Suomessa on poikkeuksellisen laajat ja monipuoliset terveys- ja hyvinvointidatan tietovarannot. Jotta datasta saadaan yksilön omia terveysvalintoja, parempia hoitoja sekä päätöksentekoa tukevaa luotettavaa terveystietoa, pitää panostaa datan laatuun ja kasvattaa terveysalan data-analytiikkaan keskittyvää huippuosaamista.
Suomessa on kansainvälisestikin tarkasteltuna poikkeuksellisen laajat ja monipuoliset, pääosin julkisorganisaatioihin kertyneet terveys- ja hyvinvointitietoja sisältävät datavarannot. Sairaanhoitopiirien ja terveyskeskusten kliiniset potilastiedot, biopankkeihin kerättävät näytteet, Kelaan kertyvät etuus-, sairauskuluvakuutus- ja reseptitiedot sekä valtakunnalliset sairastavuutta ja palvelujen käyttöä seuraavat rekisteritiedot ovat houkutteleva lähde erilaisille tutkimus-, kehittämis- ja analytiikkahankkeille.
Suomessa on kansainvälisestikin tarkasteltuna poikkeuksellisen laajat ja monipuoliset, pääosin julkisorganisaatioihin kertyneet terveys- ja hyvinvointitietoja sisältävät datavarannot.
Suomalaisen datan erityisvahvuus on sen pitkittäisyydessä ja yhdisteltävyydessä. Henkilötunnisteella yksilöityjä tietolähteitä voidaan yhdistellä vuosikymmenten ajalta ja siten rakentaa erittäin rikkaita datakokonaisuuksia uuden tiedon saamiseksi.
Jotta raakadatasta saadaan jalostettua luotettavasti hoitopäätöksiä ja yksilön omia terveysvalintoja tukevaa terveystietoa, pitää käsiteltävän datan laadun olla riittävä ja dataa muokkaavan analytiikkaketjun algoritmeineen täyttää tarpeelliset kriteerit. Kertynyttä dataa voidaan systemaattisesti kuratoida ja arvioida laadun parantamiseksi, mutta se on työlästä eikä kaikkia puutteita voida jälkikäteen korjata.
Tavoitteena laadukas data
Kaikkein tärkeintä datan laadun suhteen on se, että datan tuottajalla on riittävät kannusteet tehdä työnsä hyvin ja että tuottaja itse saa siitä hyötyä.
Kun analytiikkaa ja algoritmeja kehitetään tulkitsemaan kliinistä tietoa ja osallistumaan hoidossa tehtäviin päätöksiin, pitää niille aina hankkia uskottava kliininen näyttö ja saada koko algoritmiketju CE-merkinnän piiriin. Suuret IT- ja MedTech-yritykset panostavat alueelle voimakkaasti. Kehittämisessä on erityisesti huomioitava opetus- ja kontrollidatan edustavuus, jottei koneoppiminen ja tekoäly johtaisi epäeettisiin tuloksiin ja epätasa-arvoisuuden automaatioon.
Suomalaisten terveysalan yritysten ja terveydenhoidon organisaatioiden on kilpailukykyisinä pysyäkseen paitsi investoitava koneoppimiseen ja tekoälyyn riittävästi, myös varmistettava että ne pystyvät kehittämään ja ylläpitämään CE-hyväksyttyjä ohjelmistoja ja lääkinnällisiä laitteita.
Keväällä 2018 hyväksyttiin laki sote-tietojen toissijaisesta käytöstä, jonka tavoitteena on mahdollistaa sote-datan tehokas hyödyntäminen ja siihen liittyneen moninkertaisen byrokratian poistaminen. Lain toimeenpanossa ja datan hyödyntämistä tukevien palvelujen rakentamisessa tulee huolehtia, ettei synnytetä uusia pullonkauloja ja ettei lain tulkinta käytännössä muodostu esteeksi Suomessa tapahtuvalle kehitystyölle tässä erittäin nopeasti kehittyvässä aihepiirissä.
Kirjoittaja
Pekka Kahri, teknologiapäällikkö
HUS
