Uutiset

Terveyspalvelujen käyttöä ennustava neuroverkkomalli voi säästää miljoonia

Julkaistu:
Suomessa kehitetty malli ennustaa iäkkäiden terveyspalveluiden käyttöä ja voi auttaa kohdentamaan rahoituksen tasapuolisemmin.

Illustration of neural networks in a hospital environment
Kuvituskuva: Matti Ahlgren / Aalto-yliopisto

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.

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 olevasta 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 huomauttaa. 

”Tulevaisuudessa tavoitteena on hyödyntää näitä malleja päätöksenteon tukena, jolloin rahoitus saadaan jaettua asianmukaisemmin.”

Mallissa voidaan myös keskittyä esimerkiksi potilasryhmiin, joiden hoito on kallista tai terveyskeskuksiin tietyillä maantieteellisillä alueilla. Tutkimustulokset julkaistiin Proceeding of Machine Learning Research -julkaisusarjassa.

Lisätiedot

Yogesh Kumar (englanniksi)
Tohtorikoulutettava
Aalto-yliopisto, Suomen tekoälykeskus
[email protected]

Pekka Marttinen
Apulaisprofessori
Aalto-yliopisto, Suomen tekoälykeskus
Puh. 050-5124362
[email protected]

  • Julkaistu:
  • Päivitetty:

Lue lisää uutisia

A handbook on the counter of a shop.
Kampus, Tutkimus ja taide Julkaistu:

Unite! Open Science and Innovation Management -käsikirja saatavilla verkossa ja painettuna

Käsikirja on käytännön opas yliopistotutkijoille, tutkimus- ja innovaatiopalveluille sekä yliopistojen johdolle.
Rauhallinen japanilainen puutarha, jossa on lampi, kiviä ja erilaisia ​​puita, mukaan lukien loistavaa punaista ja vihreää lehtineen.
Mediatiedotteet Julkaistu:

Millainen luonto elvyttää? Aalto-yliopiston tutkijat avaavat erilaisten viherympäristöjen elvyttävyyden näkyviä ja näkymättömiä piirteitä

Lähellä oleva luonto tekee hyvää – mutta miksi ja miten?
Opiskelijoita kampuksella. Kuva: Henri Vogt
Mediatiedotteet, Tutkimus ja taide Julkaistu:

Yhä harvempi yliopisto-opiskelija jää kotiseudulleen Suomen suurimmissa kaupungeissa – uusi selvitys näyttää kaupunkikohtaiset erot

Aalto-yliopiston kaupunkitaloustieteen tutkimusryhmä AlueAvain on tarkastellut Tilastokeskuksen yksilötason rekisteriaineistojen avulla yliopisto-opiskelijoiden muuttoliikkeitä Suomen suurimmissa kaupungeissa viimeisten 20 vuoden aikana. Tarkastelussa vertailtiin erikseen pääkaupunkiseudun kuntia sekä Tamperetta, Turkua ja Oulua.
Huone, jossa on useita kaiuttimia metallirungoissa ympyrämuodossa. Keskellä on jakkara ja sälealusta.
Mediatiedotteet Julkaistu:

Uusi teknologia tuo immersiivisen tilaäänen kaikkien ulottuville

Ainutlaatuinen äänentallennusteknologia mahdollistaa immersiivisen äänimaailman tallentamisen tavallisilla mikrofoneilla ja edullisella lisälaitteella.