Raskausdiabeetikkojen määrä on lisääntynyt voimakkaasti viimeisen 10 vuoden aikana sekä Suomessa että maailmanlaajuisesti. CleverHealth Networkin kehitysprojektissa raskausajan diabeteksen hoitoa tuetaan uudella digitaalisella reaaliaikaisella palvelumallilla.
Projektissa on kehitetty hoitoprosessin tueksi mobiilisovellus, joka mittaa ja tallentaa pilveen reaaliaikaisesti äidin jatkuvan glukoositason, fyysisen aktiivisuuden, ravinnon, sykkeen sekä päivittäisen painon. Projektin satunnaistetussa kontrolloidussa kokeessa on osoitettu, että mobiilisovellus parantaa raskausajan diabeteksen itsehoitoa.
– Vaikuttamalla elämäntapoihin ja ravitsemukseen raskauden aikana, voidaan todennäköisesti vähentää kakkostyypin diabetekseen sairastuvien äitien määrää sekä lapselle siirtyviä terveysriskejä, ja näin parantaa myös tulevien sukupolvien terveyttä. Olemme osoittaneet tutkimuksissa, että sovellus auttaa potilasta oppimaan, miten ruokavalio ja aktiivisuus vaikuttavat verensokeritasoihin ja painon kehitykseen, ja tätä kautta raskauden kulkuun sekä vastasyntyneen terveyteen, kertoo projektin tutkimusjohtajana toimiva naistentautien ja synnytysten erikoislääkäri Saila Koivusalo.
Tiedot välittyvät sovelluksen kautta reaaliaikaisesti hoitohenkilökunnalle, joka voi tarvittaessa antaa ohjausta ja tukea oppimisessa. Sovellus nivoutuu siten osaksi hoitopolkua eikä jää irralliseksi, mikä on suurin hyöty muihin terveyssovelluksiin verrattuna.
– Palvelun avulla voimme tarjota entistä parempaa, nykyaikaista hoitoa. Lisäksi palvelun käyttöönotto tehostaa raskausdiabeetikoiden hoitoprosessia, sillä sairaalakäyntiä vaativien potilastapaamisten määrän odotetaan vähenevän, Koivusalo sanoo.
Projektin seuraavassa vaiheessa hyödynnetään koneoppimista, jonka avulla voidaan räätälöidä potilaan riskiprofiilin mukainen, yksilöllisiä tarpeita vastaava ohjaus ja hoito. Tekoäly mahdollistaa myös ennusteiden tekemisen sekä äidin että syntyvän lapsen tulevasta terveydestä.
– Tämä tarkoittaa esimerkiksi tulevien glukoositasojen ja vastasyntyneen painon ennustamista ennennäkemättömällä tavalla. Ennusteiden avulla sovellus antaa automaattisesti palautetta ja neuvoo kompensoivien valintojen tekemisessä, Koivusalo sanoo.
JULKAISUJA
Määttänen S, Koivusalo S, Ylinen H, Heinonen S, Kytö M. (2025). ”Supporting Self-Management in Persons with Gestational Diabetes: The Effect of eMOM Mobile Application on Self-Discovery and Psychological Factors – A Mixed-Methods Study.” JMIR mHealth and uHealth (accepted for publication). DOI: 10.2196/60855
Kytö, M., Hotta, S., Niinistö, S., Marttinen, P., Korhonen, T. E., Markussen, L. T., Jacucci, G., Sievänen, H., Vähä-Ypyä, H., Korhonen, I., Virtanen, S., Heinonen, S., & Koivusalo, S. B. (2024). Periodic Mobile Application (eMOM) With Self-Tracking of Glucose and Lifestyle Improves Treatment of Diet-Controlled Gestational Diabetes Without Human Guidance: A Randomized Controlled Trial. American Journal of Obstetrics and Gynecology. https://doi.org/10.1016/j.ajog.2024.02.303
Hotta, S., Kytö, M., Koivusalo, S., Heinonen, S., & Marttinen, P. (2024). Optimizing postprandial glucose prediction through integration of diet and exercise: Leveraging transfer learning with imbalanced patient data. PLoS ONE, 19(8 August). https://doi.org/10.1371/journal.pone.0298506
Kytö, M., Koivusalo, S., Tuomonen, H., Strömberg, L., Ruonala, A., Marttinen, P., Heinonen, S., & Jacucci, G. (2023). Supporting the Management of Gestational Diabetes Mellitus With Comprehensive Self-Tracking: Mixed Methods Study of Wearable Sensors. JMIR Diabetes, 8, e43979. https://doi.org/10.2196/43979
Kytö, M., Strömberg, L., Tuomonen, H., Ruonala, A., Koivusalo, S. B., & Jacucci, G. (2022). Behavior Change Apps for Gestational Diabetes Management: Exploring Desirable Features. International Journal of Human-Computer Interaction, 38(12), 1095–1112. https://doi.org/10.1080/10447318.2021.1987678
Kytö, M., Koivusalo, S., Ruonala, A., Strömberg, L., Tuomonen, H., Heinonen, S., & Jacucci, G. (2022). Behavior Change App for Self-management of Gestational Diabetes: Design and Evaluation of Desirable Features. JMIR Human Factors, 9(4), e36987. https://doi.org/10.2196/36987
Kytö, M., Markussen, L. T., Marttinen, P., Jacucci, G., Niinistö, S., Virtanen, S. M., Korhonen, T. E., Sievänen, H., Vähä-Ypyä, H., Korhonen, I., Heinonen, S., & Koivusalo, S. B. (2022). Comprehensive self-tracking of blood glucose and lifestyle with a mobile application in the management of gestational diabetes: a study protocol for a randomised controlled trial (eMOM GDM study). BMJ Open, 12(11), e066292. https://doi.org/10.1136/bmjopen-2022-066292
Zhang, G., Ashrafi, R. A., Juuti, A., Pietiläinen, K., & Marttinen, P. (2020). Errors-in-variables modeling of personalized treatment-response trajectories. IEEE Journal of Biomedical and Health Informatics, 25(1), 201-208.
Ashrafi, R. A., Ahola, A. J., Rosengård-Bärlund, M., Saarinen, T., Heinonen, S., Juuti, A., Marttinen, P., & Pietiläinen, K. H. (2021). Computational modelling of self-reported dietary carbohydrate intake on glucose concentrations in patients undergoing Roux-en-Y gastric bypass versus one-anastomosis gastric bypass. Annals of Medicine, 53(1), 1885–1895. https://doi.org/10.1080/07853890.2021.1964035
Yhteistyössä
Lisätietoa
Mikko Kytö, kehittämispäällikkö, TkT, dosentti, mikko.kyto[at]hus.fi
Saila Koivusalo, Naistentautien ja synnytysten erikoislääkäri, LT, dosentti, saila.koivusalo[at]hus.fi
