Head of Data & AI, Tietoevry Care
Haaste
Löytää keino yhdistää akuuttia leukemiaa sairastavat potilaat heille sopiviin leukemian kliinisiin lääketutkimuksiin ja mahdollistaa potilaille juuri heidän tautimuotoon tehoava lääkehoito.
Ratkaisu
Älykäs ohjelmisto tukee tutkimustoimintaa ja mahdollistaa nopeamman sekä tarkemman kliinisen päätöksenteon ja yksilöllistetyn hoidon potilaille, joilla on nopeaa diagnostiikkaa ja hoidon valintaa vaativa henkeä uhkaava sairaus.
Asiakkaasta
HUS CleverHealth Network on vuonna 2017 perustettu terveysteknologian ekosysteemi, jossa yritykset ja terveydenhuollon asiantuntijat kehittävät yhdessä entistä parempaa hoitoa suomalaisille ja menestyviä terveysteknologian vientituotteita yrityksille. Tuote- ja palveluinnovaatiot pohjautuvat HUS Helsingin yliopistollisen sairaalan laadukkaaseen terveysdataan sekä kliinikoiden huippuosaamiseen.
CleverHealth Networkin eCare for Me -hankeperheen Akuutti leukemia -tutkimushankkeessa kehitetään sairauden automatisoitua diagnostiikkaa ja hoidon valintaa. Tavoitteena on luoda älykäs sovellus, jota voidaan käyttää niin kliinisessä potilastyössä kuin tutkimuksessa.
Hanketiimin vetäjänä toimii hematologian professori, ylilääkäri Kimmo Porkka Helsingin yliopistollisesta sairaalasta.
www.cleverhealth.fi www.hus.fi
Helpottaa tutkimuksiin osallistumista
Eri tietolähteistä tulevan kasvavan tietomäärän yhdistäminen nopeutuu. Kliinisiin tutkimuksiin sopivat potilaat tunnistetaan tehokkaammin ja heille voidaan tarjota osallistumismahdollisuutta.
Henkilökohtainen hoito paranee
Potilaille voidaan tarjota tarkemmin omien syöpäsolujen geneettisiin muutoksiin kohdentuvaa hoitoa. Hoitovalikoima laajenee tilanteessa, missä muut hoitokeinot on useimmiten jo läpikäyty.
Tukee kansainvälistä tutkimustyötä
Kansainvälisen yhteisen tietomallin (OMOP CDM) mukainen kliinisten tietojen rakenteellistaminen mahdollistaa sujuvan tietoturvallisen yhteistyön koti- ja ulkomaisten keskusten välillä.
Apua kasvavan datan määrän analysointiin
Perttu Koskenvesa on osa Kimmo Porkan johtamaa työryhmää, joka kehittää kliinistä Trial Matching -sovellusta. Kehitysprojektissa automatisoidaan aikaisemmin manuaalinen prosessi, jossa verisairauspotilaille haetaan sopivia lääketutkimuksia ja käynnissä oleviin kliinisiin tutkimuksiin etsitään tutkimuskriteerit täyttäviä potilaita.
”Käytetään potilastietojärjestelmiin tallennettua dataa tavalla, joka hyödyttää hoitoa ja poistaa työläitä manuaalisen tiedonkäsittelyn ja yhdistelyn vaiheita”, Koskenvirta kertoo.
Potilaskohtaisen tiedon määrä on viimeisen 10–15 vuoden aikana lisääntynyt paljon. Termin akuutti leukemia alle mahtuu lukuisia eri tautimuotoja, joiden hoito voi poiketa hyvin paljon toisistaan. Sairauden molekyyligeneettiset erot ja niihin mahdollisesti käytettävissä olevat lääkkeet muokkaavat potilaan hoidon kulkua.
Käynnissä olevan tutkimustoiminnan ja sopivien potilaiden yhdistämisessä tarvitaan tietoa, mitä tutkimuksia on menossa, kuinka paljon niissä on tutkittavia ja millaisia potilaita eri tutkimuksiin voidaan ottaa. Datan avulla halutaan myös arvioida, miten erilaisten tutkimusten toteuttaminen on mahdollista, eli onko tarjolla sopivia potilaita.
”Kaiken potilastietojärjestelmään tallennetun informaation hyödyntäminen on lähes mahdotonta, jos datan analysointi on vain inhimillisen toiminnan varassa”, Koskenvesa sanoo.
Katso videolta kuinka tekoäly auttaa kliinisissä syöpätutkimuksissa
Asiakastarina jatkuu videon alapuolella.
Video is blocked
Halutaan tuntea paremmin hoidettavat potilaat, erilaisten potilaiden määrät ja olla valmiimpia lähtemään mukaan tutkimuksiin, joissa on tarjolla leukemian eri alatyyppeihin kohdistuvaa lääkehoitoa.
Perttu Koskenvesa
kliinisen hematologian erikoislääkäri, HUS Syöpäkeskus
Tarkka ohjaus kliinisiin tutkimuksiin
Akuutin leukemian tutkimusta tukeva ja diagnostiikkaa nopeuttava Trial Matching -sovellus hyödyntää HUS:n tietoaltaan eli Suomen suurimman terveydenhuollon datavarannon tietoja.
Trial Matchingissa leukemian diagnosointiin ja hoidon suunnitteluun tarvittavia potilastietoja poimitaan HUS:n tietoaltaasta ja kerätään omaksi tietovarannoksi tutkimusluvan mukaisesti. Datamassasta haetaan potilaita kliinisiin tutkimuksiin ennalta määrätyillä tutkimuskriteereillä.
Työkalun keskeisiä ominaisuuksia ovat potilaskohorttien aikaansaaminen ja tutkimustoimintaa tukevien raporttien kehittäminen. Lopullisen päätöksen tutkimukseen otettavista potilaista tekee kliinikko.
Trial Matchingin avulla voidaan saada selville myös potilaan kannalta paras lääkitysehdotus jo käytettävistä olevista vaihtoehdoista, kun sovellus pystyy huomioimaan kaikki potilaskohtaiset löydöt ja mahdolliset erot hoidon suunnittelussa.
”Ohjataan lääkehoito potilaisiin, joilla on hyvää vastetta ennustava molekulaarinen poikkeavuus syöpäsoluissa. Näin voidaan kohdentamisen avulla saada tehokkaampi hoito heille. Saman lääkkeen käyttö henkilölle, jolla tätä muutosta ei ole, on käytännössä turhaa eikä tuottaisi muuta kuin haittavaikutuksia”, Koskenvesa kertoo.
Potilaan diagnosointi helpottuu automatisoidussa järjestelmissä. Tietotekniikkaa hyödyntämällä vähennetään riskiä, että inhimilliset virheet vaikuttavat hoidon toteutukseen.
Perttu Koskenvesa
Kliinisen hematologian erikoislääkäri, HUS Syöpäkeskus
Sisäänotto- ja poissulkukriteerit seulovat potilaita ja tutkimuksia
Trial Matchingin kehittämisprosessi pohjautuu Helsingin yliopistollisen sairaalan kliinisiin tutkimusrutiineihin. Tähän mennessä tutkimuskriteerit ovat saapuneet hoitopäätöksiä tekeville ammattilaisille PDF-tiedostoina ja potilastietojen yhdistely kriteereihin on ollut manuaalista.
Sovelluksen rakentamisvaiheessa kliinisten tutkimusten kriteerit on tallennettu jäsennetyssä muodossa, mikä mahdollistaa niiden tehokkaan käsittelyn, tekoälyn kehittämisen ja kriteerien reaaliaikaisen päivittämisen.
”Tiedot saadaan tutkimussuunnitelmista eli protokollista, joissa määritellään sisäänotto- ja poissulkukriteetit. Jatkossa voimme vastata paremmin ennakkokyselyihin, joissa arvioidaan mahdollisuutta osallistua suunniteltuihin tutkimuksiin”, Koskenvesa sanoo.
Tavoitteena on Suomen tasolla yhteinen tietomalli, joka helpottaa myös valtakunnallista tutkimusyhteistyötä ja tiedonvälitystä. Tiedot on muutettu myös kansainväliseen standardimuotoon (OMOP-tietomalli), mikä tekee ratkaisusta skaalautuvan kansallisella ja globaalilla tasolla.
Kehityshankkeen ensimmäinen vaihe päättyy vuoden 2021 lopussa.
Kliinisellä osaamisella on keskeinen merkitys, että saadaan oikea käsitys siitä, mitä lähdedataa sovelluksessa pitää olla.
Perttu Koskenvesa
Kliinisen hematologian erikoislääkäri, HUS Syöpäkeskus
