilaskontaktin automatisointi on jo työn alla – ja tässä vaiheessa keskusteluun otetaan mukaan data: Millaista dataa opastamisessa tulisi käyttää? Onko terveydenhuollossa tällaista dataa ja kuinka tarkkaa se on? Tässä artikkelissa pohdimme ensimmäisen potilaskontaktin automaation kehitystä..

Kun olemme tunnistaneet loppukäyttäjien eli potilaiden ja terveydenhuollon ammattilaisten tarpeet, on aika tutkia, mitkä tekniset valinnat ovat järkeviä automaattisia potilaskontaktiratkaisuja rakennettaessa. Vaatimukset ovat seuraavat: niiden on a) palveltava loppukäyttäjien tarpeita riittävästi ensimmäisessä vaiheessa, b) vastattava ratkaisevia menestystekijöitä – tässä tapauksessa läpinäkyvyyttä, tietoisuutta lääketieteellisestä asiayhteydestä ja integrointia digitaaliseen ja fyysiseen työnkulkuun ja c) mahdollistettava ratkaisun pitkän aikavälin kehittäminen. Mitkä teknologiat voisivat siis täyttää nämä kriteerit perusterveydenhuollossa?

Tätä kysymystä pohdittaessa päädytään usein potilastietojen lähteisiin: millaista tietoa hallussa on? Suosituin vastaus ja usein ensimmäisenä mieleen tuleva asia on historiallinen data, joka on peräisin vuosien saatossa kertyneistä potilaskertomuksista. Tämäntyyppisten tietojen etuna on varmasti niiden aikasarjan kattavuus, mitä voidaan hyödyntää suuressa mittakaavassa. Todellisuudessa monelta jää kuitenkin huomaamatta, että iso osa tällaisesta tiedosta (toisinaan jopa 95–99 %) ei yksinkertaisesti sovi tähän tarkoitukseen, puhumattakaan tietojen saamisen vaikeudesta. Sitä paitsi, koska tietoaineistot ovat peräisin vanhoista järjestelmistä, niiden jäsentämiseen ja yhdenmukaistamiseen olisi investoitava suuret summat rahaa.

Toinen harkitsemisen arvoinen asia on hiljattain tuotettu data, joka on usein homogeenisempää, mutta sen kerääminen on työlästä, ja se on asetettava käytännön asiayhteyteen tulevassa sovelluksessa. Ennen kuin mitään dataa kerätään suuria määriä, on päätettävä, mitä datapisteitä on tarpeen kerätä. Tasapaino piilee siinä, että on oltava riittävän pragmaattinen ”arvatakseen” oikean ja riittävän määrän datapisteitä, jotka ovat silti toteuttamiskelpoisia ja kannattavia ajatellulle sovellukselle.

Kaksi edellä mainittua tietoaineistotyyppiä ovat usein mukana keskusteluissa, mutta on olemassa kolmaskin tietotyyppi, joka usein unohdetaan tekoälysovelluksissa: asiantuntijoiden alakohtainen erityistieto. Perusterveydenhuolto on juurikin se alue, jossa tätä arvokasta resurssia ei pitäisi jättää huomioimatta sillä lääketieteessähän on vuosisatojen aikana kertynyttä tietämystä, jossa kuvataan potilaiden oireiden ja diagnoosien välisiä yhteyksiä. Kysymys tuntuu meistä lähes retoriselta – miksei tietoa voisi käyttää uudelleen?

Huolimatta siitä, että sähköisiin potilastietojärjestelmiin ympäri maailmaa on vuosien saatossa kerätty dataa, perusterveydenhuollossa on krooninen pula täydellisistä tietoaineistoista, joissa objektiivisesti kuvattaisiin kaikki perusterveydenhuollon tapaukset. Samaan aikaan, kirjaimellisesti missä tahansa sovelluksessa, datan tyyppi, määrä ja laatu määrittävät ennalta automatisoidun ratkaisun kehitysperiaatteet. Onneksi on olemassa useita tapoja edetä luotaessa älykkäitä järjestelmiä. Miten me siis kehitämme ratkaisuamme valitsemamme datan perusteella? Se selviää täällä!

Visiba Group AB
Adolf Edelsvärds Gata 11 Göteborg, 414 51
Phone: 0761993666