Tehisaru ja meditsiiniterminoloogia ristteel: kuidas tagada täpsus ja arusaadavus kiiresti arenevas tervishoius?

Tänaseks on selge, et tehisintellekt (AI) on jõudnud tervishoidu ning selle potentsiaal on suur – alates arstide töö automatiseerimisest kuni patsiendi teadlikkuse tõstmiseni, ühtne keel tähendab ühtset arusaama. Samas kerkib esile oluline küsimus: kuidas tagada, et kiiresti arenevad AI-lahendused toetaksid õiget ja arusaadavat meditsiiniterminoloogia rakendamist? 

24. aprillil toimus Tehnopoli tervisetehnoloogia valdkonna ja EISi poolt korraldatud seminar TEHIKus, kus keskenduti meditsiiniterminoloogia ja tehisintellekti koostöövõimalustele.  

TAIE tervisetehnoloogia ja -teenuste fookusvaldkonna üks prioriteet on toetada terviseandmete nutikat kasutust ning inimkeskse ja andmepõhiste lahenduste juurutamist tervishoius. Ühtne meditsiiniterminoloogia toetab ka riiklikult tervisetehnoloogia arengut, suurendab kvaliteeti ning lahenduste usaldusväärsust. 

Terminoloogia kui usaldusväärse andmekasutuse alus 

Kristiina Sepp (EIS) rõhutas, et EISi strateegiline eesmärk on toetada mõjusamate tervisetehnoloogia ja -teenuste arendamist ning terviseandmete nutikat kasutust. Selle eelduseks on aga ühtne ja selge terminoloogia.  

„Kui oskame andmeid targalt kasutada, siis see soodustab uute lahenduste kasutuselevõttu,“ ütles Sepp. Terminoloogia võimaldab luua ühtse arusaama kõikide erinevate osapoolte vahel alates arendajast kuni lõppkasutajani. Hetkel on üks suurimaid takistusi asjaolu, et andmed pole teadlastele ja ettevõtjatele piisavalt hästi kättesaadavad ning terminoloogiline killustatus takistab andmetest arusaamist. 

Töö keele ja tehisaru ühisalal 

Ruth Erm (Tervise Arengu Instituut) kirjeldas, kuidas nende meditsiiniterminoloogia keskus toetab klassifikaatorite ja koodiloendite ühtlustamist ning kasutab tehisaru töövahendina. AI ei asenda inimest, kuid aitab tuvastada allikaid, pakkuda esialgseid tõlkeid ja kontrollida õigekirja. Oluline on siiski, et lõpliku otsuse teeb inimene. Erm tõi välja, et mõistete taga on erinevad protsessid ja andmekogumid, st mõistete tähendus ei tohi terminiga muutuda ning peab jääma samaks ning arusaadavaks kõigile osapooltele.  

Erm rõhutas ka vajadust eestikeelse keelemudeli järele, kuid märkis, et seda takistab valdkondlikult ebaühtlane terminoloogia, lisaks koostöö puudumine selles valdkonnas ning terminoloogiatöösse suhtumine, sh asjatundmatu terminoloogiatöö. 

Arendajate vaade: kuidas AI saaks päriselt abiks olla 

Elena Sügis (Nortal) tõi välja reaalseid kasutuskohti: arstide dikteeritud tekstide transkribeerimine, rahvatervise vestlusrobotid, mitmekeelne dokumentatsioon. Suurimaks väärtuseks oleks ajavõit nii arsti kui patsiendi jaoks. Samas tuleb tagada andmete turvalisus ning vastuste usaldusväärsus – see tähendab, et arendajad vajavad valdkonnaspetsiifilisi terminoloogiasõnastikke ning kvaliteedikontrolli mehhanisme. Vajadus on tagada usaldusväärsed keelemudeli (LLM) vastused ning oluline on vastutus ka AI poolt tehtud vigade eest, mille aluseks on kasutajate põhjalik koolitus.  

Haigla kogemus: „Metsik lääs“ vajab suunda 

Doktor Mart Kull (Viljandi Haigla) tõi välja, et AI kasutamine haiglates on praegu pigem reguleerimata. Samas kasutab enam kui 80% arstidest mingil kujul AI-lahendusi: kasutatakse näiteks pildivaatureid radioloogias ning kopsuvähi sõeluuringute toetamiseks.  

Kull rõhutas, et AI ei tohi asendada arsti ega luua valesid eeldusi – oluline on kriitiline mõtlemine ja teadlikkus mudelite piirangutest. AI ei ole võimeline arsti asendama, kuid parandab oluliselt kliiniliste töötajate tööefektiivsust, võimaldab vähendada ravivigu ning parandada hoiatus- ning ravikvaliteedi jälgimise süsteeme. Soovitusena tõi ta välja meditsiini- ja sotsiaalvaldkonna terminoloogia ühendamise ning mitmekeelse ja sihtrühmapõhise terminoloogia loomise. Lisaks saaks AI toetada terminite automaatse soovitamisega vastavalt kontekstile kliinilises töös. 

SNOMED CT kui AI tugi ja Eesti pilootprojektid 

Rory Davidson (SNOMED International) tutvustas SNOMED CT terminoloogiat, mis võimaldab ühtlast ja järjepidevat kliiniliste andmete registreerimist, hoiustamist, pärimist ja agregeerimist. SNOMED CT on üks suurimaid rahvusvahelisi kodeeritud terminoloogiaid meditsiini valdkonna infosüsteemides kasutamiseks, mida kasutatakse enam kui 80 riigis. SNOMED CT struktuur ja semantiline koosvõimevõimaldavad täpset ja sihipärast juurdepääsu asjakohasele teabele, vähendades kulukat dubleerimist ja vigu. SNOMED CT struktuur ja AI võimekus koostöös toetavad kliiniliselt nüansirikka koordi määratlemist, võimaldavad täpsemalt ennustada modelleerimist, rakendada nutikat kliinilist otsustuge ja võimendavad semantilise otsingumootori arengut. 

Kerli Linna (TEHIK) rääkis sellest, et Eestis on TEHIK koos partneritega piloteerinud erinevaid tõlkeprojekte, kasutades generatiivset AI-d ja masintõlke tööriistu nagu Aya ja DeepL. Eesmärk on leevendada väikeriikide keelekoormust ja tõsta terminoloogiatöö kvaliteeti. Pilootprojektid näitavad, et tehisintellekti abil saab luua tõlkeid, mis arvestavad konteksti, stiilijuhiseid ja korduvat kvaliteedikontrolli. Linna rõhutas, et terminoloogia peab jääma inimkeskseks ning tugineda tuleks rahvusvaheliselt valideeritud terminoloogia mudelitele.  

Arutelupaneel: patsiendi hääl ja koostöövajadus 

Päeva lõpetanud paneeldiskussioon tõi kokku esindajad tervishoiust, arendusettevõttest, avalikust sektorist ning patsientide kogukonnast. Patsientide esindaja Janek Kapper märkis, et terminoloogiline segadus muudab info mõistmise keeruliseks. Samas on just AI-l potentsiaal luua personaalsemaid, arusaadavamaid lahendusi – näiteks eestikeelne juturobot, mis kasutab usaldusväärseid allikaid ja isiklikku terviseinfot. 

Kõlama jäi mõte, et AI ei ole imevahend, vaid tööriist. Selleks, et see toetaks tervishoidu, aga ei teeks järeleandmisi keelelises kvaliteedis, on vaja süsteemset koostööd, ühist arusaama terminoloogilistest põhimõtetest ning tehnoloogilisi lahendusi, mis neid põhimõtteid järgivad. 

Täismahus galerii leiad Tehnopoli Flickrist!