20.09.2024

Palvelutarpeen ennakointia tekoälyn avulla

Tämä blogiteksti on jatkoa aiemmalle kirjoitukselle, jonka löydät täältä.

Perinteinen raportoinnin malli tuottaa kattavasti tietoa hyvinvointialueen nykytilasta ja historiasta ja sillä on tärkeä tehtävä tilannekuvan luomisessa. Näiden tietojen avulla on mahdollista paaluttaa organisaation asioita suhteessa menneeseen ja vallitsevaan tilanteeseen. Tulevaisuus puolestaan on useimmiten hämärän peitossa. Tulevan ennakointi antaa etumatkaa suunnittelulle. Tekoälyn avulla toteutetun ennakoivan analytiikan avulla voidaan saada näkymää tulevaan sekä suunnitella organisaation toimintamalleja ja resursointia kustannusvaikuttavasti.

Tekoälyn avulla toteutettu ennakoiva analytiikka sopii muiden käyttökohteiden lisäksi hyvin eri väestö- ja asiakkuussegmenttien palvelutarpeen ennustamiseen. Asukkaiden ja asiakkaiden palvelukäyttäytymisen perusteella voidaan tunnistaa, miten tarpeet muodostuvat ja vaikuttaa sitten ennakoivilla toimenpiteillä hoito- ja palvelupolkujen kehitykseen. Oikea-aikaisilla ja oikein kohdennetuilla interventioilla voidaan ohjata asukkaiden ja asiakkaiden toimintaa ja palvelukäyttöä.  

Lähtökohtana on, että tekoälyllä tehty ennakoivan analytiikan toteutus perustuu hyvinvointialueen strategisiin tavoitteisiin ja niiden pohjalta asetettuihin hypoteeseihin. Hypoteeseissa tulee tunnistaa jokin ennakoitava päätetapahtuma, joka on usein jokin ei-toivottu taitekohta tai tapahtuma hoito- ja palvelukokonaisuuksissa. Hypoteesina voi olla esimerkiksi se, että palvelutarpeiden ennakointi ja riittävä resurssointi varhaisessa vaiheessa sekä oikein kohdennetut ennakoivat toimenpiteet hillitsevät raskaiden palvelujen tarvetta ja sitä kautta kustannuskehitystä. Yleensä on tunnistettavissa optimaalinen kohta, jossa päätetapahtumaan voidaan vielä vaikuttaa, mutta dataa on jo käytettävissä siten, että tapahtuman varhaiset kehitysvaiheet voidaan tunnistaa.

Tekoälytoteutuksen suunnittelu ja käynnistäminen

Tekoälytoteutuksen suunnitteluvaiheessa on keskeistä perehtyä ratkaistavaan ongelmaan ja sitä ympäröiviin ilmiöihin. Suunnittelussa kannattaa hyödyntää olemassa olevaa tutkimustietoa. Ennen toteutuksen käynnistämistä täsmennetään tavoite ja päätetapahtuma, jota halutaan ennakoida ja tunnistetaan datalähteet, jotka voisivat kertoa ilmiöstä. Tavoite on tärkeä rajata täsmällisesti ja kuvata se selkeästi niin ajallisesti kuin sisällöllisesti.

Heti alussa on tärkeää tunnistaa myös arjen käytänteet ja miettiä, miten ennakoivan analytiikan tuloksia tullaan hyödyntämään, mitä tuloksilla voidaan saavuttaa ja miten niiden hyödyntäminen vaikuttaa olemassa oleviin prosesseihin. Alusta lähtien on hyvä miettiä myös sitä, miten mahdollinen tuotantokäyttö ensitoteutuksen jälkeen vakiinnutetaan. Edellä kuvatussa suunnittelussa voidaan hyödyntää tekoälykanvaasia, joka kokoaa toteutuksen kannalta tärkeitä tietoja. Kanvaasi koostetaan yhteistyössä hyvinvointialueen toimintaa tuntevien toimijoiden ja mallin teknisten toteuttajien kesken.

Tekoälytoteutus ikääntyvän väestön palvelutarpeen ennakoinnissa

Ikääntyvän väestön lisääntymisen myötä myös kyseisen väestöryhmän palveluiden tarve kasvaa. On entistä tärkeämpää kyetä ennakoimaan palvelutarvetta ja sen muutoksia, jotta pystytään jakamaan vähäiset resurssit mahdollisimman kustannustehokkaasti ja vaikuttavasti ja toisaalta lisäämään asukas- ja asiakastyytyväisyyttä. Juuri ikääntyvän väestön palvelutarpeiden tunnistamiseen olemme tehneet useita tekoälytoteutuksia ja saaneet hyvinvointialueille tietoa ennakoivien toimenpiteiden toteuttamiseksi.

Iäkkäiden palvelutarpeiden tunnistamiseen kohdentuneissa toteutuksissa on luotu tekoälyn keinoin ennustemalli esim. yli 75-vuotiaiden ohjautumisesta säännöllisiin sosiaali- ja terveydenhuollon palveluihin. Tavoitteeksi on asetettu tunnistaa etukäteen ja ajoissa henkilön ohjautuminen tiettyihin, hyvinvointialueen kanssa sovittuihin palveluihin, kuten säännölliseen kotihoitoon ja ympärivuorokautiseen palveluasumiseen. Tulevaa palvelutarvetta voidaan ennakoida esimerkiksi 12 tai 36 kuukautta eteenpäin.

Kokemuksemme mukaan tekoälymallit ennakoivat erittäin hyvin 12 ja 36 kuukautta etukäteen säännöllistä palvelutarvetta. Mallin hyvää ennakointikykyä kuvaa F1-luku, joka on eri toteutuksissa vaihdellut 84–89 %:n välillä. F1 on yksi keskeisistä ennakoivan analytiikan suorituskykyä kuvaavista mittareista ja soveltuu erityisen hyvin tilanteisiin, joissa ennustettava päätetapahtuma on harvinainen. F1-luvussa mallin tarkkuus ja herkkyys yhdistyvät yhdeksi arvoksi, mikä antaa kokonaisvaltaisen kuvan mallin kyvystä ennustaa säännöllistä palvelutarvetta. Mittari kertoo, kuinka hyvin malli tunnistaa ne asiakkaat, joille kannattaa kohdistaa toimenpiteitä säännöllisiin palveluihin ohjautumisen lykkäämiseksi tai ehkäisemiseksi. Korkea F1-luku osoittaa, että malli tasapainottaa hyvin väärien positiivisten ja negatiivisten ennusteiden määrän, mikä parantaa toimenpiteiden kohdentamisen tarkkuutta.

Toteutuksen jälkeen interventioiden kohdentamisen helpottamiseksi on mahdollista ryhmitellä eli segmentoida riskissä olevat asiakkaat. Palvelussa jaetaan asiakkaat keskenään mahdollisimman samanlaisiin, mutta toisistaan erottuviin klustereihin. Asiakasryhmien segmentointi tuottaa sote-asiantuntijoille kuvaukset kohderyhmistä ja näin mahdollisuuden suunnitella täsmälliset toimenpiteet vastaamaan kunkin asiakasryhmän tarpeita. Tulevaisuudessa, lainsäädännön mahdollisesti salliessa, voitaisiin massasta yksilöinä tunnistettuja henkilöitä kontaktoida myös suoraan ja kohdentaa heille ennakoiden apua ja tukea olemassa oleviin tai lähestyviin tarpeisiin.

Tekoälyllä tukea kustannusten hallintaan ja vaikuttavuuteen

Tekoäly tarjoaa hyvinvointialueelle tehokkaita työkaluja ennakoivaan analyysiin, resurssien hallintaan ja päätöksentekoon. Ajantasainen, ennakoiva tieto lisää ymmärrystä väestöstä, väestön palvelukäyttäytymisestä ja -tarpeista. On mahdollista suunnitella kohderyhmäkohtaisia palveluja ja ennaltaehkäiseviä toimia sekä pyrkiä siirtämään säännöllisiin palveluihin ohjautumisen ajankohtaa. Tiedetään, että lyhytkin ajankohdan myöhentäminen voi vähentää sosiaali- ja terveydenhuollon kustannuksia merkittävästi. Tekoälyn avulla voidaan parantaa palvelujen laatua, tehokkuutta ja kustannusvaikuttavuutta. Ennakoiva tieto hyödyttää sekä päätöksentekijöitä että alueen asukkaita.  

Ennakoiva analytiikka voidaan rakentaa osaksi hyvinvointialueen jatkuvaa palvelua. Näin saadaan rullaavasti tietoa nykyhetkestä ja tulevasta tilanteesta, eri asiakkuussegmenttien tarpeiden muutoksesta ja suunnattujen interventioiden toimivuudesta. Saadun tiedon perusteella voidaan päivittää organisaation tavoitteita ja suunnitella uusia toimintamalleja kohti kustannustehokkaampaa ja vaikuttavampaa sote-palvelujärjestelmän toimintaa.

Productivity Leap Oy / Elina Välikangas, Erika Natunen, Pertti Markkanen, Jari Pekkanen, Kari Natunen