Sotemuotoilijat-blogi tulevaisuutta luotaamassa

Terveydenhuollon toimialan kehittyminen on dynaaminen prosessi, joka on välttämätön potilaille ja työssä toimiville asiantuntijoille kaikkialla maailmassa. Välttämätöntä se on myös terveydenhuollon kestävyydelle, saatavuudelle, turvallisuudelle ja laadulle. Tässä moniulotteisessa kehittymisprosessissa koulutuksen ja jatkuvan oppimisen roolit ovat merkittävät. Liittämällä näyttöön perustuva tieto ja innovatiiviset opiskelu- ja opetuskäytänteet yhteen voidaan varmistaa, että eri tavoin saavutettu osaaminen vastaa organisaatioiden ja työyhteisöjen kehittyviä tarpeita. Vahvistamalla yhteistyötä ja vuoropuhelua kouluttajien, tutkijoiden ja kentällä toimivien asiantuntijoiden välillä voidaan uutta tietoa, näkemyksiä ja kokemuksia hyödyntää jatkuvaa oppimista tukevien kokonaisuuksien suunnittelussa ja toteuttamisessa. Näyttöön perustuva tieto + teknologiset ratkaisut + pedagogiikka = innovatiiviset oppimisratkaisut Terveydenhuollon koulutukseen ja koulutustarpeisiin liittyy monia isoja kysymyksiä. Minälaista on tulevaisuuden työ ja miten koulutuksen järjestäjien tulisi tähän valmistautua? Miten ratkaista sekä työvoiman että terveydenhuoltopalveluja käyttävien henkilöiden määrän lisääntymisen ja monimuotoisuuteen liittyvät haasteet? Miten huomioida työssä hyödynnettävien teknologioiden kehittyminen ja käyttöönotettavien teknologisten opetusratkaisujen määrän lisääntyminen? Näihin kysymyksiin etsitään joustavia ja monimuotoisia ratkaisuja maailmanlaajuisesti. Erilaisten teknologioiden, virtuaalisten simulaatioiden, laajennettujen todellisuuksien ja tekoälytyökalujen integrointi koulutukseen antaa koulutuksen asiantuntijoille mahdollisuuden kehittää ja tuottaa, opiskelijoille mahdollisuuden osallistua entistä mukautuvampiin oppimistilanteisiin. Yksi maailmanlaajuisesti arvostettu hoito- ja terveystieteiden koulutuksen yhteistyöfoorumi on NETNEP (Nursing Education In Practice)-konferenssi, joka tänä syksynä pidettiin Singapore Expossa. Konferenssin teemana oli From disruption to innovation in nursing and midwifery: Celebrating and driving outcomes through education. Konferenssissa kuultiin kymmeniä puheenvuoroja ja nähtiin satoja postereita. Tämä teksti perustuu konferenssin laajaan tieteelliseen sisältöön teemasta New technolgies, artificial intelligence, simulation and social media in teaching and practice. Tekoäly kaiken keskiössä Yksi tämän hetken kuumimmista ilmiöistä on generatiivinen tekoäly ja sen hyödyntäminen opettamisen ja oppimisen eri yhteyksissä. Koulutuksen näkökulmasta ilmiötä tarkasteltiin useissa puheenvuoroissa sekä opettajien että opiskelijoiden näkökulmasta. Sille esitettiin useita opetusta rikastavia käyttökohteita, kuten tapaustyyppisten, reflektointia edellyttävien oppimistehtävien tuottaminen monivalintakysymysten tuottaminen arviointikehikkojen, kyselylomakkeiden ja mittareiden tuottaminen palautteiden antaminen kieliopin ja tekstien tarkistaminen oppimistehtävien plagiointitarkistus ohjaus- ja opetusvideoiden ja opetussisältöjen tuottaminen.1,2,3 Tekoälyn hyödyntämisen näkökulmasta tärkeänä pidettiin, että opetushenkilöstön osaaminen on ajantasaista ja että osaamisen kehittymistä tukevaa koulutusta, ohjeistusta ja käytännöllisiä esimerkkejä on riittävästi saatavilla4. Lisäksi peräänkuulutettiin avointa ja ajantasaista hoito- ja terveystieteiden tekoälyn opetuskäytön ohjeistusta5. Suomessa kaikille toimialoille soveltuvan kansallisen ohjeistuksen on tuottanut Arene (2024)6 ja se on avoimesti korkeakoulutoimijoiden hyödynnettävissä. Lisäksi monet korkeakoulut ovat julkaisseet omia ohjeistuksia henkilöstölle ja opiskelijoille. Kaikkien ohjeiden ja linjausten osalta tärkeintä on kuitenkin se, että ne otetaan korkeakouluyhteisöissä täysimääräisesti käyttöön ja kaikkien organisaation toimijoiden osaaminen saavuttaisi linjausten hyödyntämistä edellyttävän perustason. Teknisten mahdollisuuksien ohella esiin nousivat eettiset näkökulmat. Tärkeänä pidettiin sitä, ettei tekoälyn oleteta korvaavan nykyisiä toimintoja, vaan enemmänkin nähtäisiin se mahdollisuutena opettamisen ja oppimisen rikasteena. Selvää oli myös se, että vaikka opiskelijat ohjeistetaan asianmukaiseen ja eettiseen käyttöön, käytännön haaste on se, että ohjeistuksesta huolimatta yksilöt ovat vastuussa uusien työkalujen eettisestä hyödyntämisestä. Opiskelijoille tekoälytyökalut mahdollistavat nopean ja tehokkaan tavan ideoida ja tarkastella ilmiöitä eri näkökulmista. Lisäksi se voi avustaa tehtävien tekemisessä, vastausten tarkistamisessa ja tentteihin valmistautumisessa. Generatiivisen tekoälyn käytön on koettu lisäävän opiskelumotivaatiota, parantavan teknistä osaamista, opettavan kriittistä ajattelua ja valmistavan opiskelijoita työelämään. Lisäksi tekoälytyökalujen, kuten ChatGPT ja Copilot, käytöstä on koettu merkittävää etua tilanteissa, joissa opiskelukieli ei ole opiskelijan äidinkieli. Ylipäänsä esillä olleet tutkimukset raportoivat hyvin positiivisia asenteita sen käyttöä kohtaan, joskin lisätutkimusta peräänkuulutettiin. Eettisten haasteiden lisäksi käytön haittapuolena nähtiin tekoälytyökalujen mahdollinen hallusinointi tiedon tuottamisessa ja käyttäjien luovuuden ja kriittisen ajattelun väheneminen.7,8 Opiskelijoiden parissa esiin on nostettu huoli oman ajattelun laiskistumisesta ja tekoälyn tuottaman tiedon luotettavuudesta9. "Tekoälyn hyödyntäminen on pedagogiikkaa". - Hui Xuan Yap Laajennetut todellisuudet oppimisen rikastajina Konferenssin innovatiivisimmasta annista vastasi Hybrid Intelligence -tutkimushanke, jonka tarkoituksena on selvittää ihmisen ja koneen välistä vuorovaikutusta oppimisen tukena. Hanke hyödyntää laajennettua todellisuutta, sensoriteknologiaa ja ihmisen ja koneen välistä vuorovaikutusta mittaamalla kognitiivisten muutosten lisäksi neurofysiologisia muutoksia, rekisteröimällä sydämen ja aivojen sähköistä toimintaa ja iholla tapahtuvia muutoksia. Mittaustulosten perusteella positiivisia vaikutuksia on saatu oppijoiden varmuuden lisääntymiseen, kuitenkaan lisäämättä heidän kokemaansa stressiä.10 Laajennetun todellisuuden ratkaisuista esillä olivat virtuaaliset simulaatiot ja virtuaalipotilaat, jotka mahdollistavat oppijoiden toimimisen ja virtuaalisten potilaiden hoitamisen ympäristöön sulautuvissa, immersiivisissä ympäristössä, älylaitteiden tai VR-silmikon välityksellä. Oppimiskokemukset näillä tekniikoilla ovat olleet varsin positiivisia verrattuna perinteisiin opetusmenetelmiin, joskin teknisten ratkaisujen käytettävyys on osin koettu haastavaksi.11,12 Vaikutuksista kohti vaikuttavuutta Koulutuksen vaikuttavuus on monisyinen kysymys, jonka arvioiminen ja ymmärtäminen sisältää useita ulottuvuuksia13. Vaikuttavuustutkijoiden Kirkpatrickin (1998)14 ja Kaufmanin (1995)15 mukaan koulutuksen vaikutuksia tulee mitata useilla tasoilla ja eri toimijoiden näkökulmasta. Koulutusorganisaation näkökulmasta merkittävää on opiskelijoiden tyytyväisyys (taso I), muutokset tiedollisessa ja taidollisessa osaamisessa (taso II) ja opitun siirrettävyys oppilaitoksista työelämään ja ympäröivään yhteiskuntaan (taso III). Organisaatioiden näkökulmasta tärkeää on uusien oppien laajempi käyttöönottaminen osaksi toimintoja (taso IV) ja niiden pitkäaikaisvaikutukset esimerkiksi kustannusten laskuun ja muuhun resurssitehokkuuteen (taso V). Yhteiskunnalle merkittäviä ovat kansanterveydelliset vaikutukset (taso VI), joita voivat olla esimerkiksi positiiviset terveysvaikutukset, sairastavuuden väheneminen ja elämänlaadun parantuminen. Koulutusorganisaatioiden näkökulmasta vaikutusten ja vaikuttavuuden mittaamiseen parhaiten soveltuvat tasot I-III, joita voidaan arvioida esimerkiksi tiedollista tai taidollista osaamista ja tyytyväisyyttä arvioivilla mittareilla. Kyselyt, lomakkeet ja standardoidut testit tarjoavat tietoa, joilla voidaan arvioida koulutusten onnistumisia ja puutteita ja kehittää niitä edelleen. Konferenssin annin perusteella innovatiivisten oppimisratkaisujen vaikutusten arviointiin hyödynnetään edelleen hyvin perinteisiä menetelmiä, kuten tieto- ja taitotestejä ja tyytyväisyyttä kuvaavia kyselyjä. Sen sijaan opitun siirtovaikutusta, uusien taitojen implementointia käytäntöön, resurssitehokkuutta tai kansanterveydellisiä vaikutuksia ei ole arvioitu lainkaan. Ne vaatisivat pitkäaikaisseurantaa ja kontrolloituja koeasetelmia ja nykyistä laajempia osallistujamääriä. Työelämään siirtyvien opiskelijoiden seuraaminen antaisi mielenkiintoista tietoa tietopohjan kasvamisesta käyttäytymismuutoksiksi ja edelleen väestöön kohdistuviksi terveysvaikutuksiksi. Tällainen laaja-alainen ja pitkäkestoinen arviointi on olennaista koulutusinnovaatioiden vaikutusten ymmärtämiseksi. Lisäksi valikoimaan tarvitaan uudenlaisia arviointimenetelmiä arvioimaan tekoälyllä tuettua oppimista16,17, joihin toivottavasti palataan seuraavassa, vuoden 2026, konferenssissa. Tällä välin innovatiivisten ja vaikuttavien opetus- ja oppimisratkaisujen kehittäminen jatkuu maailmanlaajuisesti konferenssin pääpuhujan, Gemma Staceyn sanoin, "Unlock the power of knowing what you don´t know." Lähteet 1 Stratton-Maher, D. & Kelly, J. 2024. Embracing artificial intelligence to reimagine assessment to ethically accommodate ChatGPT in nursing education. Oral presentation. NETNEP2024. 2 Yap, H., Kwah, L. Zhou, Y.et al. 2024. A mixed methods study of undergraduate students’ attitudes and ethics towards the use of ChatGPT in learning and education. Oral presentation. NETNEP2024. 3 Shin, S., Choi, J., Hong, E. et al. 2024. Development of Multiple-Choice Questions in Nursing Education Using Generative AI. Oral presentation. NETNEP2024. 4 Groeneveld, S., van Os-Medendorp, H., van Gemert-Pijnen, J. et al, 2024. Required competences of nurses working with artificial intelligence-based lifestyle monitoring in long-term care: a Delphi study. Oral presentation. NETNEP2024. 5 Yap, H., Kwah, L. Zhou, Y.et al. 2024. A mixed methods study of undergraduate students’ attitudes and ethics towards the use of ChatGPT in learning and education. Oral presentation. NETNEP2024. 6 Arene. 2024. Arenen suositukset tekoälyn hyödyntämisestä ammattikorkeakouluille. Päivitetty 4.10.2024. 7 Zgambo, M., Costello, M., Buhlman, M. et al. 2024. Enhancing Academic Integrity in Higher Education: A Multi-phase Study on Students' Perceptions and Use of Artificial Intelligence. Oral presentation. NETNEP2024. 8 Yap, H., Kwah, L. Zhou, Y.et al. 2024. A mixed methods study of undergraduate students’ attitudes and ethics towards the use of ChatGPT in learning and education. Oral presentation. NETNEP2024. 9 Summers, A., El Haddad, M., Prichard, R. et al. 2024.  Generative AI, the views of students, markers and the Integrity Compliance Unit. Oral presentation. NETNEP2024. 10 Mikkonen, K., Kuivila, H., Pramila-Savukoski, S. et al. 2024. Enhancing Clinical Education: The Role of Human-Centered Extended Reality in Healthcare Student Learning. Oral presentation. NETNEP2024. 11 Ropponen, P., Tomietto, M., Pramila- Savukoski, S. et al. 2024. The impacts of educational interventions using VR simulations on nursing students’ learning. Oral presentation. NETNEP2024. 12 Mattson, K., Haavisto, E., Jumisko-Pyykkö, S. et al. 2024. Nursing students' experiences of empathy in a virtual reality simulation game: a descriptive qualitative study. Oral presentation. NETNEP2024. 13 Virtanen, M. 2018. The development of ubiquitous 360° learning environment and its effects on students’ satisfaction and histotechnological knowledge. Väitöskirja. Oulun yliopisto. 14 Kirkpatrick, D. 1998. Another look at evaluating training programs. Alexandria, VA: American Society for Training & Development. 15 Kaufman, R., Keller, J., & Watkins, R. 1995. What works and what doesn’t: Evaluation beyond Kirkpatrick. Performance and Instruction, 35(2), 8-12. 16 Yap, H., Kwah, L. Zhou, Y.et al. 2024. A mixed methods study of undergraduate students’ attitudes and ethics towards the use of ChatGPT in learning and education. Oral presentation. NETNEP2024. 17 Ramjan, L., Drury, P., Glarcher, M. et al. 2024. Educator perspectives on the use of generative AI in nursing: Friend or foe? Oral presentation. NETNEP2024.

Ikääntyvän väestönosan kasvaessa myös Suomessa omaishoitajien ja epävirallisten omaishoitajien merkitys hoivan ja hoidon tarjoajina. Heidän työnsä tueksi uudet teknologiat ja älykkäät ratkaisut tarjoavat uusia mahdollisuuksia. Tekoälyyn perustuvia ratkaisuja kehitetäänkin tukemaan ikääntyvien ihmisten terveyttä, toimitakykyä ja pitkäaikaishoitoa. Samalla niiden avulla pyritään parantamaan hoidon saatavuutta, lisäämään tehokkuutta ja vähentämään omaishoitajien kokemaa kuormitusta.1,2 Omaishoitajien ja epävirallisten omaishoitajien rooli Nopeasti ikääntyvän väestön hoidon tueksi Suomessakin tarvitaan lisää omaishoitajia. Tällä hetkellä heitä on Punaisen Ristin mukaan yli miljoonaa, joista virallisesti tunnistettuja on noin 350 000. Näistä miljoonasta hoitajasta noin 700 000 on epävirallisia, jotka tarjoavat läheisilleen hoitoa ilman koulutusta tai palkkaa, tyypillisesti oman ansiotyönsä ohessa.3 Epävirallisen omaishoitotarpeen odotetaan edelleen kasvavan muuttuvaan väestörakenteeseen, terveydenhuollon toimintojen kehittämiseen, pitkäaikaishoidon politiikkaan ja kustannusten vähentämistarpeisiin perustuen4. Euroopassa epäviralliset omaishoitajat vastaavat jopa 80 % pitkäaikaishoidosta, muodostaen merkittävän osan ikääntyneille ja vammaisille tarjottavista sote-palveluista. Arvioiden mukaan vuoteen 2060 mennessä epävirallisen hoidon uskotaan esimerkiksi Saksassa tarvitsevan 400 000 hoitajaa lisää, Alankomaissa 20 000 ja Espanjassa yli miljoona.5,6 Lisääntyneen kysynnän ja vähenevän tarjonnan odotetaan johtavan myös uudenlaisten teknologioiden ja älykkäiden terveyspalveluratkaisujen lisääntymiseen7. Tärkeää on tukea omaishoitajien kokemaa fyysistä ja henkistä kuormitusta, sosiaalisen elämän kaventumista sekä kohdentaa lisää riittämättöminä pidettyjä tukipalveluja. Myös tähän tarkoitukseen tekoälyratkaisuilla on merkittävää potentiaalia, esimerkiksi hoidettavan terveydentilan valvomisen, lääkitysmuistutusten tarjoamisen tai hätätilannehälytysten osalta8. Tekoälysovelluksia ikääntyville ja heidän hoitajilleen Ikääntyvien potilaiden omaishoidon tueksi on esitelty esimerkiksi seuraavanlaisia ratkaisuja: Keskusteluagentit (Conversational Agents, CAs), kuten Amazon Echo9 ja chatbot Charlie10, jotka on suunniteltu tarjoamaan seuraa ja edistämään ikääntyvien mielenterveyttä pelillistämisen ja aktiivisten ilmoitusten avulla. Nämä agentit voivat myös havaita ja raportoida potilaan käyttäytymistä ja seurata biometrisiä tietoja, kuten askelmäärää, kalorien kulutusta ja unta. Omaishoitajia keskusteluagentit voivat auttaa esimerkiksi muistuttamalla hoitotehtävistä tai tarjoamalla ennusteita hoidettavan käyttäytymistietoihin perustuen. Älykotijärjestelmät (Ambient Assisted Living, AAL) Älykotijärjestelmät hyödyntävät koteihin asennettuja ja/tai puettavia sensoreita ja koneoppimisen algoritmeja havaitakseen poikkeavuuksia hoidettavan käyttäytymisessä. Sensoreilla voidaan tunnistaa esimerkiksi kaatumisia ja muita vaaratilanteita. Erilaisia antureita voidaan asentaa oviin, ikkunoihin ja sähkölaitteisiin  ja niiden avulla voidaan seurata liikettä, lämpötilaa ja ilman kosteutta.11 Älykotien sensorit voivat helpottaa iäkkäiden valvontaa etänä, tehdä havaintojen perusteella hätäilmoituksia ja ennen kaikkea vähentää omaishoitajien kokemaa huolta12. Lisäksi Lotfi ym. (2017)13 ovat esitelleet älykotijärjestelmän, jonka toimintoja on kohdennettu omaishoitajien tueksi. Esimerkiksi ikääntyneen vessakäyntien lisääntyminen voi viitata tunnistettavaan terveysongelmaan, samoin kuin vähäinen vierailu keittiössä. Tällöin järjestelmä tarjoaa hoitajalle ohjeita ja suosituksia tilanteen tarkistamiseksi. Tällaiset havainnot vähentävät hoitajien huolta ja auttavat vähentämään omaishoitajien kokemaa stressiä ja kuormitusta. Tämä järjestelmä on yksi harvoista, joka ottaa huomioon myös omaishoitajan tarpeita ja pyrkii  tukemaan heitä sekä hoidettavan auttamisessa että omassa jaksamisessaan. Robotit voivat olla joko avustavia tai sosiaalisia robotteja. Ne voivat helpottaa omaishoitajien työtaakkaa seuraamalla hoidettavan liikkeitä, ilmoittamalla kaatumisista tai muista hätätilanteista14,15. Muut omaishoitajille tarkoitetut älykkäät ratkaisut voivat kohdentua esimerkiksi:16 stressinhallitaan, auttamalla tunnistamaan poikkeamia ja mahdollisia virheitä oikea-aikaiseen tiedonsaantiin, tarjoamalla yksilöllistä tietoa hoitoa koskevan päätöksenteon tueksi koulutukseen ja osaamisen vahvistamiseen, tarjoamalla yksilöllistä sisältöä henkilökohtaisen tuen ja yhteisöllisyyden lisäämiseen sekä eristyneisyyden tunteen vähentämiseen autonomisiin liikkumisratkaisuihin ja yhteiskyytipalveluihin. Älykästä teknologiaa koskevia huolenaiheita Haavoittuvassa asemassa oleville ikääntyville ja heidän hoitajilleen kohdennetuissa tekoälyratkaisuissa keskeisiä huolenaiheita ovat yksityisyys, tasa-arvoinen saatavuus, saavutettavuus, teknologian hyväksyttävyys, käyttöönottovalmius ja käyttöön motivoituminen. Yksityisyys Monet käyttäjät ovat huolissaan siitä, että heidän terveydentilaansa ja päivittäisiä toimintojaan seurataan erilaisten järjestelmien, sensoreiden ja antureiden avulla. Tämä voi herättää huolen yksityisyyden vaarantumisesta  ja vähentää järjestelmien käyttöhalukkuutta.17 Tasa-arvoinen saatavuus ja digikyvykkyydet Monilla ikääntyneillä ja heidän hoitajillaan ei sosioekonomisista syistä ole mahdollisuutta käyttää kehittynyttä teknologiaa, mikä johtaa digitaaliseen eriarvoisuuteen. Lisäksi heidän taidoissaan ja digikyvykkyyksissään saattaa olla suuria eroja, mikä  voi edelleen haastaa ratkaisujen tehokasta käyttöä.18 Saavutettavuus, hyväksyttävyys ja käyttöönottovalmius Saavutettavuuteen liittyvät haasteet voivat koskea sekä teknologian helppokäyttöisyyttä että esteettömyyttä. Monet ikääntyneet eivät ole teknologian käyttäjinä yhtä kokeneita kuin nuoremmat sukupolvet, mikä voi heikentää heidän valmiuttaan hyväksyä ja käyttää tekoälyyn perustuvia ratkaisuja. Teknologian täytyy olla intuitiivista ja helposti ymmärrettävää, jotta käyttäjät pystyvät hyödyntämään sitä täysimääräisesti. Kognitiiviset ja fyysiset rajoitteet tulee huomioida esimerkiksi yksinkertaistettujen käyttöliittymien ja mukautettujen käyttöohjeiden muodossa. Lisäksi järjestelmien hyödyntämiseen ja onnistuneeseen käyttöönottoon tarvitaan riittävästi koulutusta ja tukea.19 Ihmislähtöinen suunnittelu ja käyttöön motivoituminen Monia teknologioita kehitetään edelleen ilman käyttäjien panosta, mikä voi johtaa tarpeisiin vastaamattomiin ja vaikeakäyttöisiin ratkaisuihin. Jotta käyttäjät sitoutuisivat pitkäjänteisesti, teknologian tuomat hyödyt, kuten turvallisuuden parantuminen tai itsenäisyyden lisääntyminen, on viestittävä selkeästi, jotta käyttäjät ottavat älykkään  ratkaisun omakseen ja sitoutuvat sen pitkäaikaiseen käyttöön.20 Inhimillisyyden väheneminen Älykäs teknologia tarjoaa valtavia mahdollisuuksia ikääntyvien väestön omaishoidon tueksi, mutta sen menestyksekäs hyödyntäminen edellyttää tasapainoa innovaatioiden ja inhimillisyyden välillä. Tärkeää on muistaa, että teknologian tarkoituksena on sujuvoittaa ja helpottaa toimintoja, tukea eri toimijoiden välsitä yhteistyötä, parantaa laatua ja laajentaa palveluvalikoimaa. Teknologian kehittyessä sote-alan ammattilaisten tehtävänä on varmistaa, että se palvelee kaikkia – ja luo entistä kestävämmän, turvallisemman ja inhimillisemmän tulevaisuuden. Lähteet 1 Chen LK. Gerontechnology and artificial intelligence: Better care for older people. Archives of Gerontology and Geriatrics, 91:104252. 2 Loveys K, Prina M, Axford C et al. 2022. Artificial intelligence for older people receiving long-term care: A systematic review of acceptability and effectiveness studies. The Lancet Healthy Longevity, 3(4): e286–e297. 3 Suomen Punainen Risti. 2024. Omaishoito Suomessa. 4 European Commission. 2018. Directorate-General for Employment, Social Affairs and Inclusion and Zigante, V. Informal care in Europe – Exploring formalisation, availability and quality, Publications Office. 5 Milella F, Russo DD and Bandini S. 2023. How Artificial Intelligence can support informal caregivers in their caring duties to elderly? A systematic review of the literature. AIXAS2023, November 6-9, 2023, Rome, Italy. 6 Pickard L and King D. 2012. Modelling the future supply of informal care for older people in Europe. In: Geerts J, Willemé P and Mot E (eds.). Long-Term Care Use and Supply in Europe: Projections for Germany, the Netherlands, Spain and Poland. ENEPRI research report 116: 76-106. 7 Ienca M, Jotterand F, Elger B, et al. 2017. Intelligent Assistive Technology for Alzheimer's Disease and Other Dementias: A Systematic Review. Journal of Alzheimer's Disease, 60(1):333. 8 Blackman S, Matlo C, Bobrovitskiy C et al. 2016. Ambient assisted living technologies for aging well: A scoping review. Journal of Intelligent Systems, 25(1): 55–69. 9 Park G, Robinson EL, Shalini S et al. 2020. Integrating voice-assisted technology with an in-home sensor system: Exploring the development of a participant-based design study, in Proceedings of the 14th EAI International Conference on Pervasive Computing Technologies for Healthcare, pp. 375–379. 10 Valtolina S and Marchionna M. 2021. Design of a Chatbot to Assist the Elderly. End-User Development. Lecture Notes in Computer Science, vol 12724. Springer, Cham. 11 Grgurić A, Mošmondor M and Huljenić D. 2019. The smarthabits: An intelligent privacy-aware home care assistance system. Sensors, 19(4): 907. 12 Bozdog A, Daniel-Nicusor T, Antal M et al. 2021. Human behavior and anomaly detection using machine learning and wearable sensors. IEEE17th ICCP, pp. 383–390. 13 Lotfi A, Langensiepen C, Moreno PA et al. 2017. An ambient assisted living technology platform for informal carers of the elderly. EAI Endorsed Transaction on Pervasive Health and Technology. 14 Kearney KA, Presenza D, Saccà F et al. 2018. Key challenges for developing a socially assistive robotic (sar) solution for the health sector. IEEE (CAMAD), pp. 1–7. 15 Wang RH, Sudhama A, Begum M et al. 2017. Robots to assist daily activities: Views of older adults with Alzheimer's disease and their caregivers. International psychogeriatrics, 29(1): 67–79. 16 Lindeman DA, Kim KK, Gladstone C et al. 2020. Technology and Caregiving: Emerging Interventions and Directions for Research, The Gerontologist, 60(Suppl 1): S41–S49. 17 Thordardottir B, Malmgren Fänge A, Lethin C et al. 2019. Acceptance and Use of Innovative Assistive Technologies among People with Cognitive Impairment and Their Caregivers: A Systematic Review. BioMed Research International, 6:9196729. 18 Milella F, Russo DD and Bandini S. 2023. AI-Powered Solutions to Support Informal Caregivers in Their Decision-Making: A Systematic Review of the Literature. OBM Geriatrics, 7(4):262. 19 Thordardottir B, Malmgren Fänge A, Lethin C et al. 2019. Acceptance and Use of Innovative Assistive Technologies among People with Cognitive Impairment and Their Caregivers: A Systematic Review. BioMed Research International, 6:9196729. 20 Milella F, Russo DD and Bandini S. 2023. AI-Powered Solutions to Support Informal Caregivers in Their Decision-Making: A Systematic Review of the Literature. OBM Geriatrics, 7(4):262.

Kiinnostus terveyteen ja hyvinvointiin on seurannut ihmistä koko olemassaolomme ajan. Pyrkimys hyvään oloon on perusasia, jonka monesti huomioi viimeistään silloin, kun alkaa voida huonosti. Optimaalisen hyvinvoinnin näkökulmasta tulisi muun muassa syödä ja liikkua monipuolisesti, nukkua tehokkaasti ja tarpeeksi sekä pitkäkestoista stressiä. Näiden terveyttä tukevien toimien tueksi on tarjolla runsaasti erilaisia digitaalisia apuvälineitä, jotka seuraavat, mittaavat ja analysoivat terveystekojamme ja elimistömme tilaa. Hyödyntämällä näiden digitaalisten apuvälineiden, laitteiden ja sovellusten tuottamaa tietoa tekoälyratkaisujen varantona, voidaan saada yksilön terveyttä edistäviä henkilökohtaisia suosituksia. Tällöin puhutaan yleisen (generative AI) tai ennustavan (predictive AI) tekoälyn sijasta suosittelevasta eli preskriptiivisestä (prescriptive AI) tekoälystä.1,2 Terveyssuositusten seuraaminen Suositusten mukaisesti aikuisten (18–65-vuotiaat) tulisi viikossa harrastaa kohtuukuormitteista kestävyysliikuntaa vähintään kaksi ja puoli tuntia ja lihaskuntoa ylläpitävää liikuntaa vähintään Tämän lisäksi tulisi ja liikuskella mahdollisimman paljon3,4. (Kuva 1.) [caption id="attachment_1616" align="alignnone" width="468"] Kuva 1. Viikoittainen liikkumisen suositus 18–64-vuotiaille. UKK-instituutti.[/caption] Istua ei saisi yhtäjaksoisesti pitkiä aikoja, seisomaan pitäisi nousta muutaman kerran tunnissa. Portaita pitäisi käyttää mahdollisimman paljon ja työpaikalle olisi hyvä kävellä, jos se suinkin on mahdollista5 Pohjoismaisten ravitsemussuositusten (2023)6 mukaisesti aikuisen tulisi syödä vihanneksia, kasviksia, hedelmiä ja marjoja vähintään 500–800 g / vrk palkokasveja ja perunaa (merkittävänä osana ruokavaliota) täysjyväviljaa 90 g/ vrk pähkinöitä ja siemeniä, 30 g/ vrk kalaa 300–450 g/ viikko punaista lihaa alle 350 g/ viikko vähärasvaisia tai rasavttomia maitovalmisteita 3,5–5dl/ vrk ja kasviöljyjä vähintään 25 g/ vrk. Lisäksi nukkua tulisi yksilöllisen tarpeen mukaisesti, joka aikuisilla vaihtelee kuudesta yhdeksään tuntia. Unen riittävän pituuden lisäksi huomiota tulisi kohdentaa sen laatuun: hyvässä unessa erilaiset vaiheet, kuten perusuni (NREM) ja vilkeuni (REM), vuorottelevat.7 Terveystekojen mittaaminen Edellä mainitut terveyden peruspilarit – liikunta, ravitsemus ja uni  – ovat myös mittaajien ja laitevalmistajien tähtäimessä.  Esimerkiksi fyysisen aktiivisuuden ja treenisessioiden mittaamiseen on maailmalla tarjolla satoja, jopa tuhansia, erilaisia vaihtoehtoja. Älykellot, -sormukset ja esimerkiksi lenkkitossuihin kiinnitettävät anturit mittaavat aktiivisuutta laitteen sisäisellä kiihtyvyysanturilla, joka tallentaa käden tai jalan liikkeitä. Rekisteröivän mittausdatan perusteella laite analysoi liikkeiden taajuutta, voimakkuutta ja säännöllisyyttä ja antaa lukemat, nykyään jo melkein aina, helppokäyttöiseen mobiiliapplikaatioon. Unen  mittaaminen on myös suosittua, ja sitä voi helposti tehdä aktiivisuusrannekkeilla, urheilu- ja älykelloilla. Luotettavimmin nämä unen mittaamisen välineet toimivat yöunen keston eri univaiheiden luotettavan tunnistamisen sijasta. Siihen tarvitaan tarkempia diagnostisia menetelmiä, kuten unipolygrafiatutkimus terveydenhuollon laboratoriossa. Älykellojen ja -sormusten mittaamat unen arvot kuitenkin antavat pohjan myös monille stressiä, palautumista ja jopa resilienssiä kuvaaville laskennallisille arvoille, joita monet mittaajat aktiivisesti seuraavat.  Esimerkiksi laskennallisista arvoista älysormusvalmistaja kuvaa resilienssiä stressin ja palautumisen tasapainoksi, jonka laskennassa hyödynnetään resilienssin osatekijöiksi määriteltyjä tekijöitä: päiväaikainen stressi ja palauttava aika sekä unenaikaisen palautumisen arvot, kuten sykevälivaihtelu (HRV) ja leposyke.8 Haastavin mitattava näistä kolmesta lienee ravitsemussuositusten noudattaminen, vaikkakin myös ruokavalion seuraamiseen ja elämäntapamuutosten tukemiseen löytyy erilaisia sovelluksia. Ne kuitenkin lähes poikkeuksetta perustuvat käyttäjän omaan motivaatioon ja syötyjen kalorien kirjaamisaktiivisuuteen9, ei muun elämän ohella tapahtuvaan sujuvaan rekisteröintiin. Käyttäjän omien kirjausten perusteella sovellukset laskevat päivittäisen kalorimäärän ja antavat suosituksia esimerkiksi terveellisemmistä valinnoista. Pitkäaikaiseen käyttöön motivoituminen on kuitenkin monille suuri haaste. Preskriptiivinen tekoäly terveyden edistämisen tukena Preskriptiivinen eli suositteleva tekoäly tuo mielenkiintoisen näkökulman terveyskäyttäytymisen mittaamisen ja terveyttä edistävien henkilökohtaisten suositusten välille. Kuvitellaanpa tilannetta, jossa terveyssuositukset perustuvat yksilön fyysiseen aktiivisuuteen, uneen ja ruokavalioon liittyviin mitattuihin ja kirjattuihin tuloksiin. Lisätään kuvitelmaan työterveyshuollossa analysoidut laboratoriotutkimustulokset ja muu käyttäjän kirjaama terveysdata, kuten paino ja verenpaine, viimeisen viiden vuoden ajalta. Lisäksi nippuun laitetaan ravitsemukseen liittyvät kulutustottumustiedot esimerkiksi kauppojen kanta-asiakasjärjestelmistä, mikäli syötyjen aterioiden aktuaalista dataa ei ole saatavilla. Tämän yhdistelmän perusteella annetaan yksilöllisiä terveyssuosituksia preskriptiivisen tekoälyn avulla. Preskriptiivinen tekoäly ei pelkästään analysoi terveysdataa, vaan myös ehdottaa konkreettisia toimenpiteitä ja toimintasuunnitelmia terveydentilan parantamiseksi. Tehostetaan kokonaisuutta edelleen lisäämällä tilastollinen eliniänodote ja arvio terveistä elinvuosista eri käyttäytymismalleille. Uskon, että motivoituminen terveystekoihin helpottuisi visuaalista mallia tai numeroita tarkastelemalla. Suositteleva tekoäly voisi toimia apuna hankaliin elämäntapamuutoksiin motivoitumisessa esimerkiksi lihavuuden tai tyypin 2 diabetesta sairastavien potilaiden hoidossa. Esimerkki on kuitenkin kuvitteellinen, eikä edellisen kaltaista tekoälyratkaisua ole vielä kehitetty, raportoitu tai se ei ole toistaiseksi osunut mittausdatan jalostamisesta terveyssuosituksiksi antaa kuitenkin suomalainen älysormus, Oura. Se arvioi sydämen terveyttä ja kardiovaskulaarista ikää10 rekisteröityjen arvojen perusteella ja tarjoaa viikoittaisia vinkkejä ja neuvoja esimerkiksi tyydyttyneiden rasvojen käyttöön, nukkumiseen ja verenkiertoelimistön hyvinvointiin liittyen. Kardiovaskulaarisen iän arvio perustuu valtimoiden läpi kulkevan pulssiaallon nopeuteen. Hyötyjä ja haasteita Yksilöllisten terveyssuositusten suosittelusta voisi olla hyötyä tilanteissa, joissa preskriptiivinen tekoäly antaa yksilöllisiä terveyssuosituksia ja konkreettisia toimintaohjeita tunnistetun terveydentilan ja elämäntapojen perusteella ottaa huomioon yksilöllisiä terveystavoitteita ja auttaa tekemään parempia valintoja toimii virtuaaliassistenttina, joka motivoi henkilökohtaisten tavoitteiden saavuttamisessa antaa enemmän vastuuta valinnoista yksilölle itselleen ja tekee näkyväksi erilaisten terveystekojen merkityksen toimii seurannan tukena yksilön ja terveydenhuollon toimijoiden välillä. Suosittelevasta tekoälystä voisivat hyötyä esimerkiksi tyypin 2 liikuntaelinsairaat. Myös mielenterveyden haasteita kokevat, muita asiakas- ja potilasryhmiä unohtamatta. Preskriptiivinen tekoäly antaisi arvokkaan välineen sekä biohakkerin11 että perusterveen kansalaisen työkalupakkiin. Käyttöä haastaviin asioihin nousevat samat tekijät kuin tekoälyn eettiseen hyödyntämiseen ylipäänsä, kuten tietosuoja, tietoturva ja yksityisyydensuoja henkilökohtaisen terveystiedon käsittelyssä yksilöllisen terveysdatan liikuttamiseen liittyvät säännökset. Terveysteknologiaa koskeva regulaatio ei tällä hetkellä mahdollista terveyssovellusten, -kellojen tai -sormusten mittausdatan siirtämistä potilastietojärjestelmiin tekoälymallien kouluttamiseen liittyvät huolet: virheellisesti koulutettu tai vinoutunut malli voi antaa virheellisiä suosituksia ja edelleen johtaa jopa haitallisiin terveysvaikutuksiin päätöksentekoon ja vastuisiin liittyvät kysymykset uusien teknolgioiden käyttöönottoon ja henkilöstön kouluttamiseen liittyvät kustannukset. Näiden lisäksi aiemmassa ChatGPT:n terveyskäyttöä käsittelevässä tutkimuksessa on todettu, että toistaiseksi tekoälymallit keskittyvät turvallisuuteen tehokkuuden sijasta, eivät pysty tarjoamaan reaaliaikaista tukea, yksilöllisesti personoituja sisältöjä eivätkä kaipaamaamme interaktiivisuutta kahden toimijan välillä12. Kirjoittaja Mari Virtanen on terveystieteilijä ja yliopettaja (TtT) Metropolia Ammattikorkeakoulussa. Hän on kiinnostunut sotepalvelujen vastuullisesta kehittämisestä, terveyspalvelujen vaikuttavasta digitalisaatiosta ja digitaalisen potilasohjauksen rajattomista mahdollisuuksista. Näiden teemojen parissa hän opettaa ja tekee tutkimusta. Lähteet 1 Marr, B. 2023. Generative, Predictive, Prescriptive AI: What They Mean For Business Applications. 2 Gofore. 2024. Tekoälyterminologia: generatiivinen vs. toiminnallinen tekoäly. 3 UKK-instituutti. 2024. Aikuisten liikkumisen suositukset. 4Leppäluoto, J., Ahola, R., Karl-Heinz Herzig, K-H. Ym. 2012. Aikuisten terveysliikunnan laadun ja määrän objektiivinen mittaaminen.  Duodecimlehti, 2012;128(1):72-9. 5 UKK-Instituutti. 2024. Suositukset istumisen vähentämiseen. 6 Ruokavirasto. 2023. NNR2023 Pohjoismaiset ravitsemussuositukset. 7 Käypä hoito -suositus. 2023. Unettomuus. Suomalaisen Lääkäriseuran Duodecimin ja Suomen Unitutkimusseura ry:n asettama työryhmä. Helsinki: Suomalainen Lääkäriseura Duodecim. 8 Oura Health. 2023. Resilienssi – Oura-Tuki (ouraring.com). 9 Saastamoinen, A. 2016. Lähtevätkö kilot kännykällä? — vertailussa kolme sovellusta kolmelle eri laihduttajatyypille. Yle, Kuningaskuluttaja. 10 Oura Health. 2023. Cardiovascular Age – Oura Help (ouraring.com). 11 Soininen, M. 2017. Mitä teen, kun potilas on biohakkeri? Lääkärilehti, 14:72;915. 12 Dergaa, I., Saad, H., Omri, A. et al. 2024. Using artificial intelligence for exercise prescription in personalised health promotion: A critical evaluation of OpenAI’s GPT-4 model. Biology of Sport, 41(2).