Siirry sisältöön

Ennakoivasta analytiikasta on odotettu apua ja jopa ratkaisua monenmoisiin ongelmiin. On arveltu, että sen avulla voi ennustaa esimerkiksi varhaislapsuudessa, millainen on lapsen koulumenestys myöhemmin tai kenellä on riski ryhtyä rikolliseksi. Onnistuuko tämä? No ei.

Ennakoivan analytiikan avulla ei voi ratkaista kaikkia nykyisiä ja tulevia ongelmia. Sen ja koneoppimisen avulla voi kyllä tehdä paljon, mutta tekemisellä on rajat. Esimerkiksi ihmisten käyttäytymistä tai yksittäisen ihmisen elämän suuntaa ei tekoäly voi kertoa luotettavasti kovinkaan pitkälle tulevaisuuteen. Sen kummemmin tekoäly ei voi päätellä valokuvien perusteella, onko ihminen potentiaalinen terroristi vai ei, tai miten hän menestyy työelämässä.

Hakoteille päädytään myös silloin, jos malli laaditaan suppealla tai vinoutuneella datalla. Tällöin malli ei toimi enää oikein tosielämän datalla. Se ei toimi myöskään silloin, kun se otetaan käyttöön tai siirretään sote-piiristä toiseen. Tulokset siis alkavat johtaa käyttäjiään harhaan.

Ennakoiva analytiikka mahdollistaa sairastumisriskin arvioinnin

Missä asioissa ennakoiva analytiikka ja koneoppiminen sitten voivat auttaa? Sellaisissa, joissa dataa on runsaasti saatavilla.

Hyvä esimerkki ovat tietyt terveysongelmat ja niiden ehkäiseminen. Monista terveysongelmista ja niiden taustalla olevista tekijöistä on mahdollista kerätä paljon dataa, josta ennakoivan analytiikan avulla on mahdollista määritellä, kuinka suuri riski ihmisellä on päätyä terveydenhuollon palveluiden piiriin myöhemmin. Ennakoivaa analytiikkaa ja koneoppimista voi käyttää vaikkapa kroonisten sairauksien kuten esimerkiksi kakkostypin diabeteksen riskin arvioimiseen.

Ihmisen sairaushistorian perusteella voi määritellä, millaisia sairauksia tai hoitotoimia hänelle saattaa olla tulossa seuraavina kuukausina tai vuosina.  Jos tämä on ajoissa tiedossa, ongelmia on mahdollista ryhtyä ehkäisemään ennalta.

Ennakoiva analytiikka siis mahdollistaa potilaiden tietojen järjestelmällisen läpikäymisen automatisoinnin. Se puolestaan tarkoittaa, että riskitapaukset voidaan poimia massasta entistä helpommin ja tehokkaammin.

Ennakoiva analytiikka helpottaa resurssien kohdentamista ja hoidon seurantaa

Tämä voi toteutua esimerkiksi silloin, kun kyse on paljon terveys- tai sosiaalihuollon resursseja vievistä ryhmistä. Näistä ryhmistä nostetaan usein esiin esimerkiksi syrjäytyvät nuoret, työkyvyttömät aikuiset ja paljon palveluita tarvitsevat vanhukset.

Hyviä tuloksia on jo olemassa. Sellainen on esimerkiksi malli, jonka avulla voidaan arvioida, millä todennäköisyydellä ihminen tarvitsee terveydenhuollon tai sosiaalihuollon palveluita vaikkapa viiden kuukauden tai viiden vuoden kuluttua. Myönteisiä tuloksia on saatu esimerkiksi vanhusten säännöllisiin palveluihin ohjautumisen riskin ennustamisesta vuoden tai jopa usean vuoden päähän.

Tämäntyyppistä kehitystyötä teemme myös Medaffconilla asioissa, joihin ennakoiva analytiikka soveltuu.

 

Lisätietoja

Juhani Aakko

Juhani Aakko toimii datatieteilijänä Medaffconin sote-tiimissä. Juhanilla on kokemusta tilastollisten ja koneoppimiseen liittyvien menetelmien soveltamisesta lääketieteessä ja monipuolisen taustansa takia keskustelee sujuvasti analytiikkaan liittyvistä asioista erilaisten ammattiryhmien, kuten kliinikoiden ja it-ammattilaisten kanssa.

Lue lisää Juhanin asiantuntijaprofiilista.

 

 

 

 

 

Lue lisää:

Tuoreita näkökulmia sosiaali- ja terveydenhuollon tiedolla johtamiseen