Täsmähoitoa tekoälyllä

Kun lääketiede viimeksi hoiti ihmisiä yksilöinä, lääkkeet olivat iilimatoja, elohopeaa ja mikstuuroja yrteistä. Onnekkaimmat saivat kipuunsa helpotusta oopiumista. Sillä välin, kun lääkäri yritti ja erehtyi, potilas ehti kuolla.

Tieteelliseen näyttöön hoito on perustunut vasta ­reilut pari sataa vuotta. Sinä aikana sekä teknologia että väestönhallinnan keinot ovat kehittyneet niin paljon, että tehokasta hoitoa voi tarjota massatuotantona. Samalla yksilöllisyydestä on pitänyt luopua: tarpeeksi hyvä hoito suurimmalle osalle väestöä on riittänyt.

Tarvittava tieto meidän jokaisen hoitamiseen yksilöinä on silti olemassa. Dataa ihmisen perimästä, terveydentilasta ja hoitohistoriasta, elintavoista ja aktiivisuudesta on saatavilla ylen määrin – liikaa ihmisen käsiteltäväksi.

Algoritmit etsivät täsmärokotteita

Yksi sadasta saa rokotteesta ihottumaa, yksi kymmenestätuhannesta vakavan myrkytyksen tavallisesta kipulääkkeestä. Silti ne molemmat voivat olla kelvollisia lääkkeitä, sillä toimivuus ja haitat arvioidaan aina keskimääräisten vaikutusten perusteella.

Sitä, miten uusi rokote, mielialalääke tai solunsalpaaja imeytyy, vaikuttaa ja säilyy juuri yhden tietyn ihmisen elimistössä, ei tiedetä. Se vaatisi sekä kykyä käsitellä yli-inhimillisiä määriä informaatiota että nopeutta löytää, yhdistellä ja päätellä, mikä datakaaoksen seassa on tärkeää.

Avuksi tarvitaan lisää älyä.

Helsingin yliopiston ja Oslon yliopiston professori Jukka Corander on kehittänyt pitkään tilastollisen päättelyn menetelmiä ja algoritmeja, joiden avulla voisi luoda uusia rokotteita etenkin maailman köyhimpiä alueita piinaaviin tauteihin, muun muassa ripuliin, keuhkokuumeeseen ja aivokalvontulehdukseen.

Coranderin menetelmät voivat esimerkiksi seuloa ja kokeilla eri aihioita rokotteiksi ja lääkeaineiksi ja selvittää niiden yhteisvaikutuksia tietyn tyyppisissä geneettisissä populaatioissa. Samalla ne oppivat ja alkavat keksiä yhdistelmiä, joita ihminen ei tulisi ajatelleeksi ja joita olisi mahdotonta testata ja löytää laboratorio­kokein.

”Tekoälymallimme ovat 10 000 kertaa nykyisin käytössä olevia testausmenetelmiä nopeampia. Pystymme niillä tekemään luotettavia ennusteita siitä, miten bakteerit ja virukset reagoivat eri rokoteaineisiin ja miten kauan rokote pystyy torjumaan tautia. Tekoäly toimii kuin digitaalinen avustaja, joka auttaa lääkekehittäjiä löytämään täysin uusia lääkkeiden ja patogeenien yhdistelmiä.”

Bakteeripopulaatioissa, vasta-aineissa ja ihmisen elimistössä on niin valtava määrä muuttujia, ettei ihminen pysty niitä käsittelemään. Siksi nykyiset rokotteet eivät ole optimaalisia: ne eivät tehoa kaikkiin täydellisesti tai ilman riskiä haittavaikutuksista. Rokotteen teho voi myös hiipua: bakteeripopulaatio muuntuu, koska sen geenit yrittävät säilyttää kyvyn lisääntyä. Corander yrittää ennustaa muuntumista tekoälyn avulla, jotta rokotteet purisivat mahdollisimman pitkään.

”Voimme jo nyt simuloida valtavia määriä informaatiota eri lähteistä – laboratoriokokeiden tuloksista, bakteerien ja virusten geeneistä ja niiden muuntumisesta infektioissa sekä ihmisten immuunijärjestelmien vaihtelusta.”

Antureita iholla ja taskussa

Hellittääkö huoli isovanhemmasta, joka toipuu kotona leikkauksesta, jos hänellä on käytössä ambulanssin hälyttävä ranneke tai peräti matto? Toimivatko leik­kauksen jälkihoitoon määrätyt lääkkeet varmasti? Kannanko syövälle altistavaa geeniä? Parin vuosikymmenen päästä nämä murheet voivat tuntua yhtä antiikkisilta kuin elohopeainen kuumemittari nyt.

Tutuilla laitteilla, kuten älypuhelimilla ja -kelloilla, voi jo nyt kerätä tietoa omasta terveydentilasta. Se, miten informaatio saadaan oikeasti käyttöön ja sopimaan yhteen elimistössämme virtaavan datan kanssa, on tekoälyn tehtävä – ja tärkein haaste Aalto-yliopiston professori Simo Särkän tutkimuksessa.

”Kehitämme malleja anturien keräämän datan sekä sen tiedon yhdistämiseen, jota saadaan ihmisen perimästä, elintoiminnoista tai sairauksien ominaisuuksista. Kaikessa datassa on paljon kohinaa ja ylimääräistä informaatiota, joten mallit pitää opettaa poimimaan vain olennainen tieto säällisessä ajassa ja yhdistämään eri lähteistä tulevaa informaatiota”, Särkkä selittää.

Jo pelkästä älypuhelimesta saa monin keinoin tietoa ihmisen liikkeistä ja toiminnasta. Magnetometri mittaa magneettikentän suuntaa, josta voi päätellä käyttäjän asennon ja liikkeitä. Tiedon nopeudesta, kiihtyvyydestä ja puhelimen asennosta saa kiihtyvyysanturista; gyroskooppi taas havaitsee pyörimisliikkeen. Lisäksi langattoman verkon, 4G-verkon, Bluetooth-yhteyden ja GPS-signaalin avulla voidaan määrittää laitteen sijainti.

”Esimerkiksi sydämen sykettä voi mitata liikeanturilla ja gyroskoopilla laittamalla puhelimen rintataskuun. Anturit tunnistavat liikkeen, jonka sydämen syke aiheuttaa.”

Särkkä selvittää kollegoineen, miten muuttaa ihminen parametreiksi, joiden perusteella voisi rakentaa tarpeeksi kattavan mutta mahdollisimman kevyen mallin ihmisestä.

”Ihmisen fysiikasta saa paljon erilaista mitattavaa dataa. Esimerkiksi sydämen sähköisestä toiminnasta saa hyvän kuvan useilla antureilla mitatuista EKG-käyristä. Sydämen mekaniikkaa voidaan niin ikään mallintaa samanaikaisesti – ja eri elintoimintoja yhdessä. Periaatteessa koneoppimismenetelmillä voisi automaattisesti luoda täydellisen mallin ihmisestä, ­mutta me yritämme koota paljon yksinkertaisempaa ja ­kevyempää mallia.”

Pakasta vedetyt ja sovelluskaupasta ladatut applikaatiot puhelimiin ja kelloihin ovat kuitenkin vain itsehoitoa ja parhaassa tapauksessa ennaltaehkäisyä. Kliiniseen käyttöön päästäkseen seurantalaitteet vaativat vuosia kestävää tutkimusta ja testausta.

Särkkä kehittää yhteistyössä HUSin kanssa puettavaa mittauslaitetta sydänsairauksien diagnosointiin.

”Sairaalapäivät ja sitä mukaa myös hoitokustannukset vähenisivät, ja potilaat pääsisivät nopeammin kotiin toipumaan. Sydänkäyrien analysointi vie lääkäriltä paljon aikaa, jota voisi säästää automatisoimalla. Tekoälyn avulla eri mittauk­sia voisi yhdistellä ja suositella lääkärille potilaasta kerätystä datasta tiettyjä kohtia, joihin kannattaa kiinnittää huomiota.”

Tarkka verenkuva saman tien

Datankeruu muuttuu erityisen vaikeaksi ja ­hienovaraiseksi, kun antureilla pitäisi päästä kehon sisälle.

Professori Tomi Laurila Aalto-yliopistosta kehittää uusista hiilimateriaaleista äärimmäisen herkkiä sensoreita, joilla on tarkoitus mitata esimerkiksi välittäjäaineiden pitoisuuksia aivoissa tai lääkeaineiden leviämistä ja vaikutuksia elimistössä.

”Jotta anturien pinnat reagoisivat juuri oikeisiin aineisiin ja jättäisivät väärät huomiotta, pinta pitää tuntea atomi atomilta ja tietää, miten ne reagoivat ­elimistössä eri aineisiin ja niiden yhdistelmiin. Koneoppimisen avulla pystymme mallintamaan jopa 1 000 kertaa suurempia hiilirakenteita kuin perinteisin kvanttimekaanisin menetelmin – tarkkuutta menettämättä”, ­Laurila kertoo.

”Anturimateriaaleissamme on tekoälyn ansiosta paljastunut aivan uusia fysikaalisia ilmiöitä.”

Esimerkiksi kipulääkkeiden vaikutukset ovat hyvin yksilöllisiä. Monille jo arkinen ibuprofeeni aiheuttaa vatsakipuja ja verenvuotoa, vahvojen opioidien haitoista puhumattakaan. Laurila uskoo, että kipulääkkeiden pitoisuudet – ja todennäköiset yksilölliset haittavaikutukset – olisi tulevaisuudessa mahdollista selvittää verenkuvasta jo lääkärin vastaanotolla. Tekoälyä hyödyntävät analyysityökalut seuloisivat verestä oikeat aineet ja niiden aiheuttamat reaktiot elimistössä saman tien, eikä testituloksia tarvitsisi odottaa päiviä tai viikkoja laboratoriosta.

”Olemme opettaneet koneoppimismenetelmiä tunnistamaan erityisesti hiiltä mutta onnistuneet opettamaan tekoälyä havaitsemaan myös muita aineita, esimerkiksi happea tai vetyä. Suurin haaste biologisissa ja lääketieteellisissä mittauksissa on valikoivuus: miten saada irti oikeat signaalit kaiken kohinan seasta.”

Hieman kuin vanhanaikainen lääketiede, anturien kokeellinen kehittäminen perustuu Laurilan mukaan edelleen pitkälti yritykseen ja erehdykseen. Koneoppimis- ja laskennallisia menetelmiä yhdistämällä aikaa vievää kokeellista tutkimusta voidaan nopeuttaa sekä järkeistää huomattavasti – ja räätälöidä anturit havaitsemaan suoraan haluttuja aineita, lääkkeitä, proteiineja tai välittäjäaineita.

Kaikille oma digitaalinen kaksonen

Vaikka tekoälyn suurimmat mullistukset terveyden­hoitoon ovat vielä tuloillaan, kunnianhimoisin visio on selvillä.

”Lääketieteen yksilöllistyminen saavuttaa huippunsa, kun jokaiselle ihmiselle voidaan luoda digitaalinen kaksonen”, sanoo Aalto-yliopiston akatemiaprofessori Samuel Kaski.

Jokaisesta ihmisestä koottaisiin malli, jossa yhdistyisivät biologinen data, kliinisten kokeiden tulokset, anturien keräämä informaatio elintavoista, ympäristöstä ja elimistöstä.

”Jos lääkkeiden ja hoitojen vaikutusta pystytään tekoälyn avulla nyt simuloimaan yleisellä tasolla, digitaalisen kaksosen myötä saman voisi tehdä jokaiselle erikseen. Juuri itselle räätälöidyltä mallilta voisi kysyä kaikesta terveyteensä liittyvästä: mitä jos?”

Tekoäly ei yksin voi hoitaa ketään, vaan lääkäriä ­tarvitaan vastakin määrittämään, mitä potilaasta etsitään ja millaista hoitoa annetaan. Digitaalinen kaksonen osaisi antaa lääkärille ymmärrettäviä suosituksia, ­arvioida tulosten tarkkuutta ja luotettavuutta sekä perustella itseään.

”Kaksosen avulla voisi myös ehkäistä sairauksia. Mallilta voisi esimerkiksi saada arvion ruokavalioon, liikuntaan, eri riskitekijöihin ja perinnölliseen alttiuteen perustuen. Arkiseen älylaitteeseen yhdistettynä se voisi neuvoa ja kannustaa tekemään oman terveyteni kannalta hyödyllisiä asioita – tyylillä, joka olisi juuri minulle räätälöity ja miellyttävä noudattaa.”

Teksti: Tapio Reinekoski. Kuvitus: Jaakko Kahilaniemi.

Artikkeli on julkaistu Aalto University Magazinen numerossa 23 (issuu.com) lokakuussa 2018.