Terveyspalvelujen käyttöä ennustava neuroverkkomalli voi säästää miljoonia
Syvät neuroverkot ovat ihmisaivojen toimintaa jäljitteleviä koneoppimismenetelmiä. Nyt Aalto-yliopiston, Helsingin yliopiston ja Terveyden ja hyvinvoinnin laitoksen (THL) tutkijat ovat kehittäneet syvien neuroverkkojen avulla niin sanotun riskivakiointimallin. Se ennustaa, miten usein ikäihmiset käyvät vuoden aikana hoidettavina esimerkiksi terveyskeskuksessa tai sairaalassa.
Riskivakiointimallien tarkoituksena on ennustaa terveydenhuollon palveluiden käyttöä edellisten vuosien tietojen perusteella ja auttaa näin jakamaan rahoitusta terveydenhuollon palveluiden tarjoajille reilusti ja tehokkaasti. Malleja hyödynnetään monissa maissa, kuten Saksassa, Alankomaissa ja Yhdysvalloissa. Myös THL on kehittänyt malleja, joita voidaan käyttää Suomessa rahoituksen jakamiseen kunnille.
”Ilman mallia sellaiset terveyspalveluiden tuottajat, joiden potilaat sairastavat keskimääräistä enemmän, joutuisivat epäreiluun asemaan”, Aalto-yliopiston apulaisprofessori Pekka Marttinen sanoo.
Nykyisin käytössä olevat mallit perustuvat perinteisiin tilastollisiin regressiomalleihin. Tämä oli ensimmäinen kerta, kun tutkijat käyttivät riskivakiointimallin kehittämisessä syviä neuroverkkoja. Tutkimus osoitti, että neuroverkkomalli on ennustuksissaan perinteisiä menetelmiä selvästi luotettavampi ja tarkempi. Näin se voi auttaa jakamaan rahaa palveluntuottajien todellisen tarpeen mukaan ja kannustaa niitä kustannustehokkuuteen.
”Tällaisen mallin kehittäminen voi auttaa säästämään miljoonia euroja”, sanoo tohtorikoulutettava Yogesh Kumar.
Tutkijat opettivat mallia THL:n perusterveydenhuollon avohoidon hoitoilmoitusrekisteristä (Avohilmo) saatavilla tiedoilla, joissa on mukana jokaisen 65 vuotta täyttäneen suomalaisen terveydenhuollon avokäynnit. Data on pseudonymisoitu eli yksittäistä henkilöä ei voi tunnistaa sen perusteella. Avohilmoa hyödynnettiin nyt ensimmäistä kertaa koneoppimismallin kouluttamiseen.
Syvät neuroverkot eivät myöskään välttämättä vaadi valtavasti dataa tuottaakseen luotettavia tuloksia. Tutkimuksessa malli oli verrokkimenetelmiä tarkempi jopa silloin, kun se pystyi hyödyntämään vain noin kymmentä prosenttia kaikesta saatavilla olevasta datasta. Luotettavien tulosten saaminen suhteellisen pienellä tietomäärällä on tärkeää, sillä lääketieteessä suurten datamassojen saaminen tutkimuskäyttöön on vaikeampaa kuin monilla muilla aloilla.
”Tässä työssä kehitettyä mallia ei ole tarkoitus ottaa käyttöön sellaisenaan, vaan tavoitteena on integroida koneoppimismallien ominaisuuksia nykyisin käytettäviin malleihin. Näin voimme yhdistää eri menetelmien parhaat puolet”, Marttinen huomauttaa.
”Tulevaisuudessa tavoitteena on hyödyntää näitä malleja päätöksenteon tukena, jolloin rahoitus saadaan jaettua asianmukaisemmin.”
Mallissa voidaan myös keskittyä esimerkiksi potilasryhmiin, joiden hoito on kallista tai terveyskeskuksiin tietyillä maantieteellisillä alueilla. Tutkimustulokset julkaistiin Proceeding of Machine Learning Research -julkaisusarjassa.
Lisätiedot
Yogesh Kumar (englanniksi)
Tohtorikoulutettava
Aalto-yliopisto, Suomen tekoälykeskus
yogesh.kumar@aalto.fi
Pekka Marttinen
Apulaisprofessori
Aalto-yliopisto, Suomen tekoälykeskus
Puh. 050-5124362
pekka.marttinen@aalto.fi
Lue lisää uutisia
Prototyping and Validation Grant: VeinOptima
Aallon opiskelijan kehitteillä oleva tuote auttaa hoitajia löytämään verisuonet nopeammin.
Ensimmäinen suprajohtava kvanttilämpökone osoittaa, että lämpö voidaan valjastaa työksi myös kvanttimaailmassa
Suprajohtava kvanttilämpökone paitsi edistää termodynamiikan perustutkimusta, voi myös merkittävästi pienentää tulevaisuuden kvanttitietokoneiden hintalappua.
Haku on auki innovaatiotutkijatohtoriksi tekoälyssä
Palkallinen 12 kuukautta kestävä urapolku, jonka avulla voit muuttaa tohtorintutkimuksesi löydökset deep tech -startupiksi.