Fysiologisten ja kliinisten parametrien tehokkaalla yhdistämisellä on mahdollista tukea potilasta hoitavien ammattilaisten päätöksentekoa tehohoidossa.
Ilmiön taustaa ja haasteita
Sairaaloiden teho-osastoilla kerätään päivittäin suuria määriä potilastietoa digitaalisessa muodossa, kuten elintoimintojen mittaus- ja laboratoriotuloksia. Nämä suureet tarjoavat jatkuvaa informaatiota kriittisesti sairaan potilaan tilasta ja muodostavat perustan päivittäisille hoitopäätöksille.
Tehohoitopotilailla ilmenee häiriöitä yhdessä tai useammassa elintoiminnossa, kuten hengityksessä, verenkierrossa tai tajunnantasossa. Myös muiden elinjärjestelmien toimintahäiriöitä voi esiintyä samanaikaisesti. Potilaat voivat tarvita elintoimintoja tukevaa hoitoa, esimerkiksi hengityskonehoitoa, munuaiskorvaushoitoa tai jatkuvaa suonensisäistä lääkehoitoa (Reinikainen & Varpula 2018). Potilaan hoito edellyttää aina myös jatkuvaa monitoriseurantaa, jolloin saadaan ajantasaista tietoa muun muassa sydämen sähköisestä toiminnasta, verenpaineesta, pulssista, hengityskaasujen vaihdosta sekä lämpötilasta. (Alanen, Hakio & Koskela 2022). Nämä ovat perussuureita, joiden lisäksi usein mitataan muitakin parametrejä potilaan tilasta, jolloin kerättävän datan määrä ja sen analysoinnin tarve kasvaa.
Suurta datamäärää on haastavaa hallita ja yhdistellä nopeasti muuttuvissa tilanteissa, kun potilaan tila on kriittinen. Tekoälyn avulla datan käsittelyä on mahdollista tehostaa ja analysoida monipuolisemmin osana kliinistä päätöksentekoa potilastyössä. Tätä haastetta lähdettiin ratkaisemaan KAMK:n HealthHubFinland -tiimin, AIKA-ekosysteemin ja Kajaanin keskussairaalan (KAKS) teho-osaston yhteistyönä perustetussa projektissa.
Keskeinen kysymys oli, miten kehittää ennakoiva tekoälymalli, joka voi tukea teho-osaston henkilökuntaa tunnistamaan potilaat, joilla on suuri kuolleisuusriski olemassa olevien fysiologisten ja kliinisten tietojen perusteella. Tavoitteena oli tarjota ajantasaista näyttöön perustuvaa tietoa päätöksenteon tueksi.
Ratkaisun lähestymistapa
Mallin kehittäminen aloitettiin hyödyntämällä 4000:n anonymisoidun potilaan tietoja PhysioNet -tietokannasta. Tietokannasta saatiin aluksi 30 erilaista kliinistä parametria, joiden määrää rajattiin myöhemmin. Mallia testattiin KAKS:n tehopotilaista kerätyllä datalla, joka sisälsi 600:n potilaan tiedot vuosilta 2019–2023. Mallin kehittämisen ja testaamisen ensisijaisena tavoitteena oli arvioida sen kykyä ennustaa kuolleisuuden riskiä mahdollisimman tarkasti. Kehittyneillä ML-algoritmeilla analysoitiin kuvioita ja korrelaatioita, joiden manuaalinen tulkinta on usein liian monimutkaista tai aikaa vievää.
Tekoälymallin lopullisessa versiossa potilaan tilan ennustamiseksi hyödynnettiin seuraavia potilastietoja ja niiden suhdetta toisiinsa:
- Dialyysi- tai hemoperfuusiohoito (munuaiskorvaushoito)
- Keinoilmatie (potilaalla on intubaatioputki, trakeostomia tms.)
- Lisähappi (lääkkeellisen hapen antaminen)
- FiO₂ (hapen osuus sisäänhengitysilmasta)
- Virtsamäärä
- Keskuslaskimokatetri (katetri, joka asetetaan yläonttolaskimoon)
- Vakavan asidoosin tai alkaloosin hoito (elimistön liiallisen happamuuden tai emäksisyyden hoito)
- Veren pH-arvo
- Useiden vasoaktiivisten lääkkeiden käyttö (sydän- ja verenkiertoelimistöön vaikuttavat lääkkeet)
- APACHE-pisteet (pisteytys, jolla mitataan potilaan sairauden vakavuutta ja ennustetaan kuolleisuusriskiä)
- Todellinen tehohoitokuolleisuus
Kuva 1: KAKS:sta kerätyn datan korrelaatiolämpökartta.
Yllä oleva lämpökartta (Leveraging AI, 2025.) näyttää, miten kymmenen keskeistä kliinistä muuttujaa liittyvät toisiinsa. Kuva auttaa hahmottamaan, mitkä hoidot ja mittaukset esiintyvät usein yhdessä tehohoitopotilailla. Korrelaation arvot vaihtelevat välillä -1 ja +1.
- Positiivinen korrelaatio (esim. 0.46) tarkoittaa, että muuttujat yleensä kasvavat yhdessä.
- Negatiivinen korrelaatio (esim. -0.49) tarkoittaa, että kun toinen kasvaa, toinen yleensä pienenee.
- Lähellä nollaa oleva arvo tarkoittaa, että muuttujien välillä ei ole vahvaa yhteyttä.
Esimerkkejä kuvaajasta:
- pH ja useat verisuonia supistavat lääkkeet (multiple vasoactive drugs) korreloivat negatiivisesti (-0.49). Potilailla, jotka saavat useita verenpainetta tukevia lääkkeitä, pH-arvo on usein matala (happamuus).
- Dialyysi ja virtsaneritys korreloivat negatiivisesti (-0.33). Dialyysihoitoa saavat potilaat virtsaavat yleensä vähemmän.
- FiO₂ ja Apache-pisteet korreloivat kohtalaisen positiivisesti (0.38). Potilaat, jotka tarvitsevat enemmän happilisää, ovat usein vakavammin sairaita.
Kuva 2: Confusion Matrix.
Tietojen analysoinnin jälkeen kehitettiin tekoälymalli ennustamaan potilaiden kuolleisuusriskiä.
- Vasemmalla ylhäällä oleva luku osoittaa, kuinka moni potilas ennustettiin oikein elossa olevaksi (“alive”)
- Oikealla alhaalla näkyy, kuinka monta potilasta ennustettiin oikein kuolleeksi (“deceased”)
- Kaksi muuta numeroa kuvaavat virheellisiä ennusteita: potilaat, jotka on virheellisesti luokiteltu joko eläviksi tai kuolleiksi.
- Kunkin neliön sisällä olevat prosenttiluvut auttavat havainnollistamaan mallin vahvuuksia ja rajoituksia.
Keskeiset havainnot
KAKS:sta kerätyn aineiston analyysi mahdollisti keskeisten muuttujien välisten suhteiden tunnistamisen (kuva 1), mikä ohjasi tekoälymalliin sisällytettävien parametrien valintaa. Mallin kehittämisen jälkeen sen suorituskykyä arvioitiin sekoitusmatriisin avulla (kuva 2). Mallin testaukset osoittivat sen kyvyn luokitella potilaat kuolleisuusriskin perusteella.
Testien perusteella on viitteitä siitä, että mallin avulla voidaan kehittää hoidon priorisointia ja resurssien kohdentamista. Korkean riskin potilaiden varhaisempi tunnistaminen voi edistää kliinisten päätösten ja toimenpiteiden kohdentamista, jolloin potilas voi saada hoitoa nopeammin. Tämä voi osaltaan lyhentää tehohoitojaksojen kestoa, tehostaa vuodepaikkojen käyttöä, vähentää toimintakustannuksia ja keventää henkilöstön työkuormaa.
Kliinisen päätöksenteon kannalta on erityisen tärkeää tunnistaa potilaat, joiden ennustetaan selviytyvän, koska nämä potilaat hyötyvät eniten annetusta hoidosta. Mallin tarkkuutta kuolleiden ennustamisessa olisi mahdollista parantaa, mutta se heikentäisi sen suorituskykyä elossa olevien potilaiden tunnistamisessa. Projekti jatkuu syksyllä 2025, kun saamme käyttöömme lisää potilasdataa KAKS:sta vuosilta 2010–2018 ja 2024. Mallin käyttöönotto on vielä kesken, mutta tehty työ tukee digitaalisen infrastruktuurin ja asiantuntemuksen kehittämistä, jotta tekoälytyökalut voidaan tulevaisuudessa integroida osaksi kliinistä työtä.
Lähteet
Alanen, P. Hakio N. & Koskela, T. (2022). Tehohoitotyö. SanomaPro.
Al Sadi, N. Ataei, M. Vuorinen, S. (2025). Leveraging AI to build a model for predicting mortality in the Intensive Care Unit, optimizing patient care strategies. https://european-digital-innovation-hubs.ec.europa.eu/knowledge-hub/success-stories/leveraging-ai-build-model-predicting-mortality-intensive-care-unit
Reinikainen, M. & Varpula, T. (2018). Suomalainen tehohoito. Aikakausikirja Duodecim 134 (2). 161–3.
Kuvat 1. ja 2. ovat projektihenkilöstön omaa tuotantoa.