Länsi-Uusimaa kokeilee lääkärien kirjaamistehtävien korvaamista generatiivisen tekoälyn ratkaisulla. Johan Sanmark kuvaa Linkedinin postauksessa seuraavasti ideaa: Ideana
on siis yksinkertaisuudessaan se, että vastaanotto tai
asiakastapaaminen nauhoitetaan, tehdään taustalla transkriptio, jonka
kielimalli koostaa kirjauksen luonnokseksi. Ammattilainen tarkistaa
kirjauksen ja vie sen asiakas- tai potilastietojärjestelmään. Parhaassa
tapauksessa kirjaamiseen käytettävä työaika poistuu kokonaan,
ammattilainen voi keskittyä asiakkaan kohtaamiseen ja kirjausten laatu
paranee.
Kirjaaminen on ollut suosittu aihe tekoälyn ajankohtaisessa hyödyntämisessä. Futurice oy järjesti neljä työpajaa, josta seurasi lähes 70 ehdotusta. Niiden joukossa oli ainakin kolme koskien kirjaamista: (9, 55, 56) Sote-henkilöstön aikaresurssien vähentäminen kirjausten vuoksi ja terveydenhuollon rahoituksen tiukentuminen. (1). Vaikuttavuusseura järjesti 2023 kaksi hukkajahtia toisen terveydenhuollolle ja toisen sosiaalihuollolle. (2). Kirjaaminen oli keskeinen hukkatekijä. Kirjaajien mielestä kaikkea ei tarvitse kirjata. Vähitellen kirjaamisen määrä on kasvanut eikä kaikilta osin kirjattua dataa-informaatiota- tietoa hyödynnetä. Mutta tarvitaan myös tiettyjä vanhoja ammattiryhmiä apuun - taidettiin varmaankin huutaa apuun sihteerityövoimaa. Tekoälyn hyödyntäminen kirjaamistehtävissä toisi jonkun arvion mukaan 20 %:n tehokkuuslisän. Kansalaisille tulisi avata nykyistä paremmin mahdollisuudet hyödyntää hänestä kirjattua tietoa. Myös kansalaiselle avun hakemiseen kuluu turhaa aikaa.
Olen ollut mukana vuosikymmeniä kehittämässä paikallisella ja kansallisella tasolla tietojärjestelmiä, tiedonkeruuta ja raportointia. Tavoitteena on ollut kerätä tietoa, jota tarvitaan päätöksenteossa eri tasoilla eli ylhäältä alas ja alhaalta ylös. Tietojen keräämisessä on aina tullut vastaan ainakin viisi haastetta: kerätyn tiedon kattavuus, luotettavuus, ajantasaisuus, vertailtavuus ja viidentenä kohtana keruualustojen (tietojärjestelmien) käytettävyys sekä raportoitavan tiedon hyödynnettävyys. (3). Mutta tietojärjestelmätkin ovat ailahteleva työkalupakki. Olen kuullut ongelmista, joissa tietojärjestelmät eivät yksinkertaisesti toimi tai antavat virheellistä informaatiota.
Kuitenkin oleellinen kysymys kautta aikain on ollut kerättävän tiedon muoto. Ääripäissä ovat toisaalta rakenteellinen tieto ja toisaalta ei-rakenteellinen vapaa tieto. Paperiaikakaudella vapaa tieto oli voimissaan. Tuolloin hyödynnettiin sanelukoneita ja sanelujen purkuun osastosihteerien työvoimaa. Tietojärjestelmien kehittyessä ryhdyttiin suosimaan ainakin osittain rakenteellista tietoa. Joko tieto oli valmiiksi luokiteltua (esim. diagnoositieto) tai sitten käytettiin lomakkeita vaihtoehtoisten väittämien rastittamiseen. Rakenteellisella tiedolla on ollut enemmän kannatusta terveydenhuollossa kuin sosiaalihuollossa. Ehkä edelleen tällaisen tiedonkeruun huippua edustaa Apotti-järjestelmä. Muilla käytössä olevilla tietojärjestelmillä ja jossain määrin toisistaan poikkeavia rakenteisen ja ei-rakenteisen tiedon ratkaisutapoja.
Johan Sanmark tuo nyt sitten yhden ratkaisumallin ennen muuta lääkärien mutta myös muun ammattikunnan tiedonkeruuseen. Käytännössä on paluu entisaikoihin eli sanellaan vapaata tekstiä, jota sitten käsitellään osastosihteerien sijaan generatiiviseen tekoälyyn perustuvien algoritmien avulla. Ongelmiksi tulevat kaikki aikaisemmin mainitsemani haasteet:
- kattavuus: Sanmarkin mallissa ollaan vasta pilottivaiheessa, mutta kattavuus edellyttäisi ainakin keruutavan ulottuvan asiakkaan / potilaan kaikkeen hoitoon samoin periaattein. Mielellään myös muiden vastaavien henkilöiden hoitoon.
- luotettavuus: Vapaan tekstin tietovarannosta tuotetaan algoritmien avulla lajiteltua tietoa asetettuihin kysymyksiin. Lääkärin tai muun ammattihenkilön oma sanelutyyli, sanojen käyttö nousee keskiöön ja tästä voi seurata epäluotettavia tai virheellisiä päätelmiä.
- ajantasaisuus: keruuprosessi tässäkin mallissa vaatii ehdottomasti kolme vaihetta:sanelu- tekoälyn käsittelyvaihe - uudelleen sanelijan kokonaistulkinta. Voidaankin kysyä, onko luotettavampaa ja nopeampaa kirjoittaa itse käynnin tulokset ylös ja välttää nuo kolme vaihetta.
- vertailukelpoisuus: Tämä on ehkä hankalin osa sanelijan ja tekoälyn suhdetta. Tuloksen pitäisi olla vertailukelpoinen subteessa asiakkaan /potilaan aikaisempiin tapahtumiin sekä suhteessa vastaaviiin muiden asiakkaiden / potilaiden tapahtumiin.
- käytettävyys: Tietojen keruun pitäisi auttaa ammattihenkilöä, asiakasta/potilasta, organisaation johtamista ja kansallisia tarpeita. Jos tietojen luotettavuus alkumetreillä kangertelee, ei se jatkokäytössä paremmaksi muutu.
Pohdin taannoin tätä haastetta. Enkä ole ainoa pohdiskelija. Ehkä lähinnä tulee mieleen ICD-10-diagnoosiluokitukselle rinnakkainen järjestelmä SNOMED CT. Luokitukset ovat merkittävästi toisistaan poikkeavia. Googlehaulla mikä on SNOMED CT - saadaan seuraava tulos: SNOMED CT on lyhenne sanoista Systemized Nomenclature of Medicine – Clinical Terms eli suomeksi lääketieteen järjestelmällinen nimikkeistö – kliiniset termit. Se on standardoitu, kansainvälinen, monikielinen kliinisen terveydenhuollon terminologian ydinjoukko, jota voidaan käyttää sähköisissä terveyskertomuksissa (EHR). (4). Muistaakseni tämä nimikkeistö sisältää yli 10000 eri termiä. THL on julkistanut lausunnoille dokumentin "Sotekoodistojen hyödyntämisen perusvaatimukset". (5). Puolestaan vapaalla sanelulla ei ole periaatteessa mitään systemaattista termistöä, vaan kunkin sanelijan oma oppineisuus ja kokemus on termien käytön perusta. Rakenteellinen tieto on laadultaan hankala kysymys, koska monet ja monin tavoin ymmärrettävät rastitukset mahdollistavat monenlaisia tulkintoja. Toinen haaste on rastitusten työläys. Samaan aikaan kirjataan (tai sanellaan) myös potilas- ja asiakaskertomustietoja vapaana tekstinä. Kyse on siis osittain päällekkäisestä työstä.
Olen sitä mieltä, että uusi generatiivisen tekoälyyn perustuva järjestelmä pitäisi tutkimuksellisin keinoin vertaisarvioida suhteessa alkuperäiseen vapaaseen saneluun, täydellisyyttä tavoittelevaan rakenteelliseen kirjaamiseen sekä rakenteellisen ja ei rakenteellisen kirjaamisen hybridimalliin. Ehkä tällaisen vertailun avulla voitaisiin saada tekoälyyn lisää luotettavuutta lisäämällä tekoälyn käyttöön rakenteellisia tekijöitä. Oletan, että tie on pitkä. Päädyin muutamaan ehdotukseen asiassa:
- Helpompi tie on kehittää järjestelmien käytettävyyttä tarjoamalla termejä, luokituksia valmiista termi- ja luokitustietokannoista kerääjän avuksi. Tällaisia ratkaisumalleja on olemassa, mutta niiden käyttö vaihtelee. Nämäkin ratkaisumallit edellyttävät vähintäänkin kansallista standardointia.
- Edelleen kuultuani vuonna 2022 hyviä alustuksia tietojohtamisen verkostopäivillä päädyin siihen, että tulevaisuudessa ei tarvita HILMOa (THL:n hoitoilmoitusjärjestelmä) eikä KANTAa erikseen, vaan ne on yhdistettävä. Ratkaisu on mahdollista, jos THL ja Kela pääsevät asiassa yhteisymmärrykseen.
- Vaihtoehtona on kyllä ”hybridimalli” (muotisana 2020-luvulla) eli rakenteellisen ja vapaan tekstin yhdistelmä. Hybridimalli voisi olla myös kirjaamisessa käytössä. Osa kirjaamista voisi olla lääkärien vastuulla, mutta osassa voisi olla vastuu hoitohenkilöstöllä ja toimistohenkilöstöllä. Myös sosiaalihuollossa vastuuta voisi jakaa asioiden substanssivastuullisten ja toimistohenkilöstön kesken.
Ja vielä lopuksi kannattaa ottaa esille vanha vieläkin voimissaan oleva tietohierarkia ja siihen kytkeytyvä metaosio: data - informaatio - tieto/tietämys - viisaus. Tekoälyn käyttö edellyttää inhimillistä viisautta ja tietämystä datan laadussa, prosessin opettamisessa ja tulosten tulkitsemisessa.
Viitteet
Ei kommentteja:
Lähetä kommentti