Monialaisen palvelukäytön ennakointi tekoälyn tuella – harhakuvitelmaa vai tulevaisuutta?
Dataa ja tekoälyä hyödynnetään kiihtyvällä tahdilla sote-palveluissa. Tekoälyyn perustuvat esimerkiksi verkkosivujen chatbotit, jotka ohjaavat käyttäjää eteenpäin. Algoritmit voivat myös ennustaa asiakkaan uusintakäyntiä päivystyksessä tai hälyttää toistuvista käynneistä palvelussa.
Lähdimme MAITE-hankkeessa kehittämään tekoälypohjaista toimintaa vaikeimmasta päästä: Miten tekoälyä voisi hyödyntää monialaisen palvelukäytön ennustamisessa ja ennakoinnissa asiakasryhmätasolla ja jopa yksittäisen asiakkaan kohdalla?
Arviolta alle 10 prosenttia sote-asiakkaista käyttää monialaisia palveluja. Taustalla voi olla haastavia elämäntilanteita, sairauksia ja sosiaalisia haasteita.
Jos pystyisimme ennustamaan ja ennakoimaan monialaista palvelukäyttöä, asiakkaat voisivat välttyä monien eri palvelujen käytöltä ja heidän elämänlaatunsa paranisi. Samalla sote-kulutkin voisivat ehkä pienentyä, kun palvelujen käyttö vähenisi.
Ei-toivotut päätepisteet ja nelitasoinen prosessi
Toteutamme hankettamme Päijät-Hämeen ikäihmisten palveluissa. Aloitimme työpajalla, jossa määrittelimme monialaisesti palveluja käyttävien asiakasprofiileja ja sellaisia päätepisteitä, joihin emme toivo asiakkaiden ajautuvan ja jotka olisivat ennaltaehkäistävissä. Asiakasprofiileiksi määrittyivät
- paljon erilaisia palveluja käyttävä muistisairas
- ylipainosta ja siihen liittyvistä sairauksista kärsivä henkilö
- päihde- ja mielenterveysasiakas
- diagnosoimaton asiakas, jolla on paljon yhteydenottoja ja asiointeja eri palveluissa.
Seuraavaksi jatkoimme työskentelyä neljällä vuorovaikutteisella tasolla.
1 Ennakoinnin kehittäminen
Aluksi määrittelimme ennakoinnin tarpeita ja tavoitteita johtamisen ja asiakastyön näkökulmista. Lisäksi määrittelimme, millaista informaatiota ennustemallin tulisi tuottaa johdolle asiakasryhmätasolla ja asiakasohjaajille yksittäisistä asiakkaista.
Etenimme tarkastelemaan tiedolla johtamisen ja asiakasohjauksen nykykäytäntöjä, ja sen jälkeen määrittelimme sellaisia uusia ennakoinnin käytäntöjä, joita tekoälypohjainen ennustemalli tukisi.
Tässä vaiheessa emme miettineet, mikä olisi mahdollista teknisesti tai miten ennustemallin tuottamaa informaatiota olisi lakien mukaan mahdollista hyödyntää. Jäimme odottamaan hankkeen muiden osioiden edistymistä.
2 Ennustemallin kehittäminen
Saimme mallin kehittämistä varten Päijät-Hämeen asiakas- ja potilasrekisteritietoja 70–90-vuotiaista vuosilta 2018–2021. Tiedot kattavat sosiaali- ja terveydenhuollon palvelukäynteihin liittyvät tiedot, kuten diagnoosit ja toimenpiteet, kotihoitokäynnit sekä tiedot sosiaalipalvelujen päätöksistä ja RAI-arvioinneista. Tietoja käsitellään henkilötunnisteettomina Findatan tietoturvallisessa Kapseli-käyttöympäristössä.
Ensin varmistimme eri tietojärjestelmistä poimittujen tietojen laadun ja muokkasimme tiedot sopivaan muotoon tutkimusta varten.
Jatkamme työtä ei-toivottujen päätepisteiden ja ennustemuuttujien kvantitatiivisella määrittelyllä. Määrittely pohjautuu aiemmin työpajassa määriteltyihin asiakasprofiileihin.
Ennustemallin kehittämistyössä vertailemme erilaisia koneoppimiseen perustuvia menetelmiä.
Tähtäämme alustavaan prototyyppiin keväällä 2023. Prototyypin pohjalta voidaan arvioida mallin käyttökelpoisuutta operatiivisessa toiminnassa ja päättää jatkokehitystoimenpiteistä.
3 Ennustemallin realisointi
Kun uusi tekoälymalli viedään operatiiviseen käyttöön, se on realisoitava käyttäjäorganisaation tietoteknisissä järjestelmissä.
Mallin käyttämät eri syötetietolähteet on kytkettävä mallin laskentakoneeseen, ja laskentatulokset on välitettävä palvelujohdon ja ammattilaisten käyttämiin tietojärjestelmiin. Lisäksi mallin antamia laskentatuloksia on jatkuvasti monitoroitava laadun varmistamiseksi.
Tarvittaessa mallia on koulutettava uudelleen. Tekoälymallin käyttöönotossa ja tuotantovaiheessa tarvitaankin yhteistyötä mallin kehittäjien ja ylläpitäjien sekä mallin laskemia ennusteita toiminnassaan hyödyntävien organisaatioiden kesken.
Tässä hankkeessa emme kuitenkaan etene tuotantokäyttöön.
4 Ennustemallin kehittämisen ja hyödyntämisen oikeudelliset vaatimukset
Selvitämme myös, millä edellytyksillä ja miten henkilötietoja voidaan hyödyntää EU:n yleisen tietosuoja-asetuksen, Suomen toisiolain ja muun lainsäädännön puitteissa. Parhaillaan tarkastelemme nykylainsäädännön asettamia mahdollisuuksia ja rajoituksia.
Koska ennustemallin aiottu tarkoitus ja niiden hyödyntämisen olosuhteet ovat oikeudellisessa arvioinnissa keskeisiä seikkoja, analysoimme myös ennustemallien tyypillisiä hyödyntämistilanteita.
Olemme lisäksi haastatelleet noin 20 lainsäädännön asiantuntijaa ongelmien kartoittamiseksi. Niitä liittyy muun muassa ennustemallien hyödyntämiseen ennakoinnissa yksilötasolla ja eräin osin tekoälysovellusten kehittämiseen toisiolain osalta.
Hankkeen viimeisessä vaiheessa arvioimme EU:n lainsäädäntöhankkeiden, kuten terveysdata-avaruus- ja tekoälysäädös -ehdotusten vaikutuksia ennustemallien kehittämiseen ja hyödyntämiseen.
Tuloksena käsikirja hyvinvointialueiden tueksi
MAITE-hanke päättyy vuoden 2023 kesäkuussa, jolloin julkaisemme käsikirjan monialaisen palvelukäytön ennakoinnin kehittämisestä tekoälyn avulla. Käsikirja on tarkoitettu erityisesti hyvinvointialueiden tueksi, sillä se jäsentää ja selkeyttää tekoälyn roolia niin ennakoivassa johtamisessa kuin asiakastyössäkin.
Lue lisää
Juha Koivisto
johtava asiantuntija, THL
Jaakko Lähteenmäki
johtava tutkija, Teknologian tutkimuskeskus VTT Oy
Petri Kettunen
yliopistotutkija, Helsingin yliopisto
Juha Vesala
yliopistonlehtori, Lapin yliopisto