Terveyspalvelujen käyttöä ennustava neuroverkkomalli voi säästää miljoonia

Syvät neuroverkot ovat ihmisaivojen toimintaa jäljitteleviä koneoppimismenetelmiä. Nyt Aalto-yliopiston, Helsingin yliopiston ja Terveyden ja hyvinvoinnin laitoksen (THL) tutkijat ovat kehittäneet syvien neuroverkkojen avulla niin sanotun riskivakiointimallin. Se ennustaa, miten usein ikäihmiset käyvät vuoden aikana hoidettavina esimerkiksi terveyskeskuksessa tai sairaalassa.
Riskivakiointimallien tarkoituksena on ennustaa terveydenhuollon palveluiden käyttöä edellisten vuosien tietojen perusteella ja auttaa näin jakamaan rahoitusta terveydenhuollon palveluiden tarjoajille reilusti ja tehokkaasti. Malleja hyödynnetään monissa maissa, kuten Saksassa, Alankomaissa ja Yhdysvalloissa. Myös THL on kehittänyt malleja, joita voidaan käyttää Suomessa rahoituksen jakamiseen kunnille.
”Ilman mallia sellaiset terveyspalveluiden tuottajat, joiden potilaat sairastavat keskimääräistä enemmän, joutuisivat epäreiluun asemaan”, Aalto-yliopiston apulaisprofessori Pekka Marttinen sanoo.
Nykyisin käytössä olevat mallit perustuvat perinteisiin tilastollisiin regressiomalleihin. Tämä oli ensimmäinen kerta, kun tutkijat käyttivät riskivakiointimallin kehittämisessä syviä neuroverkkoja. Tutkimus osoitti, että neuroverkkomalli on ennustuksissaan perinteisiä menetelmiä selvästi luotettavampi ja tarkempi. Näin se voi auttaa jakamaan rahaa palveluntuottajien todellisen tarpeen mukaan ja kannustaa niitä kustannustehokkuuteen.
”Tällaisen mallin kehittäminen voi auttaa säästämään miljoonia euroja”, sanoo tohtorikoulutettava Yogesh Kumar.
Tarkka ennustus ilman valtavaa datamäärää
Tutkijat opettivat mallia THL:n perusterveydenhuollon avohoidon hoitoilmoitusrekisteristä (Avohilmo) saatavilla tiedoilla, joissa on mukana jokaisen 65 vuotta täyttäneen suomalaisen terveydenhuollon avokäynnit. Data on pseudonymisoitu eli yksittäistä henkilöä ei voi tunnistaa sen perusteella. Avohilmoa hyödynnettiin nyt ensimmäistä kertaa koneoppimismallin kouluttamiseen.
Syvät neuroverkot eivät myöskään välttämättä vaadi valtavasti dataa tuottaakseen luotettavia tuloksia. Tutkimuksessa malli oli verrokkimenetelmiä tarkempi jopa silloin, kun se pystyi hyödyntämään vain noin kymmentä prosenttia kaikesta saatavilla olleesta datasta. Luotettavien tulosten saaminen suhteellisen pienellä tietomäärällä on tärkeää, sillä lääketieteessä suurten datamassojen saaminen tutkimuskäyttöön on vaikeampaa kuin monilla muilla aloilla.
”Tässä työssä kehitettyä mallia ei ole tarkoitus ottaa käyttöön sellaisenaan, vaan tavoitteena on integroida koneoppimismallien ominaisuuksia nykyisin käytettäviin malleihin. Näin voimme yhdistää eri menetelmien parhaat puolet”, Marttinen sanoo.
”Tulevaisuudessa tavoitteena on hyödyntää näitä malleja päätöksenteon tukena, jolloin rahoitus saadaan jaettua asianmukaisemmin.”
Mallissa voidaan myös keskittyä esimerkiksi potilasryhmiin, joiden tarvitsema hoito on kallista tai terveyskeskuksiin tietyillä maantieteellisillä alueilla.
Tutkimustulokset julkaistiin Proceeding of Machine Learning Research -julkaisusarjassa.
Avainsanat
Yhteyshenkilöt
Yogesh Kumar (englanniksi)
Tohtorikoulutettava
Aalto-yliopisto, Suomen tekoälykeskus FCAI
yogesh.kumar@aalto.fi
Pekka Marttinen
Apulaisprofessori
Aalto-yliopisto, Suomen tekoälykeskus FCAI
puh. 050 512 4362
pekka.marttinen@aalto.fi
Kuvat

Linkit
Tietoja julkaisijasta
Aalto-yliopistossa tiede ja taide kohtaavat tekniikan ja talouden. Rakennamme kestävää tulevaisuutta saavuttamalla läpimurtoja avainalueillamme ja niiden yhtymäkohdissa. Samalla innostamme tulevaisuuden muutoksentekijöitä ja luomme ratkaisuja maailman suuriin haasteisiin. Yliopistoyhteisöömme kuuluu noin 13 000 opiskelijaa ja yli 4 500 työntekijää, joista 400 on professoreita. Kampuksemme sijaitsee Espoon Otaniemessä.
Tilaa tiedotteet sähköpostiisi
Haluatko tietää asioista ensimmäisten joukossa? Kun tilaat tiedotteemme, saat ne sähköpostiisi välittömästi julkaisuhetkellä. Tilauksen voit halutessasi perua milloin tahansa.
Lue lisää julkaisijalta Aalto-yliopisto
Tutkimus: Uusien rakennusten päästöistä 70 prosenttia tulee rakentamisesta – eikä sitä huomioida tarpeeksi30.6.2025 07:53:14 EEST | Tiedote
Energiatehokkuus ja uusiutuvan energian käyttö ovat vähentäneet uudisrakennusten elinkaaripäästöjä, mutta rakentamisen päästöt eivät ole laskeneet. Viheralueiden vaaliminen ja puurakentamisen suosiminen tekisi rakentamisesta kestävämpää, korostavat tutkijat.
Tutkimus: Seksuaali- ja sukupuolivähemmistöille myönteiset yritykset ovat selvästi innovatiivisempia18.6.2025 09:30:00 EEST | Tiedote
Yhdysvaltalaisia suuryrityksiä koskenut tutkimus kertoo, että patenttien määrä ja laatu kasvavat merkittävästi, jos yritys saa korkeat pisteet LGBTQ+-yhteisöä eli seksuaali- ja sukupuolivähemmistöjä tukevissa arvioinneissa.
Koneoppiminen tuo vallankumouksen tutkimukseen ja tuotekehitykseen – uuden tekoälyinstituutin johtajalle merkittävä EU-rahoitus17.6.2025 13:00:00 EEST | Tiedote
Uusi projekti ratkoo koneoppimisen keskeistä pullonkaulaa ja muodostaa myös yhden uuden ELLIS-instituutin tutkimuksen kulmakivistä.
A revolution for R&D with the missing link of machine learning — project envisions human-AI expert teams to solve grand challenges17.6.2025 13:00:00 EEST | Press release
Robust, deployable and collaborative machine learning (ML) methods are needed for artificial intelligence (AI) to become truly useful. This ERC-funded research aims to solve a major ML bottleneck and will form a cornerstone of the newly established ELLIS Institute Finland.
Väitöstutkimus: Suomen väestönsuojajärjestelmä on kansainvälisesti poikkeuksellisen kattava – kuumenevat kesät voivat kuitenkin haastaa sen toimivuutta12.6.2025 11:30:00 EEST | Tiedote
Vuosikymmenten aikana rakennetun suomalaisen väestönsuojajärjestelmän hinta vastaa vain noin kolmen vuoden puolustusbudjettia – ja se suojaa lähes koko väestön.
Uutishuoneessa voit lukea tiedotteitamme ja muuta julkaisemaamme materiaalia. Löydät sieltä niin yhteyshenkilöidemme tiedot kuin vapaasti julkaistavissa olevia kuvia ja videoita. Uutishuoneessa voit nähdä myös sosiaalisen median sisältöjä. Kaikki tiedotepalvelussa julkaistu materiaali on vapaasti median käytettävissä.
Tutustu uutishuoneeseemme