Kun käyttäjien tarpeet on määritelty ja tunnistettu ja on tutkittu, millaista dataa voidaan käyttää, on aika ryhtyä miettimään, millaiseen teknologiaan automatisoidun ensimmäisen potilaskontaktin tulisi perustua. Millaisia vaihtoehtoja on kehitettäessä tekoälyratkaisuja perusterveydenhuoltoa varten?
Kuten edellisessä artikkelissa mainittiin, datan tyyppi, määrä ja laatu määrittävät ennalta automatisoidun ratkaisun kehitysperiaatteet. Mikä tekniikka siis sopii parhaiten tuottamaan arvoa pitkällä aikavälillä ja vastaamaan sekä potilaiden että terveydenhuollon ammattilaisten tarpeisiin? Älykkäiden järjestelmien luomiseen on olemassa useita tapoja, ja ne voidaan karkeasti tiivistää kolmeen seuraavaan vaihtoehtoon:
Sääntöperusteiset asiantuntijajärjestelmät
Sääntöperusteinen asiantuntijajärjestelmä on konkreettisin havainnollistamistapa. Sääntöperusteiset asiantuntijajärjestelmät perustuvat ohjeiden lineaariseen rakenteeseen ”jos/sitten/muuten”. Se on selkeä, läpinäkyvä ja täysin toimiva menetelmä tehtäville, joiden monimutkaisuus on rajallinen, sillä kirjaimellisesti jokainen ratkaisuvaihtoehto on kuvailtava. Kun tietty monimutkaisuuden taso on saavutettu, on valittava tarkkuus tai kyky käsitellä vaihtoehtojen määrää. Tästä seuraa usein yksinkertaistuksia ja yleistyksiä ja/tai se, että ihmistä käytetään osana toimivaa järjestelmää. Tämäntyyppisiä algoritmeja on käytetty laajalti terveydenhuollossa, jotta päätöksenteon tukijärjestelmiin on saatu sisällytettyä rajallinen määrä vaihtoehtoja. Nämä auttavat muun muassa hoidon kiireellisyyspäätösten tekemisessä. Tämän järjestelmän suurin heikkous on se, että yhtälöstä ei voida poistaa ihmisiä ja korvata niitä koneella.
Musta laatikko
Musta laatikko -algoritmit eivät ole merkittävä uutinen terveydenhuollossa. Tähän on syynä erityisesti radiologia, jossa on käsitelty suuria kuvasarjoja kuvioiden tunnistamiseksi isosta kuvamäärästä, esimerkiksi terveen ja ei-terveen kudoksen erottamiseksi. Musta laatikko -algoritmiin syötetään iso, kyseessä olevaan tehtävään liittyvä tietoaineisto. Se tunnistaa kuviot ja parantaa tarkkuutta käytön myötä, mikä on varsin kätevää, koska tietoaineistot ovat niin suuria ja epäselviä, että ihmisten käsittelemänä läpimenoajat tekisivät tehtävästä merkityksettömän. Haittapuolena on se, että jokaisen kuvion muodostamisen taustalla oleva ”miksi” on ihmisille käsittämätön eli mahdoton ymmärtää, perustella ja ottaa opiksi. On olemassa joitain tilanteita, joissa olemme valmiita hyväksymään sen, että ”mustan laatikon” sisälle ei nähdä, koska vaihtoehtona on se, ettemme saa mitään käsitystä.
Probabilistinen mallinnus
On olemassa vielä kolmas lähestymistapa, joka ei ole saanut yhtä paljon huomiota kuin kaksi edellistä. Toisin kuin musta laatikko -teknologiat, joissa algoritmi itse tunnistaa kuvion, probabilistisessa mallinnuksessa me ihmiset voimme esimerkiksi antaa kuviot ja tulkinnat, ainakin alussa. Probabilistiseen mallinnukseen ei välttämättä syötetä valtavaa määrää historiallista tietoa, vaan se voi perustua asiantuntijoiden alakohtaiseen erityistietoon ja suoriutua huomattavasti paremmin ”musta laatikko” -tyyppisistä algoritmeista, joissa on käytetty laadultaan huonompaa dataa. Tämä erityistieto on käännettävä oikeaan muotoon ja jäsenneltävä asianmukaisiin solmuihin ja yhteyksiin, jotta algoritmi ymmärtää ja prosessoi tiedon. Probabilistisessa mallinnuksessa solmut edustavat kiinnostuksen kohteena olevia muuttujia ja reunat edustavat niiden välistä yhteyttä. Perusterveydenhuollosta puhuttaessa oireet ja tilat edustavat solmuja, jotka tarvittaessa liittyvät toisiinsa erivahvuisilla suhteilla. Solmuja ja yhteyksiä voidaan lisätä, linkittää ja poistaa järjestelmästä sen skaalaamiseksi ylös- tai alaspäin. Tällainen verkko luodaan pikemminkin kuvaamaan ongelmaa kuin antamaan konkreettisia ohjeita siihen, miten jokainen mahdollinen skenaario ratkaistaan. Itse ratkaisun tekee algoritmi, joka ei ainoastaan käsittele eri skenaarioita ja vaihtelevaa monimutkaisuutta, vaan myös selittää johtopäätökset, joihin se on päätynyt jokaisessa vaiheessa.
Probabilistinen mallinnus mahdollistaa maksimaalisen läpinäkyvyyden, koska syöte on täysin hallittavissa. Mallinnus tarjoaa selkeän graafisen esityksen, jonka avulla käyttäjät voivat tehokkaasti dokumentoida ja arvioida lopputuloksen sekä miten se saatiin aikaiseksi. Terveyden käsittely tavalla, jolla se on tehty perusterveydenhuollossa, edellyttää tällaista läpinäkyvyyttä, ainakin ensimmäisissä vaiheissa.
Mikä lähestymistapa sopii parhaiten ensimmäisen potilaskontaktin automatisointiin?
Yksinkertaiseen tehtävään, jossa on rajallinen määrä vaihtoehtoja, sääntöperusteiset asiantuntijajärjestelmät soveltuvat täydellisesti; ne ovat läpinäkyviä ja logiikka on helposti saatavilla ja hallittavissa. Ensimmäisen potilaskontaktin automatisointi ei kuitenkaan ole rajoitettua eikä yksinkertaista. Lähestymistapa ei myöskään mahdollista skaalaamista ylöspäin, eikä se tue kestävää integrointia esimerkiksi älykkäisiin mittareihin, joita on jo nyt potilaiden kodeissa. Tämän takia käännämme katseemme kahteen muuhun vaihtoehtoon. Musta laatikko -ratkaisu saattaisi tarjota hyvän lopputuloksen, mikäli syöte on korkealaatuinen. Nämä rakenteet ovat kuitenkin luonteeltaan sellaisia, että ne eivät voi täyttää perusterveydenhuollon prosessien tinkimättömiä perusvaatimuksia: integraatiota digitaaliseen ja fyysiseen työnkulkuun, läpinäkyvyyttä ja tietoisuutta lääketieteellisestä asiayhteydestä. Sen paremmin potilas kuin lääketieteen ammattilainenkaan ei pystyisi perustelemaan tai arvioimaan tulosta tai vaikuttamaan siihen. Säännöt ja logiikka ovat käyttäjille täysin näkymättömiä, mikä ei ole hyväksyttävää tilanteessa, jossa iso joukko sääntöjä on jo tiedossa ja täsmällisesti kuvailtu: mitkä ovat tietyn tilan tyypillisimpiä oireita.
Probabilistisen mallinnuksen ja sen verkon kehittämisellä on useita etuja skaalautuvuudessa ja läpinäkyvyydessä, ja se vastaa jokaiseen esitettyyn käyttötarpeeseen:
- Lääketieteellinen tietoisuus: probabilistiset verkot mahdollistavat asiantuntijoiden alakohtaisen erityistiedon lisäämisen ja vaikuttamisen verkon solmuihin, yhteyksiin ja yleiseen kartoitukseen.
- Voimme vaikuttaa siihen, mitä potilaille näytetään, ja varmistaa, että he saavat asianmukaiset kysymykset potilasystävällisellä kielellä.
- Se tarjoaa täyden läpinäkyvyyden ja perustelut tehdyille johtopäätöksille.
- Se mahdollistaa selkeän graafisen esityksen, mikä helpottaa integraatiota digitaalisen ja fyysisen työnkulun kanssa. Vielä tärkeämpää on sen kyky selittää järjestelmä terveydenhuollon työntekijöille oireiden, tilojen ja näiden välisten suhteiden osalta.
Niinpä probabilistisen mallinnuksen käyttäminen erottuu selvästi lupaavimpana ratkaisuna perusterveydenhuollon potilaskontaktien tarpeisiin. Tällä tavoin sekä terveydenhuollon ammattilaiset että potilaat saavat työkalusta arvokasta hyötyä turvallisesti ja luotettavasti.
Koska kehitystyö on suhteellisen varhaisessa vaiheessa, terveydenhuollon ammattilaisten tulisi olla valmiita osallistumaan työnkulun valvontaan ja arvioimaan, miten järkeviä ja tarkkoja näiden uusien järjestelmien päätelmät ja mahdolliset lähetteet ovat. Vielä rakenteilla ja validoitavana olevien ratkaisujen varhaiset hyödyt voisivat samaan aikaan olla, että terveydenhuollon ammattilaiset voivat priorisoida helpommin, dokumentoida potilastapaukset tehokkaammin ja ohjata potilasvirrat eteenpäin tehokkaasti ja integroituna saumattomasti työnkulkuun. Ajan myötä ja tekniikan kehittyessä tapaukset siirrettäisiin eteenpäin vahvasti algoritmeihin luottaen. Myös potilaiden elämä helpottuu. Heillä on täten yksi väylä lisää terveydenhuoltoon, luotettava ja helposti saavutettava, joka huomioi potilaan omat tiedot tilastaan – koska tahansa ja missä tahansa, rasittamatta järjestelmää kohtuuttomasti.