Kirjoittaja: Ossi Koskinen, Siemens Healthineers suurasiakkuusjohtaja. Hän vastaa strategisista asiakkuuksista Suomessa ja Ruotsissa.
Terveydenhuollossa ei enää juuri keskustella siitä, voidaanko tekoälyä hyödyntää. Paljon vaikeampi kysymys on, miten hyväksi todettu ratkaisu saadaan osaksi päivittäistä työtä niin, että sillä on oikeasti merkitystä ammattilaisille ja potilaille.
Tämä kysymys toistuu tapaamisissani sairaaloiden johdon, kliinisten asiantuntijoiden ja tietohallinnon kanssa. Ratkaisuja ja lupaavia kokeiluja on paljon, mutta matka pilotista vakiintuneeseen käyttöön on usein yllättävän pitkä.
Ilmiö ei ole uusi.
Olen viettänyt suuren osan työurastani terveydenhuollon muutosten ja teknologian käyttöönottojen parissa. Vuosien varrella olen ollut mukana rakentamassa esimerkiksi kipumittaria silloiseen Windows-puhelimeen ja avaamassa tietä etävastaanotoille aikana, jolloin kiinnostus niitä kohtaan oli vielä melko vähäistä.
Windows-puhelimeen tehty investointi ei jälkikäteen katsottuna ollut urani onnistuneimpia teknologiavalintoja. Kokemus opetti silti jotain, mikä pätee edelleen: teknisesti toimiva ratkaisu ei vielä tarkoita toimivaa palvelua.
Etävastaanotoissa tilanne oli hieman toinen. Tarvittava teknologia oli pitkälti olemassa jo vuosia ennen kuin ympäristö oli valmis laajamittaiseen käyttöön. Korona muutti tilanteen nopeasti. Nyt pidämme melko luontevana sitä, että suomalainen perusterveydenhuollon potilas voidaan vastaanottaa myös toisesta maasta käsin. Näin tekee parhaillaan esimerkiksi Ranskassa asuva tuttavani.
Teknologia voi siis olla valmis pitkäänkin ennen toimintatapoja, rakenteita ja ihmisiä sen ympärillä. Tekoälyn kanssa olemme monessa paikassa juuri tässä vaiheessa.
Moni ratkaisu toimii teknisesti hyvin. Silti luvattu hyöty ei aina näy arjessa. Usein syy löytyy siitä, miten ratkaisu liittyy sairaalan järjestelmiin, työnkulkuun ja päätöksentekoon.
Olen nähnyt tilanteita, joissa tarkoituksena on ollut säästää ammattilaisen aikaa. Käytännössä käyttäjä tarkistaa ensin alkuperäisen tiedon, sitten tekoälyn arvion ja lopuksi vielä asian toisesta järjestelmästä. Uuden ratkaisun piti poistaa työtä, mutta se toi mukaan yhden tarkistusvaiheen lisää.
Tällaisessa tilanteessa algoritmi voi toimia juuri niin kuin pitää. Ammattilaisen työ ei silti helpotu.
Tekoälyn tuottaman tiedon täytyy tulla vastaan siinä järjestelmässä ja siinä vaiheessa, jossa ammattilainen muutenkin tekee päätöksen. Tiedon pitää olla ymmärrettävässä muodossa, ja sen perusteella täytyy voida tehdä jotakin. Muuten tekoäly jää helposti uudeksi työkaluksi vanhojen rinnalle.
Kuvantamisessa mahdollisuudet ulottuvat jo paljon yksittäisen kuvan analysointia laajemmalle. Tekoäly voi tukea potilaan valmistelua, tutkimuksen toteutusta, kuvien tulkintaa, raportointia ja tiedon siirtymistä osaksi hoitopäätöstä. Olennaista ei silloin ole yksittäinen sovellus vaan koko ketju potilaasta kuvaan, kuvasta lausuntoon ja edelleen hoitoon.
Siksi tekoälyhanketta ei mielestäni kannata aloittaa kysymällä, mihin voisimme lisätä tekoälyä.
Aloittaisin paljon arkisemmista kysymyksistä. Missä työ pysähtyy? Missä syntyy odotusta? Missä sama tieto kirjataan useaan kertaan? Missä ammattilainen joutuu vaihtamaan järjestelmästä toiseen? Mihin kuluu aikaa, vaikka tehtävä ei vaadi kliinistä osaamista?
Kun todellinen ongelma on tunnistettu, voidaan arvioida, onko tekoäly siihen oikea ratkaisu. Joskus on. Joskus toimintatavan muuttaminen tai hieman yksinkertaisempi tekninen ratkaisu auttaa enemmän.
Sama käytännöllisyys tarvitaan onnistumisen mittaamiseen. Algoritmin tarkkuus on tärkeä, mutta yksinään se ei kerro ratkaisun arvosta. Terveydenhuollossa vaikutuksen pitäisi näkyä potilaan hoidossa, ammattilaisen työssä tai organisaation toiminnassa. Mieluiten useammassa näistä.
Vaikutuksia pitää myös seurata käyttöönoton jälkeen. Järjestelmät ja kuvauslaitteet päivittyvät, potilasryhmät muuttuvat ja tekoälyratkaisuista julkaistaan uusia versioita. Käyttöönotto ei siis pääty siihen päivään, jolloin ratkaisu avataan käyttäjille.
Tämä kuulostaa itsestään selvältä, mutta käytännössä vastuut jäävät helposti epäselviksi. Kuka seuraa ratkaisun toimintaa? Kuka käsittelee käyttäjäpalautteen? Milloin tarvitaan paikallista validointia? Miten ohjelmistopäivitysten vaikutuksia arvioidaan? Ja kuka tekee päätöksen, jos ratkaisu ei enää toimi odotetulla tavalla?
Tässä työssä tarvitaan kliinisiä käyttäjiä, tietohallintoa, teknisiä asiantuntijoita, johtoa ja toimittajia. Erityisen arvokkaita ovat ihmiset, jotka ymmärtävät sekä kliinistä työtä että teknologian mahdollisuuksia ja rajoituksia. He pystyvät usein näkemään ongelmat, jotka jäävät huomaamatta, jos asiaa tarkastellaan vain yhdestä suunnasta.
Kokonaisuuden hallinta vaikeutuu, kun tekoälyratkaisujen määrä kasvaa. Kymmenen erillistä ratkaisua ei vielä muodosta toimivaa ympäristöä. Jokainen niistä tarvitsee integraatiot, käyttöoikeudet, ylläpidon, seurannan ja tuen. Jos kokonaisuutta ei suunnitella yhdessä, käyttäjälle syntyy helposti joukko uusia digitaalisia työvaiheita.
Parhaassa tilanteessa ammattilaisen ei tarvitse miettiä, mitä tekoälyratkaisua hän kulloinkin käyttää. Tarvittava tieto tulee näkyviin oikeassa kohdassa osana normaalia työtä. Ammattilainen arvioi tiedon, tekee päätöksen ja kantaa vastuun.
Seuraava kiinnostava askel on tarkastella yksittäisten työnkulkujen sijaan sairaalan toimintaa laajempana kokonaisuutena. Tässä toiminnan digitaalinen kaksonen on mielestäni erityisen kiinnostava ajatus.
Nimi kuulostaa tekniseltä, mutta perusajatus on varsin käytännöllinen. Jos pystymme muodostamaan riittävän ajantasaisen kuvan potilasvirroista, henkilöstöstä, tiloista, laitteista, aikatauluista ja hoitoprosessien välisistä riippuvuuksista, voimme arvioida päätösten vaikutuksia ennen niiden toteuttamista.
Mitä esimerkiksi tapahtuu, jos tutkimusten kysyntä kasvaa yhdessä sairaalassa? Kannattaako potilaita ohjata toiseen yksikköön, muuttaa henkilöstön työvuoroja vai järjestää tutkimusajat uudella tavalla? Miten yhden kuvantamislaitteen huolto vaikuttaa potilasjonoihin, henkilöstön kuormitukseen ja jatkohoitoon?
Todellisessa sairaalassa näitä vaihtoehtoja on vaikea kokeilla. Toiminta jatkuu koko ajan, potilaiden hoito ei voi odottaa eikä yksittäisen muutoksen vaikutusta ole aina helppo erottaa kaikesta muusta. Digitaalisessa mallissa vaihtoehtoja voidaan vertailla ennen kuin muutoksia viedään käytäntöön.
Tämä voisi auttaa myös kohdentamaan tekoälyinvestointeja nykyistä paremmin. Sen sijaan, että aloitetaan valmiista ratkaisusta ja etsitään sille käyttökohdetta, toimintaa tarkastelemalla voidaan tunnistaa kohdat, joissa odottaminen, manuaalinen työ, tiedonkulun katkokset tai kapasiteetin epätasainen käyttö aiheuttavat eniten haittaa.
Vasta sen jälkeen kannattaa miettiä, tarvitaanko tekoälyä.
Digitaalinenkään malli ei kuitenkaan ratkaise kaikkea automaattisesti. Yhden laitteen käyttöaste voi parantua samalla, kun potilaan kokonaisaika hoidossa pitenee tai henkilöstön kuormitus kasvaa. Siksi tavoitteita ei voida määritellä vain tehokkuuden, nopeuden tai kustannusten kautta.
On sovittava, mitä hyvällä toiminnalla tarkoitetaan. Siihen kuuluvat hoidon laatu ja turvallisuus, henkilöstön työ sekä potilaan kokema kokonaisuus. Valinnat ovat lopulta johtamiskysymyksiä. Digitaalinen kaksonen voi auttaa näkemään vaihtoehtoja ja niiden mahdollisia seurauksia, mutta ihmiset päättävät, mikä on hyväksyttävää ja tavoiteltavaa.
Laajempi mahdollisuus syntyy, jos tarkastelu ulotetaan yksittäisestä osastosta koko sairaalaan ja myöhemmin useiden palvelujen tai sairaaloiden muodostamaan kokonaisuuteen. Silloin esimerkiksi henkilöstön saatavuutta, kapasiteetin käyttöä ja potilaiden siirtymistä hoidon eri vaiheiden välillä voidaan tarkastella samassa mallissa.
Tähän liittyy myös yksi varoitus. Mitä laajempaa kokonaisuutta mallinnetaan, sitä enemmän tarvitaan luotettavaa ja ajantasaista tietoa. Tarvitaan myös yhteinen näkemys siitä, mitä ollaan tavoittelemassa. Käytännössä työ kannattaa siksi aloittaa rajatuista ongelmista, joiden vaikutukset pystytään tunnistamaan ja mittaamaan.
Suomella on tähän hyvät lähtökohdat. Meillä on digitaalista infrastruktuuria, terveysdataa ja vahvaa osaamista. Sairaaloiden, tutkimuksen, julkisten toimijoiden ja yritysten välillä tehdään myös paljon yhteistyötä. Näistä vahvuuksista huolimatta eteneminen ei synny vain uusista piloteista.
Vaikeampi vaihe alkaa, kun toimivaksi osoitettu ratkaisu pitäisi liittää oikeaan työnkulkuun, sen vaikutukset pitäisi osoittaa ja käyttöä pitäisi laajentaa ensimmäisen yksikön ulkopuolelle. Tässä onnistuminen vaatii yleensä enemmän sitkeyttä kuin ensimmäisen pilotin käynnistäminen.
Tekoälyn tarkoitus ei ole poistaa ihmistä potilaan ja hoidon välistä. Sen pitäisi vapauttaa ammattilaisen aikaa tehtäviin, joissa tarvitaan kokemusta, harkintaa ja empatiaa. Niiden tarve ei katoa teknologian kehittyessä.
Kun arvioin uutta ratkaisua, palaan usein muutamaan yksinkertaiseen kysymykseen:
1. Mitä ongelmaa olemme ratkaisemassa?
2. Miten ammattilaisen työ käytännössä muuttuu?
3. Miten vaikutuksia seurataan käytön aikana?
4. Miten ratkaisu liittyy muihin järjestelmiin ja prosesseihin?
Toiminnan digitaalinen kaksonen tuo mukaan vielä yhden:
Mitä muualla järjestelmässä tapahtuu, jos muutamme tätä kohtaa?
Vastaukset näihin kysymyksiin kertovat onnistumisen mahdollisuuksista yleensä enemmän kuin tekninen esittely tai tuotelupaus.
Tekoäly kehittyy nopeasti, mutta terveydenhuollossa ratkaisevin kysymys pysyy varsin arkisena: auttaako ratkaisu ammattilaista tekemään työnsä paremmin, sujuvammin ja turvallisemmin?
Jos vastaus näkyy vain esityskalvoilla eikä päivittäisessä työssä, käyttöönotto on vielä kesken.
Lopulta onnistuminen ratkaistaan työnkuluissa.
