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.