Yhdysvaltalainen sairaala käyttää jo noin 150 tekoälymallia – näin AI muuttaa lääkärin työtä

Mayo Clinic on ottanut käyttöön noin 150 tekoälymallia, joiden tehtävät ulottuvat potilasasiakirjojen järjestämisestä lääketieteellisten kuvien analysointiin. Osa ratkaisuista säästää jo henkilökunnan aikaa, kun taas lupaavimmat syöpää etsivät mallit ovat edelleen tutkimusvaiheessa. Kehitys osoittaa, että terveydenhuollon tekoälyvallankumous ei välttämättä ala robottilääkäristä vaan arkisista työkaluista, jotka auttavat ihmistä näkemään olennaisen valtavan tietomäärän keskeltä.

Kun potilas saapuu suureen erikoissairaalaan, hänen mukanaan voi tulla vuosien mittainen hoitohistoria. Tutkimustuloksia, lääkityksiä, lausuntoja ja kuvantamisraportteja on voinut kertyä moniin eri järjestelmiin, eikä aineisto välttämättä ole valmiiksi aikajärjestyksessä. Ennen kuin lääkäri voi keskittyä potilaaseen, hänen on ensin muodostettava kokonaiskuva tästä hajanaisesta tietomassasta.

Yhdysvaltalainen Mayo Clinic kokeilee ja käyttää tekoälyä juuri tällaisten käytännön ongelmien ratkaisemiseen. CNN:n mukaan sairaalassa on käytössä noin 150 tekoälymallia. Luku kuulostaa suurelta, mutta se ei tarkoita 150:tä itsenäisesti diagnooseja tekevää konetta. Mukana on erilaisia työkaluja, jotka auttavat esimerkiksi asiakirjojen käsittelyssä, kuvien tulkinnassa, riskien tunnistamisessa ja vastaanottokeskustelujen kirjaamisessa.

Record Time etsii olennaisen satojen sivujen joukosta

Sisätautilääkäri Alexander Ryu kertoi CNN:lle käyttävänsä Record Time -nimistä työkalua ennen potilastapaamisia. Mayo Cliniciin saapuu paljon ihmisiä, jotka hakevat jo kolmatta tai neljättä arviota sairaudestaan. Heidän asiakirjojaan on voinut syntyä useissa organisaatioissa, joten lääkärin valmistautuminen ei ole pelkkää viimeisimmän lausunnon lukemista.

Record Time laatii potilaan kannalta olennaisista tiedoista yhteenvedon, järjestää asiakirjoja aikajärjestykseen ja tekee aineistosta haettavaa. Ryun mukaan työkalu voi säästää tapausta kohti noin 5–30 minuuttia valmistautumisaikaa. Vaikeassa tapauksessa puoli tuntia ei ole pieni säästö, jos samaan aikaan lääkärin mahdollisuus huomata vuosien taakse hautautunut yksityiskohta paranee.

Mayo Clinic vastaanottaa vuosittain kymmeniä miljoonia sivuja potilasasiakirjoja. Tässä mittakaavassa tekoälyn tärkein ominaisuus ei välttämättä ole uuden lääketieteellisen tiedon keksiminen, vaan jo olemassa olevan tiedon lajittelu käyttökelpoiseen muotoon. Terveydenhuollossa ongelmana ei usein ole tiedon puute, vaan se, ettei oikea tieto löydy oikealla hetkellä.

Ajansäästön merkitys näkyy lopulta vastaanottohuoneessa. Jos lääkärin ei tarvitse käyttää tapaamisen alkua tietojen metsästämiseen, hän voi kuunnella potilasta tarkemmin ja esittää parempia jatkokysymyksiä. Tekoäly on tällöin arvokas nimenomaan siksi, että se voi palauttaa ihmisten väliseen kohtaamiseen aikaa, jonka tietojärjestelmät ovat vähitellen vieneet.

Hyvä yhteenveto ei vielä ole varma totuus

Potilasasiakirjojen tiivistäminen sisältää kuitenkin riskin. Jos tekoäly nostaa esiin väärän asian, ymmärtää lyhenteen väärin tai jättää olennaisen havainnon pois, siisti yhteenveto voi antaa lääkärille puutteellisen kuvan tilanteesta. Mitä vakuuttavammalta teksti näyttää, sitä helpompi siihen on luottaa liikaa.

Siksi tekoälyn tuottaman yhteenvedon pitäisi toimia karttana alkuperäisiin asiakirjoihin, ei niiden korvaajana. Lääkärin on voitava tarkistaa, mihin laboratoriotulokseen, lausuntoon tai merkintään jokin päätelmä perustuu. Käytännössä hyvän terveydenhuollon tekoälyn arvo ei synny vain oikeista vastauksista, vaan myös siitä, kuinka helposti mahdollinen virhe voidaan löytää ja korjata.

Tämä muuttaa myös sitä, millaista osaamista ammattilaisilta vaaditaan. Tulevaisuuden lääkäri ei välttämättä kirjoita jokaista yhteenvetoa itse, mutta hänen on osattava arvioida koneen tekemää valintaa. Automaatio vähentää yhtä työvaihetta ja synnyttää samalla uuden: tekoälyn tuotoksen kriittisen tarkastamisen.

Tekoäly voi kuunnella vastaanottoa ja luonnostella kirjaukset

Mayo Clinicissä sairaanhoitajat ovat osallistuneet myös sellaisen tekoälyn kehittämiseen, joka kuuntelee vastaanottokeskustelua ja laatii siitä muistiinpanoja. CNN:n jutun mukaan hoitajilta voi kulua yli tunti päivässä kirjausten näppäilemiseen, ja uuden työkalun arvioidaan voivan puolittaa tämän ajan.

Kyse ei ole vain tuottavuusluvusta. Jos ammattilainen katsoo potilaan sijasta näyttöä, tietojärjestelmä alkaa ohjata koko kohtaamista. Automaattinen luonnos voi vapauttaa katsekontaktia ja keskustelua varten aikaa, kunhan ihminen tarkastaa kirjauksen ennen sen hyväksymistä.

Samalla vastaanottoa kuunteleva järjestelmä herättää perusteltuja kysymyksiä. Potilaan pitää voida tietää, että keskustelua käsitellään tekoälyllä, mitä aineistolle tapahtuu ja kuinka kauan sitä säilytetään. Lisäksi on ratkaistava, miten järjestelmä käsittelee arkaluonteisia sivuhuomautuksia, epävarmaa puhetta ja tilanteita, joissa useampi ihminen puhuu samanaikaisesti.

Tällaisen työkalun onnistumista ei voi mitata pelkästään sillä, kuinka monta minuuttia se säästää. Olennaista on myös kirjauksen lääketieteellinen tarkkuus, potilaan kokemus, ammattilaisen todellinen työkuorma ja se, syntyykö korjaamisesta enemmän työtä kuin luonnoksen laatimisesta käsin. Nopea mutta jatkuvasti korjattava järjestelmä voi näyttää raportissa tehokkaalta olematta sitä arjessa.

Noin 150 mallia ei tarkoita yhtä suurta tekoälyjärjestelmää

Mayo Clinicin generatiivisen tekoälyohjelman lääketieteellinen johtaja Matthew Callstrom kertoi CNN:lle, että organisaatiossa on käytössä noin 150 tekoälymallia. Kokonaisuutta kannattaa ajatella työkalupakkina. Yksi malli voi tunnistaa kuvasta tietyn piirteen, toinen järjestää tekstiä ja kolmas arvioida, keiden potilaiden tutkimuksia pitäisi tarkastella tavallista huolellisemmin.

Tämä hajautettu kehitys on terveydenhuollossa luontevampaa kuin ajatus yhdestä kaikkitietävästä tekoälylääkäristä. Rajattu työkalu voidaan kouluttaa tiettyä tehtävää varten, testata oikeassa potilasryhmässä ja sijoittaa työvaiheeseen, jossa ammattilainen valvoo sen toimintaa. Jos ongelma löytyy, sen vaikutusalue on helpompi tunnistaa kuin järjestelmässä, joka yrittää hoitaa kaiken.

Mallien lukumäärä ei silti yksin kerro, kuinka syvälle tekoäly on juurtunut sairaalan arkeen. Yhtä tärkeää on, kuinka moni ammattilainen käyttää työkaluja vapaaehtoisesti, kuinka usein niiden ehdotuksia korjataan ja parantavatko ne lopulta hoitoa. Käyttöönotettu malli voi olla teknisesti toimiva mutta käytännössä merkityksetön, jos se ei sovi henkilökunnan työnkulkuun.

Haimasyöpää etsitään ennen näkyvän kasvaimen syntymistä

Yksi Mayo Clinicin kiinnostavimmista tutkimuskohteista on haimasyövän aiempi tunnistaminen. Sairaalan kehittämä REDMOD-malli analysoi tavallisia vatsan tietokonetomografiakuvia ja etsii hyvin hienovaraisia muutoksia, jotka voivat edeltää silmin havaittavaa kasvainta.

Mayo Clinicin vuonna 2026 julkaisemien tietojen mukaan mallia tutkittiin lähes 2 000:n tietokonetomografiakuvauksen aineistolla. Se tunnisti 73 prosenttia diagnoosia edeltäneistä syövistä, ja tunnistus tapahtui mediaaniltaan 16 kuukautta ennen varsinaista diagnoosia. Yli kaksi vuotta ennen diagnoosia malli löysi lähes kolminkertaisen määrän varhaisia syöpiä verrattuna asiantuntijoiden tekemään kuvien tarkastukseen ilman tekoälyä.

Tulos on lupaava, koska haimasyöpä havaitaan usein vasta siinä vaiheessa, kun sairaus on levinnyt ja hoitovaihtoehdot ovat rajallisemmat. Jos jo jonkin muun syyn vuoksi otetusta kuvasta voidaan tunnistaa varhainen varoitusmerkki, potilas voidaan mahdollisesti ohjata lisätutkimuksiin aikaisemmin.

Tähän liittyy kuitenkin erittäin tärkeä rajaus: REDMOD on tutkimustyökalu. Mayo Clinic on itse korostanut, ettei mallilla ole Yhdysvaltain lääkeviranomaisen FDA:n hyväksyntää kliiniseen käyttöön eikä väestön seulontaan. Tutkimuksessa saatu hyvä tulos ei siis vielä tarkoita, että järjestelmä voisi etsiä haimasyöpää luotettavasti kaikista ihmisistä tai kaikissa sairaaloissa.

Varhaisen tunnistamisen mallissa on arvioitava osumatarkkuuden lisäksi väärät hälytykset. Jos järjestelmä merkitsee suuren määrän terveitä ihmisiä riskiryhmään, seurauksena voi olla huolta, lisäkuvauksia ja toimenpiteitä, joista ei ole hyötyä. Toisaalta liian varovainen malli voi jättää todellisen sairauden huomaamatta. Seulonnassa tasapaino hyötyjen ja haittojen välillä on yhtä tärkeä kuin tekninen suorituskyky.

Lisäksi tutkimustulos on toistettava erilaisissa potilasryhmissä, kuvantamislaitteissa ja terveydenhuoltojärjestelmissä. Malli voi oppia aineistosta piirteitä, jotka toimivat hyvin yhdessä sairaalassa mutta eivät siirry sellaisinaan muualle. Vasta laaja, riippumaton validointi kertoo, onko lupaava havainto valmis kliinisen työn tueksi.

Sydänfilmi voi paljastaa tulevan eteisvärinäriskin

Mayo Clinic on kehittänyt tekoälyä myös sydänsähkökäyrien eli EKG-tutkimusten tulkintaan. Tavoitteena on löytää sydämen sähköisestä toiminnasta malleja, joita ihmissilmä ei välttämättä tunnista ja jotka voivat kertoa eteisvärinästä tai sen riskistä.

Eteisvärinä voi olla ajoittaista, joten tavallinen lyhyt EKG-rekisteröinti saattaa näyttää normaalilta, vaikka rytmihäiriö esiintyisi muulloin. Jos tekoäly pystyy seulomaan tavallisista mittauksista henkilöt, joilla riski on kohonnut, heille voidaan kohdistaa pidempää seurantaa. Tarkoitus ei ole tehdä lopullista diagnoosia yhdestä algoritmin antamasta luvusta, vaan auttaa valitsemaan, keitä kannattaa tutkia tarkemmin.

Mahdollinen hyöty on suuri, sillä eteisvärinä voi lisätä verihyytymien ja aivohalvauksen riskiä. Samalla esimerkki havainnollistaa tekoälyn luontevinta roolia lääketieteessä: se voi toimia tarkkaavaisena ennakkovaroittimena, mutta diagnoosi ja hoitopäätökset edellyttävät edelleen kliinistä kokonaisarviota.

Käyttöönoton pitäisi muistuttaa kliinistä tutkimusta

Callstromin kuvaaman mallin mukaan Mayo Clinic yhdistää teknologiaosaajat ja käytännön hoitotyötä tekevät ammattilaiset jo kehityksen alussa. Lähtökohtana ei siis pitäisi olla kysymys siitä, mihin uutta tekoälyä voitaisiin käyttää, vaan se, mikä todellinen ongelma potilaan hoidossa tai henkilökunnan työssä pitäisi ratkaista.

Työkaluja kokeillaan ensin pienellä potilasjoukolla ammattilaisten valvonnassa. Niiden suoriutumista mitataan, käyttöä laajennetaan vähitellen ja toimintaa seurataan myös käyttöönoton jälkeen. Jatkuva seuranta on välttämätöntä, koska potilasjoukot, hoitokäytännöt ja tietojärjestelmät muuttuvat. Malli, joka toimi hyvin käyttöönottohetkellä, voi ajan mittaan menettää tarkkuuttaan.

Tässä prosessissa käyttämättä jättäminenkin on tärkeä tulos. Jos lääkärit ja hoitajat eivät halua ottaa työkalua osaksi työtään, syy voi olla huono käyttöliittymä, epäselvä hyöty tai se, etteivät he luota mallin päätelmiin. Ammattilaisten vastahakoisuutta ei aina pidä tulkita muutosvastarinnaksi, sillä se voi paljastaa järjestelmästä ongelman, jota tekninen testi ei huomannut.

Scale AI:n toimitusjohtaja Jason Droege varoitti CNN:n jutussa liian kunnianhimoisista lupauksista, joiden mukaan tekoäly korjaisi terveydenhuollon vuodessa tai kahdessa. Hänen mukaansa laadun on tultava ennen nopeutta. Juuri lääketieteessä tämä periaate on olennainen: huolimaton käyttöönotto voi vahingoittaa paitsi potilaita myös luottamusta sellaisiin järjestelmiin, joista voisi huolellisesti toteutettuina olla todellista hyötyä.

Lääkärin työ ei katoa, mutta työn sisältö voi muuttua

Mayo Clinicin kokemusten perusteella tekoäly ei ole toistaiseksi vienyt lääkäreiden tai hoitajien työpaikkoja, mutta se muuttaa työtehtäviä. Asiakirjojen selaamiseen ja rutiinikirjaamiseen käytetty aika voi vähentyä. Vastineeksi ammattilaisten pitää valvoa järjestelmiä, käsitellä poikkeustapauksia ja osata selittää potilaalle, miten tekoäly on vaikuttanut tutkimuksiin tai hoidon suunnitteluun.

Terveydenhuoltoon liittyy myös paljon sellaista, mitä ei voi pelkistää tiedon käsittelyksi. Potilas voi olla peloissaan, hänen oireensa voivat olla ristiriitaisia ja paras ratkaisu voi riippua arvoista eikä vain todennäköisyyksistä. Tekoäly voi löytää aineistosta kuvion, mutta se ei kanna vastuuta siitä, miten epävarma tieto kerrotaan ihmiselle.

Siksi automaation paras mittari ei ole henkilöstön määrän vähentäminen. Onnistumista pitäisi mitata sillä, saako potilas nopeammin oikeaa hoitoa, vähenevätkö vältettävissä olevat virheet ja jääkö ammattilaiselle enemmän aikaa vaikeaan harkintaan. Jos säästetty minuutti täytetään vain seuraavalla hallinnollisella tehtävällä, teknologian hyöty ei välttämättä näy potilaalle lainkaan.

Potilastietojen käyttö vaatii tavallista vahvempaa luottamusta

Tekoälymallit tarvitsevat paljon aineistoa, ja sairaaloilla on hallussaan poikkeuksellisen arkaluonteista tietoa. Potilastiedoissa voi olla sairauksien lisäksi tietoja mielenterveydestä, perhesuhteista, päihteistä, seksuaalisuudesta ja perinnöllisistä riskeistä. Siksi tietosuojan on oltava osa järjestelmän rakennetta alusta asti, ei vasta julkaisemista edeltävä tarkistus.

Keskustelua terävöittää entisen Mayo Clinicin tutkimusjohtajan Traci Tamiko Eton nostama oikeusjuttu. Hän väittää joutuneensa vastatoimien kohteeksi tuotuaan esiin huolia joidenkin tekoälyhankkeiden valvonnasta ja potilaiden yksityisyydestä. Kyse on oikeudessa käsiteltävistä väitteistä, ei todetuista tosiasioista.

Mayo Clinic ei ole kommentoinut keskeneräisen oikeusasian yksityiskohtia. Organisaation mukaan sen tekoälykehitykseen sisältyvät yksityisyys, turvallisuus, läpinäkyvyys ja sääntöjen noudattaminen, ja hankkeet toteutetaan lakien ja määräysten mukaisesti potilaiden luottamusta kunnioittaen.

Oikeusjuttu muistuttaa silti siitä, ettei vastuullisuutta voida arvioida vain organisaation omien periaatelausumien perusteella. Tarvitaan dokumentoituja käyttöoikeuksia, riippumatonta valvontaa, lokitietoja, selkeitä vastuita ja toimiva tapa ilmoittaa ongelmista. Jos työntekijä havaitsee riskin, organisaation turvallisuuskulttuuri näkyy siinä, miten huoli tutkitaan.

Mitä potilaan pitäisi saada tietää?

Potilaan näkökulmasta tekoäly ei saa jäädä näkymättömäksi taustavoimaksi silloin, kun se vaikuttaa olennaisesti hoitoon. Ihmiselle pitäisi pystyä kertomaan ymmärrettävästi, mihin järjestelmää käytettiin, tarkastiko ammattilainen sen tuotoksen ja voiko virheellisen tiedon korjata.

Kaikkien teknisten yksityiskohtien selittäminen ei ole tarpeen, mutta vastuun pitää olla näkyvä. Potilaalle ei riitä vastaus, että tietokone päätti näin. Viime kädessä jonkun ihmisen tai organisaation on vastattava siitä, että työkalu on valittu oikeaan tarkoitukseen, sitä käytetään oikein ja sen rajoitukset tunnetaan.

Myös suostumuksen merkitys riippuu käyttötavasta. Vastaanottokeskustelun kuunteleminen, tutkimusaineiston käyttäminen uuden mallin kehitykseen ja jo hyväksytyn työkalun käyttäminen kuvantamisen tukena ovat keskenään erilaisia tilanteita. Yksi yleinen maininta tekoälystä ei välttämättä anna potilaalle riittävää kuvaa siitä, mitä hänen tiedoilleen tapahtuu.

Mitä Mayo Clinicin kehitys ei vielä todista?

Noin 150 käytössä olevaa mallia ei tarkoita, että tekoäly olisi ratkaissut terveydenhuollon henkilöstöpulan, kustannukset tai diagnoosien epävarmuuden. Se ei myöskään tarkoita, että kaikki mallit tekisivät potilaan hoitoon suoraan vaikuttavia päätöksiä. Osa hyödyllisimmistä sovelluksista voi olla hyvin rajattuja ja lähes huomaamattomia.

Haimasyöpätutkimuksen lupaavat luvut eivät puolestaan tarkoita valmista seulontamenetelmää. Varhainen tutkimustulos voi myöhemmissä kokeissa heikentyä, kun aineisto laajenee ja potilasjoukko muuttuu. Tieteessä juuri tällaisten lupaavien löydösten huolellinen varmistaminen erottaa toimivan lääketieteellisen työkalun kiinnostavasta prototyypistä.

Myöskään suuri sairaala ei voi olettaa, että sen ratkaisu toimii sellaisenaan kaikkialla. Mayo Clinicillä on poikkeuksellisen paljon aineistoa, asiantuntijoita ja teknisiä kumppaneita, kuten Microsoft ja Scale AI. Pienemmän sairaalan resurssit, potilasrakenne ja tietojärjestelmät voivat olla hyvin erilaiset.

Samat kysymykset tulevat vastaan myös Suomessa

Yhdysvalloissa kehitettyä järjestelmää ei voi siirtää suoraan suomalaiseen terveydenhuoltoon. Kieli, potilasasiakirjojen rakenne, lainsäädäntö, hoitopolut ja väestö eroavat toisistaan. Suomeksi kirjoitettujen lyhenteiden ja paikallisten käytäntöjen ymmärtäminen vaatii omaa testausta eikä vain englanninkielisen mallin kääntämistä.

Perusongelmat ovat silti tuttuja: tietoa on paljon, se sijaitsee eri paikoissa ja ammattilaisten aikaa kuluu kirjaamiseen. Siksi juuri potilashistorian jäsentäminen, vastaanottotekstin luonnostelu ja kuvantamisen tarkistus voivat olla realistisia käyttökohteita myös täällä. Hyöty syntyy kuitenkin vasta, jos ratkaisu sopii osaksi nykyistä työtä eikä lisää uutta rinnakkaista järjestelmää.

Suomessa olisi tärkeää arvioida tekoälyä samoilla mittareilla kuin muitakin hoitoon vaikuttavia ratkaisuja. Parantaako se hoitotuloksia, vähentääkö se työkuormaa, kohteleeko se eri ihmisryhmiä tasapuolisesti ja voidaanko virheet jäljittää? Pelkkä vaikuttava esittely tai kansainvälisen sairaalan nimi ei riitä näytöksi.

Tekoälyn tärkein saavutus voi olla huomion palauttaminen

Mayo Clinicin esimerkeissä tekoäly näkyy kahdella tasolla. Tutkimuksessa se etsii kuvista merkkejä sairauksista ennen kuin ne ovat ihmiselle ilmeisiä. Arjessa se tekee vaatimattomampaa mutta välittömästi hyödyllistä työtä: lajittelee, tiivistää ja luonnostelee.

Näistä jälkimmäinen voi muuttaa terveydenhuoltoa nopeammin. Jos ammattilainen saa luotettavan yhteenvedon, löytää vanhan havainnon ajoissa ja pystyy katsomaan potilasta näppäimistön sijasta, hyöty on konkreettinen. Se ei näytä tieteiselokuvalta, mutta juuri siksi se voi juurtua osaksi työtä.

Suurin haaste ei lopulta ole saada tekoälyä tuottamaan vakuuttavaa tekstiä tai löytämään tilastollisia kuvioita. Vaikeampaa on rakentaa järjestelmä, johon voidaan luottaa myös kiireessä, poikkeustapauksissa ja silloin, kun sen tekemä virhe koskee oikeaa ihmistä. Terveydenhuollossa kehityksen vauhti mitataan siksi laadun, valvonnan ja potilasturvallisuuden ehdoilla.