Uutiset

Terveyspalvelujen käyttöä ennustava neuroverkkomalli voi säästää miljoonia

Suomessa kehitetty malli ennustaa iäkkäiden terveyspalveluiden käyttöä ja voi auttaa kohdentamaan rahoituksen tasapuolisemmin.

Illustration of neural networks in a hospital environment
Kuvituskuva: Matti Ahlgren / Aalto-yliopisto

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
[email protected]

Pekka Marttinen
Apulaisprofessori
Aalto-yliopisto, Suomen tekoälykeskus
Puh. 050-5124362
[email protected]

  • Julkaistu:
  • Päivitetty:
Jaa
URL kopioitu

Lisää tästä aiheesta

koronavastauskoronaresponsebanner
Tiedotteet Julkaistu:

Tutkijat etsivät ratkaisuja koronakriisiin – auta kertomalla havainnoistasi ja kokemuksistasi

Miltä tuntuu asioiminen ruokakaupassa? Entä puhdistatko kännykän näyttöä tartuntavaaran takia? Verkkokyselyyn kirjatut arkihavainnot voivat auttaa tutkijoita löytämään keinoja koronaepidemian jarruttamiseksi.
Kvasaarin suihku, kuva: EHT
Tiedotteet Julkaistu:

Kuva kvasaarin suihkusta yllätti tähtitieteilijät

Tutkijat eivät ole koskaan aikaisemmin saaneet yhtä tarkkaa kuvaa näin kaukaisesta kohteesta.
Aerosolipilven mallintaminen
Tiedotteet Julkaistu:

Koronan leviämistä supertietokoneella mallintaneet tutkijat: Tärkeintä on nyt välttää vilkkaita sisätiloja

Neljän suomalaisen tutkimusorganisaation yhteishanke on selvittänyt koronaviruksen kulkeutumista ja leviämistä ilmassa. Alustavien tulosten mukaan virusta kantavat aerosolihiukkaset voivat säilyä ilmassa luultua pidempään, ja siksi vilkkaiden julkisten sisätilojen välttäminen on tärkeää. Samalla pienenee riski pisaratartuntaan, joka on koronaviruksen tärkein tarttumisväylä.
AutoDet. Kuva: Mikko Raskinen.
Tiedotteet Julkaistu:

Näkymättömästä liasta hälyttävä laite pääsi testiin suomalaissairaalassa

Menetelmää voidaan käyttää monilla aloilla terveydenhoidosta elintarviketeollisuuteen. Tulevaisuudessa sille voi olla käyttöä myös virusten havaitsemisessa.