Tekoälyn mahdollisuudet selkäkivun pitkittymisen riskien tunnistamisessa

Kivun vaikutus toimintakykyyn on yksilöllistä

Kaksi potilasta voi jakaa saman diagnoosin, mutta heidän toimintakykynsä ja työssä selviytymisensä voivat olla täysin erilaiset. Toinen jatkaa töissä pienin mukautuksin, toinen ajautuu pitkälle sairauslomakierteelle. Selkäkivun pitkittyminen on harvoin kiinni yhdestä tekijästä, jolloin sen ennustaminenkin on haastavaa. Sen sijaan kyse on monista eri tekijöistä, joihin voivat kuulua esimerkiksi pelko-välttämiskäyttäytyminen, mielialatekijät, työn fyysinen ja psyykkinen kuormitus, elintavat ja sosiaalinen tilanne. Perinteisesti tilanteen riskinarvio perustuu kliiniseen kokemukseen, aiempaan tietoon potilaan tilanteesta ja haastatteluun. Näissä on kuitenkin rajansa, ja kokonaiskuvan hahmottaminen nopeasti ja systemaattisesti on haastavaa.

Potilaskertomukset sisältävät yleensä runsaasti tietoja, joiden kautta on löydettävissä vastauksia potilaan toimintakykyä ja terveyttä koskeviin kysymyksiin. Terveydenhuollon ammattilaiset varmasti tunnistavat itsensä kuvauksesta, jossa tietoa selataan sivukaupalla tiukassa aikataulussa yrittäen ymmärtää potilaan kokonaisuutta. Syy tähän on selvä: tieto on hajanaista, ja kokonaisvaltainen kuvaus potilaan tilasta on harvoin saatavilla yksittäisestä yhteenvedosta.

Miten tekoäly voi auttaa?

Tekoälyn vahvuus on siinä, että se pystyy yhdistämään suuren määrän tietoa systemaattisesti. Se voi tulkita potilaan esitietoja, kyselyitä ja vapaata tekstiä ja tuottaa kokonaiskuvan toimintakyvystä ja oireilun pitkittymisen riskistä. Jotta tämä laaja tietomassa olisi kliinisesti hyödynnettävää, tarvitaan ensin tapa jäsentää se ymmärrettävään muotoon. Myös tekoäly tarvitsee taustalleen rakenteen, jonka varassa se tunnistaa ja yhdistää eri datalähteitä ja -muotoja.

Maailman terveysjärjestö (WHO) on kehittänyt kansainvälisen toimintakyvyn, toimintarajoitteiden ja terveyden luokituksen, eli ICF-luokituksen kuvaamaan terveyttä ja terveyteen liittyviä tekijöitä kokonaisvaltaisesti. Kun ICF-luokitusta käytetään terveystiedon jäsentämiseen, se voi luoda paitsi laajemman kuvan terveydestä, myös heijastaa potilaiden itse ilmoittamia ongelmia tarkemmin kuin tyypillinen lääketieteellinen arviointi.

Tutkimuksissamme olemme muodostaneet potilasteksteistä ICF-luokituksen mukaista rakenteista tietoa suomalaisella tekoälymenetelmällä, joka yhdistää erikoistuneen semanttisen kielimallin itseohjautuvaan koneoppimiseen. Olemme osoittaneet, että potilaan toimintakykyä ja kivun pitkittymisen riskitekijöitä kuvaavaa tietoa voidaan tunnistaa luotettavasti vapaamuotoisesta kliinisestä tekstistä. Käytännössä tämä tarkoittaa sitä, että tekoäly voi nostaa esiin esimerkiksi kipuun liittyvää välttämiskäyttäytymistä, mielialatekijöitä tai työn kuormitustekijöitä, vaikka niitä ei olisi kirjattu yhtenäisin termein.

Vastaanottotilanteessa tämä voisi tarkoittaa sitä, että vastaanotolle tullaan valmiin yhteenvedon kanssa, josta on nähtävissä tulosyyn mukaiset ongelman pitkittymiseen liittyvät riskitekijät. Ammattilaisen tehtävänä ei olisi enää kerätä hajallaan olevaa tietoa, vaan tulkita sitä. Tällöin ammattilainen voi suunnata arvion alusta lähtien laajemmin biopsykososiaaliseen kokonaisuuteen eikä pelkästään oireeseen ja ohjata potilaan varhaisessa vaiheessa tarkoituksenmukaisen moniammatillisen tuen piiriin.

Hyöty syntyy ammattilaisen käsissä

Tärkein kysymys ei ole, kuinka hyvä tekoälyalgoritmi on, vaan mitä sen jälkeen tapahtuu. Jos korkean riskin potilas tunnistetaan, mutta jatkopolku ei muutu, hyöty jää syntymättä. Tekoälyn todellinen arvo syntyy vasta osana hoitoprosessia: miten se vaikuttaa hoidon valintaan, moniammatilliseen yhteistyöhön ja seurantaan. Parhaimmillaan se tukee sitä, että oikea potilas ohjautuu oikealle ammattilaiselle oikeaan aikaan.

Tekoäly ei saa jäädä irralliseksi työkaluksi. Uusien työtapojen omaksuminen on usein vaikein vaihe ratkaisujen käyttöönotossa, ja ilman sujuvaa implementaatiota hyödyt jäävät helposti toteutumatta.

Ammattilaisen on myös pystyttävä luottamaan tekoälyn tuottamaan tietoon. Tämä edellyttää riittävää läpinäkyvyyttä: on ymmärrettävä, mihin arvio perustuu ja voitava varmistaa sen oikeellisuus. Vastuu päätöksenteosta säilyy aina ihmisellä, eikä tekoälyn tuottama ennuste saa ohjata hoitoa ohi kliinisen harkinnan.

On tärkeää tiedostaa myös rajoitteet. Tekoäly toimii vain yhtä hyvin kuin sen käyttämä data. Jos tieto on puutteellista tai vinoutunutta, myös johtopäätökset voivat olla virheellisiä. Toisaalta hyvin hyödynnettynä tekoäly voi nostaa esiin sellaisia kokonaisuuksia ja yhteyksiä, jotka jäisivät muuten kiireisessä arjessa huomaamatta.

Työterveys on avainasemassa

Selkäkivun aiheuttama toimintarajoite on maailmanlaajuisesti suurinta työikäisen väestön keskuudessa. Euroopassa selkäkipu on yksi yleisimmistä syistä sairauslomaan ja työkyvyttömyyseläkkeelle siirtymiseen.

Työterveys on avainasemassa kivun pitkittymisen ja työkyvyn menetyksen ehkäisyssä. Kun riskitekijät tunnistetaan ajoissa, voidaan myös hoito ja kuntoutus toteuttaa ajoissa. Nykyisillä toimintatavoilla tämä ei aina toteudu. Osa potilaista saa liian kevyttä tukea ja osa päätyy tarpeettomiin tutkimuksiin. Välissä menetetään sekä aikaa että resursseja. "Wait and see" -lähestymistapaa ei enää suositella; etenkin korkean riskin potilaat hyötyvät varhain kohdennetusta biopsykososiaalisesta hoidosta ja kuntoutuksesta.

Työterveyshuollossa on usein hyödynnettävissä eri ammattilaisia, joiden rooleja tulisi vahvistaa pitkittyvän kivun hoidossa. Tunnistettaessa riskitekijöitä potilaat voidaan ohjata eri ammattilaisten vastaanotolle sovituista käytännöistä riippuen. Elintapojen ollessa suurimmassa roolissa voi työterveyshoitaja olla oikea osoite, kun taas kipuun liittyvän liikkumisen pelon ohjatessa tilannetta fysioterapeutti tai psykofyysinen fysioterapeutti voi auttaa. Tärkeää on, että moniammatillisella tiimillä on kirkkaana yhteiset tavoitteet ja tieto kulkee sujuvasti.

Lopuksi

Tekoäly voi auttaa tunnistamaan riskit ja tuomaan näkyväksi sen, mikä muuten jäisi hajanaiseksi tiedoksi. Kuitenkin vasta ammattilaisen käsissä tiedosta syntyy hyöty.

Jos onnistumme yhdistämään nämä kaksi, systemaattisen tiedon ja sen kliinisen hyödyntämisen, voimme aidosti vaikuttaa yhteen työterveyden keskeisimmistä ongelmista.