Monialaisen palvelukäytön ennakointi tekoälyn tuella – harhakuvitelmaa vai tulevaisuutta?

Suomessa sote-organisaatioissa on kerätty vuosikymmenien aikana massiiviset määrät dataa erilaisiin rekistereihin ja tietovarastoihin, ja lisääntyvän digitalisaation myötä dataa kertyy jatkuvasti enemmän. Modernit data-analytiikan menetelmät ja välineet tarjoavat uusia mahdollisuuksia datan käsittelemiseksi ja hyödyntämiseksi. Tekoälysovellusten odotetaan tehostavan palvelujärjestelmän ja palvelujen toimivuutta ja laatua sekä parantavan kustannustehokkuutta ja vaikuttavuutta.

Osa sovelluksista on yksinkertaisia algoritmeja, jotka ohjaavat käyttäjää eteenpäin esimerkiksi verkkopalvelussa tämä tekemien valintojen perusteella (esim. ns. chatbotit). Kehittyneemmät algoritmit voivat esimerkiksi ennustaa asiakkaan uusintakäyntiä päivystyksessä. Jossakin tietojärjestelmässä algoritmi hälyttää, kun asiakkaalla on tietty määrä käyntejä palvelussa määrätyllä ajanjaksolla.

Lähdimme MAITE-hankkeessa kehittämään tekoälypohjaista toimintaa vaikeimmasta päästä: Miten tekoälyä voisi hyödyntää monialaisen palvelukäytön ennustamisessa ja ennakoinnissa asiakasryhmätasolla ja jopa yksittäisen asiakkaan kohdalla?

Pieni määrä sote-asiakkaita, arviolta alle 10 prosenttia, käyttää monialaisia palveluja. Taustalla voi olla haastavia elämäntilanteita, sairauksia ja sosiaalisia haasteita. Jos pystyisimme ennustamaan tällaista palvelukäyttöä ja toteuttamaan ennakoivia ennaltaehkäiseviä toimia, kyseiset henkilöt voisivat välttyä monien eri palvelujen käytöltä, heidän elämänlaatunsa paranisi ja sote-kuluistakin voisi ehkä säästyä jokunen roponen, kun runsasta palvelukäyttöä ei syntyisi.

Olemme päässeet hankkeessamme tähän mennessä puolimatkaan. Avaamme seuraavassa tutkimus- ja kehittämistyömme monikerroksisuutta, keskinäisriippuvuutta ja haasteellisuutta. 

Valmistelutyö vie aikaa

Ennen kuin pääsimme tutkimus- ja kehittämishankkeessamme tositoimiin, oli laadittava sopimus rahoittajan STM:n kanssa ja oma sopimuksensa konsortion osapuolten kesken. Sopimuksen liitteeksi laadittiin muun muassa sopimus yhteisrekisterinpitäjyydestä, turvallisuusliite, tietosuojailmoitus ja hankesuunnitelma. Lisäksi oli tehtävä erillinen tutkimussuunnitelma, jolla haettiin tutkimuslupa pilottialueelta, Päijät-Hämeeltä.

Tämän jälkeen oli siirrettävä tekoälymallin kehittämiseen tarvittava data Päijät-Hämeen tietojärjestelmistä Findatan kapseliin, jossa dataa on mahdollista käsitellä tietoturvallisesti. Tämä kaikki valmisteleva työ kesti noin 10 kuukautta.

Ei-toivottujen päätepisteiden määrittely

Tekoälyhankkeet lähtevät usein kokeilumielellä kehittämään suoraan teknologista ratkaisua, ja niitä käytäntöjä, joissa teknologiaa hyödynnetään, mietitään jälkikätisesti. Omassa hankkeessamme lähdimme liikkeelle pilottialueen, Päijät-Hämeen kanssa talvella 2022 määrittelemällä moniäänisessä työpajassa ikäihmisten asiakasryhmiä/profiileja, jotka käyttävät monialaisesti palveluja ja joihin emme toivo ikäihmisten ajautuvan (ei-toivotut päätepisteet).

Tällaisiksi ryhmiksi määrittyi alustavasti 1) monialaisia palveluja käyttävä ikääntynyt muistisairas, 2) ylipainosta ja siihen liittyvistä sairauksista kärsivä ikäihminen, 3) ikääntynyt päihde- ja mielenterveysasiakas ja 4) diagnosoimaton asiakas, jolla on paljon yhteydenottoja ja asiointeja eri palveluissa.

Tutkimusta ja kehittämistä neljällä vuorovaikutteisella tasolla

Seuraavassa vaiheessa työskentely jakaantui neljälle vuorovaikutteiselle tasolle:

1. Ennakoivan johtamisen ja asiakasohjauksen kehittäminen: Määrittelimme Päijät-Hämeen ikäihmisten palvelujohtajien ja asiakasohjaajien kanssa ennakoinnin tarpeita ja tavoitteita asiakasryhmätasolla ja yksittäisen asiakkaan kanssa tehtävän työn tasolla. Lisäksi määrittelimme, millaista informaatiota ennustemallin tulisi tuottaa johdolle asiakasryhmätasolla ja asiakasohjaajille yksittäistä asiakasta koskien. Etenimme edelleen tarkastelemaan johtamisen ja asiakasohjauksen nykykäytäntöjä ja sen jälkeen määrittelemään uusia ennakoinnin käytäntöjä, joita tekoälypohjainen ennustemalli tukisi. Tässä vaiheessa emme miettineet, mikä teknisesti olisi mahdollista tai miten ennustemallin tuottamaa informaatiota on lakien ja säädösten mukaan mahdollista hyödyntää johtamisen toiminnoissa asiakasryhmätasolla ja toisaalta yksittäisen asiakkaan kanssa tehtävässä asiakastyössä. Jäimme odottamaan hankkeen muiden osioiden edistymistä.
    
2. Ennustemallin kehittäminen: Mallin kehittämiseen tähtäävän tutkimuksen käyttöön saatiin Päijät-Hämeen asiakas- ja potilasrekisteritietoja 70–90-vuotiaiden ikäryhmästä vuosilta 2018–2021. Tietoja käsitellään henkilötunnisteettomina Findatan tietoturvallisessa Kapseli-käyttöympäristössä. Tiedot kattavat sosiaali- ja terveydenhuollon palvelukäynteihin liittyvät tiedot, kuten diagnoosit ja toimenpiteet, kotihoito käynnit sekä tiedot sosiaalipalvelujen päätöksistä ja RAI-arvioinneista. Ensimmäisenä vaiheena datan käsittelyssä on ollut varmistaa eri tietojärjestelmistä poimittujen tietojen laatu ja saattaa poimittu tieto sopivaan muotoon tutkimuksen toteuttamista varten. Työ jatkuu nyt ei-toivottujen päätepisteiden sekä ennustemuuttujien kvantitatiivisella määrittelyllä. Määrittely pohjautuu aiemmin työpajassa tunnistettuihin monialaisia palveluja käyttävien ikääntyneiden ryhmiin.
   
   Sote-palvelujen käytön ennustamisessa keskeinen haaste on tunnistaa sellainen palvelujen käyttö, johon ennaltaehkäisevillä toimenpiteillä voidaan vaikuttaa. Valittu lähestymistapa, jossa päätepisteitä ja ennustemuuttujia määritellään ryhmittäin, pyrkii vastaamaan tähän haasteeseen. Ennustemallin kehittämistyössä tullaan vertailemaan erilaisia koneoppimiseen perustuvia menetelmiä. Tämän hankkeen puitteissa on tavoitteena saada aikaan alustava prototyyppi keväällä 2023, jonka pohjalta voidaan arvioida ennustemallin käyttökelpoisuutta operatiivisessa toiminnassa sekä päättää tarvittavista jatkokehitystoimenpiteistä.    
    
3. Ennustemallin realisointi osaksi IT-järjestelmiä: Nykyään tekoälymalleja tuodaan toimiviin organisaatioihin ja olemassa oleviin tietojärjestelmiin usein aluksi kokeilemalla ja pilotoimalla – kuten tässä Päijät-Hämeen ikäihmisten palvelujen tapauksessa. Tällaisessa tekoälyn käyttöönotossa voidaan sitten edetä laajamittaisempaan hyödyntämiseen koko sote-organisaatiossa.
   
   Tämän tutkimusprojektin puitteissa emme etene varsinaiseen tuotantokäyttöön, mutta kun kehitetty tekoälymalli viedään operatiiviseen palvelutuotantokäyttöön, se on realisoitava käyttäjäorganisaation tietoteknisissä järjestelmissä. Mallin käyttämät eri syötetietolähteet on kytkettävä mallin laskentakoneeseen, ja laskentatulokset on välitettävä digitaalisessa työprosessissa palvelujohdon ja ammattilaisten käyttämiin tietojärjestelmiin. Lisäksi mallin antamia laskentatuloksia on jatkuvasti monitoroitava niiden laadun varmistamiseksi. Tarvittaessa mallia on koulutettava uudelleen. Tekoälymallin käyttöönotossa ja tuotantovaiheessa tarvitaankin yhteistyötä mallin kehittäjien/ylläpitäjien, mallin laskemia ennusteita toiminnassaan hyödyntävien, tässä tapauksessa Päijät-Hämeen Ikääntyneiden palvelut ja kuntoutus -yksikön (palvelujohto ja asiakasohjaus) ja sen Infra- ja loppukäyttäjäpalvelut -yksikön välillä.
    
4. Ennustemallin kehittämisen ja hyödyntämisen oikeudelliset vaatimukset: Hankkeessa selvitetään myös ennustemallien kehittämiseen ja hyödyntämiseen liittyviä oikeudellisia kysymyksiä. Keskiössä ovat henkilötietojen käsittelyyn liittyvät kysymykset, eli millä edellytyksillä ja miten asiakkaiden ja potilaiden henkilötietoja on mahdollista hyödyntää EU:n yleisen tietosuoja-asetuksen, Suomen toisiolain ja muun lainsäädännön puitteissa. Tältä osin käynnissä on selvitystyö, jossa tarkastellaan nykylainsäädännön tarjoamia mahdollisuuksia ja asettamia rajoituksia, muun muassa eräiden ratkaisevien käsitteiden tulkintaa ennustemallien yhteydessä.
   
   Koska ennustemallin aiottu tarkoitus ja niiden hyödyntämisen olosuhteet ovat oikeudellisessa arvioinnissa keskeisiä seikkoja, analysoimme eräitä ennustemallien tyypillisiä hyödyntämistilanteita. Lisäksi hankkeessa on haastateltu noin 20 lainsäädännön kanssa tekemisissä olevaan asiantuntijaa ongelmien kartoittamiseksi. Niitä liittyy muun muassa ennustemallien hyödyntämiseen ennakoinnissa yksilötasolla ja eräin osin tekoälysovelluksien kehittämiseen toisiolain osalta. Hankkeen viimeisessä vaiheessa tulemme arvioimaan EU:n lainsäädäntöhankkeiden kuten terveysdata-avaruus ja tekoälysäädös -ehdotuksien vaikutuksia ennustemallien kehittämiseen ja hyödyntämiseen.

Missä olemme kesällä 2023?

MAITE-hanke päättyy kesäkuun lopulla. Siihen mennessä olemme laatineet käsikirjan monialaisen palvelutarpeen ennakoinnin kehittämisestä tekoälyn avulla, joka avaa neljää edellä tarkastelua kokonaisuutta. Käsikirja jäsentää ja selkeyttää tekoälyn roolia ja paikkaa niin ennakoivan johtamisen kuin ennakoivan asiakastyönkin tukena.

Käsikirja palvelee kaikki hyvinvointialueita, jotka kehittävät vastaava toimintaa alueellaan. Tekoälymallista on kesällä 2023 luotu testiversio ja sitä on testattu, mutta operatiiviseen toimintaa sitä ei vielä ole viety. Asiaa tai maailma ei saada tässä hankkeessa ihan vielä valmiiksi, mutta pääsemme muutaman askelen eteenpäin.

Kirjoittajat:

Juha Koivisto
johtava asiantuntija
Terveyden ja hyvinvoinnin laitos 

Jaakko Lähteenmäki
johtava tutkija
VTT Oy

Petri Kettunen
yliopistotutkija
Helsingin yliopisto

Juha Vesala
yliopistonlehtori
Lapin yliopisto

Blogikirjoitus on julkaistu alun perin lyhyempänä versiona soteuudistus.fi -sivustolla 25.11.2022