Big Datan hyödyntäminen helpottaa myös hoitajan aikapainetta

AI, tekoäly, tiedon louhinta, tekstin louhinta, koneoppiminen, algoritmi – livakasti viliseviä hype-termejä innovaattoreiden huulilla. (Sund et al. 2014, Champain 2019, Härkänen ym. 2019). Vaikka terveydenhuollon digiratkaisuja pähkäillään kuumeisesti moniammatillisissa työpajoissa, terveysteknologiayritysten hautomoissa ja lääketieteen huippututkimuksen kehitysryhmissä, silti kliinistä hoitajan työtä tehdään edelleen usein sangen perinteisin menetelmin – manuaalisesti mitaten tai ainakin manuaalisesti dokumentoiden (McKinsey & Company, 2019). Sitä en lakkaa ihmettelemästä, että robottiavusteisten toimenpiteiden jo arkipäiväistyessä, ei vitaalielintoimintojen mittaustulosten automaattinen siirtyminen potilastietoihin ole edelleenkään itsestäänselvyys.

Esteenä ei liene se, etteikö tähän olisi olemassa teknisiä sovelluksia. Tällainen tekniikka vaatisi vain investointeja keskenään kommunikoiviin laitteisiin. Vitaalitoimintojen perusmittaukseen investointi ei ehkä äkkiseltään ole niin mediakiinnostavaa ja suitsutusta huippuasiantuntijoille tuova tavoite kuten nanokirurgian miljoonalaitteiden hankinta. Väitän kuitenkin, että pitkällä tähtäimellä tällainen perussettiin investointi olisi hyvinkin taloudellisesti kannattavaa. Se vapauttaisi välittömästi hoitajan työaikaresurssia ja auttaisi hyödyntämään jo valmiiksi kehitettyjä hoitotyön mittareita, kuten NRS 2002, FRAT, AUDIT, VAS, MMSE vain muutamia mainitakseni.

Näiden standardimittareiden käytön hyötyä ei kliinisessä työssä tällä hetkellä aina tunnisteta, koska usein niiden tekemisen sijaan on ”tärkeämpääkin ja kiireellisempää tekemistä” kuten esimerkiksi vitaalien kirjaus. Noidankehää siis kierrämme tässä, jos me hoitotyön edustajat emme itse päätä tehdä tälle asialle jotakin.

Standardoitu reaaliaikainen kirjaus on ainoa tie tehokkaaseen big datan ja tekoälyn hyödyntämiseen myös hoitotyössä. Laajaa potilasdataa analysoivien algoritmien rakentaminen perustuu standardoituun kieleen (Härkänen ym. 2019), jota kone voi tunnistaa asetettujen kriteereiden kuten mittareiden rajoissa. Oppiva tekoäly voi tukea hoitajan päätöksentekoa jo varhaisessa ja ennaltaehkäisevässä vaiheessa, jolloin hoitajan aikaa voi hyvinkin vapautua johonkin tähdellisempään, kuten potilaan kohtaamiseen kasvotusten. Mikä parasta, tekoäly pystyy evaluoimaan mittauslaitteesta tietokoneelle automaattisesti kiitäviä parametrejä juuri niiden kentällä rasitteenakin parjattujen standardimittareiden pohjalta – siinä samalla kun hoitaja on potilaan vierellä vain asettanut mittauslaitteet kohdilleen tai syöttänyt haastattelutiedot sähköiselle bedside-lomakkeelle ja ollut ihmisenä ihmiselle. Veikkaanpa että useimmiten näiden keskenään kommunikoivien laitteiden avulla potilas voisi itse, identifioimisranneketta käyttäen, osallistua tiedon syöttöön hoitajan sijasta. Esimerkiksi kivun arviointia potilas voisi tehdä itsenäisesti useamman kerran päivässä. Hoitaja voisi mekaanisen dokumentoinnin sijaan keskittyä raja-arvot ylittävien parametrien tulkintaan ja niihin reagoimiseen.

Välttämätön tekniikka ei kuitenkaan yksin mahdollista big datan käyttöä. Eckardt ym. (2017) on artikkelissaan esitellyt neljä haastetta, jotka estävät big datan hyödyntämistä hoitotyössä. Yksi on standardoidun termistön vähäisyys, mutta myös hoitajien heikot informaatioteknologiset taidot. Näiden lisäksi näyttöön perustuvan dokumentoinnin eli mittareiden käytön vähäisyys, mutta myös systemaattisen informaatioteknologisen koulutuksen vähäisyys perus- ja täydennyskoulutuksessa ovat kehityksen hidasteina. Big datan hyödyntämiseksi hoitajat tarvitsisivat muun muassa reaaliaikaisen striimin hyödyntämistaitoja. WHO Eurooppa (2019) onkin asettanut tavoitteekseen terveydenhuollon informaatiokuilujen kaventamisen ja hoitajien data-analyysitaitojen lisäämisen, jotta big datan potentiaali saadaan hyödynnettyä hoitotyössä.

Tekniikan spesialisteille hoitotyön data on vain dataa – sen tulkintaan ja algoritmien kehittämiseen tarvitaan hoitotyön substanssin rautaisia ammattilaisia eli hoitajia, esimiehiä, opettajia, tutkijoita ja hoitotyön hallinnon ammattilaisia – avaimet ovat siis hoitotyön ammattilaisilla itsellään (Birshan 2019). Tarvitaan rivakkaa investointia hoitajan työtä tukevaan perusteknologiaan ja sen lisäksi myös terveysteknologian ja informaatioteknologian asiantuntijoita kliiniseen työhön tukemaan hoitajien teknologiaoppimista. Jonkinlainen insinöörihoitaja liene myös tulevaisuuden hoitotyön uusi ammatti.

Tähänastinen mittareiden nihkeä jalkautuminen hoitotyöhön ei varmasti johdu hoitajien haluttomuudesta toimia näyttöön perustuvien toimintamallien mukaisesti tai oman työn kehittämismotivaation puutteesta – aikapaineessa heillä ei vain ole siihen voimavaroja – ja yksinkertaisesti – heillä ei ole riittävästi aikaa.

Vaatikaamme ja järjestäkäämme itsellemme meidän jokapäiväinen teknologiamme, jotta saamme aikaa hoitaa potilaamme ja hyödyntää big datan tarjoamia mahdollisuuksia niitä standardimittareita hyödyntämällä.

Dataamisiin! 🙂
Tiina Syyrilä
Sairaanhoitaja, TtM, tohtorikoulutettava
Nuorempi tutkija Itä-Suomen yliopisto, Hoitotieteen laitos
tiina.syyrila@uef.fi
@TiiSyy

Lähteet blogitekstini kirvoittajina:

Birshan, Michael. 2019. Machine learning has many benefits (of course), but also a wide variety of risks. Table of risks. LinkedIn share: https://www.linkedin.com/feed/update/urn:li:activity:6528015274157891585
Champain, Vincent. 2019. What people actually do when they talk about hashtag#machinelearning. KDnuggets Poll. Bar chart. LinkedIn share: https://www.linkedin.com/feed/update/urn:li:activity:6532282626064158720
Eckardt, P. Culley, JM. Corwin, E. Richmond, T. Dougherty, C. Pickler, RH. Krause-Parello, CA. Roye, CF. Rainbow, JG. & DeVon, HA. 2017. National nursing science priorities: Creating a shared vision. Nursing Outlook 65(6), 726-736. DOI: 10.1016/j.outlook.2017.06.002
Härkänen H, Vehviläinen-Julkunen K, Murrells T, Paananen J, & Rafferty AM. Text Mining Method for Studying Medication Administration Incidents and Nurse-Staffing Contributing Factors: A Pilot Study. CIN: Computers, Informatics, Nursing 2019 (00), 1-9. DOI: 10.1097/CIN.0000000000000518
McKinsey & Company. 2019. How will automation affect different jobs? UK occupations 2018. Chart. LinkedIn share: https://www.linkedin.com/feed/update/urn:li:activity:6527586477512151040/
Sund, Reijo. Gissler, Mika. Hakulinen, Timo. & Ros´en, M˚ans. 2014. Use of Health Registers. In: W. Ahrens, I. Pigeot (eds.) Handbook of Epidemiology, 2nd edition, © Springer Science+Business Media New York. DOI 10.1007/978-0-387-09834-0 5 (Retrieved 29.4.2019)
WHO. 2019. Key questions on the agenda. WHO Regional Office for Europe. Web page: Media centre- Events-High level meeting-Key questions on the agenda. http://www.euro.who.int/en/media-centre/events/events/2018/04/high-level-regional-meeting-health-systems-respond-to-ncds-experience-in-the-european-region/key-questions-on-the-agenda (Retrieved 2.5.2019).