Year: 2024
Type: dissertation
Abstract: Antimikrobiresistenssin (engl. antimicrobial resistance) alajoukkoon kuuluva antibioottiresistenssi on todettu maailmanlaajuisesti merkittäväksi terveysuhaksi. Antibioottiresistenssi on seurausta bakteerien geneettisistä muutoksista evolutiivisen valintapaineen aiheuttamana, joka aiheuttaa terveydenhuollollisen uhkatilanteen, jossa lääkekäyttöön tarkoitetut antibioottilääkkeet eivät toimi. Tämän uhan olemassaolon syyksi on esitetty useita erilaisia tekijöitä, joista eräs keskeinen elementti on kliiniseen päätöksentekoon nojautuva antibioottien lisääntynyt määrällinen käyttö. Uhkaan liittyvän lisääntyneen tietämyksen myötä sekä sairaalateknologian ja tietojärjestelmien kehittyessä on ihmiskunta pyrkinyt etsimään tähän moniulotteiseen ja informaatiokeskeiseen ongelmaan erilaisia teknisiä ratkaisuja, joista eräs on koneoppiminen. Tekoälyn alakäsitteeksi kategorisoitu koneoppiminen voidaan määritellä järjestelmien kyvykkyytenä oppia ja parantaa itseään datan avulla, ilman ihmisen manuaalisesti suorittamaa jälkiohjelmointia. Koneoppimisen on havaittu tukevan päätöksentekoa useassa eri kontekstissa tarjoamalla lisäinformaatiota sekä tunnistamalla säännönmukaisuuksia aineistoista. Kirjallisuuskatsauksena toteutetussa tutkimuksessa käsitellään koneoppimisen hyödyntämistä päätöksenteossa antibioottiresistenssin ehkäisemisen kontekstissa. Työn keskeisimpänä tavoitteena on tutkia hyötyjen ja haasteiden näkökulmasta koneoppimisen soveltuvuutta tähän toimintaympäristöön sekä ongelmaan. Apututkimuskysymyksen avulla työn tarkastelukehykseen on pyritty yhdistämään jo alalla osittain hyödynnettävien kliinisen päätöksenteon tukijärjestelmien (engl. clinical decision support systems) merkitystä. Teoriaosiossa pyritään taustoittamaan työn aiheen kolme eri pääteemaa työn laajuuden kehikossa relevantilla tavalla. Työn tulososioon kerättyjen tutkimusten perusteella kategorisoituja haasteita voidaan tunnistaa työn laajuudessa tunnistettuja yksittäisiä hyötyjä enemmän. Päätelmät kokoavat yhteen työn keskeiset teemat tutkimuskysymysten näkökulmasta. Tutkimuksen perusteella keskeisimmät hyödyt liittyvät lisääntyvään päätöksentekoa tukevan informaation määrään sekä terveydenhuollon resurssien säästämiseen. Haasteiden osalta merkittävimmiksi osoittautuvat yleistettävyys, tulkittavuus sekä datan heikko laatu. Päätöksenteon tukijärjestelmillä havaitaan olevan potentiaalia kliinisen työnkulun tukemissa päätöksenteon kontekstissa. Aiheen ympäristön jatkotutkimuksia ajatellen työ osoittaa, että on edelleen tarpeellista lähestyä ongelmaa se reduktionistisesti osasysteemeihin purkaen. Jatkotutkimuksissa tulisi myös pyrkiä löytämään mahdollisuuksia toteuttaa prospektiivisia tutkimuksia retrospektiivisten ohella lisäinformaation tuomiseksi. Tutkimusasetelmien valinnalle tutkimuksessa havaittiin ongelmaksi alan säännelty luonne, joka luo geopoliittisten eriäväisyyksien vuoksi entistä enemmän haasteita aiheen tutkimuskentän tulosten yleistettävyydelle. Myös tämä korostaa jatkotutkimusten määrällistä relevanssia alueellisten erojen huomioimisen ohella
Author: Peltomäki, Juho
Institution: Tampere University
Language: Finnish
Subfield: Infectious Diseases
Field: Medicine
Domain: Health Sciences
Keywords: machine learning, antibiotic resistance, antimicrobial resistance, clinical decision-making, antibiotic prescribing, antibiotic stewardship, antibiotic resistance prevention, hospital information systems, clinical decision support, data-driven decision support, clinical decision tree, clinical decision flowchart
Open Access status: green
OpenAlex ID: W7132916958
