Uusi koneoppimismenetelmä tekee tautiriskien ennustamisesta aiempaa tarkempaa

Aalto-yliopiston tutkijat ovat kehittäneet työkalun, jonka avulla tutkijat ja lääkärit voivat arvioida aiempaa tarkemmin ja yksilöllisemmin potilaan riskiä sairastua yleisiin sairauksiin, kuten sydän- ja verisuonitauteihin, diabetekseen tai maksasairauksiin. Uusi survivalFM-työkalu ei tarkastele riskitekijöitä erillään, vaan se huomioi, miten esimerkiksi ikä, kolesteroli ja elämäntavat vaikuttavat paitsi toisiinsa, myös yhdessä yksilön terveyteen pitkän ajan kuluessa.

“Ihmisen terveys on monimutkainen kokonaisuus – ja niin on siitä saatava datakin. Ikä, elämäntavat ja perimä vaikuttavat terveyteemme harvoin yksin, vaan ne vaikuttavat myös toisiinsa monin tavoin. Halusimme luoda menetelmän, joka pystyy mallintamaan näitä riippuvuuksia, mutta on silti riittävän selkeä tutkijoille ja lääkäreille ymmärtää ja käyttää”, kertoo tutkimuksen pääkirjoittaja ja koneoppimisen tutkija Heli Julkunen Aalto-yliopistosta.

Riskimallien käyttö terveydenhuollossa yleistä

Terveydenhuollon ammattilaiset käyttävät yleisesti ennustemalleja arvioimaan, miten todennäköisesti henkilö sairastuu tiettyyn tautiin pitkän ajan kuluessa. Perinteiset riskiennustemallit, kuten Suomessa sydän- ja verisuonitautien riskiä arvioimaan käytetty FINRISKI, tarkastelevat eri riskitekijöitä yleensä erillään.

Todellisuudessa riskitekijät kuitenkin vaikuttavat toisiinsa, eli esimerkiksi kolesterolitaso voi ennustaa sydän- ja verisuonitautien riskiä eri tavoin henkilön iästä, perimästä tai elämäntavoista riippuen. Jokaisen mahdollisen riskitekijäparin tutkiminen yksitellen olisi paitsi kallista, myös aikaavievää. SurvivalFM-menetelmä sen sijaan yhdistää tiedot ja antaa aiempaa yksityiskohtaisemman kuvan yksilöiden sairastumisriskistä nopeasti suurestakin datamäärästä.

“Esimerkiksi menetelmäämme hyödyntävä tietokoneohjelma voisi auttaa lääkäriä arvioimaan, miten korkea kolesteroli ja tupakointi yhdessä vaikuttavat potilaan sairastumisriskiin”, Julkunen kertoo.

Testattu oikeilla terveystiedoilla

Tutkijat testasivat menetelmää UK Biobank -terveystietopankin aineistolla, joka sisältää terveystietoja, laboratoriotuloksia, elämäntapatietoja ja geneettistä dataa noin puolelta miljoonalta brittiläiseltä vapaaehtoiselta.

Menetelmä ennusti kymmenen yleisen sairauden riskiä kymmenen vuoden aikavälillä.  Useimmissa sairauksissa menetelmä päihitti perinteiset ennustemallit, ja erityisesti yksittäisten potilaiden riskiarvioissa se osoittautui tarkemmaksi.

Suunniteltu tulkittavaksi

Tutkijoiden mukaan monia koneoppimis- ja tekoälymalleja voi olla vaikea ymmärtää, mutta uusi menetelmä on suunniteltu läpinäkyväksi ja tulkittavaksi. Menetelmää käyttävä tutkija voi helposti nähdä, miksi tietty ihminen on merkitty korkean riskin potilaaksi ja mitkä riskitekijäyhdistelmät vaikuttavat arvioon.

"Koneoppimis- ja tekoälysovellusten tulkittavuus herättää nyt paljon kiinnostusta, erityisesti herkillä aloilla, kuten terveydenhuollossa. Menetelmästämme on mahdollista nähdä suoraan, miksi henkilö on merkitty korkean riskin potilaaksi", toteaa professori Juho Rousu Aalto-yliopistosta.

Menetelmää voi soveltaa kaikkiin ilmiöihin, joissa ajoituksella on merkitystä: lääketieteellisen tutkimuksen lisäksi myös esimerkiksi insinööritieteiden luotettavuustutkimuksiin ja rahoitusalan riskien mallinnukseen.

Tulokset julkaistiin heinäkuussa Nature Communications -lehdessä. Tutkimusta rahoittivat Suomen tutkimusrahoitusneuvosto sekä Teknologiateollisuuden 100-vuotissäätiö Aalto-yliopiston House of AI -keskuksen kautta.