Tekoäly lupaa tarkempia tautiriskiennusteita tutkimalla riskitekijöiden vuorovaikutusta
Suomalaistutkijat kehittivät koneoppimistyökalun, joka voisi mullistaa yksilöllisen terveydenhuollon huomioimalla terveystekijöiden monimutkaisia yhteyksiä.
Teksti: Martti Asikainen, 1.9.2025 Kuva: Martti Asikainen
Uusi koneoppimistyökalu voisi parantaa merkittävästi lääkäreiden kykyä ennustaa, ketkä potilaat sairastuvat vakaviin sairauksiin tutkimalla, miten useat riskitekijät vaikuttavat toisiinsa sen sijaan, että niitä tarkasteltaisiin erillisinä.
Aalto-yliopiston tutkijoiden kehittämä läpimurto edustaa merkittävää edistysaskelta yksilöllisessä lääketieteessä, joka voisi auttaa ehkäisemään sairauksia sydäntaudeista ja diabeteksesta maksasairauksiin.
Perinteiset riskinarviotyökalut, joita yleislääkärit ja erikoislääkärit käyttävät, tarkastelevat tyypillisesti yksittäisiä tekijöitä kuten kolesterolitasoja, verenpainetta tai tupakointitottumuksia erikseen. Mutta uusi koneoppimismenetelmä, nimeltään survivalFM, tunnistaa, että ihmisten terveys on paljon monimutkaisempaa.
— Nykyiset terveystiedot ovat uskomattoman monimutkaisia – ja niin on myös ihmisten terveys, sanoo tutkimuksen pääkirjoittaja ja Aalto-yliopiston tutkija Heli Julkunen. ”Tekijät kuten ikä, elämäntapa ja perimä harvoin toimivat yksinään; ne myös vaikuttavat toisiinsa hienovaraisilla tavoilla.”
Nature Communications -lehdessä julkaistu tutkimus voisi muuttaa tapaa, jolla terveydenhuoltojärjestelmät tunnistavat vakavien sairauksien suurimmassa riskissä olevia potilaita, mahdollisesti sallien aikaisemman puuttumisen ja kohdistetummat ehkäisystrategiat
Testit osoittavat lupaavia tuloksia
Suomalainen tutkijaryhmä testasi lähestymistapaansa analysoimalla UK Biobankin tietoja, joka sisältää sairauskertomuksia, laboratoriotutkimuksia, elämäntapatietoja ja perintötietoja noin 500 000 ihmisestä. Tekoälyjärjestelmä koulutettiin ennustamaan kymmenen yleisen sairauden todennäköisyyttä kymmenen vuoden ajanjaksolla.
Useimmissa testatuissa sairauksissa uusi menetelmä menestyi olemassa olevia ennustetyökaluja paremmin, osoittautuen erityisen tehokkaaksi tunnistamaan oikein ne, jotka sairastuisivat, samalla kun se tarkkaan määritti alhaisemmat riskipisteet niille, jotka pysyivät terveinä.
Parannus johtuu järjestelmän kyvystä tarkastella riskitekijöiden yhdistelmiä samanaikaisesti. Esimerkiksi korkea kolesteroli saattaa aiheuttaa erilaisen uhkatason riippuen potilaan iästä, perintötekijöistä tai tupakointitottumuksista – vivahteita, jotka nykyiset työkalut usein jättävät huomiotta.
Aalto-yliopistossa koneoppimista tutkivan Julkusen mukaan menetelmää käyttävä ohjelmisto voisi auttaa kliinikoita ymmärtämään paremmin, miten riskitekijöiden yhdistelmät, kuten korkea kolesteroli ja tupakointi, vaikuttavat sairausriskiin.
— Tämä on kuitenkin vain yksinkertaistettu esimerkki, sillä menetelmän todellinen uutuus piilee sen kyvyssä tutkia monien tällaisten riskitekijöiden samanaikaisia vaikutuksia, hän selittää.
Läpinäkyvyysongelmat ratkaistu
Yksi uuden lähestymistavan merkittävä etu on sen tulkittavuus. Tämä on keskeinen seikka, kun tekoälyä otetaan laajemmin käyttöön terveydenhuollossa. Tutkijoiden mukaan monia koneoppimis- ja tekoälymalleja voi olla vaikea ymmärtää, mutta uusi survivalFM-menetelmä on suunniteltu läpinäkyväksi ja tulkittavaksi.
Käytännössä tämä tarkoittaa sitä, että menetelmää käyttävä lääkäri tai tutkija voi helposti nähdä, miksi tietty ihminen on merkitty korkean riskin potilaaksi ja mitkä riskitekijäyhdistelmät vaikuttavat arvioon.
— Näemme kasvavaa kiinnostusta tulkittavuutta kohtaan koneoppimis- ja tekoälysovelluksissa, erityisesti herkillä aloilla kuten terveydenhuollossa”, toteaa professori Juho Rousu Aalto-yliopistosta.
Rousun mukaan menetelmä tarjoaa mahdollisuuden tarkastella mallia ja nähdä suoraan, miksi tietty henkilö luokiteltiin suureen riskiluokkaan. Läpinäkyvyys on ratkaisevan tärkeää luottamuksen rakentamisessa sekä lääkäreiden että potilaiden välisessä suhteessa. Se vastaa myös pitkäaikaisiin huoliin tekoälyn päätöksenteosta terveydenhuollossa.
Menetelmä soveltuu myös muille aloille
Aalto-yliopistossa tehty tutkimus keskittyi ennen kaikkea sairauksien ennustamiseen, mutta menetelmä soveltuu myös muille aloille. Tutkijat näkevät potentiaalisia käyttömahdollisuuksia kaikilla toimialoilla, joilla ajoituksella on merkitystä. Esimerkkeinään he mainitsevat insinööritieteiden luotettavuustutkimukset ja rahoitusalan riskien mallinnuksen.
Uusi työkalu tulee tarpeeseen aikana, jolloin terveydenhuoltojärjestelmät kamppaileivat resurssipulan kanssa. Tarkempi riskien tunnistaminen voisi auttaa kohdentamaan hoitoresursseja ja ehkäisytoimia sinne, missä niistä on eniten hyötyä.
Tällä hetkellä käytössä olevat työkalut, kuten sydäntautiriskiä arvioiva QRISK3 ja Suomessa käytettävä FINRISKI, ovat ohjanneet lääkäreitä ehkäisy-, seulonta- ja hoitopäätöksissä. Aalto-yliopiston tutkimus kuitenkin osoittaa, että kehittyneemmät tekoälymenetelmät voisivat parantaa ennusteiden tarkkuutta merkittävästi.
Tutkijat uskovat, että heidän läpinäkyvä menetelmänsä helpottaa tätä siirtymää
Tulokset julkaistiin heinäkuussa Nature Communications -lehdessä. Tutkimusta rahoittivat Suomen Akatemia sekä Teknologiateollisuuden 100-vuotissäätiö Aalto-yliopiston House of AI -keskuksen kautta.
Tämä artikkeli on luotu yhdessä AIHealthin kanssa.
Finnish AI Region
2022-2025.
Media contacts