Tietämys ja data, liittykää yhteen

Transkriptio

1 Ilkka Kunnamo Tietämys ja data, liittykää yhteen Kun näihin aikoihin lääkäriksi valmistuvat elävät uransa aktiivisinta aikaa 2040-luvulla, hoitomenetelmien ja teknologian kehitys on muokannut heidän työnsä sisällön toisenlaiseksi kuin mihin heidät on koulutettu. Suurimmat muutokset tulevat liittymään tapaan, jolla tietämystä tuotetaan ja sovelletaan käytäntöön, kansalaisten aktivoitumiseen omien terveystietojensa tuottajina ja käyttäjinä, yksilöllistettyyn hoitoon, jossa jokaisen intervention hyödyt, haitat ja kustannukset lasketaan potilaskohtaisesti parhaiden interventioiden valitsemiseksi, ja koko väestölle tarjottavien terveyspalveluiden tuotannon ohjaukseen yksilöllisten hoitosuunnitelmien perusteella. Tiedon soveltaminen nopeutuu ja automatisoituu Suomessa, Belgiassa, Norjassa, Kanadassa ja Englannissa tehtiin kesällä 2016 Evidence Ecosystem -hankkeen ( / /3c-g-i-n-nordic-evidence- ecosystem-vandvik.pdf/34e8d912-bd49-4a3a-a01b- 1ceffd263568) ensimmäinen käytännön toteutus. Systemoidusta katsauksesta johdettiin suositus probioottien käytöstä lasten antibioottiripulin ehkäisyssä. Suositus laadittiin neljän maan yhteistyönä GRADE-periaatteita (www. gradeworkinggroup.org) noudattaen norjalaisella MAGICApp-alustalla ( englanninkielisenä, siirrettiin siitä automaattisesti kahden maan (Suomi ja Belgia) hoitosuositusportaaleihin eri julkaisualustoille, käännettiin tietokoneavusteisesti flaamiksi ja ranskaksi ja julkaistiin. Samanaikaisesti suosituksesta tehtiin päätöksentukisääntö, joka käännettiin sääntöeditorissa kohdemaiden kielille ja julkaistiin JavaScript-kielisenä ohjelmana, joka liitettiin sähköisiin potilaskertomuksiin Suomessa ja Belgiassa ( Lääkärit saavat suosituksesta automaattisen viestin antibioottireseptiä kirjoittaessaan. British Medical Journal tuotti suosituksesta uusimuotoisen RapidRecs-artikkelin MAGICAppista siirretystä aineistosta. Ympyrä sulkeutuu, kun automaattisesti monitoroidaan, kuinka usein lääkäri antoi vanhemmille ohjeen probiootin käytöstä tai kuinka usein sitä toimitettiin apteekista antiboottireseptin yhteydessä. Aikaa tähän Evidence Ecosystem suosituksen ensimmäiseen maailmanympärimatkaan kului Jules Vernen maagiset 80 päivää. Kun olemme nähneet, miten maailman ympäri matkustaminen on nykyisin Jules Vernen haaveita nopeampaa, voimme ennustaa näytön käytäntöön siirtämisen nopeutuvan pian dramaattisesti. TAULUKKO 1. Lääketieteen erikoisalat vuonna Lääkäri = sovellusasiantuntija ( appispesialisti ) Kirurgi = kyborginkorjaaja Obstetrikko = geeninvaihtokonsultti Psykiatri = virtuaalitodellisuuden ohjaaja Geriatri = työterveyslääkäri Lääkäritutkija = crowdsourcing-verkostoija Yleislääkäri = vaikuttavuusasiantuntija ja monisairaudentorjuja 2187 Duodecim 2016;132:

2 Tietämyksen perusyksiköksi tulee vastaus kliiniseen kysymykseen ja siihen liittyvä toimintasuositus (recommendation). Tulevaisuuden hoitosuositukset koostuvat tällaisista yksittäisistä suosituksista, joita ylläpidetään kansainvälisenä yhteistyönä ja päivitetään jatkuvasti uuden näytön karttuessa. Potilaan hoitosuunnitelma koostetaan yksilöllisesti näiden yksittäisten suositusten perusteella. Lääketieteen erikoisalat voivat muuttua kehityksen myötä (TAULUKKO 1). Miten hallitaan tietämyksen ja datan määrän kasvu? Vuonna 2012 vuosittain PubMed-tietokantaan liitettävien uusien viittausten määrä ylitti ensi kertaa miljoonan rajan. Nopeimmin yleistyvä julkaisutyyppi ovat systemaattiset katsaukset. Julkaistut tutkimukset ovat kuitenkin vain pieni osa tiedon koko kasvusta. GenBank-tietokannassa ( oli elokuussa 2016 tieto 220 miljardista emäs parista ja 2,2 biljoonasta geenisekvenssistä, joista 1,6 biljoonaa oli peräisin eri eliöiden koko genomin määrityksestä. GenBankin perustamisesta lähtien sen sisältämän tiedon kaksinkertaistumiseen kuluva aika on ollut keskimäärin 18 kuukautta. Tietämys päivittyy yhä nopeammin. Yhden henkilön sähköiseen potilaskertomukseen on vuosien aikana tallennettu suuri määrä mittausarvoja, tutkimustuloksia ja muita tietoja. Jos lasketaan yhteen kaikkien koodattavissa olevien, eri tietojärjestelmien käyttämien erillisten käsitteiden (diagnoosien, lääkkeiden, laboratoriotutkimusten, toimenpiteiden ym.) kokonaismäärä, päädytään karkeasti lukuun Tämä luku saa peräänsä suuren määrän nollia, kun mukaan lisätään omiikoiden tietosisällöt (genomi, proteomi, metabolomi), jotka tulevaisuudessa voivat olla käytettävissä jokaisesta yksilöstä, henkilön oma data (mm. mukana kuljetettavien mittareiden ja antureiden tuottama data) (TIETOLAATIKKO) ja kuvantamistutkimusten tulokset digitaalisina kuvina, joiden jokainen pikseli on erikseen tallennettu ja analysoitavissa. On selvää, että tietämyksen ja yksittäisen henkilön datan yhdistäminen hoitopäätöksiä Tietolaatikko Terveyssensoreilla on mittauskohteena kantajan fysiologia, elinympäristö tai niiden keskinäinen yhteys, kuten kehon lämpötila, paino tai koostumus (rasva, lihas, vesi, luu), liikunta, kalorinkulutus, verenpaine ja veren glukoosipitoisuus, EMG, EEG, EKG, pulssiaallon nopeus, happisaturaatio, rytmihäiriöt, stressitaso ja uni (laatu, pituus, ääntely nukkuessa kuorsaus, unissa puhuminen). Käyttö on laajenemassa: Lenkkitossuissa lämpötilakontrolli, tulevalla äidillä sikiön musiikkivyö, sormuksessa tai tatuoinnissa sensori (hikoilu, auringon saanti), älyvaatteet. Näistä digitaalinen tieto välittyy pilvipalveluun ja edelleen hoitohenkilökunnalle. Laitteet voivat alkaa kommunikoida keskenään (Internet of Things, esineiden internet) tarkoituksena ohjata ja voimaannuttaa kantajansa terveyskäyttäytymistä. Laitteita myytiin 123 miljardin dollarin arvosta vuonna 2015, ennuste vuodeksi 2024 on 612 miljardia. Aiheesta lisää: report-global-market-connected-wearableshealth-devices-expected-reach-612b-2024 Toimitus tehtäessä vaatii avuksi tietojärjestelmän, jonka analysoitavaksi sekä tietämys että data annetaan. Miten vältetään silloin se, ettei tietojärjestelmästä tule musta laatikko, joka suoltaa toimintaohjeita, joiden perusteita ohjeiden saaja kansalainen tai ammattilainen ei tiedä? Ongelma voidaan välttää, kun pidetään mielessä kaksi perusasiaa, jotka eivät muutu, ja rakennetaan tietojärjestelmä, joka soveltaa niitä. Näitä perusasioita sekä tietämyksen, datan ja päätöksenteon suhteita havainnollistetaan KUVASSA 1. Tietämyksen perusrakenteena säilyy kliinisen kysymyksen rakenne, jota kuvaa PICOmalli (P = potilasryhmä sekä viitekehys, jossa tietoa sovelletaan, I = interventio, C = vaihtoehtoinen interventio (comparator), O = tavoi I. Kunnamo 2188

3 teltu intervention tulos (outcome)). Sekä perinteinen tietämys (alkuperäistutkimukset, systemoidut katsaukset ja hoitosuositukset) että massadatasta suoraan johdetut havainnot pelkistetään PICO-käsitteiksi ja interventioiden vaikuttavuutta kuvaaviksi luvuiksi. Tietämyksen soveltaja yhdistää henkilön tiedoista (datasta) ja tarpeista johdetut häntä koskevat kliiniset kysymykset päätöksentukiohjelmiston avulla tietämyksen PICO-elementteihin (KUVA 1A). Henkilön datan perusteella tunnistetaan häntä koskevia kliinisiä kysymyksiä, ja tietämyksestä etsitään niihin potilaalle yksilöllisesti räätälöidyt vastaukset. Tuloksena on ehdotus interven tioista, joista olisi hyötyä. Käytännössä tämä tarkoittaa esimerkiksi sitä, että totunnaisia riskitekijöitä ja geenitietoa hyödyntävän ennustemallin avulla määritetään potilaan kardiovaskulaariset riskit, etsitään hoitomenetelmien (sekä lääkkeiden että omahoidon) vaikuttavuusluvut ja ehdotetaan hoitoja, joille potilaan tiedoista ei löydy vastaaiheita ja joita hän ei vielä ole saanut. Hoitojen yhteisvaikutukset ja yksilöllinen annostelu huomioidaan automaattisesti. Tietämyksen ja datan yhteisen PICO-rakenteen ohella toinen perusasia on se, että lopulta kansalainen tai ammattilaisen avustamana potilas itse tekee hoitopäätökset. Näiden päätösten lähtökohtana ovat hänen arvonsa ja valintansa. Kansalainen itse valitsee, millaisia hoidon tuloksia tavoitellaan ja millaisin keinoin hän on valmis näihin tavoitteisiin pyrkimään (KUVA 1B). Keinoiksi tarjotaan niitä, joiden vaikuttavuus on paras. Jotta hän voisi nämä valinnat tehdä, hänelle tulee esittää eri hoitovaihto ehtojen hyödyt ja haitat sekä hoitojen vai A) Tietämys ja päätöksentuki Tietämys Big data P I C O B) Valinnanvapaus Tietämys Big data Tietämys Big data P C) Hyvinvointisuunnitelma I C O P I C O Potilaan tiedot (diagnoosit, lääkkeet, tutkimustulokset, mittaukset, toimenpiteet, toimintakyky, geenit, omadata) Interventiot - Itse- ja omahoito - Palvelutapahtumat Tutkimukset Toimenpiteet Terapiat Tuki Tavoiteltu tulos - Terveydentilan muutos - Toimintakyky - Pärjääminen Interventioiden haitat Palvelukomponentit (osatoiminnot): - Tiedonkeruu - Valmistelu - Ohjaus - Toimenpide - Seuranta Potilaan tiedot (diagnoosit, lääkkeet, tutkimustulokset, mittaukset, toimenpiteet, toimintakyky, geenit, omadata) Interventiot - Itse- ja omahoito - Palvelutapahtumat Tutkimukset Toimenpiteet Terapiat Tuki Tavoiteltu tulos - Terveydentilan muutos - Toimintakyky - Pärjääminen Interventioiden haitat Potilaan tiedot (diagnoosit, lääkkeet, tutkimustulokset, mittaukset, toimenpiteet, toimintakyky, geenit, omadata) Interventiot - Itse- ja omahoito - Palvelutapahtumat Tutkimukset Toimenpiteet Terapiat Tuki Tavoiteltu tulos - Terveydentilan muutos - Toimintakyky - Pärjääminen Interventioiden haitat Arvot ja valinnat Palvelukomponentit (osatoiminnot): - Tiedonkeruu - Valmistelu - Ohjaus - Toimenpide - Seuranta Arvot ja valinnat Palvelukomponentit (osatoiminnot): - Tiedonkeruu - Valmistelu - Ohjaus - Toimenpide - Seuranta Arvot ja valinnat KUVA 1. Tietämyksen, potilasdatan, päätöksentuen, hyvinvointisuunnitelman, valinnanvapauden ja toiminnanohjauksen suhteet. Totunnaisen tietämyksen (alkuperäistutkimukset, systemoidut katsaukset, hoitosuositukset) rinnalle tulee big datan eli massadatan automaattinen analysointi. Massadatalla tarkoitetaan kaikkien aiemmin hoidettujen potilaiden potilaskertomustietojen, heidän itsensä sekä automaattisten laitteiden tallentamien tietojen sekä heidän ympäristöään koskevien tietojen analysointia ja ennustemallien tekemistä näiden tietojen perusteella. Päätöksentuella tarkoitetaan perinteisen tietämyksen ja ennustemallien yhdistämistä yksittäisen henkilön tietoihin, jotta löydettäisiin häntä koskeviin kliinisiin kysymyksin vastauksen antava tietämys Tietotekniikan tuoma murros terveydenhuollossa

4 kutus arkielämään helposti ymmärrettävässä muodossa. Mustan laatikon antamien ohjeiden sijasta tietojärjestelmä esittääkin päätöksenteon perusteet entistä havainnollisemmin ja tekee asiakkaasta valintojen tekijän. Hyvinvointisuunnitelmaan valitut interventiot muodostuvat osista, jotka voidaan tarjota hoitosuunnitelmaan ja potilastietojärjestelmään määräyspaketteina, joiden toteuttamista tietojärjestelmä automatisoi (KUVA 1C). Merkittävä osa interventioista on itsehoitoa, jota Suomen kansallinen sote-tietostrategia digitaalisten omahoitopalvelujen avulla vahvasti tukee ja johon se tarjoaa työkaluja. Hoitosuunnitelmaan koodatut ammattilaisten antamat interventiot potilas voi itse varata suunnitelmassa ehdotettuna ajankohtana. Hoitopaikassa tarvittavat resurssivaraukset tehdään samalla automaattisesti. Kansalaisen oma hyvinvointisuunnitelma ja sen osana ammattilaisten hoitosuunnitelma on asiakaskeskeisen sote-tietojärjestelmän ja soten tavoitteisiin kuuluvan valinnanvapauden perusta (KUVA 2). Ammattilaisten roolina on suunnitelmaa tehtäessä tarjota valittavaksi interventioita, joiden takana on luotettavin näyttö. Tärkein osa valinnanvapautta on aivan muualla kuin palveluntuottajan valinnassa. Kansalaiset oman datansa tuottajina ja käyttäjinä Hitaan ja kompastelevan alun jälkeen Suomen sähköisestä potilastiedon arkistosta on tulossa sekä kansalaisten että ammattilaisten keskeinen tietovaranto. Sähköinen resepti on juuri muuttumassa pakolliseksi. 1,6 miljoonaa suomalaista oli katsonut omia terveystietojaan 1. Mitä tavoittelen? 2. Millä keinolla pyrin tavoitteeseen? 3. Milloin, miten ja missä asioin? 4. Keneltä saan palveluni ( Stockmann vai Tokmanni? ) KUVA 2. Valinnanvapauden portaat hyvinvointisuunnitelmaa tehtäessä. Tärkein osa valinnanvapautta on aivan muualla kuin palveluntuottajan valinnassa. Kanta-arkistosta huhtikuuhun 2016 mennessä, ja kansalaisten katselukerrat kaksinkertaistuivat vuoden aikana. Maailman edistynein Kanta-ratkaisusta tulee siinä vaiheessa, kun vuoden 2017 loppuun mennessä saadaan käyttöön kansalaisten itsensä tallentamien terveysja hyvinvointitietojen varasto Omakantaan, ja vuosikymmenen loppuun mennessä toteutuu voimassa olevan lääkityksen, hyvinvointi- ja hoitosuunnitelman sekä kumulatiivisesti kertyvien mittaustulosten saaminen sekä kansalaisten että ammattilaisten käyttöön (INTERNETOHEISAINEISTO). Dataan voidaan silloin liittää myös edellä kuvatulla tavalla tietämystä. Kansalaiset ovat valmiita jakamaan tietonsa heitä hoitavien ammattilaisten käyttöön. Kun 1,7 miljoonaa suostumusta oli kysytty ja tulokset kirjattu, ainoastaan 1,6 prosenttia vastauksista oli kielteisiä. Kun sensoreiden keräämää dataa analysoidaan, potilas itse saa suurimman osan palautteesta. Ammattilaisten hälytysraja riippuu potilaan riskistä saada tapahtuma tai komplikaatio, joka voitaisiin ammattilaisen interventiolla estää, ja ammattilaiselle hälytys ohjataan, jos potilas itse ei ole reagoinut odotetulla tavalla tai välitön vaara uhkaa. Tarvitaan runsaasti kokemusta ennen kuin hälytysrajat saadaan säädetyksi oikein. Monitoroinnin ohella sensorit tulevat suoraan ohjaamaan hoitorobotiikkaa, jonka ensimmäisiä sovelluksia on lääkkeiden jatkuva annostelu. Todellinen mullistus voisi olla sovellus, joka omadatan perusteella oppii, miten tietyn henkilön elämäntapoihin vaikutetaan ja ohjaa arkielämää henkilön omien tavoitteiden mukaisesti ehkä biopsykohakkeroinnistakin tulisi näin osa terveydenhuoltoa. Kansalaisten itsensä kirjaama ja monitorointiteknologian avulla tuotettu data mahdollistaa hoitojen arkivaikuttavuuden seurannan uudella tavalla. Jotta tästä saataisiin paras hyöty, tulee käytettävissä olla yksinkertaisia työkaluja, joilla kuvataan henkilöiden itsensä raportoimaa toimintakykyä, pärjäämistä ja elämänlaatua perinteisen terveydentilan ja päätetapahtumien mittaamisen ohella. I. Kunnamo 2190

5 TAULUKKO 2. Laskelma interventioiden tuottamasta terveyshyödystä, kustannus-vaikuttavuudesta ja kustannuksista kuvitteellisessa väestössä, kun jokaisen yksilön mahdollisuus hyötyä (PTB) kustakin interventiosta on ensin laskettu. PTB on laskennallinen luku, jota voidaan käyttää eri interventioiden tuottamien nettohyötyjen vertailussa. Tekonivelen PTB-luku on suuri, koska sen teho kivun lievityksessä on hyvä. Se ei ole kuitenkaan yhtä kustannusvaikuttava kuin tupakkavieroitusohjaus tai statiinihoito valtimo tautia sairastavalla. Interventio PTB:n keski arvo väestössä Potilasmäärä (N) Terveyshyöty väestössä (PTB x N) Yhden intervention hinta (H) Hinta/ terveys hyöty (H/PTB) Kaikkien potilaiden hoitamisen hinta (N x H) Tupakkavieroitus Statiini Tekonivel Virtuaalikontakteista valtavirtaa? Sekä kansalaisen ensi kontakti uuden ongelman ilmaantuessa että diagnosoidun terveysongelman seuranta toteutetaan yhä useammin digitaalisesti. Etäläsnäolon tueksi tarvitaan SoTeApp, jonka avulla henkilö voi pitää oman terveystaltion tietoja ajan tasalla, saada käyttöönsä Kanta-palvelun tiedot, arvioida oireitaan, raportoida esitietoja ja seurantatietoja, konsultoida ammattilaisia ja saada heihin yhteyden. Paras etälääkäri on sellainen, joka tuntee potilaan pitkältä ajalta ja on tutkinut ja tavannut potilasta muutenkin kuin digitaalisesti. Kun virtuaalivastaanottojen riskinä on hoidon pirstoutuminen yhden virtuaalivastaanoton jutuiksi, tulee ammattilaisten ja tuottajaorganisaation kaikin tavoin edistää jatkuvuutta hoitosuhteissa. Ammattilaisilta tämä voi edellyttää tavattavissa oloa myös virka-ajan ulkopuolella mutta tuo samalla joustavuutta ja vapautta työajan suunnitteluun. Digitaalinen sote-palvelu on oikeudenmukainen Tietämyksen ja hoitomenetelmien kehittyessä jokaiselle henkilölle on tarjolla yhä enemmän interventioita, joista voisi olla heille hyötyä ja joita älykäs tietojärjestelmä osaa ehdottaa. Monisairailla henkilöillä priorisointiongelma korostuu, kun hoitojen taakka uhkaa kasvaa suureksi ja hoidoilla voi olla keskinäisiä yhteisvaikutuksia, jotka heikentävät niiden tehoa tai lisäävät riskejä. Voimavarat eivät riitä kaikkeen, minkä teknologia mahdollistaa. Tarvitaan päätöksentukea, jonka avulla interventiot laitetaan tärkeysjärjestykseen sen mukaan, kuinka paljon niistä on hyötyä juuri sille henkilölle, jolle suunnitelmaa tehdään. On mahdollista tuottaa yksilöllistä vaikuttavuustietoa henkilön oman ja ammattilaisen valinnan tueksi määrittämällä mahdollisuus hyötyä hoidosta (potential to benefit, PTB). Ensimmäinen vaihe PTB:n laskemiseksi on etsiä tietämyskannoista intervention suhteelliset vaikuttavuusluvut jokaiselle hoidon tulokselle: kuinka paljon interventio pienentää suhteellista riskiä saada tapahtuma, jota hoidolla pyritään välttämään, ja kuinka paljon se aiheuttaa haittoja. Sen jälkeen arvioidaan henkilön yksilöllinen lähtöriski tälle tapahtumalle, ja kertomalla luvut keskenään lasketaan interventiolla saavutettava absoluuttinen riskin vähenemä (ARR). PTB riippuu vaikutuksen suuruuden lisäksi sen lopputuloksen tärkeydestä, jota hoidolla tavoitellaan. Kuoleman välttäminen on tärkeämpää kuin (lievän) oireen hoito. Tärkeydelle voidaan antaa oletusarvo, mutta ideaalitilanteessa henkilön tulisi itse omien arvojensa perusteella määritellä eri hoidon tuloksille tärkeysluku. Kunkin intervention PTB-arvo saadaan, kun tärkeysluvulla kerrotaan ARR-luku sekä hyötyjen että haittojen osalta, ja hyötyjen summasta vähennetään haittojen summa. Eri interventioiden tuottamat PTB-luvut on näin saatu yhteismitallisiksi. Potilaalle ehdotettavat interventiot voidaan nyt laittaa tärkeysjärjestykseen sen mukaan, kuinka paljon nettohyötyä niistä saadaan Tietotekniikan tuoma murros terveydenhuollossa

6 PTB-arvoja voidaan hyödyntää myös väestötasolla, kun suunnitellaan terveyspalveluja. Ensin tunnistetaan päätöksentukisovelluksen avulla kaikki henkilöt, jotka kuuluvat intervention kohderyhmään mutta eivät ole saaneet sitä eivätkä ole sille vasta-aiheisia, eli määritetään hoitovajaus (care gap). Kun jokaisen henkilön eri interventioiden tuottamat PTB-luvut lasketaan yhteen, voidaan henkilöt järjestää sen mukaan, mikä on heidän mahdollisuutensa hyötyä tarjolla olevista hoidoista. Tämä voidaan tehdä oletusarvoisia tärkeyslukuja käyttäen ja potilaskertomuksen tietoja hyödyntäen myös niille henkilöille, joille ei ole tehty hoitosuunnitelmaa. Suurimmat kokonais-ptb-luvut saaneiden henkilöiden hoitosuunnitelman laatimista ja toteutusta kannattaa priorisoida. Kun halutaan päättää voimavarojen käytöstä koko väestössä, voidaan PTB-arvojen keskiarvoja hyödyntäen tehdä interventioista taulukko (TAULUKKO 2). Taulukko kertoo kustakin interventiosta saatavan hyödyn määrän, jos interventio tarjotaan kaikille, jotka kuuluvat sen kohderyhmään ja joille interventio soveltuu. Taulukko näyttää myös kustannusvaikuttavuuden. Oikeudenmukaisimmin voimavaroja käytetään silloin, kun ensin tarjotaan interventiot niille henkilöille, joiden hoito on kustannusvaikuttavinta. Tässä kuvattujen laskelmien vaatimien tietämyskantojen suunnittelu on aloitettu Sitran rahoituksella. Tavoitteena oppiva sotejärjestelmä, tietoa taitavasti soveltava ammattilainen ja sitä ymmärtävä potilas Datan sekundaarikäytön tavoitteena on rakentaa oppiva tietojärjestelmä. Oppimista on kahdentyyppistä. Tietämys karttuu ja tarkentuu, kun jokainen yksittäinen tietoalkio (kuten verenpainemittauksen tulos tai kansalaisen itsensä raportoima toimintakyky) kartuttaa tietämystä siitä, miten interventioista saadaan paras hyöty myös muille samankaltaisille henkilöille. Työnkulut sujuvoituvat, kun jokainen tapahtuma ( klikkaus ) sähköisessä tietojärjestelmässä ja jokainen asiakkaan kulkema polku tallentuu, ja kertyvää tietoa analysoimalla löydetään oikoteitä, joita pitkin tavoitteeseen päästään nopeam min ja hukkatyötä välttäen. Ammattilaisten koulutuksessa tiedon soveltamisen periaatteisiin ja työkaluihin tulee perehdyttää kaikkien erikoisalojen opetuksessa samalla tavoin kuin hoitomenetelmiin, ja niihin tulee kohdistaa tutkimusta. Potilasta hoitavan ammattilaisen tulee osata etsiä paras tieto, soveltaa sitä yksilöllisesti, ja auttaa potilasta tekemään tietoon perustuvia valintoja omassa hoidossaan. Aiheeseen liittyy myös internetoheisaineistoa, ILKKA KUNNAMO, LKT, dosentti Päätoimittaja, EBMeDS-päätöksentuki, Kustannus Oy Duodecim SIDONNAISUUDET Asiantuntijapalkkio (KSSHP, Kuntaliitto), luentopalkkio (yliopistot, sairaanhoitopiirit, valtakunnalliset lääkäripäivät). Osallistunut useisiin valtakunnallisiin tietohallintohankkeisiin. I. Kunnamo 2192