Kuinka suuret kielimallit uudistavat terveydenhoitoalaa
Tekoäly on astumassa lääkärin työhuoneeseen – eikä pelkästään avustajana, vaan osana hoitoprosessia. Suuret kielimallit muuttavat vauhdilla tapaa, jolla potilaita kohdataan, tutkimuksia tehdään ja tietoa käsitellään. Vaikka haasteita riittää, asiantuntijat ennustavat terveydenhuollon digitalisaatiossa radikaalia murrosta seuraavan viiden vuoden aikana.
Martti Asikainen & Elisa Laatikainen 2.6.2025
Kielimallien ja tekoälyn integrointi terveydenhuoltoon etenee kiihtyvällä tahdilla. Jotkut vertaavat sen disruptiivisia vaikutuksia ihmisen genomin selvittämiseen ja jopa internetin syntyyn. Vaikutusten odotetaan näkyvän lääkärin ja potilaan välisessä vuorovaikutuksessa, lääkäreiden hallinnollisen työn kuormassa, sairaaloiden ja lääkäriasemien toiminnan ohjauksessa, lääketieteellisessä tutkimustyössä sekä lääkärikoulutuksessa. (Powell 2025).
Toisaalta uusien teknologioiden hyödyntämiseen liittyy myös tervettä skeptisyyttä. Esimerkiksi vuonna 2024 toteutetussa yhdysvaltalaistutkimuksessa havaittiin, että tavalliset suuret kielimallit (LLM), kuten ChatGPT, Claude tai Gemini, eivät kyenneet tarjoamaan lääkäreille riittävän olennaisia tai näyttöön perustuvia vastauksia lääketieteellisiin kysymyksiin. Sen sijaan ChatRWD, hakuavusteinen generatiivinen järjestelmä (RAG), joka yhdistää kielimallit tiedonhakujärjestelmiin tuotti hyödyllisiä vastauksia jopa 58 prosenttiin kysymyksistä verrattuna tavallisten kielimallien 2–10 prosenttiin. (Low ym. 2024).
Haasteista huolimatta muutoksen tuulet puhaltavat lujaa. Esimerkiksi Länsi-Uudenmaan hyvinvointialueella kehitetään parhaillaan tekoälyohjelmaa, jonka painopisteitä ovat monikielisyys ja sote-ammattilaisten kirjallisten töiden vähentäminen. Alueen TKI-johtaja, terveydenhuollon erikoislääkäri Johan Sanmark ennustaa, että tekoäly tulee mullistamaan työskentelytavat ja automaattisista kirjauksista tulee arkea kaikkialla suomalaisessa terveydenhuollossa mahdollisesti jopa viiden vuoden sisällä (Seppänen 2024).
Käytännön sovellukset tulevat muuttamaan vastaanottotyötä
Suuret kielimallit ovat osoittautuneet lupaaviksi myös lääketieteellisiin kysymyksiin vastaamisessa. Med-PaLM oli ensimmäinen malli, joka läpäisi Yhdysvaltain lääkärilupakokeen kysymykset. Toisaalta pitkien vastausten tuottamisessa ja tosielämän sairaus- ja työnkulkujen käsittelyssä on yhä haasteita, jotka pyrittiin ratkaisemaan mallin seuraavaan versioon pohjana olevan kielimallin parannuksilla sekä alakohtaisella hienosäädöllä. Tulokset ovat vakuuttavia. Med-PaLM 2 vastasi MedQA:n tietokantaan pohjautuvissa testeissä jopa 86,5 %:sti oikein, kun sen edeltäjällä osumatarkkuus oli 67,5 %:ia. (esim. Singhal ym. 2025)
Myös Suomessa on kehitetty erikoistuneita kielimalleja terveydenhuollon tarpeisiin. Tutkijat ovat onnistuneet soveltamaan suuria kielimalleja esimerkiksi diabeettisen retinopatian eli diabeteksen aiheuttaman verkkokalvon sairauden tunnistamisessa sekä vakavuusasteen luokittelussa seurantatutkimuksen jäsentelemättömistä lausunnoista. DR-GPT-mallin koulutukseen käytettiin yli 40 000 potilaskertomusta HUS:in erikoissairaanhoidonkäynneiltä vuosien 2016–2019 aikana (Jaskari ym. 2024). Tutkijoiden mukaan DR-GPT analysoi vapaamuotoisia suomenkielisiä lääketieteellisiä lausuntoja todella tarkasti.
Samaan aikaan kielimallit voivat tuoda odotettua helpotusta kiireiseen vastaanottotyöhön. Tulevaisuudessa vastaanotto voisi alkaa niin, että ensin generatiivinen tekoäly käy läpi potilashistorian ja tekee tiivistelmän olennaisista asioista (Seppänen 2024). Vastaanoton aikana se kuuntelisi keskustelua ja tekisi kirjausehdotuksen, jonka lääkäri tarkistaa. Tämä vähentäisi huomattavasti lääkärin tietokoneella käyttämää aikaa, joka puolestaan parantaisi niin asiakaskokemusta, työhyvinvointia kuin lääkärin tai hoitajan fyysistä läsnäoloakin
(esim. Sanmark & Sanmark). Tällä hetkellä jopa yli 8 tuntia lääkäreiden kokonaistyöpanoksesta kuukaudessa menee lausuntojen kirjaamiseen (Richardt 2024).
Tukea tiedonkeruuseen ja potilastietojen laatuun
Tekoäly voi myös vähentää tiedonkeruun toisteisuutta ja parantaa potilastiedon laatua. Kun potilaan aiemmin antamat tiedot ovat systemaattisesti hyödynnettävissä ja esikäsitelty selkeään muotoon, vältetään tarpeettomat kysymysten toistot ja vähennetään virheiden riskiä. Samalla potilaan kokemus vastaanotosta voi parantua, kun asioihin päästään suoraan ilman ylimääräistä hallinnollista viivettä. (Padakanti ym. 2024)
Kielimalleihin pohjautuvia järjestelmiä voidaan hyödyntää myös hoidon kiireellisyyden ja jatkohoidon arvioinnin tukena. Ennakoiva analyysi voi auttaa esimerkiksi vastaanottojen priorisoinnissa ja resurssien suuntaamisessa (Varnosfaderani ym. 2024). Toisaalta kaikki ei ole pelkkää tulevaisuutta. Tekoälysovelluksia hyödynnetään jo terveydenhuollon alalla.
Esimerkiksi radiologien työtä tukee sovellus, joka auttaa tunnistamaan mahdollisia löydöksiä röntgenkuvista. Tekoälyn analysoimaa dataa voidaan käyttää myös sairauksien ennaltaehkäisyyn. Lisäksi on olemassa myös alustavaa tutkimusnäyttöä siitä, että koneoppimisella olisi mahdollista ennustaa mielenterveyden diagnooseja henkilökohtaisen potilaskyselyn pohjalta (Haavisto ym. 2023).
Implementaation haasteet ja mahdollisuudet
Tekoälyn käyttöönottoon terveydenhuollossa liittyy myös haasteita. Tekoälyratkaisujen kehittämistä vaikeuttaa merkittävästi tarpeellisen datan saatavuus. Lisäksi terveydenhuollon ammattisanaston ja käytäntöjen erityispiirteiden vuoksi aidosti hyödyllinen ja keskusteleva tekoäly olisi välttämätöntä kouluttaa ammattisanaston lisäksi myös kattavilla, autenttisilla puheaineistoilla, potilastiedoilla ja muulla terveysalan dokumentaatiolla (Kaartinen 2025).
Vaikka terveystiedot ovat olleet jo pitkään digitaalisia, niin tästä huolimatta aineistojen saaminen tietoturvallisesti tutkimus- ja tuotekehityskäyttöön on lakiteknisesti haastavaa, vaikka anonymisoidut ja suostumukseen perustuvat data-aineistot hyödyntäisivät jokaista osapuolta (mt. 2025). Myös sääntely asettaa omat haasteensa tekoälyn hyödyntämiselle. EU:n tietosuoja-asetus, lääkinnällisiä laitteita koskeva regulaatio sekä vuodesta 2024 portaittain voimaan astuva tekoälyasetus voivat hidastaa kehitystä (DigiFinland 2024).
Lisäksi tekoälyn portaittainen käyttöönotto voi luoda eriarvoisuutta sote-alueiden ja terveysyksiköiden välillä. Pienemmillä terveydenhuollon yksilöillä ei välttämättä ole resursseja ja tarvittavaa tietotaitoa investoida uusiin teknologioihin ja integroida ne osaksi päivittäisiä rutiinitoimenpiteitä. Toisaalta mikäli tuottavuuden kasvu toteutuisi julkisessa sote-järjestelmässä edes keskimääräisesti tekoälyn myötä, niin sen hyödyt voisivat nousta vuositasolla helposti jopa satoihin miljooniin euroihin (Heinäsenaho ym. 2023).
Kirjoitus on julkaistu osana Haaga-Helia ammattikorkeakoulun koordinoimaa AI Health -hanketta.
Martti Asikainen
TKI-viestinnän asiantuntija, tekoälykouluttaja
+358 44 920 7374
martti.asikainen@haaga-helia.fi
Haaga-Helia ammattikorkeakoulu
Elisa Laatikainen
Projektiasiantuntija
+358 294471359
elisa.laatikainen@haaga-helia.fi
Haaga-Helia ammattikorkeakoulu
Lähteet
DigiFinland. (2024). Tekoäly hyvinvointialueilla: sosiaali- ja terveydenhuollon käyttötapaukset ja kansallinen edistäminen.
Haavisto, O., Väänänen, A., Varje, P., Taimela, S., Taalas, A., Niemenoja, O. & Nieminen, N. (2023). Mielenterveysdiagnooseja voidaan ennustaa koneoppimisen avulla. Tutkimus on julkaistu Lääkärilehdessä 24.10.2023. Viitattu 2.5.2025.
Heinäsenaho, M., Äyräs-Blumberg, O. & Lähesmaa, J. (2023). Tekoäly mullistaa terveydenhuoltoa – mahdollisuudet hyödynnettävä viipymättä. Julkaistu sosiaali- ja terveysministeriön verkkosivuilla 14.4.2023. Helsinki. Viitattu 2.5.2025.
Jaskari, J., Sahlsten, J., Summanen, P., Moilanen, J., Lehtola, E., Aho, M., Säpyskä, E., Hietala, K. & Kaski, K. (2024). DR-GPT: A large language model for medical report analysis of diabetic retinopathy patients. PLOS ONE, 19(10). Public Library of Science. San Francisco.
Jaskari, J. & Kaski, K. (2024). Tekoäly auttaa tunnistamaan diabeteksen aiheuttaman silmäsairauden – kielimallien käyttö lääketieteessä lisääntyy. Julkaistu Aalto-yliopiston verkkosivuilla 25.11.2024. Viitattu 2.5.2025.
Kaartinen, J. (2025). Tekoäly hoitajien apuna: Uusi tutkimushanke paljastaa teknologian mahdollisuudet terveydenhuollossa. PROFIT-hankkeen lehdistötiedote on julkaistu teknologian tutkimuskeskus VTT:n verkkosivuilla 23.1.2025. Viitattu 2.5.2025.
Low, Y.S., Jackson, M. L., Hyde, R., Brown, R., Sanghavi, G, H., Alexander, N., Hassan, H., Nene, R. V., Pike, M., Pokrzywa, C., Vedak, S., Yan, A.P., Yao, D-h, Zipursky, A., Dinh, C. ym. (2024). Answering real-world clinical questions using large language model based systems. Cornellin yliopisto.
Padakanti, S., Kalva, P. and Kommidi, V. R. 2024. Transforming Healthcare: Cloud Technologies and AI in Patient Care. International Journal of Engineering and Technology Research. https://iaeme-library.com/index.php/IJETR/article/view/IJETR_09_02_038
Powell, A. (2025). Artificial intelligence is up to the challenge of reducing human suffering, experts say. Are we?. Julkaistu The Harvard Gazettessa 20.3.2025. Harvard Magazine. Cambridge. Viitattu 1.5.2025.
Sanmark, J. & Sanmark, E. 2024. Mitä tiedämme generatiivisen tekoälyn hyödyistä terveydenhuollossa? Lääketieteellinen aikakausikirja Duodecim. Viitattu 2.5.2025.
Seppänen, A. (2024). Tekoäly mullistaa lääkärin vastaanoton. Julkaistu Lääkärilehdessä 1.10.2024. Viitattu 2.5.2025.
Singhal, K., Tu, T., Gottweis, J., Sayres, R., Wulczyn, E., Amin, M., Hou, Le., Clark, K., Pfohl, S.R., Cole-Lewis, H., Neal, D., Rashid, Q.M., Schaekermann, M., Wang, A., Dash, D., Chen, J.H., Shah, N.H., Lachgar, S., Mansfield, P.A. & Prakash, S. ym. (2025). Toward expert-level medical question answering with large language models. Nature Medicine, 2025 (31), s. 943-950). Nature Portfolio. Lontoo.
Richardt, I. (2024). Tässä ovat terveydenhuollon digitrendit 2024. Julkaistu Terveystalon verkkosivuilla 11.1.2024. Viitattu 2.5.2025.
Varnosfaderani, S. M and Forouzanfar, M. (2024). The Role of AI in Hospitals and Clinics: Transforming Healthcare in the 21st Century. Bioengineering. https://www.mdpi.com/2306-5354/11/4/337
Finnish AI Region
2022-2025.
Media contacts