Väestön palvelutarpeen ennakointi -Case Ennakointitiedolla vaikuttavampaa neuvolatyötä, Satakunnan hyvinvointialue (RRP, P4, I4)
Väestön palvelutarpeen ennakointi -Case Ennakointitiedolla vaikuttavampaa neuvolatyötä, Satakunnan hyvinvointialue (RRP, P4, I4)
Toimintamalli hyödyntää monilähdetietoa neuvolaikäisten lasten palvelutarpeen ennakointiin. Se arvioi asiakassegmenteittäin 4 v. ylipaino- ja liitännäissairausriskiä 5. lk:lla, ennakoi syntyviä palvelutarpeita päätöksenteon ja ennaltaehkäisyn tueksi.
Toimintamalli sijoittuu Satakunnan hyvinvointialueen äitiys- ja lastenneuvolan tiedolla johtamiseen, erityisesti ennaltaehkäisevän työn ja resurssien kohdentamisen tueksi. Satakunnassa lasten ja aikuisten lihavuuden yleisyys on valtakunnallisesti korkea, mikä korostaa varhaisen tunnistamisen ja ehkäisevien palvelujen suunnittelun tarvetta. Mallin soveltamisessa keskeistä on monilähteisen sosiaali- ja terveysdatan käyttö sekä tietosuojan, toisiokäytön ja tiedon yhteen toimivuuden reunaehdot; tässä vaiheessa mallin tarkoituksena on tukea päätöksentekoa asiakassegmenteittäin, ei yksittäisen neuvolakäynnin operatiivista työtä.
Toimintamalli voisi juurtua hyvinvointialueen palvelusuunnitteluun, ehkäisevän työn kehittämiseen ja vaikuttavuuden seurantaan, ja se on sovellettavissa myös muihin alueisiin ja muihin ennakoitaviin hyvinvointiriskeihin, kun käytettävissä on riittävä ja yhteismitallinen tieto.
Satakunnassa lihavuutta esiintyy enemmän kuin muualla Suomessa, ja lapsuusiän lihavuus jatkuu usein aikuisuuteen. Varhainen tunnistaminen ja kohdennetut interventiot voivat ehkäistä lihavuutta ja siihen liittyviä sairauksia sekä tehostaa resurssien käyttöä. Tällä hetkellä lapsen kasvun kehitystä seurataan neuvolan ikäkausitarkastuksissa mittaamalla painoa, pituutta ja päänympärystä, mutta historiatiedon ja taustatekijöiden systemaattinen hyödyntäminen ennakoinnissa on rajallista.
Toimintamalli linkittyy Satakunnan hyvinvointialueen strategiaan 2023–2025, jossa painotetaan ennaltaehkäisevien palvelujen vahvistamista, laadukkaiden ja vaikuttavien palvelujen järjestämistä sekä tiedon, tutkimuksen ja käytännön kokeilujen hyödyntämistä kohti vaikuttavia toimintamalleja. Tekoälyn hyödyntäminen kytkeytyy strategian lisäksi Digivisioon 2028 sekä Kestävän kasvun Satakunta 2 -hankkeen tavoitteisiin, joissa korostuvat tietoon perustuvat, asiakaslähtöiset toimet ja painopisteen siirtäminen ennaltaehkäisyyn ja varhaiseen tukeen.
Tekoälyavusteisen palvelutarpeen ennakointimallin Proof of Concept –ratkaisun määrittelytyö toteutettiin yhteiskehittämisenä, jossa yhdistettiin neuvolatyön substanssiosaaminen, hankkeen tavoitteet ja tekoäly- ja dataosaaminen. Kehittäjäjoukko koottiin siten, että mukana oli sekä toiminnan edustajia ja käyttäjänäkemystä että datan ja mallin toteutuksesta vastaavat asiantuntijat.
- Satakunnan hyvinvointialueen sote- ja neuvolatyön asiantuntijat toivat käyttäjä- ja substanssinäkemyksen, kuvasivat riskit ja tarpeet, osallistuivat käyttötapauksen määrittelyyn ja datan tulkintaan, toivat omaa ammattinäkemystä vaikuttaviin riskitekijöihin ja varmistivat kytkennän tavoitteisiin.
- Tekninen toteutuskumppani fasilitoi mallin yhteiskehittämistä, muotoili käyttötapauksen, teki toteutettavuus- ja datalaatuarvion, tuotti jatkokehitystä tukevat demon, priorisoidut data- ja tekniset vaatimukset ja suositukset.
Kehittäjäjoukko saatiin innostumaan ja toimimaan yhteisen tavoitteen hyväksi kirkastamalla alussa yhteinen päämäärä: mitä päätöksentekoa tukevaa tietoa malli tuottaa ja millä aikajänteellä. Työskentely rytmitettiin säännöllisillä tapaamisilla ja työpajoilla ja aktiivisella viestinnällä, jolloin määriteltiin tarpeita, käyttötapausta ja sen tavoitteita, toimintamallia, datan ja teknisen toteutuksen reunaehtoja sekä datavaatimuksia. Luottamusta vahvistettiin läpinäkyvyydellä: datan käyttö, reunaehdot ja tulosten epävarmuus tehtiin näkyväksi, mikä auttoi hallitsemaan odotuksia ja tuki rakentavaa keskustelua.
Toimintamallilla tavoitellaan siirtymää reaktiivisesta palvelutarpeeseen vastaamisesta ennakoivaan, tietoon perustuvaan suunnitteluun. Mallin tavoitteena on tuottaa asiakassegmenttitasoista ennakointitietoa neuvolaikäisten lasten ylipainoriskistä, liitännäissairauksista ja niistä seuraavista palvelutarpeista, jotta riskien kasautuminen voidaan tunnistaa varhaisemmassa vaiheessa ja ehkäiseviä toimia kohdentaa oikea-aikaisesti. Tavoitteena on vahvistaa ennaltaehkäisyn vaikuttavuutta ja parantaa resurssien kohdentamista siten, että pitkällä aikavälillä ylipainoon ja liitännäissairauksiin liittyvien raskaampien palvelujen tarve ja terveyspalvelujen kuormitus vähenevät.
Laajemmassa kokonaisuudessa toimintamalli tukee Kestävän kasvun Satakunta 2 -hankkeen tavoitetta vahvistaa tietoon perustuvia, asiakaslähtöisiä toimenpiteitä ja siirtää palvelutuotannon painopistettä ennaltaehkäisyyn, varhaiseen tukeen ja digitaalisiin ratkaisuihin. Jatkokehityksen visiona on, että neuvolapalveluissa olisi käytössä käytännön työkalu, jolla voidaan tarjota perheille luotettavasti ennusteita lapsen painonkehityksestä ja liitännäissairauksien riskistä keskustelun ja tarvittavan tuen tarjoamisen avuksi.
Tavoiteltujen muutosten saavuttamista arvioidaan ensivaiheessa sen perusteella, kuinka hyvin ennakointimallin määrittely, datan saatavuus ja tekninen toteutettavuus tukevat mallin jatkokehitystä. Arvioinnin kohteena ovat sekä ratkaisun toteutuskelpoisuus että sen tuottaman tiedon käyttökelpoisuus neuvolapalvelujen tiedolla johtamisessa.
Arviointikysymykset
- Onko käytettävissä oleva data laadultaan, kattavuudeltaan ja yhdisteltävyydeltään riittävää luotettavan ennakointimallin rakentamiseen?
- Tukeeko ennakointimallin määrittely neuvolapalvelujen johdon päätöksentekotarpeita ja palvelutarpeiden ennakointia?
- Tuottaako demovaiheen analyysi ja visualisointi sellaista tietoa, jota voidaan hyödyntää suunnittelussa?
- Onko tekninen toteutus (ympäristö, arkkitehtuuri, tietosuoja, tietoturva) toteutettavissa saatavilla olevilla resursseilla ja osaamisella?
- Onko mallilla edellytyksiä tuottaa jatkossa vaikuttavaa tietoa päätöksenteon tueksi?
Arviointikriteerit ja indikaattorit
- Datan soveltuvuus ja laatu
- Indikaattorit: eheät dataketjut 11-12 vuoden ajalta, puuttuvan tiedon määrä, tietolähteiden yhteensopivuus, mittareiden vertailtavuus.
- Menetelmä: datalaatuarvio, metadatan analyysi, priorisointilista datavaatimuksista.
- Tekninen toteutuskelpoisuus
- Indikaattorit: ympäristön kyvykkyydet (Azure), tietosuojavaatimusten täyttyminen (DPIA), riskienhallinnan toteutuminen, arkkitehtuurin toimivuus.
- Menetelmä: tekninen arvio, toteutettavuus- ja resurssikartoitus.
- Käyttökelpoisuus päätöksenteolle
- Indikaattorit: johdon arvio siitä, tukeeko tuotettu tieto palvelusuunnittelua, visualisointien selkeys, ennakointitiedon koettu hyöty.
- Menetelmä: palautekyselyt, työpajat ja arviointikeskustelut johdon ja asiantuntijoiden kanssa.
- Jatkokehityksen edellytykset
- Indikaattorit: selkeä etenemispolku varsinaisen PoC:n rakentamiseksi, arvio tarvittavista resursseista ja aikatauluista, tunnistetut regulaatiovaatimukset.
- Menetelmä: asiantuntija-arviot, jatkosuunnitelman laadinta.
- Vaikuttavuuden arviointi (tulevaisuuden vaiheissa)
- Myöhemmissä vaiheissa ennakointimallin vaikuttavuutta voidaan arvioida mm. seuraavilla:
- Onko ehkäiseviä toimia kohdennettu aiempaa paremmin segmenttitason riskien perusteella?
- Onko palvelutarpeiden kasautumista onnistuttu vähentämään?
- Onko neuvolapalvelujen kuormitus pitkillä aikaväleillä tasaantunut tai vähentynyt riskisegmenteissä?
- Myöhemmissä vaiheissa ennakointimallin vaikuttavuutta voidaan arvioida mm. seuraavilla:
Tavoiteltu muutos edellyttää vaiheittaista etenemistä, jossa käyttötapaus ja tiedolliset edellytykset täsmennetään ennen varsinaisen ennakointimallin rakentamista. Työ toteutetaan kehittämistarkoituksessa ja asiakassegmenttitasolla, eikä se tässä vaiheessa tue yksilötason päätöksentekoa.
Vaihe 1: Tarpeen ja käyttötapauksen määrittely (toteutunut)
Ensimmäisessä vaiheessa kirkastettiin tarpeet ja ideat konkreettisiksi tavoitteiksi ja ylätason käyttötapaukseksi. Samalla täsmennettiin ennakoitavat ilmiöt (lapsen ylipainon ja liitännäissairauksien riski ja niihin liittyvät palvelutarpeet), ylipainoon liittyviä liitännäissairauksia, tunnistettiin tarvittavat tietolähteet, lainsäädännölliset reunaehdot ja potentiaaliset riskit sekä laadittiin ylätason tekninen ratkaisukuva Satakunnan hyvinvointialueen sote- ja neuvolatyön asiantuntijoiden ja teknisen toteutuskumppanin yhteistyönä. Lisäksi tunnistettiin mahdollisuuksia, miten mallia voisi laajentaa ja hyödyntää esimerkiksi kansallisella tasolla.
Vaihe 2: Datan analyysi ja toteutettavuuden arviointi (toteutunut)
Toisessa vaiheessa käyttötapausta tarkennettiin, ja analysoitiin käytettävissä olevaa äitiys- ja lastenneuvolan ja kouluterveydenhuollon dataa ja arvioitiin sen laatua, kattavuutta ja yhdisteltävyyttä tekoälyavusteista ennakointimallia varten. Tietosuojan varmistamiseksi laadittiin tietosuojavaikutusten arviointi (DPIA) sekä riskienhallinnan käytännöt. Työssä hyödynnetään pseudonymisoitua rekisteritietoa ja tutkimusnäyttöä.
Analyysin perusteella todettiin, että käyttötapauksen mukaisen, luotettavan segmenttitason ennakointimallin rakentaminen edellyttää yhtenäisiä ja riittävän pitkiä dataketjuja useista yksittäisistä lapsista 11-12 vuoden ajalta. Vaiheessa toteutettiin data-analyysi, arvio toteutettavuudesta, teknisen toteutuksen kuvaus, toimintamallikuvaus ja demotyyppinen PowerBI-visualisointi saatavilla olevasta datasta. Data-analyysin aikana tunnistettiin myös lisää mahdollisuuksia datalähteille, kuten esimerkiksi koulujen kyselytutkimukset tai alueellisista urheiluseuroista saatava statistiikka.
Vaihe 3: Jatkokehitys ja varsinainen ennakointimalli
Kun datan saatavuus, laatu ja yhdisteltävyys on varmistettu, seuraavan vaiheen tavoitteena on kehittää varsinainen ennakointimalli. Ensin tunnistetaan ja valitaan eri aineistojen ominaisuudet ja etsitään aineistojen välisiä monivaikutteisia ominaisuuksia, ja tarvittaessa luodaan uusia (ns. johdettuja) ominaisuuksia. Kun ominaisuudet on tunnistettu, siirrytään varsinaisen tekoälyavusteisen ennakointimallin kehittämiseen ja arviointiin.
Ensin testataan valittuja koneoppimisen arkkitehtuureja ja arvioidaan, mikä toimii parhaiten kyseiselle aineistolle. Ensioletuksena kuvauksen perusteella päättelypuumallit ja aikasarjamallit vaikuttavat aineistoon sopivilta. Kun sopiva malli on löydetty, se koulutetaan suuremmalla datamäärällä, minkä jälkeen lopputulokset validoidaan.
Lopputulosten pohjalta voidaan rakentaa johtamisen tueksi Power BI -raportti, joka tukee päätöksentekoa. Toteutus tehdään Satakunnan hyvinvointialueen omassa Azure-pilviympäristössä, ja tulokset esitetään Power BI -visualisointeina. Samalla määritellään mittarit, joilla arvioidaan mallin toimivuutta ja käyttökelpoisuutta.
Ensisijainen kohderyhmä: neuvolapalvelujen johto ja palvelusuunnittelusta vastaavat (tiedolla johtaminen ja päätöksenteko).
Välillinen kohderyhmä vaikuttavuuden näkökulmasta: neuvola-asiakkuudessa olevat perheet ja erityisesti neuvolaikäiset lapset, joiden ylipainoon ja liitännäissairauksiin liittyviä riskejä pyritään ennaltaehkäisemään.
Vaikka ennakoinnin kohteena on lapsen tuleva ylipaino- ja liitännäissairausriski, taustalla vaikuttaa usein useita perheeseen ja arkeen liittyviä tekijöitä (esim. vanhempien terveys ja elintavat, raskauteen liittyvät tekijät, lapsen varhainen painonkehitys sekä psykososiaaliset kuormitustekijät). Neuvolan ja kouluterveydenhuollon laajoissa tarkastuksissa sekä esitietolomakkeissa kartoitetaan jo nyt perheen tilannetta ja elintapoja, mikä luo pohjan ennakoivalle kokonaiskuvalle. Tämän tiedon kokoamisella ja hyödyntämisellä asiakassegmenttitasolla pyritään vastaamaan neuvolajohdon tarpeeseen tunnistaa, missä riski todennäköisesti kasautuu ja millaisia palvelutarpeita siitä voi syntyä, jotta ehkäiseviä toimia ja resursseja voidaan kohdentaa ajoissa.
Hyödyt eri näkökulmista
- Neuvolapalveluiden johto (ensisijaiset hyödyt):
- Parempi palvelutarpeiden ennakointi ja resurssien kohdentaminen (ennaltaehkäisy, varhainen tuki, interventioiden suunnittelu).
- Mahdollisuus seurata ja arvioida ehkäisevien toimien vaikuttavuutta ja tukea pitkän aikavälin kuormituksen hallintaa.
- Ammattilaiset (hyödyt):
- Parempi yhteinen tilannekuva riskien ja palvelutarpeiden kehityksestä väestö- ja segmenttitasolla, mikä tukee työn suunnittelua ja yhdenmukaisia käytäntöjä.
- Asiakkaat/perheet (välilliset hyödyt):
- Aiemmin kohdennettu ennaltaehkäisevä tuki ja palvelut niille segmenteille, joilla riski kasautuu.
- Mahdollisuus vähentää ylipainon ja liitännäissairauksien todennäköisyyttä tukemalla perheen arkea varhaisessa vaiheessa.