Väitös: Koneoppiminen auttaa ennustamaan ylipainoa ja kestävyyskuntoa - apua ennaltaehkäisevien hoitojen kehittämisessä

Informaatioteknologian tiedekunnan Digitaalisen terveysälyn laboratoriossa väitöskirjatutkijana työskentelevä Ilkka Rautiainen tutki väitöskirjassaan koneoppimisen mahdollisuuksia ylipainon ennustamisessa ja kardiorespiratorisen kunnon kehityksen ennustamisessa. Lisäksi väitöskirjassa kehitettiin henkilökohtaisen terveysindeksi, jolla on käyttöpotentiaalia myös koneoppimisessa.

Ylipainon ennustamista käsittelevässä väitöskirjan ensimmäisessä osassa hyödynnettiin eri ajankohdista lapsilta kerättyjä pituus- ja painotietoja, joita käytettiin erilaisissa koneoppimismalleissa. Tämän jälkeen tuloksia verrattiin siihen, kuinka moni lapsista oli todellisuudessa tullut ylipainoiseksi.

Tutkimuksessa oli yhteensä yhdeksän koeasetelmaa. Lyhimmillään ennusteita tehtiin kolmivuotiaille lapsille kahteen ikävuoteen asti kerätyn aineiston perusteella. Pisimmän aikavälin ennustukset tehtiin syntymänaikaisen tiedon perusteella 13–16-vuotiaille.

– Tutkimus vahvisti osaltaan sen, että lyhyellä aikavälillä ylipainon ennustaminen on koneoppimisen avulla mahdollista, mutta pidemmän aikavälin ennustukset ovat huomattavasti haastavampia, Rautiainen kertoo.

Tutkimuksen toisessa osassa käytettiin aineistolähtöistä lähestymistapaa nuorten kardiorespiratorisen kunnon, eli kestävyyskunnon, tulevan kehityksen ennustamiseen satunnaismetsämenetelmällä. Menetelmässä koneoppimista käytetään seulomaan suuresta muuttujajoukosta tärkeimmät tekijät.

Tutkimuksessa havaittiin, että kunnon kehittymiseen voivat kunnon lähtötason lisäksi vaikuttaa monet eri tekijät, fyysisen hyvinvoinnin lisäksi myös psyykkinen sekä sosiaalinen hyvinvointi.

– Heikko kardiorespiratorinen kunto saattaa tehdä päivittäisistä askareista, kuten portaiden nousemisesta vaikeaa. Jos kuntoa voidaan ennustaa tarpeeksi luotettavalla tavalla, on mahdollista tunnistaa henkilöt, joilla on kunnon kanssa haasteita. Ennaltaehkäisyn kautta voitaisiin paremmin auttaa näitä henkilöitä, Rautiainen kuvailee.

Tutkimuksen havainnot vahvistavat Rautiaisen mukaan kokonaisvaltaisen terveyden seurannan tärkeyttä pelkän fyysisen hyvinvoinnin lisäksi.

Tutkimuksen kolmannessa osassa kehitettiin henkilökohtaisen terveysindeksin laskentamenetelmä, joka pyrkii antamaan kokonaisvaltaisen kuvan yksilön terveydestä huomioiden samalla yleisimmät terveystietojen ongelmat. Terveysindeksin pohjana hyödynnetään Maailman terveysjärjestön (WHO) kehittämää ICF-luokitusta.

– Terveysindeksi tarjoaa puitteet eri lähteistä peräisin olevien tietoaineistojen yhdistämiselle ja menetelmällä on mahdollisuuksia helpottaa aineistojen hyödyntämistä myös koneoppimisnäkökulmasta, sanoo Rautiainen.

Rautiainen korostaa, että kokonaisuutena tekoäly- ja koneoppimismenetelmät mahdollistavat parempien yksilöllisten hoitojen, esimerkiksi kuntoutuspolkujen, valinnan sekä myös hoitojen kehittämisen ennaltaehkäisevämpään suuntaan.

FM Ilkka Rautiaisen väitöskirjan “Prediction methods for assessing the development of individual health status” tarkastustilaisuus järjestetään perjantaina 1.3.2024 klo 12.00. Väitöstilaisuutta voi seurata salissa Agora Auditorio 2 (Ag B105) tai verkkovälitteisesti.

Vastaväittäjinä toimivat professori Juha Röning (Oulun yliopisto) ja tutkimuspäällikkö, dosentti Kari Kalliokoski (PET-keskus, Turun yliopisto). Kustoksena toimii tutkimuskoordinaattori, dosentti Sami Äyrämö (Jyväskylän yliopisto). 

Väitöskirjatyötä ovat rahoittaneet Jenny ja Antti Wihurin rahasto, David Health Solutions, Jyväskylän yliopiston informaatioteknologian tiedekunta ja Business Finland.