������

Aalto-yliopiston tutkijat ovat kehittäneet koneoppimistyökalun, jonka avulla tutkijat ja lääkärit voivat arvioida aiempaa tarkemmin ja yksilöllisemmin potilaan riskiä sairastua yleisiin sairauksiin, kuten sydän- ja verisuonitauteihin, diabetekseen tai maksasairauksiin. Uusi työkalu ei tarkastele riskitekijöitä erillään, vaan se huomioi, miten esimerkiksi ikä, kolesteroli ja elämäntavat vaikuttavat paitsi toisiinsa, myös yhdessä yksilön terveyteen pitkän ajan kuluessa.

“Ihmisen terveys on monimutkainen kokonaisuus – ja niin on siitä saatava datakin. Ikä, elämäntavat ja perimä vaikuttavat terveyteemme harvoin yksin, vaan ne vaikuttavat myös toisiinsa monin tavoin. Halusimme luoda menetelmän, joka pystyy mallintamaan näitä riippuvuuksia, mutta on silti riittävän selkeä tutkijoille ja kliinikoille ymmärtää ja käyttää”, kertoo tutkimuksen pääkirjoittaja ja koneoppimisen tutkija Heli Julkunen Aalto-yliopistosta.

Riskimallien käyttö terveydenhuollossa yleistä

Terveydenhuollon ammattilaiset käyttävät yleisesti ennustemalleja arvioimaan, miten todennäköisesti henkilö sairastuu tiettyyn tautiin pitkän ajan kuluessa. Perinteiset riskiennustemallit, kuten Suomessa sydän- ja verisuonitautien riskiä arvioimaan käytetty FINRISKI, tarkastelevat eri riskitekijöitä yleensä erillään. 

Todellisuudessa riskitekijät kuitenkin vaikuttavat toisiinsa. Esimerkiksi kolesterolitaso voi ennustaa sydän- ja verisuonitautien riskiä eri tavoin henkilön iästä, perimästä tai elämäntavoista riippuen. Jokaisen mahdollisen riskitekijäparin tutkiminen yksitellen olisi paitsi kallista, myös aikaavievää. 

Uuden menetelmän erityisyys on siinä, että se kykenee mallintamaan riskitekijöiden välisiä vuorovaikutuksia tavalla, joka ei edellytä jokaisen mahdollisen tekijäparin erillistä tarkastelua.  Menetelmä hyödyntää matemaattista tekniikkaa, joka pystyy tehokkaasti tunnistamaan vuorovaikutusten taustalla olevat rakenteet, jopa erittäin suurissa aineistoissa.

”Menetelmäämme hyödyntävä ohjelmisto voisi auttaa lääkäreitä ymmärtämään tarkemmin, miten riskitekijöiden yhdistelmät, kuten esimerkiksi korkea kolesteroli ja tupakointi yhdessä, vaikuttavat sairastumisriskiin. Tämä on yksinkertaistettu esimerkki, sillä menetelmän varsinainen uutuusarvo on kyvyssä tarkastella monien tallaisten riskitekijöiden yhtäaikaisia vaikutuksia”, Julkunen kertoo.

Testattu oikeilla terveystiedoilla

Tutkijat testasivat menetelmää UK Biobank -terveystietopankin aineistolla, joka sisältää terveystietoja, laboratoriotuloksia, elämäntapatietoja ja geneettistä dataa noin puolelta miljoonalta brittiläiseltä vapaaehtoiselta.

Menetelmä ennusti kymmenen yleisen sairauden riskiä kymmenen vuoden aikavälillä.  Useimmissa sairauksissa menetelmä päihitti perinteiset ennustemallit, ja erityisesti yksittäisten potilaiden riskiarvioissa se osoittautui tarkemmaksi. 

Suunniteltu tulkittavaksi

Tutkijoiden mukaan monia koneoppimis- ja tekoälymalleja voi olla vaikea ymmärtää, mutta uusi menetelmä on suunniteltu läpinäkyväksi ja tulkittavaksi. Menetelmää käyttävä tutkija voi helposti nähdä, miksi tietty ihminen on merkitty korkean riskin potilaaksi ja mitkä riskitekijäyhdistelmät vaikuttavat arvioon.

”Koneoppimis- ja tekoälysovellusten tulkittavuus herättää nyt paljon kiinnostusta, erityisesti herkillä aloilla, kuten terveydenhuollossa. Menetelmästämme on mahdollista nähdä suoraan, miksi henkilö on merkitty korkean riskin potilaaksi”, toteaa professori Juho Rousu Aalto-yliopistosta.

Menetelmää voi soveltaa kaikkiin ilmiöihin, joissa ajoituksella on merkitystä: lääketieteellisen tutkimuksen lisäksi myös esimerkiksi insinööritieteiden luotettavuustutkimuksiin ja rahoitusalan riskien mallinnukseen.

Tulokset julkaistiin heinäkuussa . Tutkimusta rahoittivat Suomen Akatemia sekä Teknologiateollisuuden 100-vuotissäätiö Aalto-yliopiston House of AI -keskuksen kautta.