Tekoäly on nousemassa osaksi ensihoidon tulevaisuutta, mutta minkälaiseksi sen rooli muotoutuu ja tarjoileeko se jatkossa parempaa tukea päätöksenteolle.
Tekoäly on nopeasti nousemassa osaksi ensihoidon tulevaisuutta, mutta sen rooli on vielä muotoutumassa. Nopeat tilanteet, niukka tieto ja vaihtelevat olosuhteet tekevät ensihoidosta ympäristön, jossa älykkäät järjestelmät voisivat tarjota merkittävää tukea päätöksenteolle. Tutkimus etenee vauhdilla, mutta käytännön ratkaisut ovat vasta matkalla kohti ensihoidon arkea.
Tekoäly on noussut viime vuosina vahvasti esiin terveydenhuollon kehittämisessä. Tekoälyyn liittyy valtavasti odotuksia, mielikuvia ja pelkoja. Kovin uudesta asiasta ei ole kyse, vaan käsitteenä se on esiintynyt jo 1950-luvulla. Se määritellään yleensä ohjelmaksi tai järjestelmäksi, joka suorittaa sellaisia tehtäviä, jotka normaalisti vaativat ihmisen kognitiivista kapasiteettia. Perinteinen tietokoneohjelma toimii siten, että sille määritellään tarkat säännöt: kun asia X toteutuu, seuraa siitä Y. Tekoälypohjainen järjestelmä puolestaan etsii suurista tietomassoista säännönmukaisuuksia ja muodostaa niiden perusteella oman mallinsa. Se laskee todennäköisyyksiä, kuten että tietyn tapahtuman jälkeen on yleensä järkevää tehdä Y tai Z. Tekoäly ei kuitenkaan ymmärrä merkityksiä tai asiayhteyksiä, ja sen päätöksenteon logiikka voi olla hyvin monimutkainen ja käytännössä vaikeasti selitettävä, mikä on terveydenhuollossa merkittävä haaste. Käytetyimpiä tekoälysovelluksia ovat laajat kielimallit, kuten ChatGPT.
Tekoäly on kuitenkin paljon muutakin ja hyvin paljon läsnä arjessa. Karttasovellukset, esimerkiksi Google Maps pohjautuvat tekoälyyn, autot tunnistavat liikennemerkkejä ja jalankulkijoita, myös roskapostit suodatetaan jopa turhan tehokkaasti roskapostikansioon.
artikkeli jatkuu
Terveydenhuollossa tekoälyllä tarkka sääntely
EU:n tekoälyasetus on tärkein tekoälyä säätelevä laki. Terveydenhuollon sovellukset luokitellaan korkeimpiin riskiluokkiin, jolloin sääntely on erityisen tarkkaa. Vaikka kyse on tavanomaisesti ohjelmistoista, ne tulkitaan lääkinnällisiksi laitteiksi, mikä tarkoittaa muun muassa tiukkoja vaatimuksia turvallisuudesta, suorituskyvystä, läpinäkyvyydestä ja jatkuvasta valvonnasta ennen käyttöönottoa ja sen aikana.
Myös valtakunnallinen suunta tukee kehitystä. Hallitusohjelmassa korostetaan digitalisaation ja tekoälyn hyödyntämistä sosiaali‑ ja terveydenhuollon tuottavuuden parantamisessa, ja hyvinvointialueet ovat kirjanneet strategioihinsa tavoitteita tekoälyratkaisujen kokeilemisesta. Teknologia nähdään keinona tukea ammattilaisia ja vastata kasvavaan palvelutarpeeseen. Hallituksen linjaukset ja hyvinvointialueiden strategiat vetävät samaan suuntaan. Tekoälyä halutaan hyödyntää aiempaa laajemmin myös sote‑palveluissa.
Ensihoito on vaativa toimintaympäristö
Ensihoito on toimintaympäristönä haastava. Kontaktit ovat lyhyitä, esitiedot varsin niukkoja, fyysinen ympäristö vaihtelee yksityisasunnosta erittäin julkiseen paikkaan. Potilaiden avun tarve vaihtelee täysin kiireettömästä kriittisesti sairaaseen tai vammautuneeseen. Ensihoitajat kohtaavat työssään laajan kirjon hyvin erilaisia potilaita ja tilanteita. Haasteena on, että heidän on hallittava laaja-alaisesti tietoa myös sellaisista terveydenhuollon osa-alueista, jotka eivät varsinaisesti kuulu ensihoidon ydinosaamiseen. Silti jokaisessa tilanteessa on pystyttävä tekemään perusteltuja päätöksiä nopeasti ja turvallisesti. Tämä edellyttää laajaa yleisosaamista sekä kykyä soveltaa tietoa vaihtelevissa tilanteissa. Tekoäly voisi osaltaan tukea päätöksentekoa.
Mitä tutkimus kertoo?
Sairaaloissa tekoäly auttaa jo kuvantamisen tulkinnassa, esimerkiksi kasvaimien tunnistamisessa. Tekoäly tekee selkeästi tuloaan myös ensihoitoon. Tutkimuksia tekoälyn hyödyntämisessä ensihoidossa on tehty viime vuosina paljon, ja julkaisuja ilmestyy nyt enemmän kuin koskaan. Tekoäly vaikuttaisi olevan erityisen hyvä ennakoimaan erilaisia asioita, kuten hoidon kiireellisyyttä tai tunnistamaan erilaisia sairauksia. Päätöksentekoa voidaan myös tukea monin eri tavoin. Ensihoidon tarvetta jollakin maantieteellisellä alueella voidaan ennustaa ja siten ohjata yksikköjä alueelle jo etukäteen.
Kirjaamista voidaan helpottaa muodostamalla ensihoitajien puheesta tekstiä. Korkeariskisiä potilaita voidaan tunnistaa arvioimalla kokonaisuutta sekä ensihoidon että aikaisempien terveystietojen kirjauksia, vitaaliarvoja, sykevälivaihteluja ja EKG:tä. Tekoälyanalyysin avulla on kyetty analysoimaan sydämen rytmiä paineluelvytyksen aikana. Kliinisen arvioinnin tueksi on kehitetty älylaseihin perustuvia ratkaisuja, joissa hyödynnetään konenäköä ja tekoälypohjaista kuvantunnistusta potilaan tilan monitorointiin. Järjestelmä kykenee analysoimaan reaaliaikaisesti esimerkiksi ihon lämpötilaa ja väriä, hengitysfrekvenssiä sekä pupillireaktioita.
Tekoäly on tulossa, ei vielä perillä
Käytössä olevat järjestelmät ovat vielä suurelta osin sääntöpohjaisia tekoälypohjaisten järjestelmien sijaan. Esimerkiksi EKG:n automaattitulkinta perustuu todennäköisesti edelleen sääntöpohjaisuuteen. Tekoälypohjaiset ratkaisut ovat kuitenkin yleistymässä, ja niiden myötä järjestelmät kykenevät havaitsemaan ja tulkitsemaan jo hyvin pieniä muutoksia ensihoitajaa nopeammin ja tarkemmin. Kuten aiemmin on mainittu, mahdollisuuksia on paljon. Käyttöönottoon ja kehittämiseen liittyy joitakin sääntelyn ja käytännön haasteita.
Tekoälyn kehittäminen vaatii paljon laadukasta ja jäsenneltyä dataa. Toistaiseksi data on eri järjestelmissä vapaana tekstinä, jolloin näiden yhdistäminen voi olla hyvin haastavaa. KEJO:n myötä tieto on jatkossa ainakin yhdessä järjestelmässä. Käytettäessä tekoälyä terveydenhuollossa ja viranomaistoiminnassa pitää järjestelmän tekemä päätös kyetä avaamaan aukottomasti. Käytännössä tämä voi olla hyvin haastavaa.
Mitä jos tekoälyn suositus oli väärin? Luotetaanko järjestelmiin niin, että uskalletaan tehdä päätöksiä niiden pohjalta? Jos ei, mitä lisähyötyä järjestelmästä on? Tuleeko siitä se työtä haittaava ärsyttävä ponnahdusikkuna? Toisaalta jo nyt hoitopäätöksiä tehdään vahvasti teknologian pohjalta. Jatkossakaan tekoäly ei korvaa ensihoitajan ammattitaitoa. Parhaimmillaan se on arjessa mukana oleva työkalu, jonka avulla potilaan vointia voidaan arvioida tarkemmin ja voidaan keventää ensihoitajan runsasta kognitiivista kuormaa.
Kehitystä hidastavat datan laatu, vastuukysymykset, hyväksyttävyys ja se, että suuri osa ensihoidon tiedosta on yhä rakenteistamatonta. KEJO‑järjestelmä voi kuitenkin vauhdittaa muutosta tarjoamalla yhtenäisen, valtakunnallisen tietopohjan tekoälyn kehittämiselle ja käyttöönotolle. Ensihoidon perustehtävä ja olemus tuskin muuttuvat tekoälyn myötä, mutta jo nyt käytössä olevat sovellukset tukevat päätöksentekoa. Mielenkiintoista on seurata, mikä on mahdollista tulevaisuudessa ja miten järjestelmät saadaan käyttöön kentälle.
Teksti:
Reino Tissari, ensihoitaja (AMK), TtK, TtM-opiskelija, Turun yliopisto, hoitotieteen laitos. Ensihoitaja, Varsinais-Suomen hyvinvointialue, pelastus- ja ensihoitopalvelut. Tuntiopettaja, Turun ammattikorkeakoulu. [email protected]; [email protected]
Helena Heino, terveydenhoitaja (YAMK), AmO, TtK, TtM-opiskelija, Turun yliopisto, hoitotieteen laitos.
Kuva Marko Partanen
Lähteet:
Chee, M. L., Chee, M. L., Huang, H., Mazzochi, K., Taylor, K., Wang, H., Feng, M., Ho, A. F. W., Siddiqui, F. J., Ong, M. E. H., & Liu, N. (2023). Artificial intelligence and machine learning in prehospital emergency care: A scoping review. iScience, 26(8), Artikkelinumero 107407. https://doi.org/10.1016/j.isci.2023.107407
Elfahim, O., Edjinedja, K. L., Cossus, J., Youssfi, M., Barakat, O., & Desmettre, T. (2025). A systematic literature review of artificial intelligence in prehospital emergency care. Big Data and Cognitive Computing, 9(9), 219.
Kang, D. Y., Cho, K. J., Choi, S. H., Yoon, H. J., Bae, K. J., Shin, S. D., & Ryu, H. G. (2020). Artificial intelligence algorithm to predict the need for critical care in prehospital emergency medical services.Scandinavian Journal of Trauma, Resuscitation and Emergency Medicine, 28(1), 1–11.
Piliuk, K., & Tomforde, S. (2023). Artificial intelligence in emergency medicine: A systematic literature review. International Journal of Medical Informatics, 180, 105274.
Tamminen, J., Kallonen, A., Hoppu, S., & Kalliomäki, J. (2020). Random forest machine learning method outperforms prehospital national early warning score in predicting short-term mortality. Resuscitation Plus, 4, Artikkelinumero 100046.
