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
Kuinka helpottaa tekstin näpyttelyä puhelimella? Tutkijat loivat ensi kertaa ihmisen tekstinsyöttöä simuloivan tekoälymallin18.4.2024 08:45:00 EEST | Tiedote
Malli auttaa ymmärtämään, mitkä tekijät sujuvoittavat ja mitkä puolestaan vaikeuttavat puhelimen näpyttelyä erilaisilla käyttäjäryhmillä.
EMBARGO: Tutkimus selvitti ilmastonmuutoksen vaikutusta tundralla: lämpeneminen voi lisätä hiilen vapautumista hälyttävästi17.4.2024 18:00:00 EEST | Tiedote
Tutkimuksessa havaittiin, että ilman ja maaperän lämpeneminen sekä maaperän kuivuminen lisäsi hiilen vapautumista tundran ekosysteemistä.
Kuivuus on uhka runsaiden vesivarojen Suomessakin16.4.2024 13:15:00 EEST | Tiedote
Suomessa on yhä alhainen riski kuivuudelle, mutta viime vuosikymmenien kuivista kausista on kuitenkin aiheutunut vakavia vaikutuksia etenkin maataloudelle ja vesihuollolle.
Fyysikot onnistuivat selittämään tuntemattoman voiman, joka kiskoo vesipisaroita huippuliukkailla pinnoilla16.4.2024 08:45:00 EEST | Tiedote
Tulokset auttavat kehittämään aiempaa liukkaampia pintoja, jollaisia hyödynnetään esimerkiksi lääketeollisuudessa ja liikenteessä.
EMBARGO 11.4.2024 KLO 13.00: Bioinspiroituja värejä ja olosuhteisiin sopeutuvia materiaaleja – Professori Olli Ikkalan kolmas EU-hanke pohjaa eläviin systeemeihin11.4.2024 13:00:00 EEST | Tiedote
Teknillisen fysiikan professori Olli Ikkala saa inspiraation tutkimukseensa luonnon materiaaleista ja toisinaan myös barokkimusiikista.
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