Share on Facebook
Share on Twitter
Share on LinkedIn
Share on email

Tekoälyratkaisujen kehittämisen toimintamalli

Share on Facebook
Share on Twitter
Share on LinkedIn
Share on email

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.

Toimintaympäristö

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.

Kohderyhmä ja asiakasymmärrys

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​

Ratkaisun perusidea

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. 
Toimivuuden ja käyttöönoton ehdot
  • 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
Vinkit toimintamallin soveltajille

Tekoälyn hyödyntäminen vaatii

  • laadukasta dataa, jota malli käyttää
  • jatkuvaa datan laadun tarkkailua ja parantamista - jos kirjaamisessa ja sitä kautta datassa jokin muuttuu, myös ennustemallia tulee muokata uudelleen 
  • ammattilaisten perehdyttämistä ratkaisun hyödyntämiseen
  • asiakkaan suostumuksen, mikäli ennustemalli hyödyntää laaja-alaisesti organisaation eri rekisterien dataa 

Pohdittavia asioita

  • Miten ennustemallin esille nostama tieto vaikuttaa päätöksentekoon vai vaikuttaako? Saadaanko sen avulla riittävästi tietoa, voidaanko ja osataanko tietoon luottaa?​

  • Miten prosesseja organisaatiossa pitää muuttaa? "Mitä sitten" - eli jos asiakkaalla on ennustemallin mukaan riski päätyä johonkin "ei-toivottuun päätepisteeseen", miten asiakasta autetaan? Pystytäänkö organisaation palveluprosesseja muuttamaan, esimerkiksi peruspalveluihin painottuen? ​

  • Miten asiakkaat suhtautuvat tekoälyn käyttöön sosiaali- ja terveydenhuollossa?​

  • Miten taklataan tekniset haasteet?​ Eksotessa mm. tietoallasteknologia ja Lifecare-päivitykset vaativat erityistä huomiota kehittämisen aikana.

  • Miten lainsäädäntö suhtautuu tekoälyn käyttöön ja kehitykseen?​ 

Arvioinnin tulokset tiivistettynä

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.