Tekoäly ennustaa piileviä sairauksia pikavauhdilla - Mutta voiko analyyseihin luottaa?

Tiedon määrä kasvaa maailmassa niin räjähdysmäisesti, että älykkäimmätkin ihmisaivot ovat helisemässä ilmiön edessä. Tekoäly terveydenhoidossa yleistyy, mutta millaiset ovat sen tulevaisuuden näkymät?

Tekesin digijohtaja Pekka Sivonen kertoo, että terveystiedon määrä tuplaantuu joka 74. päivä. Tämä asettaa lääkäreille haasteita, jotta omat tietotaidot pysyvät ajan tasalla.

Tiedon kasvu on Sivosen mukaan niin massiivista, että ainoa keino avustaa terveydenhuollon ammattilaisia ja siten parantaa hoidon laatua, on tekoälyn valjastaminen osaksi terveydenhuoltoa.

Tekoälyn mullistava vaikutus perustuu sen kykyyn hyödyntää internetin jättimäistä tietomäärää eli niin kutsuttua big dataa. Toisin sanoen tekoälyllä on kehittyvä kyky tehdä myös diagnostisia päätelmiä kaiken keräämänsä datan perusteella.

Tekoälyn valttikortteihin kuuluu, että se oppii omien virheiden lisäksi myös niistä virheistä, jotka tapahtuvat missä päin maailmaa hyvänsä. Näin ollen se on ihmistä paljon nopeampi uuden tiedon omaksuja.

Tohtori Watson -niminen tekoäly terveydenhoidossa

”Varsinkin vaativassa erikoissairaanhoidossa tietoa kertyy niin hurjalla nopeudella, että pelkkä tekoäly ei riitä, vaan tarvitaan itse itseään kehittävää tekoälyä”, sanoo Helsingin ja Uudenmaan Sairaanhoitopiirin (HUS) kehittämisjohtaja Visa Honkanen.

HUS on syyskuusta 2016 lähtien hyödyntänyt potilaiden hoidossa IBM:n kehittämää Watson-tekoälyä.

”Tohtori Watson” suodattaa ja analysoi tehokkaasti potilastietoja. Samalla se avustaa lääkäriä hoitotoimenpiteiden valinnoissa.

”Meillä on tulossa tuotantokäyttöön Watsonin seuranta vastasyntyneiden verenmyrkytyksestä. Toivon mukaan tämä on kuluvan vuoden kuluessa lääkäreiden työkaluna”, Honkanen sanoo.

HUSissa on meneillään myös pilottihanke, jossa tekoäly terveydenhoidossa seuraa syntymättömien lasten sydänkäyrää. Optimaalisessa tilanteessa äidit voisivat olla enemmän kotona, ja Watsonin avulla voitaisiin nykyistä aikaisemmin ennakoida sikiön tai syntymättömän lapsen uhkia.

”Näin voitaisiin myös vähentää odottavien äitien ylenpalttista sairaalassa makuuttamista, kun Watson seuraisi tilannetta ennakoivasti ja turvallisesti.”

Kolmannessa HUSin hankkeessa on kehitteillä tiettyjen pahanlaatuisten veritautien diagnosointi uudella tavalla.

”Näissä aiheissa uurramme uraa. Esimerkiksi syntymättömien lasten sydänkäyrän ja pahanlaatuisten veritautien seuranta tekoälyllä ovat sellaisia, joita ei ole muualla tehty”, Honkanen sanoo.

Kun tekoäly terveydenhoidossa yleistyy, lääkäreille jää enemmän aikaa potilaille. © iStock

Supernopea diagnoosi

Visa Honkanen näkee, että tulevaisuudessa HUSin vahvuutena on suuri mutta turvallinen tietoallas, johon kaikki potilasdata kertyy.

Tätä tietomateriaalia voidaan hyödyntää niin, että se myös opettaa tekoälyä. Tässä olisi Watsonin ohella mukana myös muita tekoälytoimijoita, kuten esimerkiksi Google ja Microsoft.

”Kun tekoälylle syötetään erilaista dataa vaikkapa vastasyntyneistä, se mallintaa ja kokeilee erilaisia kaavoja sekä ennustaa, tuleeko esimerkiksi verenmyrkytystä vai ei. Kone on oppivainen, koska se alkaa käyttää sitä laskentakaavaa, joka parhaiten ennustaa terveysongelman.”

Watson on niittänyt mainetta myös syöpädiagnoosien saralla. Tokion yliopiston lääkärit raportoivat elokuussa 2016, että Watson diagnosoi 60-vuotiaalta naiselta harvinaisen leukemiatyypin, jota ihmislääkärit eivät olleet havainneet.

Kyseessä oli hyvin harvinaislaatuinen geneettisen mutaation aiheuttama tapaus. Kymmenessä minuutissa Watson kahlasi läpi 20 miljoonaa julkaisua syöpätutkimuksista, yhdisti tiedot potilaan tilanteeseen ja vertasi niitä naisen taudinkuvaan.

Honkasen mukaan tällaisissa neula heinäsuovasta -tilanteissa Watsonin kaltainen kone on erityisen vahvoilla.

Sen sijaan sellaisissa tilanteissa, joissa lääkärin pitää yleisesti arvioida, mikä potilaasta vaivaa, tekoäly sairaanhoidossa ei vielä merkittävästi pysty auttamaan.

Lääkäri vielä vahvoilla

Yksi isoimmista kysymysmerkeistä keinoälyn kohdalla on, tekeekö se tulevaisuudessa liian itsenäisiä päätelmiä ilman valvovaa elementtiä. Kone voi antaa äärimmäisen tarkan vastauksen, mutta tyystin hämärän peittoon voi jäädä, miten se on tulokseensa päätynyt.

BBC kertoo esimerkin keinoälystä, jolle opetettiin, että keuhkokuumepotilailla on kohonnut riski kuolla. Tämän se oppi, mutta kone päätteli myöhemmin virheellisesti, että keuhkokuumepotilailla, joilla on astmaa, on alentunut kuolemanriski.

Tämä johtui siitä, että normaalisti tällaiset potilaat ohjataan tehohoitoon, jossa annettu hoito puolestaan alentaa merkittävästi kuolemanriskiä. Kone siis teki virhepäätelmän: astma + keuhkokuume = alentunut kuoleman riski.

Isossa kuvassa lääkärit ottavat vielä selkeän niskalenkin keinoälystä. Syksyllä 2016 julkaistussa Harvard Medical Schoolin tutkimuksessa 234 lääkäriä ja 23 diagnooseja tekevää nettisivustoa tai sovellusta kilpailivat diagnoosien tarkkuudesta.

Lääkäreiden ja tekoälyn piti löytää 45 tapaukselle oikea diagnoosi kirjallisen materiaalin perusteella ilman potilaskontaktia. Lääkärien diagnoosi meni oikein 72 prosentissa tapauksista, tekoälyn vastaava luku oli 34 prosenttia.

Lue myös:

Kehitteillä syövän haistava tekonenä