Koneoppiminen päätöksenteon tukijana diabetes mellituksen hoidossa
Varila, Mika Petri (2020-05-25)
Lataukset:
Varila, Mika Petri
25.05.2020
Julkaisun pysyvä osoite on
https://urn.fi/URN:NBN:fi-fe2020052839673
https://urn.fi/URN:NBN:fi-fe2020052839673
Tiivistelmä
Koneoppiminen on yksi tekoälyn osa-alue, jota voidaan hyödyntää laajasti terveydenhuollossa erilaisiin käyttötarkoituksiin. Diabetes hoidossa koneoppimisteknologioiden käyttöönotto voi merkitä huomattavaa laadullista parannusta ja kustannustehokasta hoitoa. Tutkimuksen tavoitteena on tuottaa käyttökelpoista ja ohjeellistavaa tietoa koneoppimisen soveltamismahdollisuuksista toimivan kliinisen ei-tietämyskantaisen päätöksenteon tukijärjestelmän suunnittelumallin luomiseksi terveydenhuolto-organisaatioihin, terveydenhuollon ammattihenkilökunnan kliinisen päätöksenteon edistämiseksi.
Tutkimuksen teoreettisen viitekehyksen muodostaa koneoppiminen terveydenhoidossa ja kliininen päätöksenteko. Tutkimuksen osioita ovat koneoppimisen sovellettavuus diabeteshoitoon, koneoppimisen soveltaminen diabetes hoitotulosten ennustamiseen ja koneoppiminen diabeteksen diagnosointityökaluna. Tutkimusmenetelmä on kvalitatiivinen, integroiva kirjallisuuskatsaus. Aineisto kerättiin useasta eri tietokannasta, ja se muodostuu pääasiassa tieteellisistä katsaus-, tutkimus- ja konferenssiartikkeleista. Tutkimuksen aineisto analysoitiin ymmärtämään pyrkivällä laadullisella analyysilla. Tämä tehtiin induktiivisella lähestymistavalla aineistolähtöisenä sisällönanalyysina.
Integroivan kirjallisuuskatsauksen synteesin pohjalta saatu tutkimustulos vastaa esitettyihin tutkimuskysymyksiin ja määrittelee toimivan ei-tietämyskantaisen kptj:n vaatimuksia järjestelmän varsinaista suunnittelua ja teknistä toteutusta varten. Tulokset osoittavat, että koneoppimistekniikoista syväoppiminen, ohjaamaton oppiminen, ohjattu oppiminen, yhteen liittynyt koneoppiminen ja äärimmäinen oppimiskone ovat niitä koneoppimisalgoritmeja, joita pitäisi integroida mukaan ei-tietoon-perustuvaan kliiniseen päätöksenteon tukijärjestelmään, varsinaisen kliinisen päätöksenteko prosessin tukemiseksi diabetes hoidossa. Tutkimuksen tuloksia on selostettu tarkemmin diskussio kappaleessa ja rajoitukset on myös pyritty tuomaan esille.
Tutkimuksen teoreettisen viitekehyksen muodostaa koneoppiminen terveydenhoidossa ja kliininen päätöksenteko. Tutkimuksen osioita ovat koneoppimisen sovellettavuus diabeteshoitoon, koneoppimisen soveltaminen diabetes hoitotulosten ennustamiseen ja koneoppiminen diabeteksen diagnosointityökaluna. Tutkimusmenetelmä on kvalitatiivinen, integroiva kirjallisuuskatsaus. Aineisto kerättiin useasta eri tietokannasta, ja se muodostuu pääasiassa tieteellisistä katsaus-, tutkimus- ja konferenssiartikkeleista. Tutkimuksen aineisto analysoitiin ymmärtämään pyrkivällä laadullisella analyysilla. Tämä tehtiin induktiivisella lähestymistavalla aineistolähtöisenä sisällönanalyysina.
Integroivan kirjallisuuskatsauksen synteesin pohjalta saatu tutkimustulos vastaa esitettyihin tutkimuskysymyksiin ja määrittelee toimivan ei-tietämyskantaisen kptj:n vaatimuksia järjestelmän varsinaista suunnittelua ja teknistä toteutusta varten. Tulokset osoittavat, että koneoppimistekniikoista syväoppiminen, ohjaamaton oppiminen, ohjattu oppiminen, yhteen liittynyt koneoppiminen ja äärimmäinen oppimiskone ovat niitä koneoppimisalgoritmeja, joita pitäisi integroida mukaan ei-tietoon-perustuvaan kliiniseen päätöksenteon tukijärjestelmään, varsinaisen kliinisen päätöksenteko prosessin tukemiseksi diabetes hoidossa. Tutkimuksen tuloksia on selostettu tarkemmin diskussio kappaleessa ja rajoitukset on myös pyritty tuomaan esille.