Tekoälyratkaisujen kehittämisen toimintamalli
Kuinka lähteä liikkeelle tekoälyratkaisujen kehittämisessä? Mitä tulee huomioida ja mihin pitää varautua? Etelä-Karjalan sosiaali- ja terveyspiirin havainnot ja vinkit muille AI-ratkaisujen kehittäjille. Painotus paljon palveluita käyttävien palvelutarpeen tunnistamisessa.
Perustiedot
Toimintamallin nimi
Kuinka lähteä liikkeelle tekoälyratkaisujen kehittämisessä? Mitä tulee huomioida ja mihin pitää varautua? Etelä-Karjalan sosiaali- ja terveyspiirin havainnot ja vinkit muille AI-ratkaisujen kehittäjille. Painotus paljon palveluita käyttävien palvelutarpeen tunnistamisessa.
Toimintamalli lyhyesti
1) AI-komponentin kehittäminen jakautuu kolmeen osaan
-
Laadulliseen analyysiin: Käydään läpi suuria massoja dataa ja haetaan yhteisiä tekijöitä erilaisille päätepisteille
-
Tilastolliseen analyysiin: Testataan onko löydöksillä tilastollista merkitystä
-
ML-algoritmin tuottamaan ennustemalliin: ML-algoritmi käy läpi laadullisen analyysin päätepisteille yhteiset tekijät ja antaa arvion riskiryhmään päättymisestä, jonka pohjalta heräte nostetaan ammattilaisten hyödynnettäväksi
2) AI-mallin testaus ja opetus “sweet-spot” iteroimalla analyysi ja AI-mallin opetus eri aikamääreillä (esim. 2, 3, 4 ja 6 kk ennen target aikaa)
-
näin nähdään, miten AI-mallin toimivuus ja ennustemuuttujat muuttuvat kun mallin hyödynnettävissä on eri määrä datahavaintoja
-
varmistetaan että AI-malli opetetaan havainnoilla, jotka havaittavissa ennen kuin ennustemallin heräte myöhässä tai target -ryhmään päätyminen väistämätöntä.
3) Mallin hyödyntäminen operatiivisessa työssä: käyttöliittymäkehitys ja testaus
- Jotta AI-mallin tuottama tieto voidaan hyödyntää päivittäisessä työssä, se vaatii ammattilaisen käyttöliittymänäkymän
- Eksoten toiminnanohjausjärjestelmään (SBM) kehitettiin sote-koostenäkymään "ennustemallin tiedot"-välilehti, johon tekoälykomponentin tuottama heräte nousee ja josta ammattilainen näkee tiettyyn asiakkaaseen liitetyt luokittelutiedot ja muuttujatietoja.
- Käyttäjä arvioi, oliko luokittelu oikea ja muuttujat hyödyllisiä. Tästä palaute meni takaisin tekoälykomponentille.
Eksoten pilottivaiheessa AI-komponenttia hyödyntäväksi ryhmiksi määriteltiin seuraavat ryhmät
- Kiireellinen sijoitus ja huostaanotto /testaajina lastensuojelun alkuarvioinnin tiimi
- Mielenterveys- ja päihdepalveluiden toistuvat kontaktit / testaajina mielenterveys- ja päihdepäivystyksen työntekijät
Testaus tehtiin tuotannossa, eli aitojen asiakaskontaktien yhteydessä, asiakkaiden suostumukseen perustuen, 6 kk ajan vuoden 2021 aikana.
Testauksen tuloksena todettiin, että
- Kiireellisen sijoituksen ja huostaanoton ennustemalli vaatii vielä kehittämistä. Toiveena on ennustemalli, jota voisi hyödyntää perustason perhepalveluissa (neuvola, oppilashuolto, perusterveydenhuolto, lapsiperheiden sosiaalipalvelut) ja havaita asiakkaan palvelutarpeita nykyistä paremmin siten, ettei lastensuojelun palveluihin synny tarvetta.
- Mielenterveys- ja päihdepäivystyksen ennustemalli halutaan kytkeä perustason palveluihin (sote-keskukset: mm. perusterveydenhuolto ja aikuissosiaalityö). Tavoitteena on havaita ja huomioida asiakkaan tuen tarvetta mielen hyvinvoinnin palveluihin jo ennen kuin asiat kriisiytyvät ja ne vaativat akuutteja interventioita. Mielenterveys- ja päihdepäivystyksen kontaktien ennustemallin lisäksi haluttiin jatkaa myös psykiatrisen osastohoidon ennustemallin kehittämistä. Osastohoidon ennustemallin avulla voidaan tehostaa moniammatillista arviointia ja tiimityötä asiakkaan palvelutarpeen arvioinnissa ja palveluiden järjestämisessä erityisesti kotiin tuotettavien palveluiden osalta.
Suomalaisen soten ongelma ei nykypäivänä ole tiedon puute vaan tiedon siiloutuminen ja hajanaisuus. Tämä on johtanut mm. valtavaan määrään manuaalista työtä, syy-seuraussuhteiden ymmärtämättömyyteen, raporttien taaksepäin suuntautumiseen ja osin toiminnallisten muutosten pysähtyneisyyteen. Tulevaisuuden toiminta perustuu yhteiseen tietopohjaan, jota sovelletaan perinteisen organisaatiojohtamisen, yksittäisen asiakkaan palveluiden ja palveluketjun johtamiseen sekä kansalliseen tiedonkeruuseen ja raportointiin. Teknologisten ratkaisujen osalta ennakoiva analytiikka ja tekoäly tuovat sote-tiedon hyödyntämiseen apua, "tukiälyä". Tukiälyn avulla isosta tietomassasta voidaan nostaa esille keskeisiä, asiakkaan palvelupolussa huomioitavia tekijöitä.
Eksotessa tehtiin vuosina 2017-2018 Lape-hankkeen yhteydessä ensimmäisen ennustemallin testi, jossa arvioitiin, pystytäänkö lasten syrjäytymistä ennustamaan. Testauksesta saatiin hyvät tulokset, joka kannusti jatkamaan kehittämistä eri osa-alueilla.
Kehittämisen painopisteiksi valikoitui
-
Nuorten aikuisten vakavan syrjäytymisen ennustemalli, yhteistyö Fujitsun kanssa
-
Palveluita käyttävien asiakassegmentit: noin 20 eri "päätepistettä" määriteltiin erikseen lastensuojeluun, kotihoitoon, mielenterveys- ja päihdepalveluihin sekä päivystykseen liittyen, yhteistyö Avaintecin kanssa
Tavoitteena oli
- saada malli, joka helpottaa asiakkaan pääsyä oikeaan palveluun oikeaan aikaan ja tuottaa taloudellista hyötyä organisaatiolle, kun asiakkaan palvelutarve voidaan havaita entistä aikaisemmin ja palvelutarpeeseen vastata peruspalveluilla
-
tehdä työkaluja, jonka avulla
-
Voidaan käydä läpi suuria massoja dataa ja löytää yhteisiä tekijöitä erilaisille päätepisteille (tapahtumien sarja, joka ennakoida ja välttää laaja-alaisesti (asiakkaan dataa tarkastellaan useasta tietokannasta, testauksessa LifeCare ja SosiaaliEffica)pilotissa ensimmäinen huostaanotto tai kiireellinen sijoitus) laaja-alaisesti eli asiakkaan dataa tarkastellaan useasta tietokannasta
-
Testata onko löydetyillä tekijöillä tilastollista merkittävyyttä
-
Nostaa AI-mallin heräte ja tilastollisesti merkitseviä riskitekijöitä kunkin kohderyhmän kanssa työskentelevien ammattilaisten päätöksenteon tueksi
-
Testata ensimmäisiä malleja toiminnallisesti Eksoten ammattilaisten kanssa, jotta saadaan palautetta käytettävyydestä ja mallien toimivuudesta
-
- AI-mallin käytön ja taustan riittävä perehdyttäminen
- tehdään asiasta tutumpaa ja helpompaa ymmärtää (myös asiakkaille)
- Käytön tuki
- Kentän työntekijät mukaan kehittämiseen ja suunnitteluun
- Käyttöliittymäsuunnittelu
- Asiakkaan suostumus
- eri rekisterien tiedot huomioitava
- suostumuskäytännön rakentaminen
AI-ennustemallien kehittäminen on pitkäjänteistä yhteistyötä sote-substanssin ammattilaisten, analytiikkaosaajien, prosessikehittäjien ja ratkaisua kehittävän yrityksen välillä. Tekoäly ei itsekseen auta mitään eikä ketään, vaan sen hyödyntämisen tulee kytkeytyä organisaation laajempaan strategiseen tavoitteeseen ja sen mukaiseen asiakkuudenhallinnan ja tiedolla johtamisen kehittämiseen.
Eksoten kokemuksien perusteella tekoäly toimii vielä enemmänkin tukiälynä, eli ammattilaisen ja asiakkaan työkaluna, jolla olemassa olevasta suuresta datamassasta voidaan löytää asiakkaan asian hoitamisessa keskeisesti huomioitavia seikkoja. Tekoäly ei ajattele, eikä se voi tai saa tehdä sitä ammattilaisen puolesta. Tekoäly ei tee päätöksiä.
Kansikuva
