Uusi tietokonepohjainen työkalu auttaa tunnistamaan ikääntyvistä ne, joilla on kohonnut riski sairastua myöhemmin dementiaan. Menetelmä perustuu suurten terveystietokantojen analysointiin koneoppimisen keinoin.

Dementiariskin varhainen toteaminen on hoidon kannalta ensiarvoisen tärkeää, mutta riskin tunnistaminen on vaikeaa. Tutkimus- ja potilasaineistojen kautta syntyy valtavia määriä dataa, mutta sen analysointi perinteisin menetelmin on vaikeaa.

Yhden ratkaisun tämän datamassan, “big datan”, käsittelyyn tarjoaa koneoppiminen, jossa tietokonemalleja opetetaan laajoilla aineistoilla, niin että ne pystyvät arvioimaan sairastumisriskiä yhä tarkemmin. Dementian ennakointiin ja ehkäisyyn koneoppimisen keinoja on alettu soveltaa vasta hiljattain.

Nyt julkaistussa Itä-Suomen yliopiston, VTT:n, THL:n ja Karoliinisen instituutin tutkimuksessa lääkäreistä ja tekniikan alan asiantuntijoista koostuva tutkijatiimi kehitti koneoppimiseen perustuvan työkalun, jolla voidaan arvioida yksittäisten potilaiden dementiariskiä ja sitä, mihin riskitekijöihin juuri heillä tulisi puuttua. Sen vahvuutena on myös mahdollisuus esittää helposti tulkittava yksilöllinen riskiprofiili kuvana.

Dementiariski selville kymmenen vuotta ennen sairastumista

Tutkijoiden mukaan riski-indeksiä käyttämällä voidaan tunnistaa iäkkäiden henkilöiden joukosta ne, joilla dementiaan sairastumisen riski on suurin ja joille ehkäisytoimista voi olla eniten hyötyä. Työkalua ei kuitenkaan ole tarkoitettu diagnoosin välineeksi, vaan tueksi päätettäessä esimerkiksi kenelle ja mihin riskitekijöihin dementian ehkäisytoimet tulisi erityisesti suunnata.

– Tämä tutkimus oli ensimmäinen, jossa hyödynnettiin koneoppimista dementiariskin arviointiin oireettomassa väestössä. Tulokset ovat lupaavat, toteaa hankkeen vastaava tutkija, lääkäri ja tutkijatohtori Alina Solomon Itä-Suomen yliopistosta.

– Riski-indeksi on suunniteltu tukemaan päätöksentekoa potilastyössä, ja meitä kiinnostaakin tarkastella sen toimivuutta käytännön työssä. Työkalu on kuitenkin validoitava suomalaisten lisäksi muissa väestöissä. Lisäksi aiomme selvittää, voidaanko sitä käyttää sairastumisen ennakoimiseen myös yli 80-vuotiailla ja voidaanko sillä myös seurata esimerkiksi elämäntapamuutosten vaikutuksia sairastumisriskiin, Solomon kertoo.

– Laajoissa terveystietokannoissa on runsaasti arvokasta, osittain vielä havaitsematonta ja hyödyntämätöntä tietoa. Moderneilla koneoppimisen menetelmillä aineistosta voidaan löytää sellaisia piirteitä, joita on ihmissilmin vaikea havaita, toteaa Combinostics Oy:n tieteellinen johtaja Jyrki Lötjönen, joka kuului VTT:n edustajiin tutkimustiimissä.

– Tässä tutkimuksessa tavoitteena oli tunnistaa dementiaa ennakoivia merkkejä. Toisena kiinnostuksen kohteena oli, miten tiivistää monitahoinen tieto ymmärrettävään muotoon, niin että menetelmästä olisi todellista hyötyä lääkäreille ja muille dementian ehkäisemisestä kiinnostuneille ihmisille.

Uusi menetelmä esiteltiin Journal of Alzheimer’s Disease -lehdessä julkaistussa artikkelissa.

Vastaa