Koneoppiminen ensihoitotehtävien ennustamisessa Pohjois-Karjalan hyvinvointialueella

Abstract

Tekoäly ja koneoppiminen yleistyvät nopeasti eri aloilla, myös terveydenhuollossa. Tässä opinnäytetyössä kuvataan, kuinka rakennetaan koneoppimismalli, joka ennustaa ensihoitotehtävien määrää Pohjois-Karjalan hyvinvointialueella. Tavoitteena oli selvittää, voidaanko koneoppimisella ennustaa milloin ja minne ensihoitotehtävät tulevat ja mitkä muuttujat vaikuttavat ennusteeseen.

Aineistona käytettiin 43 543 ensihoitotehtävää ajalta marraskuu 2023 – huhtikuu 2025. Malliksi valikoitui Random Forest, joka ennustaa tehtävämääriä 12 tunnin vuoroissa 19 kunnan alueella. Opinnäytetyö toteutettiin tekoälyavusteisesti: Claude-kielimalli toimi ohjelmointiapuna ja analyyttisenä keskustelukumppanina läpi koko prosessin. Tämä mahdollisti menetelmällisesti kunnianhimoisemman toteutuksen kuin perinteisellä työtavalla olisi ollut mahdollista. Työssä yhdistettiin tekoäly, kansainvälinen tutkimustieto ja tekijän 30 vuoden kokemus ensihoidosta.

Lopullinen malli saavutti hyvän ennustetarkkuuden: MAE 0,892 tehtävää vuoroa kohden ja selitysaste 84,3 prosenttia. Tulokset ovat linjassa kansainvälisten tutkimusten kanssa. Opinnäytetyö toi myös yllättäviä löydöksiä: sään ja juhlapyhien vaikutus ennusteeseen jäi marginaaliseksi, vaikka voisi olettaa niiden olevan merkittäviä tekijöitä. Historialliset tehtävämäärät selittivät 55–75 prosenttia ennusteesta. Lisäksi havaittiin, ettei monimutkaisinta mallia aina tarvita – yksinkertainen Excel-taulukko saavutti 92 prosenttia koneoppimismallin tarkkuudesta. Spatiaalinen ennustaminen osoittautui mahdottomaksi datan harvan jakauman vuoksi.

Artificial intelligence and machine learning are rapidly expanding across various fields, including healthcare. This thesis describes how to build a machine learning model that predicts emergency medical services (EMS) task volumes in the North Karelia Wellbeing Services County. The aim was to determine whether machine learning can predict when and where EMS tasks will occur and which variables influence the forecast.

The dataset comprised 43,543 EMS tasks from November 2023 to April 2025. Random Forest was selected as the algorithm, predicting task volumes for 12-hour shifts across 19 municipalities. The thesis was conducted using AI-assisted methods: the Claude language model served as a programming assistant and analytical partner throughout the entire process. This enabled a methodologically more ambitious implementation than would have been possible with traditional approaches. The work combined artificial intelligence, international research, and the author's 30 years of experience in emergency medical services.

The final model achieved good predictive accuracy: MAE of 0.892 tasks per shift and an R² of 84.3 percent. The results align with international studies. The thesis also yielded surprising findings: the impact of weather and public holidays on predictions was marginal, even though one might expect them to be significant factors. Historical task volumes explained 55–75 percent of the predictions. Additionally, the most complex model is not always necessary – a simple Excel lookup table achieved 92 percent of the machine learning model's accuracy. Spatial prediction proved infeasible due to data sparsity.