Hyppää pääsisältöön

Profilaatioalat esittelyssä: Terveyden datatiede tutkii sairauksien hoitoa koneoppimisen ja tekoälyn avulla

Julkaistu 2.12.2021
Tampereen yliopisto
Anssi Auvinen ja Matti Nykter
— Maailmalla suurissa yliopistoissa on vähintään oppituoleja, ellei kokonaisia osastoja, jotka keskittyvät terveyden datatieteeseen, kertoo professori Anssi Auvinen (vas.). Hän on vakuuttunut siitä, että Tampereen yliopistosta kehittyy alan merkittävä tutkija ja soveltaja. — Tämä on se tie, jolla syövän tutkimus varmasti onnistuu. Kaikilla aloilla merkittävät ongelmat ovat niin vaikeita, että niitä ei voi ratkaista yksin tai yksialaisesti, vaan ne vaativat poikkitieteellistä osaamista ja yhteistyötä, professori Matti Nykter sanoo.
Datatieteen menetelmät avaavat mahdollisuuksia sairauksien yksilöllisen hoidon ja samalla koko terveydenhuoltojärjestelmän kehittämiseen. Matemaattisten työkalujen avulla on mahdollista käsitellä esimerkiksi laajoja potilasaineistoja sairauksien syiden ja sopivien hoitokeinojen selvittämiseksi.

— Tavoitteena on lopulta pyrkiä parantamaan ihmisten terveyttä nykyaikaisin menetelmin, toteaa bioinformatiikan professori Matti Nykter.

Syksyllä toimintansa aloittaneessa Terveyden datatiede -hankkeessa yhdistyvät kaksi Tampereen yliopiston vahvaa aluetta, datatiede – kuten koneoppiminen ja signaalinkäsittely – ja terveyden tutkimus. Viisivuotisella hankkeella on Suomen Akatemian PROFI6-rahoitus.

Nykter vastaa hankkeen bioinformatiikan puolesta, jossa laboratorioista peräisin olevien biologisten aineistojen avulla tutkitaan esimerkiksi geenien ja proteiinien rakenteita datatieteen menetelmin.

Lähtökohtana laajat tausta-aineistot

Epidemiologian professori, Eturauhassyövän tutkimuskeskuksen johtaja Anssi Auvinen puolestaan katsoo hanketta terveydenhuollon näkökulmasta.

— Pyrimme tutkimaan laajojen tausta-aineistojen avulla sitä, kuka hyötyy eniten minkäkin laisesta hoidosta, Auvinen kertoo.

Tutkimusaineistot saadaan erilaisista rekistereistä ja tietokannoista.

— Voimme saada rekisteristä tiedot sairaalakäynneistä tai avoterveydenhuollon käynneistä tai siitä, mitä lääkekorvauksia tietylle ihmiselle on maksettu, tai erilaisia näytteitä analysoimalla tiedot eksposomista, siitä, millaisille ulkoisille tekijöille hän on elämänsä aikana altistunut. Mahdollisimman rikkaan tausta-aineiston perusteella pyrimme ennustamaan, kuka sairastuu tai selviytyy parhaiten sairaudestaan.

Koneoppimisen, tekoälyn ja kokeellisten laajan datan analyysimenetelmien avulla seulotaan valtavista datamassoista signaaleja, joista voisi olla hyötyä terveyteen ja sairauteen liittyvässä päätöksenteossa.

— Vaikka tutkimusohjelmassa on menetelmällinen painotus, siinä on hyvin selkeä yhteys terveydenhuollon käytäntöön, ennusteisiin ja sairastumisriskien arviointiin, Auvinen toteaa.

Potilaat jaetaan ryhmiin hoitomahdollisuuksien mukaan

Käytännössä tutkijat kehittävät mallin, jossa sairauksien erilaisia vaihtoehtoja ja kehityskulkuja pyritään selittämään erilaisten taustatekijöiden avulla.

— Kysymme, kuinka alkuperäinen aineisto, kuten potilasaineisto, voitaisiin jakaa alaryhmiin esimerkiksi sen mukaan, kuinka suuri tai pieni mahdollisuus potilailla on hyötyä standardihoidosta, Auvinen kertoo.

Potilaan sairaudesta kerätään mahdollisimman tarkka biologinen kuvaus, jonka perusteella haetaan tekijöitä, jotka voisivat auttaa hoidon kohdentamisessa.

Jos esimerkiksi syövässä todetaan tietty biologinen poikkeavuus, joka tukee kasvainsolukon elossa pysymistä, taudin hoito voidaan parhaassa tapauksessa kohdentaa toiminnalliseen poikkeavuuteen.

Suomessa on ainutlaatuiset terveysrekisterit

Poikkitieteellistä datatutkimusta on tehty maailmalla kymmeniä vuosia. Näillä tutkimuksilla on tuotettu perustutkimuksellista tietoa ja selvitetty esimerkiksi syövän kehittymisen taustalla olevia biologisia mekanismeja.

Myös Tampereen yliopistossa on meneillään lukuisia tutkimuksia, joissa erilaisia biolääketieteellisiä aineistoja ja rekisteriaineistoja analysoidaan datatieteen menetelmillä.

— Suomessa on uniikit mahdollisuudet nimenomaan terveyspuolella. Meillä on valtavia, kattavia aineistoja, rekistereitä, Auvinen toteaa.

— Suomalainen terveydenhuolto kattaa koko väestön, kaikki käyttävät samaa terveydenhuoltojärjestelmää ja kaikkien terveystiedot kerätään sinne. Se on Suomen vahvuus. Valtaosassa maailman maista ei ole saatavilla näin keskitetysti ja systemaattisesti kerättynä näitä tietoja, joita voidaan hyödyntää.

Suomessa esimerkiksi vuodesta 1954 toiminut Syöpärekisteri on ainutlaatuinen aineisto, johon on kerätty tiedot kaikista syöpää sairastavista.

Toisiolaki laajensi ja hankaloitti potilastietojen tutkimuskäyttöä

Sairaaloissa kertyy hoidon yhteydessä potilasrekistereihin paljon tietoa, niin sanottua real-world dataa, jota on perinteisesti hyödynnetty lääketieteellisissä, hoitotieteellisissä ja terveystieteellisissä rekisteritutkimuksissa.

Suomessa vuonna 2019 voimaan tullut toisiolaki luo selkeän lainsäädännöllisen pohjan hoidossa kerätyn datan tutkimuskäytölle. Tutkijat suhtautuvat lakiin kaksijakoisesti.

— Vaikka laki tuo tutkimukselle myös merkittäviä rajoitteita, se on kuitenkin avannut meille mahdollisuuksia päästä käsiksi sairaaloissa kerättyyn suureen datamäärään. Potilasaineistojen laskennallinen analyysi avaa mahdollisuuksia oppia siitä, kuinka potilaita on hoidettu ja kuinka hoidot ovat vaikuttaneet, Nykter toteaa.

Auvinen puolestaan harmittelee, että lain seurauksena tutkimuslupien saaminen on hidastunut ja tietojen hyödyntäminen maksaa moninkertaisesti aiempaa enemmän. Tutkimukselle tämä merkitsee vaikeuksia erityisesti, jos taustalla ei ole laajaa ja hyvin rahoitettua hanketta.

Yliopistosairaalan tietoallas tarjoaa lisää aineistoa

Suomessa tutkijoille tarjoavat aineistoa rekistereiden lisäksi biopankit ja sairaaloihin parhaillaan rakennettavat tietoaltaat. Tietoaltaisiin kootaan kaikki sairaalan digitaaliset potilastiedot, ja tutkija voi saada niitä käsiteltäväkseen sairaalan tietoturvalliseen ympäristöön, kun on saanut sairaalalta luvan tutkia tiettyä aineistoa.

—Tietoaltaan avulla tavalla voimme käyttää tutkimuksessa todellisia aineistoja aiempaa tehokkaammin. Saamme myös paremman rajapinnan sairaalan toimintaan ja vähitellen data-analyysilla voidaan myös tukea hoitavaa lääkäriä potilaan hoidossa, Nykter sanoo.

Myös uusia teknologioita, kuten genomin sekvensointia syövän hoidon yhteydessä, voidaan tuoda potilaiden hoitopolkuihin.

Tavoitteena johtava asema terveyden datatieteissä

— Tavoitteena on, että sitä samaa korkeatasoista syöpägenomiikan tutkimusta, mitä me nyt teemme, voitaisiin jokusen vuoden päästä tehdä aidosti kliinisessä kontekstissa, Nykter sanoo.

Profiloitumishankkeen kunnianhimoinen tavoite on, että Tampereen yliopisto, tiiviissä yhteistyössä Tampereen yliopistollisen sairaalan kanssa, vahvistaa asemaansa kansainvälisesti merkittävänä terveyden datatieteen tutkijana ja soveltajana. Suomessa Aalto-yliopistolla ja Helsingin yliopistolla on oma tekoälytutkimuksen lippulaivansa, mutta se keskittyy erityisesti menetelmäkehitykseen.

— Meidän ohjelmamme tavoite on erityisesti viimeisimpien laskennallisten menetelmien tuominen lääketieteeseen ja potilastyöhön, Nykter toteaa.

— Tuomme kliinisen tutkimuksen ja koneoppimisen yhteen ja hyödynnämme korkeatasoisia laskennallisia menetelmiä lääketieteellisten kysymysten tutkimisessa. Vahvuutemme on erittäin läheinen yhteistyö yliopistollisen sairaalan kanssa.

Health Data Science

 

Suomen Akatemian Profi6-rahoitus

 

  •     Suomen Akatemia teki vuoden 2021 alussa Profi6-rahoituspäätökset, joiden tavoitteena on nopeuttaa yliopistojen strategioiden mukaista profiloitumista ja tukea tutkimuksen laadun kehittämistä.
  •     Akatemia myönsi Tampereen yliopistolle yhteensä 12,7 miljoonaa euroa yliopiston strategian mukaisen profilaation vahvistamiseen.
  •     Tampereen yliopiston kärkialoilla tekniikassa, terveydessä ja yhteiskunnassa rahoitetaan neljää profiloitumisaluetta:
  •     1) Health Data Science
  •     2) Games as a Platform to Tackle Grand Challenges
  •     3) TAU Imaging Research Platform
  •     4) Sustainable Transformation of Urban Environments.  

Suomen Akatemia vahvistaa yliopistojen tutkimusedellytyksiä uudistetulla profiloitumisrahoituksella