Aikaleimat voivat kertoa hoitojaksoista – jos kone ymmärtää säännöt
Lääkärin työpöydällä vilisee merkintöjä: diagnoosikoodeja, laboratoriotuloksia, lääkityksen aloituksia ja lopetuksia. Kaikella on päivämäärä ja kellonaika. Silti se, mitä lääkäri oikeasti tarvitsee, on tarina: milloin sairausjakso alkoi, mitä hoitoa annettiin ja milloin se päättyi. Tietokone osaa hakea yksittäisiä rivejä nopeasti. Mutta osaako se nähdä kokonaisuuden?
Tähän asti moni järjestelmä on tyytynyt siihen, mitä potilastietokannasta suoraan löytyy: sirpaleisiin. Uusi tutkimus ehdottaa toisenlaista lähestymistapaa. Kun koneelle annetaan selkeät säännöt siitä, mikä merkitsee tapahtuman alkua ja loppua, se voi päätellä datapisteiden väliin puuttuvan: pidempikestoiset, ihmisen kannalta merkitykselliset tapahtumat.
Ajatus on yksinkertainen, vaikka toteutus ei ole. Tietokoneelle määritellään sääntöjä, joiden perusteella se tunnistaa perustason tapahtumia – kuten ”lääkehoito käynnissä” tai ”oire pahentunut” – ja päättää, milloin tällainen tapahtuma alkaa ja milloin se katsotaan päättyneeksi. Näistä voidaan sitten koota ”yhdistettyjä tapahtumia”: esimerkiksi ”ensilinjan hoitojakso” tai ”sairausjakso”.
Yksi konkreettinen esimerkki: jos potilaalle on annettu tiettyä syöpälääkettä toistuvasti ja merkintä lääkkeen lopetuksesta puuttuu, järjestelmä voi päätellä, että hoitojakso jatkuu. Kun lopetusmerkintä ilmaantuu tai toinen hoito alkaa, jakso päätellään päättyneeksi. Vielä pidemmälle mentäessä useat hoitojaksot ja diagnoosimerkinnät voidaan yhdistää kokonaiseksi sairausjaksoksi. Tavoitteena ei ole arvailla, vaan sitoa päätelmät eksplisiittisiin sääntöihin.
Tutkimus tuo esiin myös ongelman, jota jokainen potilastietoja käsitellyt tunnistaa: data on sotkuista. Saman potilaan tiedoista voi löytyä ristiriitaisia viitteitä – merkintä hoidon päättymisestä ja toisaalla uusi annosmerkintä. Menetelmä ottaa tämän huomioon kahtalaisesti. Ensiksi se määrittelee rajoitteita, jotka kertovat, mitkä tapahtumayhdistelmät eivät voi olla yhtä aikaa totta (esimerkiksi hoito ei voi olla samanaikaisesti käynnissä ja päättynyt). Toiseksi se käyttää ”korjausta”: jos sääntöjen pohjalta syntyy keskenään yhteensopimattomia tulkintoja, järjestelmä valitsee niiden joukosta etusijajärjestyksen avulla sellaisen, joka on sisäisesti ristiriidaton. Näin se ei vain päättele tapahtumia, vaan myös siivoaa väistämättömiä epäselvyyksiä.
Tämänkaltaisen päättelyn haaste on perinteisesti ollut laskenta. Kun sääntöjä ja datapisteitä on paljon, mahdollisten tulkintojen määrä räjähtää. Tutkimus myöntää tämän suoraan: jos kaikki ominaisuudet sallitaan, johtopäätöksistä tulee laskennallisesti raskaasti ratkeavia. Uutta on se, että kirjoittajat tunnistavat käyttökelpoisia rajauksia, joiden puitteissa päättely pysyy kohtuullisena. Arkikielellä: kun tietyistä kiemuroista pidättäydytään, laskenta-aika kasvaa datan mukana suunnilleen siedettävällä tavalla, sen sijaan että se karkaa käsistä eksponentiaalisesti. Tämä on ratkaisevaa, jos menetelmästä halutaan käytännössä hyödyllinen.
Menetelmä ei jäänyt paperille. Tutkijaryhmä toteutti prototyypin loogista ohjelmointia hyödyntävällä työkalulla ja sovelsi sitä keuhkosyöpään liittyvään aineistoon. Arvioinnin tulokset tukivat lähestymistavan kiinnostavuutta kahdella tavalla: laskenta pysyi hallittavana ja järjestelmän päättelemät tapahtumat olivat myönteisessä linjassa lääkärien näkemysten kanssa. Toisin sanoen kone ei vain jaksanut pyörittää sääntöjä, vaan päätyi myös sellaiseen ”tarinaan”, jonka asiantuntijat tunnistivat mielekkääksi.
On tärkeää huomata, mitä tämä ei ole. Se ei ole musta laatikko, joka arvelee tulevaisuutta datasta opitun perusteella. Päinvastoin, menetelmä on tarkoituksella läpinäkyvä: jokainen päätelty tapahtuma nojaa sääntöihin, jotka voi lukea ja joista voi olla eri mieltä. Tämä tekee siitä hyvin erilaisen kuin monet tekoälysovellukset, joiden vahvuus on ennustaminen mutta heikkous selitettävyys.
Samalla läpinäkyvyys tuo vastuuta. Jos säännöt ovat puutteellisia tai ristiriitaisia, myös päätellyt tapahtumat voivat olla virheellisiä. Tutkimus tunnustaa tämän ja sisällyttää siksi rajoitteet ja korjausmekanismin. Silti lopputulos riippuu pohjatyöstä: siitä, millaista taustatietoa annetaan ja kuinka hyvin se vastaa todellista hoitokäytäntöä. Lisäksi kaikki laskennallinen hallittavuus perustuu mainittuihin rajauksiin; niiden ulkopuolella kustannukset voivat nousta nopeasti.
Rajoituksia on muitakin. Prototyyppi on vasta ydinominaisuuksien toteutus, ei valmis sairaalajärjestelmä. Arviointi tehtiin yhteen tautiryhmään rajatussa käyttötapauksessa, jossa tulokset olivat lupaavassa linjassa asiantuntijoiden arvioiden kanssa. Se on hyvä alku, ei vielä todiste yleispätevyydestä. Myös datan laatu vaihtelee: jos aikaleimat puuttuvat tai ovat epäluotettavia, sääntöpohjainen päättely joutuu tekemään enemmän korjauksia ja valintoja.
Silti ajatus on laajemmin houkutteleva. Terveysdata ei ole ainoa alue, jossa aikaleimoja kertyy ja jossa kokonaisuuksia pitäisi ymmärtää: logistiikka, teollisuuden kunnossapito ja jopa talousraportointi kärsivät samasta sirpaleisuudesta. Tutkimus korostaa, että lähestymistapa on tarkoituksella yleinen ja siirrettävissä muihin domaineihin. Jos säännöt voidaan kirjoittaa, tapahtumat voidaan päätellä.
Lopulta kysymys kuuluu: haluammeko tietojärjestelmiltä vain listoja ja hälytyksiä, vai myös selityksiä? Kun sairaalan tietokone oppii kokoamaan aikaleimoista tarinan, se ei ehkä tee lääkäristä tarpeetonta – mutta voi tehdä hänen työstään vähemmän arkeologista. Ja juuri siinä piilee isompi mahdollisuus: jos kone osaa kertoa, mitä todennäköisesti tapahtui, voisiko se seuraavaksi auttaa päättämään, mitä pitäisi tapahtua?
Paper: https://arxiv.org/abs/2604.21793v1
Register: https://www.AiFeta.com
tekoäly terveysdata looginen-päättely keuhkosyöpä tietojenkäsittely tiede
