Tekoäly tunnistaa nuoret, joiden kestävyyskunto on tulevaisuudessa heikko

Jyväskylän yliopiston ja Likesin pitkittäistutkimuksessa pyrittiin ennustamaan tulevaa kestävyyskuntoa murrosikäisillä yksilön lähtötietojen perusteella tekoälyn osa-alueen, eli koneoppimisen avulla. Lähtötietoihin kuului 48 erilaista fyysisen, psyykkisen ja sosiaalisen hyvinvoinnin tietoa. Kestävyyskunnon tilaa mitattiin 20 metrin viivajuoksulla, joka kuuluu peruskouluissa 5.- ja 8.- luokilla toteutettaviin Move! -fyysisen toimintakyvyn seurantajärjestelmän mittauksiin.

- Yleensä kestävyyskunnon tilaa verrataan nuorilla suhteessa toisiin samanikäisiin ja saman sukupuolen edustajiin. Kestävyyskunnon tilaan vaikuttaa kuitenkin murrosiässä voimakkaasti kasvun, kypsymisen ja kehityksen vaiheet, eikä nykyisillä menetelmillä voida kovin tarkasti arvioida ketkä olisivat erityisesti elintapainterventioiden tarpeessa, arvioi Jyväskylän yliopiston ja Likesin väitöskirjatutkija Laura Joensuu. Joensuu tekee aiheesta väitöskirjaa Jyväskylän yliopiston liikuntatieteelliseen tiedekuntaan.

Tutkimuksessa onnistuttiin ennustamaan keskimääräistä heikompaa kestävyyskunnon tilaa kahden vuoden päästä tytöillä 83 prosentin ja pojilla 76 prosentin tarkkuudella. Tutkimuksessa tarkasteltiin myös mitkä muuttujat selittivät tulevaa heikkoa kestävyyskuntoa. Pojilla 20 ja tytöillä 14 muuttujaa ennustivat tulevaisuuden kestävyyskuntoa. Tarkasteltavia muuttujia oli yhteensä 48.

- Koneoppimismenetelmää hyödyntämällä pystyimme ennustamaan tulevaa kestävyyskunnon tilaa, ja tunnistamaan niitä nuoria, joille voi suositella elintapainterventiota heidän ominaisuusprofiilinsa perusteella, kommentoi Joensuu.

Niillä nuorilla, joille kehittyi heikko kestävyyskunto, havaittiin lähtötilanteessa haasteita yleiskunnossa, liikunta-aktiivisuudessa, ylipainoisuudessa, koulumenestyksessä, sosiaalisissa suhteissa koulussa ja kotona sekä elämäntyytyväisyydessä.

- Nämä uudet löydökset kannustavat yksilön kokonaisvaltaisen tilanteen huomioimiseen, kun suunnitellaan elintapainterventioita Move!-mittausten perusteella, Joensuu kertoo.

Potentiaalia kehittää seulontamenetelmiä tekoälyn avulla

Tutkimuksessa hyödynnettiin ennakoivaan mallintamiseen datapohjaista koneoppimismenetelmää, satunnaismetsä-luokittelua. Menetelmässä opetusaineiston avulla pyrittiin löytämään yksilön piirteet, jotka ennustavat tulevaa heikkoa kestävyyskuntoa.

- Tekoälymenetelmissä on potentiaalia kehittämään terveydenhuoltoon seuraavan sukupolven seulontamenetelmiä. Kun tiedetään tarkemmin yksilötasolla, ketkä hyötyisivät elintapainterventioista, rajoitetut resurssit voidaan kohdentaa tehokkaasti, ja toisaalta välttää turhien huolenaiheiden synnyttämistä, kommentoi Jyväskylän yliopiston väitöskirjatutkija Ilkka Rautiainen informaatioteknologian tiedekunnasta.

Tuloksista tukea Move!-mittausten tulkintaan

Suomessa käynnistettiin vuonna 2016 osana perusopetuksen opetussuunnitelmauudistusta Move! -fyysisen toimintakyvyn seurantajärjestelmä. Move!-järjestelmässä mitataan vuosittain kaikkien suomalaisten 5.- ja 8.-luokkalaisten nuorten fyysinen toimintakyky. Tehty tutkimus tarjoaa tutkittua tietoa Move!-mittauksista ja apua niiden tulkinnan tueksi.

Kahden vuoden seurantatutkimukseen osallistui yhdeksästä koulusta 971 nuorta, joiden iän keskiarvo alkumittauksissa oli noin 13 vuotta. Tutkittavat osallistuivat Move!-mittauksiin ja lisäksi osallistujilta mitattiin 48 lähtötiedon muuttujaa mittarein ja kyselyin.

Tutkimus toteutettiin yhteistyössä Likesin ja Jyväskylän yliopiston kanssa, ja se on osa kahta väitöskirjakokonaisuutta. Laura Joensuun liikuntatieteen väitöskirjassa tutkitaan lasten ja nuorten fyysiseen kuntoon vaikuttavia tekijöitä ja niiden terveysyhteyksiä. Ilkka Rautiainen tutkii ennustavaa mallintamista sairauksien ennaltaehkäisyyn, kuntoutukseen ja hypoteesien luomiseen terveydenhuollossa informaatioteknologian väitöskirjassa.

Alkuperäinen artikkeli:

Laura Joensuu, Ilkka Rautiainen, Sami Äyrämö, Heidi J Syväoja, Jukka-Pekka Kauppi, Urho M Kujala, Tuija H Tammelin. Precision exercise medicine: Predicting unfavourable status and development in the 20-m shuttle run test performance in adolescence with machine learning. BMJ Open Sport & Exercise Medicine.