Kardiologia

Kardiologia tutkii sydäntä ja verenkiertoelimistöä. Terveyden ja hyvinvoinnin laitoksen (2020) mukaan sydän- ja verisuonitaudit ovat yhdessä Suomen suurin kuolinsyiden ryhmä. Tässä alaluvussa keskitytään kolmeen yleiseen sydän- ja verisuonitautiin, jotka ovat sepelvaltimotauti, rytmihäiriöt ja sydämen vajaa-toiminta, sekä sydän- ja verisuonitautipotilaiden hoitoajan ennustukseen.

Sepelvaltimotaudin tapauksessa Tan ym. (2018, s. 21) onnistuivat artikke-lissaan esitellyllä menetelmällä tunnistamaan sepelvaltimotaudin 99,85 % ta-pauksista. Artikkelissa käytettiin pitkää lyhytkestoisen muistin arkkitehtuuria ja konvoluutioneuroverkkoa, jonka opetusdatana oli sydänsähkökäyrädata (Tan ym., 2018, s. 20). Sydämen vajaatoiminta voidaan tarkasti havaita kone-oppimismenetelmin niin aivosähkökäyrästä kuin sykevälivaihtelusta (Bhurane, Sharma, San-Tan & Acharya, 2019, s. 91; Wang & Zhou, 2019, s. 10–11). Bhurane ym. (2019, s. 91) esittivät artikkelissaan menetelmän, joka kykeni sydänsähkö-käyrää seuraamalla toteamaan sydämen vajaatoiminnan testausdatan mukaan alhaisimmillaan 99,66 %:n tarkkuudella. Artikkelin menetelmässä käytettiin tukivektorikonetta ja opetusdatana oli luonnollisesti sydänsähkökäyrädata, jota käsiteltiin kahden sekuntin jaksoissa (Bhurane ym., 2019, s. 82). Wang ja Zhou (2019, s. 2) puolestaan käyttivät omassa koneoppimisratkaisussaan sykeväli-vaihtelua perusteena sydämen vajaatoiminnan arvioinnille. Artikkelissa esitetty menetelmä hyödynsi pitkän lyhytkestoisen muistin menetelmää ja konvoluu-tioneuroverkkoa. Käytetyn data-aineiston mukaan artikkeli listaa tarkkuuksiksi vähintään 98,85 % tai 82,51 % (Wang & Zhou, 2019, s. 11). Hannun ym. (2019, s.

8) toivat esiin artikkelissaan rytmihäiriön havaitsemiseen ja luokitteluun teh-dyn menetelmän, jossa käytetään konvoluutioneuroverkkoa, joka lainaa residu-aalisilta neuroverkoilta mahdollisuuden syötteiden hyppäämiselle kerrosten yli.

Artikkelin menetelmällä saavutettiin ammattilaista korkeampi diagnostinen tarkkuus (Hannun ym., 2019, s. 3–5).

Koneoppimista on hyödynnetty myös sydän- ja verisuonitautipotilaiden hoitoajan ennustukseen Daghistanin ym. (2019) artikkelissa. Artikkelissa huomattiin merkittävimmiksi hoitoajan kestoon vaikuttavista tekijöistä sykkeen, systolisen verenpaineen, diastolisen verenpaineen, iän ja potilaan oman vakuu-tuksen riittävyyden (Daghistani ym., 2019, s. 142). Opetusdatana artikkelissa käytettiin lukuisia sähköisistä potilaskertomuksista saatavia tietoja, jotka vai-kuttavat sairaalassaolon kestoon. Daghistanin ym. (2019, s. 142) esittelemä me-netelmä perustuu satunnaismetsä-malliin, jolla saavutettiin 80 %:n tarkkuus.

Satunnaismetsää voidaan korkealla tasolla hahmotta päätöspuiden joukoksi, jossa kunkin puun vaihtelevuus on rajattua (Breiman, 2001).

4.5 Haasteet

Koneoppimisen potentiaaliseen vaikutuksen kirjoon kuuluu myös negatiivisia puolia. On pääteltävissä, että koneoppimisen opetusdatan mukana tulevat on-gelmat näkyvät koneoppimisratkaisujen tuloksissa. Obermeyerin, Powersin, Vogelin ja Mullainathanin (2019) tutkimus kertoo laajalti käytössä olevasta al-goritmista, jonka käyttö on johtanut rasistisiin hoitopäätöksiin. Obermeyerin ym. (2019, s. 1) artikkelissa tarkasteltu algoritmi vaikuttaa päätöksiin miljoonien potilaiden kohdalla. Algoritmin oikaisu nostaisi lisäapua saavien tummaihois-ten potilaiden määrän 17,7 %:sta 46,5 %:iin (Obermeyer ym., 2019, s. 3). Jos en-nakkoasenteisen henkilön tuottama opetusdata on ennakkoasenteista, ymmär-rettäväsi myös järjestelmä, joka oppii kyseisen datan pohjalta, toistaa samaa ennakkoasennetta. Ilmiötä vastaan on ainakin rintasyövän tapauksessa luotu ennakkoasenteista tietoinen koneoppimisratkaisu, jonka Ahsen, Ayvaci ja Raghunathan (2019) esittelevät artikkelissaan. Artikkelissa todetaan, että en-nakkoasenteet tiedostava järjestelmä voi huomattavasti parantaa potilaan eli-najanodotetta ja tarkentaa mammografioiden perusteella tehtyjä päätöksiä (Ahsen ym., 2019, s. 111).

Davis, Lasko, Chen, Siew ja Matheny (2017) selvittivät miten koneoppi-mismallit muuttuvat ajan kuluessa ja tekivät havainnon, että koneoppimismal-lit lipuivat hitaasti pois alun tarkkuudesta. Davisin ym. (2017, s. 1060) artikkeli painottaa ja ehdottaa, että koneoppimisjärjestelmiä käyttäessä olisi hyvä pystyä kalibroimaan järjestelmä uudelleen tai lataamaan jonkinlaisia päivityksiä, jolla ylläpidettäisiin tai parannettaisiin järjestelmän tarkkuutta.

Päätöksentekoa tukevat järjestelmät voivat Rodriguezin, O’Donovanin, Schafferin ja Höllererin (2019) mukaan altistaa käyttäjät luottamaan järjestel-mään liikaa niin, että käyttäjien omat tiedot eivät enää virity ja luottamus siirtyy järjestelmälle. Rodriguez ym. (2019) havaitsivat, että ominaisuudet, jotka saavat päätöksenteon tueksi tarkoitetun järjestelmän näyttämään pätevämmältä, va-kuuttavammalta tai muokattavammalta, voivat saada käyttäjän muodostamaan vääriä uskomuksia jostain alatietämyksestä.

5 Yhteenveto

Tutkielman tavoitteena oli muodostaa kattava kuva koneoppimisen hyödyntä-misestä terveydenhuollossa ja vielä avartaa tätä käsitystä sivuamalla tervey-denhuollon digitalisaation tilannetta, jota koneoppimisen hyödyntäminen vii-me kädessä edellyttää. Tutkielman kulkua ohjasi tarve vastata seuraaviin tut-kimuskysymyksiin: ”miten koneoppimista hyödynnetään terveydenhuollossa?”

ja ”millaisia tuloksia koneoppimisen hyödyntämisellä saavutetaan terveyden-huollossa?”. Systemaattisen kirjallisuuskatsauksen kautta löydetty tietämys on tutkielmassa jäsennetty ja näin luotu kokonaisuus, jonka lukemalla lukija voi saavuttaa kattavan ymmärryksen aihealueesta.

Tutkielma käsitteli farmasian, farmakologian, neurologian, onkologian ja kardiologian aloja sekä koneoppimisen käytön haasteita terveydenhuollon alal-la. Kirjallisuudesta huomataan, että koneoppimisratkaisujen lähestymistavoissa oli samanlaisuutta. Tavallista oli käyttää koneoppineita järjestelmiä tunnista-maan kuvista, kuten magneettikuvista, pahalaatuisia tekijöitä. Tutkielmassa käsitellyissä artikkeleissa luetellut opetusdataa sisältävät tietokannat vaikutti-vat kookkailta, mutta Kohli ym. (2017, s. 392) kertovaikutti-vat päinvastaisesti asian niin, että kuvantamisessa opetusdatasta on erityinen puute. Kuvien luokittelun tu-kena saatettiin käyttää potilaan muita tietoja, kuten neuropsykologisia testitu-loksia, geenitestausdataa ja potilaan perustietoja. Kuvien luokittelussa koneop-pimisen hyödyntäminen havaittiin olevan tarkkuudeltaan hyvin korkeaa kaikil-la käsitellyillä aloilkaikil-la. Teoriassa tämä tarkoittaa sitä, että erityisesti diagnoosia tehtäessä koneoppinut järjestelmä voi toimia tehokkaasti päätöksenteon tukena.

Parhaimmillaan koneoppimisratkaisu havaittiin tarkemmaksi kuin ammattilai-set radiologit (Hannun ym., 2019, s. 3–5). Käytännön mahdollisuuksia löytyy terveydenhuollon laitevalmistajien integroidessa koneoppinut järjestelmä osak-si laitteita tai muiden palveluntarjoajien mahdollistaessa koneoppineen järjes-telmän helppo käyttö muuten. Luonnollisen kielen prosessoinnin suurta hyö-dyntämistä kohdattiin vain farmasian alalla, jossa massiivisista tekstimääristä etsittiin mahdollisia lääkkeiden yhteisvaikutuksia. Sähköisten potilaskertomuk-sen hyödyntäminen oli luetussa kirjallisuudessa merkittävintä farmasian alalla, jossa voitiin ennustaa eri lääkitysten potilaskohtaisia tehokkuuksia.

Lähdekirjal-lisuudessa kohdatut haasteet vaihtelivat merkittävyydeltään. Erityisesti Ober-meyerin ym. (2019) artikkelissa paljastettu miljoonia ihmisiä koskettava rasisti-nen algoritmi on merkittävä ongelma. Samalla on tietenkin hyvä, että ongelmat nostetaan esiin.

Tutkielman rajoitukset liittyvät koneoppimismenetelmien arviointiin ma-talammalla tasolla ja kirjoittajan valistuksen puutteeseen terveydenhuollon dia-gnostisen tehokkuuden arvioinnista sekä käytännön tasolla tapahtuvasta ter-veydenhuollosta. Käsiteltyjen koneoppimisratkaisujen matalamman tason kä-sittely niin mahdollisten esivalmistelujen kuin optimointien kannalta jää tut-kielman laajuuden ulkopuolelle. Diagnostisen tehokkuuden arviointiin liittyen olisi hyötyä alan asiantuntijuudesta, jotta saavutettaisiin varmuus tietämyksen välittymisestä tutkielmaan eheänä ja yleistettävänä. Käytännön tason tervey-denhuollon tunteminen mahdollistaisi tehokkaan tiedonhaun koneoppimisme-netelmien käytännön sovellutuksiin liittyen.

Merkittävä jatkotutkimusaihe löytyy käytännön terveydenhuollon näkö-kulmasta. Koneoppimismenetelmien tarkkuuden ollessa jo korkealla tasolla herää kysymys ratkaisujen kypsyydestä siirtyä osaksi terveydenhuoltoa. Ennen päätöstä kypsyydestä olisi myös hyvä luoda jonkinlainen standardi menetel-mien testiin, jolloin vertailusta tehtäisiin arkista. Menetelmenetel-mien paljouden keskel-lä standardit ja standardisoitu menetelmien arviointi voisivat luoda pohjaa kaupalliselle omaksunnalle. Tulevaisuuden tutkimuksissa voitaisiin ottaa pa-remmin huomioon artikkeleissa vastaan tulleet muut terveydenhuollossa käyte-tyt diagnostisen tehokkuuden mittarit, kuten spesifisyys, herkkyys ja AUC-arvo.

Lopuksi jatkotutkimusta voisi tehdä myös haasteista, erityisesti pitkällä aikavä-lillä koneoppimisratkaisujen käyttöä sivusta seuraavasti.

LÄHTEET

Adler-Milstein, J. & Jha, A. K. (2017). HITECH act drove large gains in hospital electronic health record adoption. Health Affairs, 36(8), 1416-1422.

Agarap, A. F. M. (2018). On breast cancer detection: an application of machine learning algorithms on the wisconsin diagnostic dataset. Teoksessa Proceedings of the 2nd International Conference on Machine Learning and Soft Computing (ICMLSC '18). (5–9). Association for Computing Machinery, New York, New York.

Ahsen, M.E., Ayvaci, M. & Raghunathan, S. (2019). When Algorithmic Predictions Use Human-Generated Data: A Bias-Aware Classification Algorithm for Breast Cancer Diagnosis. Information Systems Research, 30, 97-116.

Akagi, D. (2014, 14. maaliskuuta). A Primer on Deep Learning. Haettu 6.12.2020 osoitteesta https://www.datarobot.com/blog/a-primer-on-deep-learning Alayed, H., Frangoudes, F. & Neuman, C. (2013). Behavioral-based cheating

detection in online first person shooters using machine learning

techniques. Teoksessa 2013 IEEE Conference on Computational Intelligence in Games (CIG), Niagara Falls, Ontario, 2013.

Aliper, A., Plis, S., Artemov, A., Ulloa, A., Mamoshina, P. & Zhavoronkov, A.

(2016). Deep learning applications for predicting pharmacological properties of drugs and drug repurposing using transcriptomic data.

Molecular pharmaceutics, 13(7), 2524–2530.

Alpaydin, E. (2014). Introduction to Machine Learning. The MIT Press.

Altae-Tran, H., Ramsundar, B., Pappu, A. S. & Pande, V. (2017). Low data drug discovery with one-shot learning. ACS Central Science, 3(4), 283–293.

Banco Bilbao Vizcaya Argentaria. (2019, 2. tammikuuta). Nine technology trends in 2019. Haettu 3.12.2019 osoitteesta

https://www.bbva.com/en/nine-technology-trends-in-2019

Bhurane, A. A., Sharma, M., San-Tan, R. & Acharya, U. R. (2019). An efficient detection of congestive heart failure using frequency localized filter banks for the diagnosis with ECG signals. Cognitive Systems Research, 55, 82-94.

Bock, K., Hughey, G., Qiang, X. & Levin, D. (2019). Geneva: Evolving Censorship Evasion Strategies. Teoksessa Proceedings of the 2019 ACM

SIGSAC Conference on Computer and Communications Security (CCS '19).

(2199–2214). ACM, New York, New York.

Borana, J. (2016). Applications of Artificial Intelligence & Associated

Technologies. Teoksessa Proceedings of International Conference on Emerging Technologies in Engineering, Biomedical, Management and Science (ETEBMS-2016). Jodhpur, Rajasthan.

Breiman, L. (2001). Random Forests. Machine Learning 45, 5–32.

Choi, H., Ha, S., Im, H. J., Paek, S. H. & Lee, D. S. (2017). Refining diagnosis of Parkinson's disease with deep learning-based interpretation of dopamine transporter imaging. NeuroImage: Clinical, 16, 586-594.

Daghistani, T. A., Elshawi, R., Sakr, S., Ahmed, A. M., Thwayee, A. & Al-Mallah, M. H. (2019). Predictors of in-hospital length of stay among cardiac patients: A machine learning approach. International Journal of Cardiology, 288, 140–147.

Davis, S. E., Lasko, T. A., Chen, G., Siew, E. D. & Matheny, M. E. (2017).

Calibration drift in regression and machine learning models for acute kidney injury. Journal of the American Medical Informatics Association, 24(6), 1052-1061.

Deng, L. & Yu, D. (2014). Deep learning: methods and applications. Foundations and trends in signal processing, 7(3–4), 197-387.

Department of Health and Social Care. (2014). Personalised Health and Care 2020.

Haettu osoitteesta

https://assets.publishing.service.gov.uk/government/uploads/system/u ploads/attachment_data/file/384650/NIB_Report.pdf

Eubanks, R. (2017, 6. lokakuuta). AI and the Healthcare Ecosystem – Why Use Artificial Intelligence. Haettu 22.6.2020 osoitteesta

https://www.capgemini.com/2017/11/ai-and-the-healthcare-ecosystem-why-use-artificial-intelligence

Hannun, A. Y., Rajpurkar, P., Haghpanahi, M., Tison, G. H., Bourn, C., Turakhia, M. P. & Ng, A. Y. (2019). Cardiologist-level arrhythmia detection and classification in ambulatory electrocardiograms using a deep neural network. Nature medicine, 25(1), 65-69.

Haykin, S. (2009). Neural networks and learning machines. Upper Saddle River, New Jersey: Pearson Education.

Hochreiter, S. & Schmidhuber, J. (1996). LSTM can solve hard long time lag problems. Advances in neural information processing systems, 9, 473-479.

Hussein, R., Palangi, H., Ward, R. K. & Wang, Z. J. (2019). Optimized deep neural network architecture for robust detection of epileptic seizures using EEG signals. Clinical Neurophysiology, 130(1), 25-37.

International Organization for Standardization. (2005). Health informatics — Electronic health record — Definition, scope and context (ISO/TR Standard No.

20514). Haettu osoitteesta

https://www.iso.org/obp/ui/#iso:std:iso:tr:20514:ed-1:v1:en

Jakimovski, G. & Davcev, D. (2019). Using double convolution neural network for lung cancer stage detection. Applied Sciences, 9(3), 427.

Kainz, P., Pfeiffer, M. & Urschler, M. (2017). Segmentation and classification of colon glands with deep convolutional neural networks and total variation regularization. PeerJ, 5, e3874.

Kannan, P. V. (2017). Artificial Intelligence – Applications in Healthcare. Asian Hospital & Healthcare Management. Haettu 22.6.2020 osoitteesta

https://www.asianhhm.com/technologyequipment/artificial-intelligence Kang, S. (2018). Personalized prediction of drug efficacy for diabetes treatment

via patient-level sequential modeling with neural networks. Artificial intelligence in medicine, 85, 1–6.

Karaca, Y., Cattani, C. & Moonis, M. (2017). Comparison of deep learning and support vector machine learning for subgroups of multiple sclerosis.

Teoksessa International Conference on Computational Science and Its Applications – ICCSA 2017. (142-153). Springer, Cham.

Kim, Y. G., Jung, K., Park, Y. T., Shin, D., Cho, S. Y., Yoon, D. & Park, R. W.

(2017). Rate of electronic health record adoption in south korea: A nation-wide survey. International Journal of Medical Informatics, 101, 100-107.

Kohli, M. D., Summers, R. M. & Geis, J. R. (2017). Medical image data and datasets in the era of machine learning—whitepaper from the 2016 C-MIMI meeting dataset session. Journal of digital imaging, 30(4), 392-399.

Kong, Y., Gao, J., Xu, Y., Pan, Y., Wang, J. & Liu, J. (2019). Classification of autism spectrum disorder by combining brain connectivity and deep neural network classifier. Neurocomputing, 324, 63-68.

Laki sosiaali- ja terveystietojen toissijaisesta käytöstä 552/2019. (2019). Haettu osoitteesta https://www.finlex.fi/fi/laki/alkup/2019/20190552

Li, Y. & Shen, L. (2018). Skin Lesion Analysis towards Melanoma Detection Using Deep Learning Network. Sensors, 18(2), 556.

Lim, S., Lee, K. & Kang, J. (2018). Drug drug interaction extraction from the literature using a recursive neural network. PLoS ONE, 13(1), e0190926.

Machine. (n.d.). Oxford English Dictionary. Haettu osoitteesta https://www.oed.com/view/Entry/111850

Neittaanmäki, P., Lehto, M., Ruohonen, T., Kaasalainen, K. & Karla, T.

(2019). Suomen terveysdata ja sen hyödyntäminen: Loppuraportti vol. 4.

Jyväskylä: Jyväskylän yliopisto.

NHS Digital. (2019). Annual Report and Accounts. Haettu osoitteesta

https://assets.publishing.service.gov.uk/government/uploads/system/u ploads/attachment_data/file/815360/NHS_Digital_annual_accounts_and _report_2018-19.pdf

Obermeyer, Z., Powers, B., Vogeli, C. & Mullainathan, S. (2019). Dissecting racial bias in an algorithm used to manage the health of

populations. Science, 366(6464), 447-453.

Paul, S. M., Mytelka, D. S., Dunwiddie, C. T., Persinger, C. C., Munos, B. H., Lindborg, S. R. & Schacht, A. L. (2010). How to improve R&D productivity:

the pharmaceutical industry's grand challenge. Nature reviews. Drug discovery, 9(3), 203–214.

PubMed. (2020). Haettu 26.6.2020 osoitteesta

https://pubmed.ncbi.nlm.nih.gov/?term=machine+learning

Quintana, Y. & Safran, C. (2017). Chapter 1 - global health Informatics—An overview. Global health informatics (1-13). Academic Press.

Rodriguez, S. S., O’Donovan, J., Schaffer, J. A. & Höllerer, T. (2019). Knowledge complacency and decision support systems. Teoksessa 2019 IEEE

Conference on Cognitive and Computational Aspects of Situation Management (CogSIMA), 43-51.

Rotich, J. K., Hannan, T. J., Smith, F. E., Bii, J., Odero, W. W., Vu, N., Mamlin, B.

W., Mamlin, J. J., Einterz, R. M. & Tierney, W. M. (2003). Installing and implementing a computer-based patient record system in sub-Saharan Africa: the Mosoriot Medical Record System. Journal of the American Medical Informatics Association, 10(4), 295-303.

Rötsä, M., Berglind, H., Huovila, M., Hyppönen, K., Peksiev, T. & Mykkänen, J.

(2016). Sosiaalihuollon valtakunnallisten tietojärjestelmäpalvelujen ja määrämuotoisen kirjaamisen toimeenpanohanke (kansa-hanke) : Hankesuunnitelma vuosille 2016-2020. Helsinki: THL. Haettu osoitteesta http://urn.fi/URN:ISBN:978-952-302-660-5

Sequist, T. D., Cullen, T., Hays, H., Taualii, M. M., Simon, S. R. & Bates, D. W.

(2007). Implementation and use of an electronic health record within the Indian Health Service. Journal of the American Medical Informatics

Association : JAMIA, 14(2), 191–197.

Setio, A. A., Ciompi, F., Litjens, G., Gerke, P., Jacobs, C., van Riel, S. J., Wille, M.

M., Naqibullah, M., Sanchez, C. I. & van Ginneken, B. (2016). Pulmonary Nodule Detection in CT Images: False Positive Reduction Using Multi-View Convolutional Networks. IEEE transactions on medical imaging, 35(5), 1160–1169.

Sharif, M., Tanvir, U., Munir, E. U., Khan, M. A. & Yasmin, M. (2018). Brain tumor segmentation and classification by improved binomial thresholding and multi-features selection. Journal of Ambient Intelligence and Humanized Computing, 1-20.

Sosiaali- ja terveysministeriö. (2019a). Sosiaali- ja terveystietojen toisiokäytön kokonaisarkkitehtuuri. Haettu osoitteesta

https://yhteistyotilat.fi/wiki08/display/thlsotekatjulk

Sosiaali ja terveysministeriö. (2019b). Toisiolaki mahdollistaa sosiaali- ja terveystietojen tietoturvallisen käytön. Haettu 22.6.2020 osoitteesta https://stm.fi/sote-tiedon-hyodyntaminen

Sosiaali- ja terveysministeriö. (2020). Sosiaali- ja terveydenhuollon järjestelmä ja vastuut. Haettu 27.6.2020 osoitteesta

https://stm.fi/sotepalvelut/jarjestelma-vastuut

Sosiaali- ja terveysministeriön asetus potilasasiakirjoista 298/2009. (2009).

Haettu osoitteesta https://www.finlex.fi/fi/laki/alkup/2009/20090298 Sosiaali- ja terveysministeriön asetus terveydenhuollon valtakunnallisista

tietojärjestelmäpalveluista 1257/2015. (2015). Haettu osoitteesta https://www.finlex.fi/fi/laki/alkup/2012/20151257

Spasov, S., Passamonti, L., Duggento, A., Liò, P., Toschi, N. & Alzheimer's Disease Neuroimaging Initiative. (2019). A parameter-efficient deep learning approach to predict conversion from mild cognitive impairment to Alzheimer's disease. NeuroImage, 189, 276–287.

Stergiou, C. & Siganos, D. (n.d.). Neural Networks. Imperial College London.

Haettu osoitteesta http://srii.sou.edu.ge/neural-networks.pdf

Tan, J. H., Hagiwara, Y., Pang, W., Lim, I., Oh, S. L., Adam, M., Tan, R. S., Chen, M. & Acharya, U. R. (2018). Application of stacked convolutional and long short-term memory network for accurate identification of CAD ECG signals. Computers in biology and medicine, 94, 19-26.

Terveyden ja hyvinvoinnin laitos. (2020, 3. kesäkuuta). Sydän- ja verisuonitautien yleisyys. Haettu 26.6.2020 osoitteesta

https://thl.fi/fi/web/kansantaudit/sydan-ja-verisuonitaudit/sydan-ja-verisuonitautien-yleisyys

Urban, G., Tripathi, P., Alkayali, T., Mittal, M., Jalali, F., Karnes, W. & Baldi, P.

(2018). Deep Learning Localizes and Identifies Polyps in Real Time With 96% Accuracy in Screening Colonoscopy. Gastroenterology, 155(4), 1069–

1078.

Valliani, A. A., Ranti, D. & Oermann, E. K. (2019). Deep Learning and

Neurology: A Systematic Review. Neurology and therapy, 8(2), 351–365.

Valtioneuvosto. (2019). Pääministeri Sanna Marinin hallituksen ohjelma 10.12.2019:

Osallistava ja osaava Suomi – sosiaalisesti, taloudellisesti ja ekologisesti kestävä yhteiskunta (2019). Valtioneuvoston julkaisuja 2019:31. Haettu osoitteesta http://urn.fi/URN:ISBN:978-952-287-808-3

Valtiovarainministeriö. (2020). Digitalisaation edistämisen ohjelma 2020–2023 Toimintasuunnitelma 2020. Haettu osoitteesta

https://vm.fi/documents/10623/1464506/Digitalisaation+edist%C3%A4

misen+ohjelman+toimintasuunnitelma/5cd124e3-ec59-2fcb-79e0-a501f7ec404c

Valvira. (2020, 11. lokakuuta). Sosiaali- ja terveydenhuollon tietojärjestelmät.

Haettu 6.12.2020 osoitteesta

https://www.valvira.fi/terveydenhuolto/sosiaali-ja-terveydenhuollon-tietojarjestelmat

Vähäkainu, P. & Neittaanmäki, P. (2018). Tekoäly terveydenhuollossa.

Jyväskylä: Jyväskylän yliopisto.

Wang, L. & Zhou, X. (2019). Detection of Congestive Heart Failure Based on LSTM-Based Deep Network via Short-Term RR Intervals. Sensors, 19(7), 1502.

Wildeboer, R. R., van Sloun, R. J., Wijkstra, H. & Mischi, M. (2020). Artificial intelligence in multiparametric prostate cancer imaging with focus on deep-learning methods. Computer Methods and Programs in Biomedicine, 189, 105316.

Xu, H., Baxter, J. S., Akin, O. & Cantor-Rivera, D. (2019). Prostate cancer

detection using residual networks. International Journal of Computer Assisted Radiology and Surgery, 14(10), 1647-1650.

Yang, H., Zhang, J., Liu, Q. & Wang, Y. (2018). Multimodal MRI-based classification of migraine: using deep learning convolutional neural network. Biomedical engineering online, 17(1), 138.

In document Koneoppiminen terveydenhuollon tukena (sivua 20-0)