Keinoäly ja robotiikka - soveltaminen terveydenhuollossa Arjen käytäntöjä ja esimerkkejä toteutuksista. Digilääkäri Satu Mäkelä

Transkriptio

1 Keinoäly ja robotiikka - soveltaminen terveydenhuollossa Arjen käytäntöjä ja esimerkkejä toteutuksista Digilääkäri Satu Mäkelä Tampereen yliopistollinen sairaala Pirkanmaan sairaanhoitopiiri

2 Aiheita Rutiinihommia Esimerkkejä ohjelmistorobotin töistä Taysissa Korkean riskin diabeetikon tunnistaminen Esimerkki keinoälyn/koneoppimisen mahdollisuudesta löytää korkean riskin potilas Tavoitteena parantaa hoidon laatua ja vaikuttavuutta, sekä säästää erikoissairaanhoidon kustannuksia

3 Ohjelmistorobotti (robotic process automation, RPA) Robottiavusteinen kirurgia Palvelurobotti

4 Mikä on ohjelmistorobotti? Jäljittelee ihmisen tapaa käyttää ohjelmistoja Kirjautuu työasemalle/järjestelmiin Käyttää samoja käyttöliittymiä Tekee samoja klikkauksia Suorittaa tehtäviä automaattisesti taustalla Digitaalinen työntekijä

5 Millaiset tehtävät sopivat robotille? Samalla kaavalla toistuvat tehtävät, jotka eivät vaadi ihmisen päättelyä, tulkintaa tai luovuutta Tehtävät, jotka vievät paljon henkilökunnan aikaa Päivittäin/viikoittain toistuvat tehtävät Harvemmin toistuvat, mutta kerralla paljon aikaa vievät tehtävät Potilasturvallisuutta varmistavat tehtävät Robotti ei väsy, vaikka olisi kuinka tylsä tehtävä

6 Laboratoriokäynnin tarkastus -esimerkki

7 Hoitaja Hoitaja tarkistaa ottaa päivän yhteyttä potilaista yksitellen, potilaaseen, ketkä ovat joka käyneet ei ole laboratoriossa hoitanut laboratoriokäyntiään

8 Joka päivä yksi hoitaja Potilaalle tarkistaa pitää noin kahdenkymmenen varata uusi laboratorioaika. potilaan tiedot

9 Jokainen hoitaja käyttää tähän aikaa joka päivä noin 30 minuuttia.

10 Robotti lähettää Robotti tarkistaa hoitajalle listan potilaiden tiedot potilaista, jotka järjestelmästä eivät ole käyneet automaattisesti. laboratoriossa.

11 Aikaa Hoitajan säästyy, ei kun enää hoitaja tarvitse näkee tarkastaa heti, keihin potilaita pitää ottaa yksitellen. yhteyttä.

12 Kahdestakymmenestä potilaasta keskimäärin kolme jättää laboratoriokäynnin käymättä.

13 Jokaiselta hoitajalta vapautuu aikaa potilastyöhön.

14 Esimerkki 2. Radiologi lausuu virka-aikana päivystysaikana otetut röntgen-kuvat. Ensiavun lääkäri tarkistaa kaikki lausunnot. Aikaisemmin Yhden henkilön työaika kului lähes kokonaan siihen, että hän siirsi lausuttuja kuvia jonoon lääkärin tarkastusta varten Kaikki lausunnot tulivat samalle tarkistuslistalle Nyt Ohjelmistorobotti lajittelee saapuneet radiologian lausunnot ja laatii muistutteet erikoisaloittain Robotti tekee melkein kahden ihmisen työpanoksen päivässä

15 Esimerkki 3. Riskitietojen siirto kuvantamistutkimuksen lähetteeseen Kuvantamiskeskuksen hoitaja siirtää Uranuksesta potilaan riskitiedot RIS-järjestelmään kuvantamislähetteeseen Munuaistoimintaa kuvaava egfrarvo siirretään FimLabin järjestelmästä RIS-järjestelmään CT- ja MRI-kuvausten lähetteisiin Siirrän riskitiedot! Siirrän egfr:n!

16 Kuvantamiskeskuksen laskelma robotin tuomasta työajan säästöstä Automatisoitava prosessi Suoritemäärä (n/vuosi) Suoritteen kesto (h/vuosi) Työmäärä (h/vko) Säästyvä työaika (HTV) Riskitietojen kopiointi ,47 Riskitietojen kopiointi ja egfr:n siirto (CT & MRI) ,19

17 Ohjelmistorobotin hyötyjä Vapautetaan ammattilaisen aikaa tärkeämpään ja mielekkäämpään työhön Työtyytyväisyys kasvaa Tuottavuus paranee Robotti suorittaa tehtävän nopeammin kuin ihminen Robotti suorittaa tehtäviä taustalla Ohjelmistorobotti ei väsy eikä turhaannu Virheet vähenevät Mielekkyys Kustannustehokkuus Laatu

18 Ideoita Taysin henkilökunnalta Lähetteiden luokittelu Tarkistus ovatko päivän potilaat käyneet labrakokeissa Riskitietojen siirto Uranuksesta ja egfr:n siirto Fimlabista automaattisesti RIS-järjestelmän lähetteille Labrakäynnin tarkastus, ajanvarauksen automaattinen siirto ja tekstiviestin lähetys potilaalle Kurssisuoritusten siirto HR-järjestelmään Tarkistus, onko potilaalle jo annettu aika magneettitutkimukseen Laboratoriotulosten valmistumisen seuranta ilmoitus, kun tulos valmistunut

19 Keinoäly ja koneoppiminen käyttöalueita terveydenhuollossa Diagnostiikka Omadiagnostiikka Analysointityökalut Logistiikka Potilasohjausjärjestelmä Hoidon suunnittelu Ennusteen arviointi Hoidon kulun seuranta: reaaliaikainen arvio Seurantatieto hoidon vaikuttavuus

20 Keinoäly ja koneoppiminen käyttöalueita terveydenhuollossa Diagnostiikka Omadiagnostiikka Analysointityökalut Logistiikka Potilasohjausjärjestelmä Hoidon suunnittelu Ennusteen arviointi Hoidon kulun seuranta: reaaliaikainen arvio Seurantatieto hoidon vaikuttavuus

21 Diabeteksen hoidon digitalisaatiohanke Taysissa* Osaprojekti: Korkean riskin diabeetikon tunnistaminen Tavoitteena tunnistaa sairaalahoidossa olevien potilaiden korkeat verensokeriarvot ohjataan korkean riskin diabeetikot aiempaa systemaattisemmin hoidon piiriin Tavoitteena on vähentää erikoissairaanhoidon kustannuksia Lisätietoja: oyl Saara Metso, Tays

22 Diabeteksen hoidon tavoitteita ovat oireettomuus, komplikaatioiden esto, hyvä elämänlaatu ja ennenaikaisen kuoleman ehkäiseminen

23 Komplikaatiot tuplaavat diabetesta sairastavan sairaalahoidon kustannukset Diabetes ja lääkäri lehti 2018;2

24 Korkean riskin diabeetikon tunnistaminen Vaihe 1; Aineisto: kaikki Taysissa hoidossa olevat aikuispotilaat, joilta hoitojakson aikana on mitattu verensokeri vierimittarilla ja kirjattu lukema Uranuksen hoitokertomukseen tai joilta laboratorio on mitannut verensokerin Hyperglykemia (korkea verensokeri): potilaat, joiden verensokeri on sairaalajakson aikana yli 3 kertaa yli 10 mmol/l

25 Muuttujat, jotka otetaan mukaan analyysiin Kustannus* Verensokeriarvot HbA1c Munuaisten toiminta (egfr) Sairaalassaoloaika* Uudelleen sairaalaan joutuminen* Diagnoosit Aikaisemmat sairaalahoidot 6 kk ajalta Kuolleisuus Lääkitys Hoitava toimipiste (osasto) Toimenpiteet hoitojakson aikana Ikä, sukupuoli, kotikunta Lähde Mynla Uranuksen hoitotaulukko/ FimLab FimLab FimLab Uranus Uranus Uranus Uranus Uranus Uranus Uranus Uranus Uranus *Analyysin selitettävät päätemuuttujat

26 Verensokeriseurannan visuaalinen analytiikka Tableau -järjestelmässä yksiköittäin

27 Ammattilaisilla mahdollisuus reaaliaikaisesti seurata diabeteksen hoidon toteutumisen onnistumista omalla vuodeosastolla

28 Vaihe 2 Data-analyysin jälkeen määritellään algoritmi, jonka avulla kehitetään huolijono Endotoiminnanohjaus- ja laatujärjestelmään Huolijonoon kertyy tieto kaikista sairaalassa hoidettavista potilaista, joilla esiintyy hyperglykemiaa ja jotka tunnistetaan korkean riskin potilaiksi uudelleen sairaalaan joutumisen tai sairaalahoidon pitkittymisen osalta Huolijono auttaa ennakoimaan ongelmia ja puuttumaan niihin ajoissa

29 Vaihe 3 Hankkeen kolmannessa vaiheessa tavoitteena on viedä huolijono tuotantoon ja seurata sen vaikuttavuutta potilaan hoitoon, sairaalahoidon pituuteen, sairaalaan uudelleen joutumiseen ja kustannuksiin

30 Kiitos! Markku Salo: Toivo Munuaiskeskus, Tays Tampereen yliopistollinen sairaala Pirkanmaan sairaanhoitopiiri