Tekoäly monitoroi aivot ja kertoo sekunneissa munasolujen laadun
Lääkärit ovat uusista järjestelmistä innoissaan, mutta muistuttavat, että tekoäly pysyy renkinä.
Tekoälyn hyödyntäminen esimerkiksi sanelun ja kirjaamisen apuna on tuttua terveydenhuollossa.
Hankkeita ja pilotteja on käynnissä satoja, mutta kliinisessä työssä käytettäviä sovelluksia on kuitenkin vielä melko vähän.
Lääkärilehti kokosi muutamia tekoälyesimerkkejä, joista on jo saatu konkreettista kokemusta.
Oulun yliopistollisen sairaalan tehohoitokeskuksessa ja Oulun seudun yhteispäivystyksessä tekoälyä käytetään aivojen monitorointiin.
Kyseessä on suomalaisen Cerenionin ohjelmisto, jonka kehittämisestä on vastannut tietotekniikan tohtori, lääkäri Jukka Kortelainen. Teknologia on käytössä kaikissa suomalaisissa yliopistosairaaloissa, osassa lähinnä tutkimuksessa.
Ohjelmisto hyödyntää koneoppimista ja tekoälyä. Se on opetettu aineistoilla, joissa on ollut sekä tervettä aivosähkökäyrää että esimerkiksi aivovauriopotilaan mittauksia.
– EEG:n tulkinta on haastavaa etenkin niille, jotka eivät ole kokeneita aivosähkökäyrän tulkitsijoita. Tämä ohjelmisto näyttää EEG-datan helposti tulkittavassa, numeerisessa muodossa, Kortelainen avaa.
Oysin teho- ja valvontaosaston ylilääkäri, professori Tero Ala-Kokko kertoo signaalianalyysiohjelmiston helpottavan lääkärin ja hoitajan työtä merkittävästi.
– Se antaa potilaan EEG:stä valmiita laskennallisia parametreja, kuten C-trend-indeksin, mikä helpottaa aivosähkökäyrän kliinistä tulkintaa.
Perinteinen EEG-mittaus ja tiedon tulkinta vaativat neurofysiologista erikoisosaamista. Uusi BrainStatus-monitori näyttää Ala-Kokon mukaan informaation selkeässä muodossa.
– Se on tärkeää, kun ottaa huomioon, kuinka paljon erilaista informaatiota meidän pitää kerralla tulkita. Laite on myös kevyt ja helposti liikuteltavissa, ja se mahdollistaa jatkuvan pitkäaikaisrekisteröinnin. Elektrodien käyttö on helppoa ja nopeaa, kun ne ovat jo valmiina potilaan otsaan kiinnitettävässä tarranauhamaisessa pohjassa.
Diagnostista tulkintaa tarvittaessa neurofysiologi antaa nauhoituksesta lausunnon omalla kännykkäsovelluksellaan.
Laitteen asentaminen ei vaadi kliinisen neurofysiologian hoitajaa, vaan sen voi asentaa potilaalle muutkin koulutuksen saaneet hoitajat.
– Elektroditarra päähän, laite päälle ja mittaus sekä käyrän nauhoitus käyntiin, Ala-Kokko kuvaa.
Hänen mukaansa ohjelmisto on nopeuttanut esimerkiksi diagnostiikkaa etenkin epilepsiapotilailla.
– Käytämme laitetta myös osana multimodaalista ennustearviota esimerkiksi tajuttomilla sydänpysähdyksestä elvytetyillä potilailla sekä kriittisiin sairauksiin liittyvien aivotoiminnan häiriöiden monitoroinnissa. Lisäksi jatkuvaa purskevaimentumasuhteen seurantaa käytetään epileptisen statuksen sedaatiohoidon monitoroinnissa, eli lääkkeet osataan annostella vastetta kohden paremmin.
Uusi luomi löytyy hetkessä jopa satojen joukosta
Monella yksityisellä terveysasemalla ja isoimmissa sairaaloissa on käytössään tekoälyavusteinen järjestelmä luomikuvauksia varten.
Ihotalossa työskentelevä ihotautien ja allergologian erikoislääkäri Atte Kivisaari on käyttänyt Intellistudio-nimistä järjestelmää noin vuoden.
– Luomitarkastuksen perustavoite on löytää mahdolliset pintamelanoomat varhaisessa vaiheessa. Potilaalla voi kuitenkin olla satoja luomia, eikä lääkäri voi millään löytää niistä kaikkia uusia tai muistaa, onko jokin niistä muuttunut seurannan aikana, Kivisaari selittää.
Tekoäly löytää uudet luomet, mutta myös muutokset vanhoissa luomissa.
– Tämä tekee luomien seuraamisesta todella paljon järkevämmin dokumentoitua.
Robottikamera kuvaa ensin yleiskuvan koko vartalon ihosta. Se löytää nopeasti epäilyttävät pigmenttiluomet, joista otetaan vielä kuvat videodermoskoopilla.
– Tekoäly antaa luomista riskiarvion ja kertoo, pitäisikö jokin niistä leikata. Lääkäri antaa vielä arvion videodermoskooppikuvista ja tekee jatkosuunnitelman.
Luomikuvausseurantaa suositellaan erityisesti potilaille, joilla on aiempi melanooma tai melanoomaa suvussa, epätyypillisiä luomia tai runsaasti luomia.
Atte Kivisaari kertoo olleensa pitkään sitä mieltä, että hän tunnistaa itse luomet tarpeeksi hyvin. Nyt mielipide on muuttunut.
– Kokemuksen kautta olen todennut, että tekoäly parantaa minun työni laatua. Tekoäly ei korvaa erikoislääkärin kliinistä arviota, vaan se toimii apuvälineenä ja tavallaan second opinionina. Lääkäri lopulta päättää, leikataanko vai seurataanko.
Tekoäly pisteyttää munasolujen potentiaalin
Felicitas Mehiläisellä on otettu käyttöön tekoälypohjainen menetelmä, joka mahdollistaa munasolujen laadun tarkemman arvioinnin.
Naistentautien ja synnytysten erikoislääkäri Tiina Koskela-Koivisto kertoo, että sukusolujen laadun arviointi on yksi hedelmöityshoitojen haastavista osa-alueista.
– Saatamme saada kerättyä hyvän määrän munasoluja, jotka hedelmöittyvät, mutta jostakin syystä niistä ei kehity hyviä alkioita ja pohdimme syitä siihen. Tekoälypohjainen solujen kuvantaminen antaa meille objektiivisemman ja ihmissilmää tarkemman työkalun munasolujen laadun arviointiin.
Taustalla on satojen tuhansien munasolukuvien ja näistä saatujen alkioiden tietopankki. Sen pohjalta pystytään paremmin ennustamaan, millä todennäköisyydellä yksittäisellä munasolulla on potentiaali kehittyä hyvälaatuiseksi blastokystivaiheen eli päivän 5 tai 6 alkioksi.
– Tiedon määrä on niin valtava, ettei kokeneinkaan ammattilainen pysty muodostamaan samanlaista näkemystä asiasta, Koskela-Koivisto sanoo.
Tällä hetkellä menetelmää hyödynnetään mikroinjektio-hedelmöityshoidossa (ICSI) oleville potilaille ja ennakoivasti munasoluja pakastaville. Lisäksi sitä käytetään luovutettavien munasolujen yhteydessä, mikäli näitä soluja käytetään ICSI-hoidossa tai niitä pakastetaan munasolupankkiin.
– Hyöty potilaille tulee siinä vaiheessa, jos alkionkehityksessä on haasteita tai raskaus ei ole alkanut ja mietitään mahdollisesti siirtymistä luovutettuihin soluihin. Tällöin on hyvä miettiä, onko taustalla todennäköisemmin munasolu- vai siittiöperäinen tekijä.
Samoin ennakoivan munasolupakastuksen kohdalla tieto on arvokas, kun arvioidaan, miten paljon munasoluja kannattaa pakastaa ja onko uusi keräys tarpeellinen.
Tekoälyn rajoitteet on tietysti huomioitava.
– On tärkeää osata selittää potilaalle ymmärrettävästi, ettei munasolupisteytys ole koko totuus. Parhaimmiksi arvioiduista soluista ei välttämättä tule aina alkioita, ja toisaalta matalamman potentiaalin ryhmään pisteytetty munasolu voi olla se, josta kehittyy paras alkio. Kysymyksessä on siis päätöksen tekoa toivottavasti helpottava työkalu, joka ei korvaa ammattilaisten kokonaisvaltaista arviota.
Tuumoritaakan arvio auttaa tunnistamaan riskiryhmiä
Turun PET-keskus kehitti viime vuonna DigiFinlandin rahoittamassa hankkeessa käyttöliittymän, joka hyödyntää tekoälyalgoritmeja syöpäkudoksen tunnistamiseen.
Tekoäly tunnistaa syövän automaattisesti PET/TT- ja PET/MRI -kuvista, rajaa kasvainalueet, arvioi tuumoritaakan elinalueittain ja tuottaa kuvadatasta ennustemalleja.
– Kasvaintaakalla on suuri merkitys, mutta sitä on ollut hankala laskea, koska siihen ei ole ollut hyviä työkaluja, kliinisen fysiologian ja isotooppilääketieteen professori Jukka Kemppainen kertoo.
Tekoälyä hyödyntävä kasvaintaakan analyysityökalu tekee automaattisen analyysin PET-tutkimuksista. Kliinikko saa löydöksistä jatkossa myös prognostista informaatiota. Menetelmä mahdollistaa nopeamman, tarkemman ja yksilöllisen syövän hoidon.
– Kun tuumoritaakan arvio tapahtuu elinalueittain, voimme tunnistaa paremmin eri riskiryhmiä.
Kemppaisen mukaan ratkaisu tulee tehostamaan lääkärin työtä.
– Olemme kouluttaneet tekoälyn tunnistamaan nimenomaan syöpäalueet ja sen, mikä on poikkeavaa kertymää. Saamme taudin kokonaistilavuuden kuutiosenttimetreinä sekä tiedon siitä, kuinka aktiivista kasvainvolyymi on.
Tulevaisuudessa tekoälyalgoritmi käsittelee valmiin kuvadatan ja kun lääkäri on valmis lausumaan tutkimusta, tekoälyn tekemä raportti on valmiina. Lopuksi lääkäri tarkistaa, täsmääkö se hänen ajatuksiinsa.
– Hoitajat pystyvät kuvaamaan PET-kameroilla potilaita enemmän kuin lääkärit pystyvät tutkimuksia sanelemaan. Juuri analyysissa on ollut prosessin pullonkaula.
Tähän mennessä aineistoon on syötetty noin 1500 eturauhastutkimusta sekä noin 800 pään ja kaulan alueen tutkimusta. Tekoälyä koulutetaan koko ajan uusia kuvia lisäämällä.
– Turun PET-keskuksessa tehdään uusia kliinisiä PET-kuvauksia vuosittain noin 2500 ja valtakunnallisesti yli 15 000. Valtakunnallisella yhteistyöllä voisimme saada useiden tuhansien potilaiden aineistot ja kuvantamismerkkiaineet. Se mahdollistaisi tarkkojen koneoppimismallien kehittämisen syövän tunnistamiseen PET-kuvista.
Jukka Kemppainen kertoo, että selaimessa toimiva Next vieweriksi nimetty käyttöliittymä on tarkoitus jakaa myös muiden yliopistojen ja keskussairaaloiden käyttöön.
Tekoälyyn liittyvä tutkimustyö auttaa ymmärtämään potentiaaliset ongelmat ja rajoitteet, joita menetelmään voi liittyä.
– Tekoäly on lääkärille työkalu, mutta lääkäri on edelleen isäntä.
