Koneoppiminen terveydenhuollon tukena

Lähitulevaisuudessa potentiaalisesti lähes kaikkea mullistava koneoppiminen on ollut vuosikymmeniä IT-alan toimijoiden mielessä, mutta vasta viimeisenä vuosikymmenenä se on kyetty kunnolla ottamaan käyttöön, kun tietokonelaitteistot ovat kehittyneet jatkuvasti tehokkaammiksi. Koneoppimisen kontekstissa voidaan nähdä pätevän, että mitä enemmän dataa, sitä paremmin koneoppimisjärjestelmä menestyy. Terveydenhuollossa riittää dataa niin potilas-, lääke- kuin diagnoositietojen lisäksi lääketieteellisen kuvantamisen tuloksena muodostuvissa kuvissa. Koneoppimisen perinpohjainen ja tehokas valjastaminen terveydenhuollon tueksi saa aikaan taloudellisia säästöjä tehokkaampien hoitoratkaisujen kautta, ihmishenkien säästymistä tarkempien diagnoosien kautta ja jokaiselle keventynyttä mielentilaa, kun sairauksia voidaan ennustaa paremmin, jolla mahdollistetaan aikaisempi diagnoosi ja hoito. Tutkielma kävi läpi koneoppimisen määritelmän ja muutaman tavallisen koneoppimismenetelmän toiminnan pintapuolisesti. Myös terveydenhuollon dataa ja digitalisaatiota käsiteltiin, sillä niiden voidaan nähdä olevan selkeitä edellytyksiä koneoppimisen omaksunnalle. Pääosassa on tutkielman nykyhetken selvitys koneoppimisen käyttökohteista terveydenhuollon piirissä ja koneoppimisratkaisujen diagnostisesta tarkkuudesta. Käsitellyillä aloilla, joita ovat farmasia, farmakologia, neurologia, onkologia ja kardiologia, koneoppineet järjestelmät saavuttivat vaihtelevaa tarkkuutta. Parhaimmillaan koneoppimisen hyödyntäminen johti ammattilaisia parempaan tarkkuuteen rytmihäiriön havaitsemisessa ja luokittelussa. Systemaattisen kirjallisuuskatsauksen kautta tutkielman tavoitteena on olla laaja, jäsennetty kokonaisuus, joka on helposti luettavissa ja jonka lukeminen mahdollistaa alan ulkopuolisillekin lukijoille pintapuolisesti kattavan käsityksen aihealueesta.Machine learning is in the process of transforming almost everything. It has been in the minds of information technology actors for decades, but only in the most recent decade has it properly been engaged with developments in computer hardware resulting in perpetually higher performance. In the context of machine learning it stands that with more data comes ever improving ability for machine learning to succeed. There is an abundance of data relating to patients, medicine and diagnostics in addition to data in the form of images taken as part of medical imaging. Exhaustive and effective harnessing of machine learning brings about financial savings through more effective healthcare solutions, saved lived through more accurate diagnoses and, for everyone, a lightened state of mind as diseases can better predicted, allowing for earlies diagnosis and treatment. This thesis went over the definition of machine learning and the operation of a few common machine learning methods superficially. Healthcare data and digitalization were also addressed as they can considered clear prerequisites for the adoption of machine learning. The focus of the thesis was a present-day review of the applications of machine learning in healthcare and the diagnostic performance of machine learning solutions. In the fields covered, which include pharmacy, pharmacology, neurology, oncology and cardiology, machine learning solutions performed varyingly. At its best, a machine learning solution outperformed radiologists in the detection and classification of arrhythmia. As a result of systematic literature review, the objective of the thesis is to present a broad, structured body, which can be read at ease, and which allows readers outside the field to have a superficial yet comprehensive understanding of the topic