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

Lue lisää uutisia

Vehnänjyviä
Mediatiedotteet Julkaistu:

Miljardille ihmiselle vapautuisi ruokaa, jos maatalouden sivuvirtoja kierrätettäisiin tuotantoeläinten rehuksi

Aalto-yliopiston tutkijat osoittivat, että ruokaa riittäisi jopa 13 prosenttia suuremmalle väestölle, jos tuotantoeläinten rehuna käytettäisiin enemmän maatalouden sivuvirtoja.
A satellite image of Borneo and part of Malaysia covered by plumes of smoke from fires. The many fires are marked on the map as red dots.
Mediatiedotteet Julkaistu:

Tutkijat osoittivat tekoälyn avulla: Turvesuopalojen riski kutistuu jopa neljännekseen maankäytön muutoksilla

Pahimpina vuosina Kaakkois-Aasian turvesuopalot aiheuttavat 30 prosenttia maailman hiilidioksidipäästöistä. Maankäyttö on tasapainottelua uhkien, hyötyjen ja kustannusten välillä, sanovat Aalto-yliopiston tutkijat.
Life 1.5 in black font and Designs for a Cooler Planet logo on a white, fragmented background.
Kampus, Mediatiedotteet, Tutkimus ja taide, Yliopisto Julkaistu:

Tulevaisuuden vaatekaappi, jättimäinen ötökkähotelli, pystyviljely ja paljon muuta – Designs for a Cooler Planet - näyttelyn ideat vievät kohti planeettaystävällisempää elämää

Aalto-yliopiston vuosittaisen Designs for a Cooler Planet -näyttelyn teemat ovat tänä vuonna jäljetön elämä, kestävä tyyli ja terveempi ravintoketju.
Illustration of a solar flare, spat out from the Sun's surface.
Mediatiedotteet Julkaistu:

Uusi työkalu antaa ennakkovaroituksen Auringon aktiivisista alueista – auttaa aurinkomyrskyihin varautumisessa ja vahinkojen torjumisessa

Professori Maarit Korpi-Laggin ryhmän työkalu auttaa ennustamaan aktiivisten alueiden syntyä jo muutamaa päivää ennen kuin ne ilmestyvät Auringon pinnalle. Astroinformatiikan perustutkimusta hyödyntävä hanke sai juuri Euroopan tutkimusneuvoston tavoitellun ERC Proof of Concept -rahoituksen.