Koneoppiminen ja massadata terveydenhuollossa

Abstract

Terveydenhuollon järjestelmät tuottavat valtavan määrän uutta dataa päivittäin. Dataa on niin paljon, että puhutaan jo massadatasta. Tästä datasta on mahdollista etsiä tietämystä, jolla terveydenhuoltoa pystyttäisiin parantamaan ja tehostamaan. Massadataa tutkitaan erityisesti tiedonlouhinnan ja koneoppimisen algoritmeja hyödyntämällä. Massadatan hyödyntäminen on muilla aloilla arkipäivää jo useita vuosia, mutta terveydenhuollossa se ei ole läheskään yhtä pitkälle kehittynyt. Terveydenhuollon massadatan hyödyntämisessä onkin omat haasteensa ja esteensä, jotka on onnistuttava ratkaisemaan ennen kuin siitä pystytään tuottamaan mitään arvokasta. Tämä tutkimus tutkii kirjallisuuskatsauksen muodossa, mitä uniikkeja ominaisuuksia ja haasteita terveydenhuollon massadatan hyödyntäminen pitää sisällään. Samalla tutkitaan mitä asioita koneoppimisen avulla pystyttäisiin parantamaan. Tutkimus keskittyy erityisesti massadatan analysointiin ja hyödyntämiseen koneoppimisen näkökulmasta. Tutkimuksessa havaittiin, että massadatan tehokkaan hyödyntämisen esteenä on itse datan luonteesta aiheutuvat haasteet kuten datan epätäydellisyys, joka vaikeuttaa suoraan mallien kouluttamista nykyisillä algoritmeilla. Koneoppimista hyödyntämällä pystyttäisiin automatisoimaan toistuvia kliinisiä tehtäviä kuten hoitohistorian läpikäyntiä, varmentamaan hoidon oikeellisuutta sekä tarjoamaan tukea hoitopäätösten teossa.

Healthcare systems produce massive amounts of new data every day. There is so much data that we are talking about big data. From this data, it is possible to search for new knowledge that could improve and streamline healthcare. Big data is analyzed by using different data mining and machine learning algorithms. The use of big data has been commonplace in other fields for several years, but it is not as advanced in the healthcare domain. There are challenges and obstacles in utilizing big data in healthcare that must be first solved before anything valuable can be produced. This study examines, in the form of a literature review, the unique features and challenges of utilizing healthcare big data. At the same time is examined, what things could be improved in healthcare with the help of machine learning. The research focuses especially on the analysis and utilization of big data from the perspective of machine learning. The study found that barriers to the efficient utilization of mass data are due to the nature of the data itself, such as the incompleteness of the data, which directly complicates the training of models with current algorithms. Utilizing machine learning would be able to automate repetitive clinical tasks such as reviewing treatment history, verify the correctness of treatment, and provide support in making treatment decisions.