Tekoälyalgoritmeista tukea kroonisten sairauksien hoitoon

Tuoreessa väitöstutkimuksessa selvitetään terveysdataan pohjautuvien sovelluksien mahdollisuuksia tukea kroonisen sairauden seurantaa, edistää hoitotuloksia ja lieventää terveydenhuollon kuormitusta.

Krooniset sairaudet kuormittavat sekä potilaita että terveydenhuoltoa. Krooninen sairaus voi edetessään heikentää potilaan toimintakykyä ja vaatia säännöllisiä lääkärikäyntejä. Potilas voi kärsiä muiden oireiden lisäksi myös esimerkiksi unihäiriöistä ja uupumuksesta, jotka heikentävät elämänlaatua.

Monesti kroonisen sairauden etenemistä voidaan kuitenkin hidastaa ja oireita hoitaa.

– Kroonisissa sairauksissa aika on avainasemassa. Eri pituisilla tarkastelujaksoilla on sairauden kannalta erilaisia merkityksiä, ja ne tarjoavat sairauden seurantaan erilaisia näkökulmia, väitöskirjatutkija Emmi Antikainen toteaa Tampereen yliopiston väitöstiedotteessa.

Hoitotuloksia edistäviä ja kuormitusta lieventäviä sovelluksia

Antikainen tutki väitöskirjassaan terveysdataan pohjautuvia eri aikajänteillä toimivia sovelluksia, joiden avulla voidaan helpottaa kroonisen sairauden seurantaa, edistää hoitotuloksia ja lieventää terveydenhuollon kuormitusta. Hän arvioi algoritmien soveltuvuutta kliinisiin käyttötapauksiin todenmukaista käyttötilannetta vastaavissa mittauksissa.

Antikainen tutki ja vertaili mallipohjaisia signaalinkäsittelyn sekä datapohjaisia koneoppimisen algoritmeja. Tutkimuksen kohteina olivat hengityksen ja sykkeen muutoksia mittaava tutkateknologia, subjektiivisten kokemusten ja puettavista sensoreista saatavien biosignaalien yhteyksiä etsivä sovellus sekä sydänsairaiden kuolleisuusriskiä ennustava sovellus.

Tulosten perusteella Antikainena arvioi, että tutkittujen sovellusten avulla voitaisiin edistää muun muassa kullekin yksilölle parhaiten sopivan hoitomuodon löytämistä sekä tukea esimerkiksi riskiarviointeja.

Entistä laadukkaampaa mittausdataa

Väestön ikääntyessä ja ylipainon lisääntyessä kroonisten sairauksien odotetaan yleistyvän ja siten terveydenhuollon kuormituksen kasvavan. Entistä laadukkaampi ja paremmin saatavilla oleva mittausdata lisää kuitenkin mahdollisuuksia terveydenhuollon tukemiseen.

– Koska nykyteknologia mahdollistaa entistä suurempien datamäärien louhimisen ja tehokkaampaa analytiikkaa, myös pitkän aikavälin dataa on helpompi tutkia ja hyödyntää, Antikainen toteaa.

Hän kertoo, että tekoälyalgoritmien edut korostuivat pitkän aikavälin kattavassa mutta vaihtelevin aikavälein kerätyn potilasdatan tapauksessa. Lisäksi kuitenkin huomattiin, että yksi malli ei välttämättä sovellu laajalle potilaskirjolle, vaikka kyse olisikin saman fysiologisen toiminnon sairauksista.

Diplomi-insinööri Emmi Antikaisen signaalinkäsittelyn ja koneoppimisen alaan kuuluva väitöskirja Time series analytics for decision support in chronic diseases tarkastetaan julkisesti Tampereen yliopiston Informaatioteknologian ja viestinnän tiedekunnassa perjantaina 15. maaliskuuta 2024 kello 12 alkaen Tietotalon auditoriossa TB109 (osoite: Korkeakoulunkatu 1, Tampere). Vastaväittäjänä toimii professori Tapio Seppänen Oulun yliopistosta. Kustoksena toimii professori Moncef Gabbouj Tampereen yliopiston informaatioteknologian ja viestinnän tiedekunnasta.

Väitöstilaisuutta voi seurata etäyhteydellä

Koottu väitöstiedotteesta
Iina Aalto