Tekoäly lääkärin päätöksenteon tukena. Arho Virkki, DI, FT Lääketieteellisen matematiikan dosentti, TY Auria tietopalvelun johtaja, TYKS

Transkriptio

1 Tekoäly lääkärin päätöksenteon tukena Arho Virkki, DI, FT Lääketieteellisen matematiikan dosentti, TY Auria tietopalvelun johtaja, TYKS

2 Datan hyödyntämisen mahdollisuudet - Ilmiöiden visualisointi - Tilastollinen mallinnus (ml. koneoppiminen) - Mekanistinen (ilmiöihin ja fysiologiaan perustuva) mallinnus

3 Auria tietopalvelu VSSHP:n tutkimuspalveluiden yksikkö, perustettu vuonna Vuonna 2018 Kliininen tietopalvelu (KTP) alkoi käyttämään nimeä Auria tietopalvelu. 1) Kokoamme potilastietoa operatiivisista järjestelmistä yhteen tietojärjestelmään 2) Helpotamme potilastiedon hyödyntämistä huolehtien tietoturvasta ja suojasta 3) Jalostamme tietoa yhdenmukaiseksi ja laadukkaaksi 4) Kehittämme analytiikka- ja visualisointityökaluja mm. hoidon vaikuttavuuden seurantaan 5) Tuotamme aineistoja ja analyysejä tutkimuksiin ja laadun seurantahankkeisiin 6) Tuemme tieteen kehitystä 7) Osallistumme kansalliseen tietojen hyödyntämiseen Findatan (tietolupaviranomainen) läheisenä yhteistyökumppanina

4 Tietopalvelun asiakkaat 1) 2) 3) 4) 5) Akateemiset soveltavat tutkijat: Tietoluovutukset, tutkijan tietoturvallinen etäympäristö ja datan suojaaminen Yritysten akateemiset tutkijat: Palvelutoiminta ja maksulliset toimeksiannot Terveydenhuollon ammattilaiset: Sisäiset laatuhankkeet ja päätöksenteon tuen kehityshankkeet, kuten tekoälyn ja etäseurannan sovellukset potilaan hoidossa Johtamiset ammattilaiset: Tietojohtamisen menetelmät ja tietopohjan yhteismitallistaminen Viranomaiset: Kansallisen tason erityisosaaminen strategisilla alueilla (kuten syöpätautien mallinnus, syväoppiva tekoäly, suomenkielinen tekstinlouhinta ja datan suojaamisen menetelmät) Vuosi Tietoluovutuksia Taulukko. Auria tietopalvelun tietoluovutukset mennessä

5 Mikä on tietoallas? Käyttäjät Tietoallas on tärkeä osa tietoalustaa. Sitä käytetään lähdejärjestelmien ja tietovarastojen välissä lastauslaiturina tai sellaisenaan data-analyysin raskaisiin eräajoihin. 1) Tallentaa kaikkea digitaalista dataa, kuten signaaleja ja kuvia 2) Käsittelee nopeasti isoja tietomääriä, koska on rakennettu rinnakkaisista koneista - vaikka piirretäänkin kuviin yhtenä laatikkona. 3) On tietovarastoa halvempi perustaa. Suurin säästö tulee mallinnustyöstä: Vain tarpeelliset tiedot mallinnetaan myöhemmin tietovarastoon. Tiedon tarpeellisuus selviää kokeilemalla ja tiedot aluksi suoraan altaasta hakemalla. 4) Käytetään tietojen keräämisen yhteen. Tietojen luvitukseen ja erityisiin analyysitarpeisiin on vielä tyypillisesti erilliset ympäristöt (kuten tutkijan ympäristö + optiona GPU-laskentaympäristö) Analyysit ja raportit Tietoallas Lukuisa joukko yhteismitattomia lähdejärjestelmiä

6 Esimerkkejä tiedon toisiokäytöstä Tietojohtaminen: raportointi, tilastointi ja ennusteet

7 Tietojohtaminen Tarve: 1) Perusraportointi ja visualisointi 2) N.s. potilasvirta-analyysit Toteutus 1. Raportiointikäyttöliittymä Intranetin yhteyteen 2. Toteutus avoimilla lisensseillä (Apache Supeset) 3. Tuotantoversioiden erottaminen kehitystyöstä (Docker-kontit) 4. Luvitus mikroverkon salasanalla tai VRK-kortilla

8 Tekoäly ja koneoppiminen Tarve: 1) Kliininen työ, esim. ensiavun radiologia 2) Tieteellinen tutkimus: Kuvantaminen ja PET 3) Kaupallinen palvelutoiminta: Auria Biopankin tutkimukset Toteutus 1. 2M-IT:n GPU-palvelimet 2019-alusta (kuva) 2. Osana tutkijan tietoturvallista työpöytää 3. Voidaan myös nykylainsäädännöllä tarjota Biopankin palveluna 4. Käyttötapaus A: TT-kuvien luokittelu (Mikko Nyman). Käyttötapaus B: Patologian kuvien luokittelu (Antti Karlsson) Radiologi Mikko Nyman ja keuhkojen TT-kuva (yllä) sekä GPU- Supertietokone blackbird.vsshp.net 2M-IT:n konehallissa valmiina asennettavaksi.

9 Tekoäly ja koneoppiminen Esimerkki: Automatisoitu hahmontunnistus päivystykset magneettikuvaukseen. Jos potilas ehditään kuvata, diagnosoida ja hoito aloittaa alle kymmenessä minuutissa päivystykseen saapumisesta, ennuste yhteiskuntakelpoiseksi on hyvä.

10 Tekoäly hahmontunnistuksen apuna

11 Ensimmäisiä tuloksia

12 Johtopäätökset ja pohdintaa

13 Tutkijan tietoturvallinen etäkäyttöympäristö Tutkijan tietoturvallisen etätyöpöydän tekninen toteutus: 1) Virtuaalikoneet perinteiseen laskentaan ja menetelmätestaukseen 2) Docker-kontit GPU-laskentaan (maksimaalinen teho) 3) Auria-palveluilla on oma hallinnollinen verkkosegmentti VSSHP:n sisäverkossa Ns. Infrastructure as a service (IaaS)

14 Auria tietopalvelu / Auria Clinical Informatics TYKS Rak. 11 B206, PL 52, Turku atp@tyks.fi