Krooniset sairaudet kuormittavat sekä potilaita että terveydenhuoltoa. Monet krooniset sairaudet heikentävät potilaan toimintakykyä sairauden edetessä ja vaativat säännöllisiä lääkärikäyntejä, joilla seurataan taudin kehittymistä. Potilas voi kärsiä muiden oireiden lisäksi muun muassa unihäiriöistä, uneliaisuudesta ja uupumuksesta, jotka heikentävät elämänlaatua. Monesti kroonisen sairauden etenemistä voidaan kuitenkin hidastaa ja oireita hoitaa, vaikka sairaus itsessään olisi parantumaton.
– Kroonisissa sairauksissa aika on avainasemassa. Eri pituisilla tarkastelujaksoilla on sairauden kannalta erilaisia merkityksiä, ja ne tarjoavat sairauden seurantaan erilaisia näkökulmia, diplomi-insinööri Emmi Antikainen toteaa.
Entistä laadukkaampi ja paremmin saatavilla oleva mittausdata lisää mahdollisuuksia terveydenhuollon tukemiseen
Väitöstutkimuksessaan Antikainen tutki ja vertaili mallipohjaisia signaalinkäsittelyn sekä datapohjaisia koneoppimisen algoritmeja, joissa seurantajaksot vaihtelivat yhdestä yöstä puoleen vuoteen. Algoritmisovellukset on suunnattu kliinisen päätöksen teon tukeen. Antikainen arvioi algoritmien soveltuvuutta kliinisiin käyttötapauksiin todenmukaista käyttötilannetta vastaavissa mittauksissa.
Ensimmäisessä sovelluksessa hengityksen ja sykkeen muutoksia mitattiin tutkateknologialla, joka ei vaadi suoraa kontaktia mittauksen kohteeseen. Lähes reaaliaikainen elintoimintojen seuranta voi paljastaa nopeasti muutoksia esimerkiksi uniapneapotilaan tilassa. Unenaikaisten mittauksien lisäksi vastaava teknologia voisi sopia esimerkiksi vanhainkoteihin. Tutkimuksen mukaan perinteiset algoritmit täyttävät hyvin kliiniset vaatimukset, kun algoritmi perustuu korkean taajuuden mittauksiin.
Toisen sovelluksen tavoitteena oli löytää yhteyksiä kroonisiin sairauksiin liitettyjen subjektiivisten kokemusten, kuten uupumuksen ja uneliaisuuden, ja puettavista sensoreista arkielämässä saatavien biosignaalien välillä. Mittaamalla näitä kokemuksia objektiivisesti voitaisiin edistää kullekin yksilölle parhaiten sopivan hoitomuodon löytämistä sekä tutkia eri lääkkeiden ja hoitomuotojen vaikutuksia elämänlaatuun. Väitöstutkimuksessaan Antikainen havaitsi arkielämän ohessa tehdyt mittaukset arvokkaammiksi, kun mittauskonteksti tunnistettiin automaattisesti.
Kolmannessa sovelluksessa ennustettiin sydänsairaiden kuolleisuusriskiä tulevan puolen vuoden aikana sairaalan tietokannasta. Kuolleisuusriskin ennustaminen riittävän suurella aikaikkunalla voi antaa mahdollisuuden muutoksiin, jotka voivat pelastaa potilaan hengen tai auttaa erityisen riskialttiiden toimenpiteiden riskiarvioinnissa. Tässä tutkimuksessa sovellettiin samaa tekoälyteknologiaa, johon myös ChatGPT pohjautuu.
– Koska nykyteknologia mahdollistaa entistä suurempien datamäärien louhimisen ja tehokkaampaa analytiikkaa, myös pitkän aikavälin dataa on helpompi tutkia ja hyödyntää. Väitöstutkimuksessa tekoälyalgoritmien edut korostuivat juuri pitkän aikavälin kattavassa, mutta vaihtelevin aikavälein kerätyn potilasdatan tapauksessa. Samalla kuitenkin huomattiin, että yksi malli ei välttämättä sovellu laajalle potilaskirjolle, vaikka kyse olisikin saman fysiologisen toiminnon sairauksista, Antikainen kertoo.
Hämeenkyröstä lähtöisin oleva Antikainen suoritti väitöstutkimuksen työskennellessään Teknologian tutkimuskeskus VTT:llä. Nykyään hän työskentelee älysormusteknologioiden parissa Oura Health Oy:ssä.
Väitöstilaisuus perjantaina 15. maaliskuuta
Diplomi-insinööri Emmi Antikaisen signaalinkäsittelyn ja koneoppimisen alaan kuuluva väitöskirja Time series analytics for decision support in chronic diseases tarkastetaan julkisesti Tampereen yliopiston Informaatioteknologian ja viestinnän tiedekunnassa perjantaina 15. maaliskuuta 2024 kello 12 alkaen Tietotalon auditoriossa TB109 (osoite: Korkeakoulunkatu 1, Tampere). Vastaväittäjänä toimii professori Tapio Seppänen Oulun yliopistosta. Kustoksena toimii professori Moncef Gabbouj Tampereen yliopiston informaatioteknologian ja viestinnän tiedekunnasta.