Generatiivisen tekoälyn käyttäminen terveydenhuollossa

Abstract

Generatiivinen tekoäly on viime vuosina noussut merkittäväksi kehityssuunnaksi terveydenhuollossa, erityisesti diagnostiikan ja kliinisen päätöksenteon tukena. Terveydenhuollon toimintaympäristöön kohdistuvat kasvavat vaatimukset, kuten henkilöstöpula ja lisääntyvä tiedon määrä, ovat lisänneet kiinnostusta teknologioihin, joiden avulla voidaan tukea ammattilaisten työtä ja parantaa hoidon laatua. Tämän opinnäytetyön tarkoituksena on selvittää, miten generatiivinen tekoäly voi parantaa diagnostiikan tarkkuutta ja ennustettavuutta terveydenhuollossa.

Opinnäytetyö toteutettiin kartoittavana kirjallisuuskatsauksena. Teoreettinen viitekehys perustuu generatiivisen tekoälyn ja suurten kielimallien keskeisiin käsitteisiin sekä niiden soveltamiseen terveydenhuollon kontekstissa. Aineisto kerättiin kansainvälisistä tietokannoista (EBSCO, CINAHL ja PubMed), ja analyysiin valittiin neljä vertaisarvioitua tutkimusta. Aineiston analyysimenetelmänä käytettiin induktiivista sisällönanalyysia.

Tulosten perusteella generatiivinen tekoäly voi tukea diagnostiikkaa erityisesti tiedon jäsentämisessä, ennustemallien hyödyntämisessä ja kliinisen päätöksenteon tukena. Tutkimuksissa todettiin, että tekoäly voi saavuttaa joissain tehtävissä ei-asiantuntijoiden tasoisen suorituskyvyn, mutta ei korvaa asiantuntijalääkäreitä. Keskeisiksi haasteiksi nousivat eettiset kysymykset, tietoturva sekä mallien tuottaman tiedon luotettavuus. Johtopäätöksenä todetaan, että generatiivinen tekoäly soveltuu terveydenhuollossa ensisijaisesti ammattilaisten työn tukemiseen, ei itsenäiseksi kliiniseksi toimijaksi.

Generative artificial intelligence has emerged as a significant development trend in healthcare in recent years, particularly in support of diagnostics and clinical decision-making. Growing demands on the healthcare environment, such as staff shortages and increasing amounts of data, have increased interest in technologies that can support the work of professionals and improve the quality of care. The purpose of this thesis is to investigate how generative artificial intelligence can improve the accuracy and predictability of diagnostics in healthcare.

The thesis was conducted as an exploratory literature review. The theoretical framework is based on the key concepts of generative artificial intelligence and large language models and their application in the con-text of healthcare. The data was collected from international databases (EBSCO, CINAHL, and PubMed), and four peer-reviewed studies were selected for analysis. Inductive content analysis was used as the method of analysis.

Based on the results, generative AI can support diagnostics, particularly in structuring information, utilizing predictive models, and supporting clinical decision-making. The studies found that AI can achieve non-expert-level performance in some tasks, but cannot replace expert physicians. The key challenges identified were ethical issues, data security, and the reliability of the information produced by the models. The conclusion is that generative AI is primarily suitable for supporting the work of professionals in healthcare, not as an independent clinical actor.