Koneoppiminen antibioottiresistenssikriisin päätöksenteossa

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

-

Antimicrobial resistance (AMR), specifically antibiotic resistance, has been recognized as a significant global health treat by numerous institutions. AMR is a consequence of genetic changes in bacteria caused by evolutionary selective pressure which creates a healthcare crisis in which antibiotics intended for medical use become ineffective. Several factors have been proposed to explain this threat: one is the increased use of antibiotics due to clinical decision making.

As awareness of the threat has grown, and as hospital technology and information systems have advanced, humankind has sought various technical solutions to this complex and information-driven problem, one of which is machine learning (ML). ML has been found to support decision making in various contexts by reducing dimensions, providing additional information, and identifying patterns in data.

This study, conducted as a literature review, explores the use of machine learning in decision making to prevent antibiotic resistance. The main objective of this study is to examine the applicability of machine learning to this issue, from perspective of both benefits and challenges. A secondary and a supporting research question attempts to integrate the significance of clinical decision support systems (CDSS), which are already party used in the field. The theoretical section seeks to provide a relevant background on the three main themes of the study within its scope. Based on the studies gathered in the results section, more challenges than benefits are identified in this context. The conclusions summarize the key themes of the study from the perspective of the research questions.

According to the research, the primary benefits are related to the increased amount of in-formation that support decision making and the potential to save healthcare resources. However, the main challenges include generalizability, interpretability, and poor data quality. Clinical decision support systems show potential in assisting decision making in clinical workflows.

For future research on the topic, the study highlights the need to continue addressing the is-sue by breaking it down into subsystems in a reductionist manner. Future studies should also aim to find opportunities for conducting prospective studies alongside retrospective ones to provide additional information. The study identified the regulated nature of the field as a challenge for research design, due to geopolitical differences, further complicate the generalizability of research findings. This underscores the importance of quantitative in future research, alongside consideration of regional differences.