Tekoälyn hyödyntäminen nuorten mielenterveyden häiriöissä

(1)

TEKOÄLYN HYÖDYNTÄMINEN NUORTEN MIELEN- TERVEYDEN HÄIRIÖISSÄ

JYVÄSKYLÄN YLIOPISTO

INFORMAATIOTEKNOLOGIAN TIEDEKUNTA

2021

JYVÄSKYLÄN YLIOPISTO

INFORMAATIOTEKNOLOGIAN TIEDEKUNTA

2021

(2)

Kääriäinen, Laura

Tekoälyn hyödyntäminen nuorten mielenterveyden häiriöissä Jyväskylä: Jyväskylän yliopisto, 2021, 28 siv.

Tietojärjestelmätiede, kandidaatintutkielman tutkimussuunnitelma Ohjaaja(t): Ruohonen, Toni. Kyppö, Jorma.

Nuorten mielenterveyshäiriöt ovat iso ja kasvava ongelma, jolla on kauaskan- toiset seuraukset niin ihmiselle itselleen, kuin myös koko yhteiskunnalle. Yh- teiskunnan menestys tuotannollisesta ja taloudellisesta näkökulmasta riippuu pitkälti ihmisten psyykkisestä pääomasta. Monet mielenterveysongelmat kum- puavat ihmisen elämässä nuoruudesta asti, ja yhä enenevissä määrin mielenterveyden häiriöistä kärsivä on nuori. Nuorten mielenterveyden häiriöissä kes- kittyminen sekä ongelmien hoitoon, että myös niiden ennaltaehkäisyyn on en- siarvoisen tärkeää.

Mielenterveyshäiriöiden kasvaessa on avun olemassaolo entistä niukem- paa. Jatkuvasti kehittyvä teknologia tuo mahdollisuuksia hoitaa nuorten mielenterveyden häiriöitä terveyspalveluiden käydessä yhä harvemmiksi. Tekno- logian avulla ihmisillä on mahdollisuus saada tarvittava apu ja tuki mielenter- veyshäiriöiden kasvaviin ongelmiin, ja niiden ennaltaehkäisyyn.

Tässä kuvailevassa kirjallisuuskatsauksessa käsittelen tekoälyn roolia, ja mahdollisuuksia nuorten mielenterveyden häiriöissä. Katsauksella haluan tuo- da esille tekoälyn nykyisiä rooleja, ja mahdollisuuksia nuorten mielenterveys- häiriöiden hoidossa ja ennaltaehkäisyssä. Katsauksessa käsittelen myös mielen- terveystyössä käytettävän tekoälyn haasteita ja eettisiä kysymyksiä.

Asiasanat: nuori, tekoäly, mielenterveys, mielenterveyshäiriö

(3)

Kääriäinen, Laura

Utilization of artificial intelligence in young's mental disorders Jyväskylä: University of Jyväskylä, 2021, 28 pp.

Information systems science, research plan for bachelor’s thesis Supervisor(s): Ruohonen, Toni. Kyppö, Jorma.

Mental health disorders in young people are a major and growing problem with far-reaching consequences for the individual as well as for the whole society. The success of society from both productive and economic point of view largely depends on people’s psychological capital. Many mental health problems arise in a person’s life from an early age and increasing number of people with mental health disorders are young. Concentrating both on treating and preventing problems in young person’s mental health is paramount.

As mental health problems grow, the availability of help is even scarcer.

Constantly evolving technology offers opportunities to treat mental disorders in young people as health services become increasingly limited. Technology ena- bles people to get the help and support they need, and to prevent the growing problems of mental health disorders.

In this descriptive literature review, I will address the role of artificial intelligence, and its potential for young patients who have mental health disorders. With this review, I would like to highlight the current roles and opportunities of artificial intelligence in the treatment and prevention of mental health disorders in young people. In the review I also address the challenges and ethical issues of artificial intelligence used in mental health work.

Keywords: youth, artificial intelligence, mental health, mental health disorder

(4)

TIIVISTELMÄ ... 2

ABSTRACT ... 3

SISÄLLYS ... 4

1 JOHDANTO ... 5

2 NUORTEN MIELENTERVEYS ... 7

2.1 Mielenterveyden määritelmä ... 8

2.2 Ihmisen nuoruus ... 8

2.3 Nuorten mielenterveyden häiriöt ... 9

3 TEKOÄLYN MAHDOLLISUUDET NUORTEN MIELENTERVEYSHÄIRIÖIDEN HOIDOSSA ... 10

3.1 Tekoälyteknologiat mielenterveyspalveluissa ... 10

3.2 Kohdennettavuus ja ennakointi ... 11

3.3 Hoidon saaminen ja sitouttavuus ... 12

3.4 Seuranta ja tuki ... 13

4 TEKOÄLYN HYÖDYNTÄMINEN ... 14

4.1 Diagnosointi ... 14

4.2 Oireiden hoito ... 15

4.3 Monitorointi ... 16

5 TEKOÄLYN HAASTEET MIELENTERVEYSHÄIRIÖIDEN HOIDOSSA . 18 5.1 Tekoälyn eettisyys ja vastuullisuus ... 18

5.2 Tietoturva ... 19

5.3 Käyttäjien asenteet ja teknostressi ... 20

LÄHTEET ... 23

(5)

1 JOHDANTO

Mielenterveyden häiriöt sekä Suomessa että maailmalla ovat kasvaneet isoksi ongelmaksi, joka koskettaa niin yksilöä itseään, kuin myös koko yhteiskuntaa.

Mielenterveys on ihmisen psyykkistä pääomaa. Nyky-yhteiskunnan kasvun ja hyvinvoinnin menestys pohjautuu työvoimaresursseihin, jonka vuoksi ihmisten mielenterveydellä on erityisen tärkeä rooli. Yli puolet suomalaisten työkyvyt- tömyyseläkkeistä ovat mielenterveysperusteisia. Suomessa mielenterveyshäiri- öt ovat yksi keskeisimmistä syrjäytymiseen johtavista tekijöistä. Samalla kun hoitoa tarvitsevien määrä on kasvanut, on hoidon saatavuus ja tarjonta supis- tunut. Kuntien terveydenhuollon menoista mielenterveyspalveluiden osuus on laskenut 1,2 % vuodesta 2000 vuoteen 2015. (Policy Brief, 2018.)

Mielenterveyshäiriöiden hoito vaatii yhteiskunnalta valtavia taloudellisia resursseja. Suomen terveydenhuoltomenot vuonna 2016 olivat 20,5 miljardia euroa. Näistä perusterveydenhuollon mielenterveyden hoito oli 103,7 miljoonaa euroa. Psykiatrinen erikoissairaanhoito oli 740,3 miljoonaa euroa. (Matveinen, 2018.) Vuodesta 2006 vuoteen 2018 vuodeosastohoidossa olevien psykiatrisen erikoissairaanhoidon potilaiden määrä on vähentynyt, kun taas avohoidon potilaiden määrä on kasvanut rajusti. Vuonna 2018 psykiatrisen erikoissairaanhoidon avohoidon potilaiden määrä kasvoi 0,3 prosenttia edellisestä vuodesta, kä- sittäen 192 557 potilasta. Avohoidon potilaskäyntejä oli vuonna 2018 2,2 miljoonaa. (Martikainen & Järvelin, 2019.)

Erityisesti nuorten mielenterveyden häiriöt ovat isossa roolissa mielenterveysongelmien kasvavassa keskustelussa. Psykiatrisessa erikoissairaanhoidossa nuorten määrä avohoidossa vuodesta 2006 vuoteen 2018 on melkein kaksinkertaistunut (Martikainen & Järvelin, 2019). Suomalaisten nuorten merkittävim- mäksi terveysongelmaksi ovat nousseet erityisesti mielenterveyden häiriöt. Re- surssien puute sekä perusterveydenhuollossa, että erikoissairaanhoidossa pa- hentavat ongelmien kasaantumista. Psyykkiset sairaudet puhkeavat valtaosin nuoruudessa, ja nopealla hoitoon pääsemisellä voidaan vaikuttaa merkittävästi nuorten parantumispotentiaaliin. (Tolmunen, 2019.)

Kliinisten mielenterveyspalvelujen kovasta tarpeesta huolimatta monet apua tarvitsevat jäävät asianmukaisen hoidon ulkopuolelle. Globaalisti joka

(6)

100 000 ihmistä kohti on olemassa noin 9 mielenterveystyöntekijää, joista noin yksi on psykiatri (WHO, 2017). Kuitenkin yli 50 %:lla maailman väestöstä on älypuhelin (Lovejoy, Maruthappu, Buch, 2019). Viime vuosien saatossa tekoälyä hyödyntävät mielenterveyssovellukset ja muut teknologiat ovat yleistyneet.

Näiden tekoälyä hyödyntävien teknologioiden apu ulottuu moneen osa- alueeseen mielenterveyden alueella, tarjoten mahdollisuuksia niin mielenterveysongelmista toipumiseen, kuin sairauksien puhkeamisen ennaltaehkäisyyn.

Mielenterveyssovelluksien tarve ja kiinnostus niitä kohtaan on kova. Jo kymmenen vuotta sitten Australiassa tehdyn julkisen kyselyn mukaan 76 %:a vastaajista voisi käyttää puhelintaan oman mielenterveytensä johtamiseen ja tarkkailuun palvelun ollessa maksutonta (Proudfoot ym., 2010). Suosittuja te- koälyteknologiaa käyttäviä verkko- ja mobiilipohjaisia ratkaisuja mielenter- veyshäiriöiden oireiden hoitoon ja lievittämiseen ovat kognitiivista käyttäyty- misterapiaa käyttävät virtuaaliset keskusteluagentit, sekä sovellukset, joiden tarkoitus on seurata potilaiden oireita ja mielialaa, sekä tarjota tukea potilaan hoidossa mahdollistaen potilaan itsenäisen elämän. Lisäksi nuorille suunnatus- sa mielenterveystyössä tekoälyä voidaan hyödyntää potilaiden diagnosoinnissa, sekä kliinisen päätöksenteon tukena.

Tässä kirjallisuuskatsauksessa käsittelen kahta tutkimuskysymystä, joista ensimmäinen vastaa kysymykseen ”mitä tekoäly mahdollistaa nuorten mielen- terveyshäiriöiden ehkäisyssä”. Toinen kysymys pohjautuu käsittelemään aihet- ta ”mitkä ovat tekoälyn roolit nuorten mielenterveyshäiriöiden ehkäisyssä”.

Tekoälyn käyttö nuorten mielenterveystyössä mahdollistaa potilaan kannalta oikeanlaisen hoidon kohdentamisen, sekä tautien ennakoimisen, ja siten myös häiriöiden ennaltaehkäisyn. Tekoäly mahdollistaa matalan kynnyksen hoitoon pääsemiseksi, motivoivan ja sitouttavan hoidon, sekä tuen itsenäiselle elämälle mielentilan ja oireiden jatkuvan seurannan avulla. Tekoälyn hyödyntämisessä mielenterveyspalveluissa on myös haasteita, joiden huomioon ottaminen on välttämätöntä toimivien tekoälyratkaisujen saamiseksi. Näitä haasteita ovat potilaiden tietoturva, tekoälyn eettinen ja vastuullinen valmistaminen, käyttäjien asenteet ja motivointi, sekä nuorten kasvava teknostressi.

(7)

2 NUORTEN MIELENTERVEYS

Käsiteltäessä mielenterveyden olemusta on tärkeää ymmärtää ja eritellä ne teki- jät, joista muutosherkkä mielenterveys on riippuvainen. Mielenterveys koostuu yksilöön kohdistuvista sisäisistä ja ulkoisista, sekä suojaavista että haavoittavis- ta olosuhdetekijöistä. Sisäiset olosuhdetekijät, niin sanotut suojaavat tekijät, ovat fyysinen terveys ja perimä, myönteisenä koetut varhaiset ihmissuhteet, tunne hyväksytyksi tulemisesta, sekä terve itsetunto. Oppimiskyky, taito käsi- tellä ristiriitoja, ongelmanratkaisu- ja vuorovaikutustaidot, sekä kyky ihmissuh- teiden luomiseen, ylläpitämiseen ja purkamiseen kuuluvat myös sisäisiin suo- jaaviin tekijöihin. Ulkoisia suojaavia olosuhdetekijöitä ovat riittävä ruoka ja suoja, sosiaalinen tukiverkosto, työllisyystilanne, mahdollisuudet koulutukseen, turvallinen elinympäristö ja myönteiset mallit, sekä yhteiskuntarakenteen toi- mivuus. (Lönnqvist & Lehtonen, 2019.)

Ihmisen mielenterveyteen vaikuttavat haavoittavat tekijät luetellaan myös sekä sisäisiin että ulkoisiin. Sisäisiä haavoittavia tekijöitä ovat synnynnäinen sairaus tai vamma, haavoittuva itsetunto, avuttomuuden tunne, huonot ihmissuhteet ja sosiaalinen asema, eristäytyneisyys, vieraantuneisuuden kokemus ja tunne, laitostuminen sekä seksuaalisuuteen liittyvät ongelmat. Ulkoisia haavoittavia tekijöitä ihmisen elämään tuovat nälkä ja puutetilat, suojattomuus ja ko- dittomuus, erot ja menetykset, väkivallan ja hyväksikäytön kokemukset, psyykkisten häiriöiden ilmaantuminen perheessä, päihteiden käyttö, kulttuuri- set ristiriidat ja syrjintä, itsemääräämisoikeuden puute, vertaisryhmässä koettu kiusaaminen, köyhyys ja työttömyys sekä haitalliset ympäristötekijät. (Lönn- qvist & Lehtonen, 2019.) Mielenterveys on laaja kokonaisuus, jossa useat yksit- täiset tekijät muodostavat lopputuloksen. Mielenterveyden häiriöissä on tärke- ää tiedostaa tämä laaja-alaisuus käsiteltäessä toimivia ratkaisuja niiden ehkäi- semiseksi.

(8)

2.1 Mielenterveyden määritelmä

Mielenterveyden määritelmiä on useita. Maailman terveysjärjestö WHO:n (2018) mukaan mielenterveys on paljon muutakin, kuin mielenterveyden häiriöiden puuttumista. Mielenterveys on kokonaisuus, jossa yhdistyvät niin sosioekono- miset, biologiset kuin ympäristölliset tekijät. WHO:n mukaan mielenterveys on hyvinvoinnin tila, jossa yksilö tiedostaa omat kykynsä, pystyy sopeutumaan arkielämän tuomiin haasteisiin, pystyy työskentelemään tuottavasti, sekä an- tamaan oman panoksensa yhteiskunnalle. (WHO, 2018.)

Harvardin lääketieteellisen koulun professori ja psykiatrian osaston tut- kimusjohtaja George Vaillant luonnehtii mielenterveyttä kuuden eri näkökul- man kautta. Ensimmäinen käsittelee ihmisen mielenterveyttä normaalin psyykkisen toimintakyvyn mittana. Positiiviset psykologiset kyvyt käsittävät ihmisen lahjakkuudet ja kyvyt, vahvuudet sekä optimistisen elämänasenteen. Näiden avulla ihminen on tehokas toiminta- ja sopeutumiskyvyiltään. Persoonallisuu- den kypsyys tarkoittaa jatkuvaa kykyä oppia ja kehittyä elämänkokemuksis- taan ylläpitääkseen persoonallisuuden eheyttä. Mielenterveys sosiaalisena ja tunnepohjaisena lahjakkuutena merkitsee huomiointikykyä itseensä sekä mui- hin. Tämä käsittää niin kutsutun ”tunneälykkyyden”, sekä taidon ”lukea” ihmi- siä. Viides näkökulma tarkastelee mielenterveyttä subjektiivisena hyvinvointina ottaen huomioon ympäristötekijät. Kuudes piirre on erityisesti nykyaikaan vahvasti sidoksissa oleva joustavuus ja muuttumiskyky jatkuvasti muuttuvassa maailmassa. (Vaillant, 2003.)

2.2 Ihmisen nuoruus

Nuoruudessa ihmisen aivojen kehitys on voimakasta. Ihmisen korkeammat ai- votoiminnot, joita ovat tunteiden tunnistaminen, käyttäytymisen säätely ja vaa- tiva oman toiminnan suunnittelu, jatkavat kehitystään nuoruusvuosista aikuis- ikään asti. Nuoruusiän aivojen rakenteelliset ja toiminnalliset muutokset kas- vattavat nuoren tietoisuutta omasta itsestä erillisenä yksilönä, sekä muiden ihmisten omasta ajattelusta ja näkemyksistä. Nuorten aivot ovat erityisen herkkiä ulkoisille ärsykkeille, ja niiden haitallisille vaikutuksille. (Marttunen & Karlsson, 2013, s. 7.)

Nuoruuden kehityksessä on kolme vaihetta. Varhaisnuoruus käsittää ikä- vuodet 12-14. Varhaisnuoruudessa keskeisintä on fyysisten muutosten ja suku- kypsyyden työstäminen. Keskinuoruutta ovat ikävuodet noin 15-vuotiaasta 17- vuotiaaksi. Keskinuoruudessa ihminen pystyy tutkailemaan omaa toimintaansa ja tunne-elämäänsä, sekä hallitsemaan impulssejaan. Myöhäisnuoruus koskee 18-22-vuotiaita. Tämän aikana nuori muodostaa oman arvomaailmansa ja ihan- teensa, ja tekee tulevaisuuteen tähtääviä valintoja. Nuoren luonteenpiirteet ja käyttäytyminen vakiintuvat. (Marttunen & Karlsson, 2013, s. 8-9.) Suomen nuo-

(9)

risolaissa nuoreksi määritellään kaikki alle 29-vuotiaat (Nuorisolaki, 2016/1285

§ 3).

2.3 Nuorten mielenterveyden häiriöt

Mielenterveyshäiriöt ovat psyykkisistä oireista koostuvia oireyhtymiä, jotka aiheuttavat psyykkistä kärsimystä sekä toimintakyvyn heikkenemistä. Jokaisel- le häiriölle on ominaiset kriteerinsä, jotka kuvastavat taudin keskeiset oireet, häiriön keston, kulun, siitä aiheutuvan haitan sekä häiriön syytekijät. Kliinisiin mielenterveyden häiriöihin liittyy toimintakyvyn menetys, subjektiivinen kär- simys ja elämän laadun heikkeneminen. (Kärkkäinen, Neittaanmäki & Vähä- kainu, 2018.)

Monet mielenterveyden häiriöt saavat alkunsa ihmisen nuoruudessa. Ai- kuisiän mielenterveyshäiriöistä noin puolet alkavat ennen 14 vuoden ikää, ja kolme neljästä ennen 24 vuoden ikää. Nuorista 20-25 %:a kärsii mielenterveyden häiriöstä. Tyypillisimpiä nuorten mielenterveyshäiriöitä ovat mielialahäiri- öt, ahdistuneisuushäiriöt, käytöshäiriöt ja päihdehäiriöt. Näiden lisäksi nuorilla esiintyy tarkkaavaisuus-, ja syömishäiriöitä. (Marttunen & Karlsson, 2013, s. 10- 13.)

Mielialahäiriöitä esiintyy nuorten keskuudessa noin 10-15 %:lla. Tyypilli- sin mielialahäiriö nuorilla on masennusoireilu ja masennustilat, joista kärsii 5- 10 %:a nuorista. Masennusoireiden yleisyys kasvaa nuoruudessa, ja masennuk- seen sairastuu useimmiten 15-18-vuotiaana. (Marttunen & Karlsson, 2013, s. 41- 43.) Ahdistuneisuushäiriöihin lukeutuvat sosiaalisten tilanteiden ja julkisten paikkojen pelko, yksittäisen ärsykkeen, paikan tai tapahtuman pelko, paniikki- häiriöt, yleistyneet ahdistuneisuushäiriöt monista arkisista asioista, pakko- oireiset häiriöt sekä traumaperäiset stressireaktiot (Strandholm & Ranta, 2013, s.

17-25). Ahdistuneisuushäiriöistä kärsii 5-15 %:a nuorista. Päihde- ja käy- töshäiriöitä esiintyy 5-10 %:lla. Harvinaisempia häiriöitä ovat tarkkaavaisuus- häiriöt, joita on 2-5 %:lla, syömishäiriöt, joita esiintyy 3-6 %:lla, sekä psykoosit, joiden esiintyvyys on 1-2 prosentin luokkaa. (Marttunen & Karlsson, 2013, s. 10.) Nuorten mielenterveyshäiriöt ovat kuitenkin viime vuosien aikana määrältään kasvaneet kovaa vauhtia, kuten edellä kuvattiin.

(10)

3 TEKOÄLYN MAHDOLLISUUDET NUORTEN MIE- LENTERVEYSHÄIRIÖIDEN HOIDOSSA

Tekoäly on tietokoneiden ja koneiden keinotekoista älykkyyttä, joka kykenee ratkaisemaan monimutkaisia ongelmia itsenäisesti. Se on yhdistelmä tietojenkä- sittelytiedettä ja fysiologista älykkyyttä. Älykkyyttä on kyky luoda muistia ja ymmärrystä, tunnistaa malleja, tehdä sopeutuvia päätöksiä sekä oppia koke- muksista. Tekoäly on keino halutun tavoitteen saavuttamiseen ihmisiä tehokkaammin, ja jopa ihmismäisemmin. (Borana, 2016.)

3.1 Tekoälyteknologiat mielenterveyspalveluissa

Tekoäly käsittää erilaisia teknologioita, joita voidaan käyttää mielenterveys- työssä hyödyksi. Big data on jatkuvasti kasvavien, suurien tietojoukkojen ke- räämistä, säilyttämistä, käyttämistä ja hyödyntämistä. Tiedon rakenne on sekä strukturoitua että ei-strukturoitua. Luodun ja varastoidun datan määrä on suurta, ja sen tyyppi, laatu ja alkuperä vaihtelevat suuresti. Datan tuotto, analy- sointi ja käsittely on nopeaa, datasta saatava tieto on hyödyllistä, laadukasta ja luotettavaa. (Tuominen & Neittaanmäki, 2019.) Tämänkaltaista monipuolista dataa voidaan kerätä potilaista erilaisten puettavien älylaitteiden ja kännykkään ladattavien sovellusten avulla. Laite tai sovellus voi kerätä ihmisestä tietoa sensoreiden avulla sekä ihmisen liikkeistä, että unesta. Osa datasta tulee ihmisen itsensä raportoimana, osa on passiivista dataa, jota käyttäjän ei tarvitse itse raportoida. (Haapala, 2019.)

Koneoppiminen on koneen oppimista toistuvista tapahtumista ilman ihmisen erikseen sille opettamista. Sen tarkoituksena on ohjelmiston parempi toimintakyky pohjatiedon ja käyttäjän toiminnan perusteella. Tämän avulla ohjelma pystyy tunnistamaan, luokittelemaan ja ennustamaan asioita. Oppiminen tapahtuu kokemuksen kautta. (Niinimäki, Pölönen, Rautiainen, Tuominen &

Äyrämö, 2019.) Koneoppimisen menetelmillä ohjelmistot oppivat itse toteutta-

(11)

maan mielenterveystyössä toimintoja ja hoitosuosituksia, jotka todennäköisim- min toimivat, ja parhaimmillaan ennaltaehkäisevät.

Muita tekoälyteknologiaa käyttäviä menetelmiä mielenterveystyössä ovat puheen- ja videontunnistus, sekä tekstianalytiikka. Koneoppimista hyödyntä- vällä puheentunnistuksella voidaan potilaan puheesta havaita, arvioida ja eri- tellä erilaisia mielenterveyden häiriöitä (Low, Bentley & Ghosh, 2020). Koneop- pimista hyödyntävät myös videontunnistusmenetelmät, joiden avulla esimerkiksi voidaan tunnistaa kasvojen eleistä, ilmeistä ja dynamiikasta potilaiden stressiä ja masennusta (Shamla, Agrawal, Patil & Wadhai, 2015).

Tekstianalyysi on tekstin louhimista, jossa useimmiten digitaalista, kirjoitettua tekstiä käsitellään (Nyrhinen, 2019). Luonnollisen kielen prosessoinnin avulla ohjelma pystyy tekemään johtopäätöksiä ihmisen sanoista ja tunteista, ja nämä johtopäätökset laukaisevat ohjelmassa viestejä, tai muita toimenpiteitä.

Luonnollisen kielen tekniikoita hyödyntäen voidaan esimerkiksi havaita käyt- täytymisen ja tunteiden välistä yhteyttä, ja saada ihmiset tunnistamaan vahin- gollisia ajattelumalleja. Tämänkaltaiset tekniikat auttavat terapiapainotteisia ratkaisuja mielenterveysongelmiin. Tekstipohjaiset psykologiset ratkaisut ovat yleisimpiä nettipohjaisista ratkaisuista mielenterveyden alueella. (Calvo, Milne, Christensen & Hussain, 2017.)

3.2 Kohdennettavuus ja ennakointi

Tekoälyn avulla sovelluksiin on mahdollista automatisoida kustomoituja tu- kiohjelmia käyttäjien mukaan. Tekoälyn koneoppimisen avulla potilaista havai- taan kliiniset alapopulaatiot, joille pystytään tarjoamaan oikeanlaisia, kustomoituja hoitoja. Tätä räätälöintiä tukee Espoon kaupungin kanssa toteutettu Tieto Intelligent Wellbeing -ohjelma, jossa tekoälyn avulla yksilöiden identiteettiä suojaten pystyttiin tunnistamaan palveluita tarvitsevat asiakasryhmät, sekä ymmärtämään hyvinvointiin ja palveluiden käyttöön vaikuttavat tekijät. (Ran- tala ym., 2019.)

Potilaille räätälöidyt teknologiaohjelmat sopivat tavallisia hoitotoimenpi- teitä paremmin käyttäjien tarpeisiin, ominaisuuksiin ja samanaikaisiin sairauk- siin. Automatisoitu palvelun kustomointi parantaa toimenpiteiden toimivuutta, ja mahdollistaa kohdennetut ratkaisut jokaiselle käyttäjälle heidän psykologis- ten ongelmiensa mukaan. Applikaatiot pystyvät näin tarjoamaan reaaliaikaisia, täsmällisiä ratkaisuja erillisiin ongelmiin. Useissa masennus- ja ahdistushäiri- öissä on kognitiivista käyttäytymisterapiaa hyödyntävien, räätälöityjen tietoko- nepohjaisten toimenpiteiden osoitettu olevan tehokkaampia kuin perinteisem- mät itsenäiset hoitotoimenpiteet. (Bakker ym., 2016.)

Mielenterveysongelmien ennaltaehkäisyssä tärkeää on löytää oikeat ihmiset, joille kohdentaa oikeanlaiset ennaltaehkäisevät toimenpiteet. Kehittämällä tekoälyn ennustusalgoritmeja voidaan auttaa tunnistamaan suurimman riskin omaavia henkilöitä, jotka hyötyisivät ennaltaehkäisevästä toiminnasta. Tutki- muksia ennustealgoritmien toimivuudesta on saatu vakavan masennuksen,

(12)

yleisen ahdistuksen ja paniikin, paniikin toistumisen ja itsemurha-ajatusten toistumisen ennustamisessa. Tällaisia algoritmeja kehittämällä ja vahvistamalla erilaisille populaatioille voidaan testata, kuinka tehokasta näiden riskejä ennus- tavien algoritmien soveltaminen on myöhempien ennaltaehkäisevien toimenpiteiden kanssa mielenterveysongelmien esiintyvyyden vähentämisessä korkean riskin ryhmissä. (Ebert ym., 2017.)

3.3 Hoidon saaminen ja sitouttavuus

Mielenterveyspalveluiden avun piiriin pääseminen on monesti raskas ja pitkä prosessi, joka vaatii potilaalta voimavaroja, sekä omaa aktiivisuutta. Matalan kynnyksen palveluista on iso pula, eikä nuorten palveluiden tarjonta ole kehit- tynyt samassa tahdissa kuin apua hakevien määrä. Lisäksi jo valmiiksi heikot ja puutteelliset mielenterveyspalvelut luovat eriarvoisuutta. (Suomen Mielenter- veys ry, 2020.)

Vuonna 2014 tehdyssä yhdysvaltalaisessa tutkimuksessa 97 % 18-29- vuotiaista nuorista muodosti päivittäisen yhteyden internetiin (Pew Research Center, 2014). Nuorten innostus internetin käyttöön sekä uusiin teknologioihin voivat tehdä internet-pohjaisista ratkaisuista sekä tehokkaita, että houkuttelevia erilaisista mielenterveysongelmista kärsivien nuorten keskuudessa. Internet on helposti saatavilla, tarjoaa informatiivisen, täysin anonyymin ympäristön, jossa nuori voi keskustella arkaluontoisista asioista. Teknologia on nuorille myös väylä yhteyden muodostamiseen toistensa kanssa, mikä osaltaan on nuorten mielenterveyteen vaikuttava tekijä. (Burns ym., 2016.) Tekoälyn käyttö ja hyö- dyntäminen mielenterveyspalveluissa voi madaltaa teknologiaan jo tottuneiden mielenterveyshäiriöistä kärsivien nuorten kynnystä hakea apua, ja saada juuri oikeanlaista hoitoa ongelmiinsa. Erilaiset tekoälysovellukset ovat helposti saatavilla, ja kulkevat potilaan mukana paikasta riippumatta.

Nuorten vastuu omasta vapaudestaan, sekä lähettäminen julkisen sektorin mielenterveyspalveluihin voi luoda nuorissa irrallisuuden tunnetta omien ver- taisryhmiensä keskuudessa. Tämä voi myös vähentää nuorten halua sitoutua mielenterveyslaitosten toimintaan, mikä lisää mielenterveyshäiriöiden uusiu- tumisen riskiä. (D'Alfonso et al., 2017.) Arvioiden mukaan jopa 80 % nuorten psykooseista tai masennuksista uusiutuvat ensimmäisten oireiden lievenemisen jälkeen (Alvarez-Jimenez et al., 2012). Hoitoon sitoutuminen on tärkeää tera- peuttisen hyödyn saamiseksi, sekä hoidon onnistumiseksi. Potilaan sitouttami- nen hoitoon sekä motivointi sovelluksien käyttöön ovat mielenterveyssovelluksien ideana, ja ne perustuvat muutoksen mahdollistamiseen käyttäjien ajatte- lussa, tunteissa ja käyttäytymisessä. Sitouttamiseen vaikuttavat käyttäjien asen- teiden lisäksi myös sovelluksien ominaisuudet. Näitä ominaisuuksia ovat lyhy- et muistutukset, hoidon yksilöllistäminen sekä käyttäjien itsetietoisuuden kas- vattaminen. (Rantala ym., 2019.)

(13)

3.4 Seuranta ja tuki

Tekoälyn käyttö erilaisissa mielenterveyssovelluksissa kannustaa potilaita py- symään avohoidon piirissä hoitaen itsenäisesti omia oireita ja olotilaansa. Sovel- lukset mahdollistavat potilaille pääsyn olennaisiin hoidon osa-alueisiin tera- peutista riippumatta. Tämä voi vaikuttaa huomattavasti toipumisprosessiin.

Sovellukset tarjoavat ohjeistuksia, harjoituksia, muistutuksia ja muita toimenpi- teitä, joiden avulla potilaat selviävät itsenäisesti emotionaalisista kriiseistä. Tä- mänkaltaisia sovelluksia voi käyttää aina silloin, kun potilas itse sitä tarvitsee.

Niiden avulla vähennetään voimakkaita tunteita ja päihteiden käyttöä, sekä autetaan parantamaan masennuksen ja ahdistuksen oireita. Tekemällä sovelluksien kautta myös erilaisia kotitehtäviä potilaat saavat tukea ja kannustusta hoitaa mielenterveysongelmiaan itsenäisesti, ajasta ja paikasta riippumatta. Lä- hestymistapa, jossa itsenäisen, aikataulutetun hoidon yhdistäminen säännölli- seen terapeutin videotapaamiseen vaikeampien ongelmien ratkaisemiseksi hel- pottaa potilaan kannalta lisääntynyttä itsetehokkuutta. Merkityksellisten muu- toksien tekeminen suuremmalla itsenäisyyden tasolla luo potilaalle motivaatiota, ja kannustusta itsenäiseen toimintaan. (Price ym., 2013.)

Potilaat, jotka tallentavat omia ajatuksiaan, tunteitaan ja käyttäytymistään osana terapiainterventiota pystyvät näin harjoittamaan itseseurantaa. Itseseu- ranta on tärkeä osa erilaisissa terapeuttisissa tekniikoissa, kuten kognitiivisessa käyttäytymisterapiassa, ja tietoisuusharjoituksissa. Itseseuranta toimii ahdistu- neisuusreaktioiden järjestelyyn, masennuksen jatkuvien tekijöiden tunnistami- seen ja haastamiseen, sekä sen avulla hoidetaan merkittävästi posttraumaattisen stressihäiriön oireita. (Bakker ym., 2016.)

Potilaan kannustaminen itsenäiseen elämään samalla omaa mielenterveyt- tään hoitaen voi saada aikaan positiivisia hoitotuloksia potilaan kannalta. Poti- laan mahdollisuudet raportoida omaa oloaan, hallita omaa ajankäyttöään sekä oireita auttavien tehtävien tekeminen sovelluksien avulla voi vahvistaa potilaille kuvaa omasta vahvasta itsenäisyydestä, ja voimavaroista. Tämä voi huomattavasti lisätä potilaan motivaatiota ja sitoutuneisuutta hoitoon.

(14)

4 TEKOÄLYN HYÖDYNTÄMINEN

Tässä luvussa tarkastellaan konkreettisemmin niitä rooleja, joita tekoälyllä on mielenterveystyössä. Tekoäly mielenterveystyössä näyttäytyy nuorille enim- mäkseen kännykkään ladattavissa sovelluksissa, sekä puettavassa teknologiassa.

Tekoäly on mukana sairauksien diagnosoinnissa, oireiden hoidossa, sekä mielenterveyden ylläpitämisessä saaden potilaan tarkkailemaan itsenäisesti omaa henkistä oloaan ja oireitaan.

4.1 Diagnosointi

Tekoälyn käyttäminen potilaiden diagnoosien saamiseen onnistuu nopeammin ja luotettavammin verrattuna perinteisiin menetelmiin. Diagnoosien tekeminen on haasteellista lääkärin ja potilaan vuorovaikutuksessa, sillä se tarjoaa vain sen hetkisen tilannekuvan potilaan mielentilasta. Mielialahäiriöt ovat dynaamisia ja ajallisesti vaihtelevia, jolloin niiden oikeanlainen diagnosointi vaatii aikaa ja resursseja. (Lovejoy, Maruthappu & Buch, 2019.)

Diagnosoinnissa tekoälyä hyödynnetään esimerkiksi video- ja äänitutki- muksina, jotka takaavat suuremman objektiivisuuden ja paremman ennustetta- vuuden. Teknologiayritys IBM:n tutkimuksessa kehitettiin koneoppimiseen perustuva puheluokitin, joka pystyi ennustamaan psykoosin puhkeamista 79 %:n tarkkuudella niillä potilailla, joilla oli kliinisesti korkea riski. (Lovejoy, Maruthappu & Buch, 2019.) Tutkimuksessa todettiin lisäksi, kuinka psykiatrilta jäi huomaamatta psykoosin kehittymiselle oleelliset tunnusmerkit hetkittäisen huomion katkeamisen takia, tekoälyn huomatessa kaikki tunnusmerkit (Kärk- käinen, Neittaanmäki & Vähäkainu, 2018).

Tekoälyllä toimiva diagnosointijärjestelmä pystyy suoriutumaan näin asi- antuntijoita tarkemmin potilaan diagnosoinnissa. Toisessa IBM:n tutkimuksessa havaittiin, kuinka henkilön käyttäytymiseen perustuvan videoanalyysin avulla konenäkö pystyi havaitsemaan ADHD:n, sekä autismin kaltaisia kehityshäiriöi- tä 96 %:n tarkkuudella (Lovejoy, Maruthappu & Buch, 2019). Tekoälyllä varus-

(15)

teltu teknologia kykenee näin toimimaan tehokkaammin, sekä tarkkaavaisem- min erilaisten tautien ja häiriöiden diagnosoinnissa ihmiseen verrattuna.

Viimevuosien aikana datapohjaisissa laskennallisissa neurotieteellisissä tutkimuksissa on sovellettu koneoppimisen tekniikoita neurokuvauksiin. Tä- män avulla tarkat, häiriökohtaiset rakenteelliset ja toiminnalliset aivojen piirteet saadaan paljastettua. Nämä tutkimukset johtivat automaattisiin ja objektiivisiin luokittelijoihin, joiden avulla saatiin diagnoosit yksilöille. Tämänkaltaisten neu- rokuvantamiseen perustuvien luokittelujärjestelmien käyttö diagnosoinnissa on saavuttanut jo 90 % tarkkuuden monissa häiriöissä, kuten vakavassa masennuksessa, skitsofreniassa ja autismissa. (Yahata, Kasai & Kawato, 2016.)

Tekoäly voi toiminnallaan kerätä arvokasta tietoa potilaista ja täydentää potilaiden profiilia terveysalan ammattilaisten päätöksenteon tueksi. Kehitty- neen telekommunikaatiotutkimus instituution laskennallisen neurotieteiden laboratorio Japanin Kiotossa käyttää tekoälyjärjestelmää toiminnalliseen magneettikuvaukseen, jonka avulla järjestelmä voi havaita emotionaalisten reakti- oiden puutteen, ja analysoimalla magneettikuvantamisessa sovelluksen kerää- miä kuvia ja puhetta voi järjestelmä hälyttää lääkärin psykoottisten oireiden ilmaannuttua. Samalla järjestelmä voi laskea potilaan todennäköisyyden sairas- tua skitsofreniaan. Tämä tekoälyllä kerätty informaatio potilaasta auttaa potilaan profiilin luomisessa. Täyden psyykkisen profiilin ansiosta psykiatri, sekä muut terveysalan ammattilaiset pystyvät tätä profiilia hyödyntämällä saamaan tukea hoitosuosituksiin ja diagnosointiin. (Pate, 2017.)

Skitsofreniassa tyypillinen epäyhtenäinen puhe saattaa muodostua potilaalle jo vuosia ennen varsinaisen sairauden puhkeamista, ja puhekatkokset voivat olla jopa niin pieniä ja hienovaraisia, ettei koulutettu ammattilainen niitä pysty havaitsemaan. Psykoottisen potilaan osallistuttua terapiaistuntoon ja aivojen toiminnalliseen magneettikuvaukseen pystyy järjestelmä kuva- ja puhe- analyysin avulla diagnosoimaan potilaan sairauden. Näitä diagnooseja voi lää- käri käyttää potilaalle kustomoidun hoitostrategian tukena. (Pate, 2017.)

4.2 Oireiden hoito

Epäsuhta mielenterveystyöntekijöiden ja apua tarvitsevien määrissä on johta- nut teknologian roolin kasvuun mielenterveystyössä. Monikäyttöiset virtuaaliset assistentit, toiselta nimeltään chatbotit, ovat luoneet suosiotaan ja tulleet osaksi avohoitoa. Chatbotit ovat digitaalisia työkaluja, jotka ovat joko laitteis- toissa tai ohjelmistoissa, ja käyttävät koneoppimisen ja tekoälyn metodeja ih- mismäisten käytöstapojen ja vuoropuhelun saamiseksi, jotta virtuaalinen agent- ti pystyy käymään keskustelua ihmisen kanssa. Chatbotteja käytetään kognitiivisessa käyttäytymisterapiassa, sekä itsemurhien ehkäisyssä. (Vaidyam ym., 2019.)

Yhdysvalloissa tehdyn tutkimuksen mukaan psykologista tekoälyä hyö- dyntävä tekstipohjaiseen kommunikointiin perustuva Tess-sovellus lievitti nuorten yliopisto-opiskelijoiden ahdistuksen ja masennuksen oireita (Fulmer

(16)

ym., 2018.) Samanlainen tutkimus tehtiin maailmanlaajuisten käyttäjien keskuudessa käyttäen kännykkään ladattavaa tekoälysovellus Wysaa. Wysa on empatiaan perustuva, kännykkään ladattava sovellus, jossa käyttäjä kommuni- koi tekstien välityksellä tekoälyä hyödyntävän chatbotin kanssa. Käyttäjiksi valittiin anonyymeja globaaleja käyttäjiä, jotka ilmoittivat kokeneensa masennuksen oireita. Tutkimuksen mukaan ne käyttäjät, jotka käyttivät sovellusta enemmän, kokivat mielialansa parantuneen, kuin sovellusta vähemmän käyttä- vät. Kaikista tutkimukseen osallistuneista käyttäjistä 67,7 % koki sovelluksen hyödylliseksi ja rohkaisevaksi. (Inkster, Sarda & Subramanian, 2018.)

Samanlainen Yhdysvalloissa toteutettu tutkimus tehtiin täysin automati- soidusta keskusteluagentti Woebotista, joka käytti myös ratkaisunaan kognitiivista käyttäytymisterapiaa. Tutkimukseen valittiin nuoria yliopistoyhteisön sosiaalisen median käyttäjiä, joille annettiin joko kaksi viikkoa keskusteluapua tekstipohjaisen keskusteluagentti Woebotin kanssa, tai tietoapua kansallisen mielenterveyslaitoksen e-kirjasta. Tutkimuksessa huomattiin merkittävä ero ryhmien välillä masennuksen oireissa. Woebot-ryhmän henkilöillä masennuksen oireet vähenivät tutkimusjakson aikana merkittävästi, kun taas pelkkää informaatiota saaneiden oireet eivät vähentyneet. (Fitzpatrick, Darcy & Vierhile, 2017.)

Tekoälyä hyödyntävien chatbot-sovelluksien käyttö nuorten mielenter- veyshäiriöiden hoidossa tarjoaa helpon ja vaivattoman lähestymistavan avun saamiselle. Se tarjoaa nuorille keskustelutilan, jonka kautta nuori pystyy luo- maan yhteyden, sekä tunteen omasta yksilöllisyydestään. Se ohjaa käyttäjää tunteiden esille tuomisessa, sekä erilaisten terapian tarpeiden ja mieltymysten paljastamisessa. (D'Alfonso ym., 2017.) Edellä kuvattujen tutkimusten mukaan se toimii hyvänä oireiden lievittäjänä lyhyellä ajanjaksolla.

Tutkimukset myös osoittavat käyttäjien olevan avoimempia, kertovan ha- lukkaammin omista ongelmistaan, sekä kontrolloivan vähemmän eleitään, kun kyseessä on virtuaalinen ihminen. Käyttäjät kokevat näin olevansa turvassa syyllistämiseltä ja tuomitsemiselta. Osallistujien tiedostaessa virtuaalisen terapeutin olevan täysin automatisoitu, he pystyvät näyttämään vielä intensiivi- sempiä tunteita, kuten surua. (Lucas, Gratch, King & Morency, 2014.) Näiden tekoälysovelluksien käyttö rajoittuu kuitenkin keskusteluapuun, sekä avustaja- na toimimiseen. Niiden tarkoituksena on toimia hoidon tukena, mutta ei korva- ta hoitoa.

4.3 Monitorointi

Tekoälyteknologiaa hyödynnetään myös nuorille suunnatuissa mielenterveyssovelluksissa, joiden avulla nuori voi seurata ja tarkkailla itse omaa kokonais- valtaista henkistä hyvinvointia. Mielialaa seurataan Likert-asteikoilla, jonka avulla käyttäjä pystyy seuraamaan oman mielialansa ylä- ja alamäkiä, sekä tal- lentamaan tiedon omaan henkilökohtaiseen päiväkirjaansa. Käyttämällä itsear- viointia käyttäjät pääsevät itse seuraamaan ja arvioimaan omia oireitaan. Tämä

(17)

auttaa kuvaamaan hoidon tuloksia paremmin. Älypuhelimille ladattavilla so- velluksilla on myös tarkoitus seurata hoidon etenemistä. Sovelluksien tarkoitus on reagoida käyttäjän kriittisiin itsearviointeihin, havaita ja tunnistaa automaat- tisesti merkittäviä hätätilanteita ja tarjota yhden kosketuksen pikayhteyden tu- kipalveluun. (Fullagar, Rich, Francombe-Webb & Maturo, 2017.)

Bostonilaisen tekoäly-yritys Cogiton kehittämä applikaatio tallentaa potilaiden käyttäytymisindikaattoreita älypuhelimien kautta. Älypuhelimella toimiva tunnistusalusta kerää ja analysoi passiivisesti digitaalista jäljitys- ja ääni- tietoa kliinisistä masennuksen ja posttraumaattisen stressihäiriön oireista. Tut- kimuksessa arvioitiin indikaattoreiden avulla masentuneen mielialan, väsy- myksen, kiinnostuneisuuden ja sosiaalisen yhteyden esiintyneisyyttä. Tämän avulla käyttäytymisindikaattorit ennustivat kliinisiä masennuksen ja stressihäi- riön oireita. (Place ym., 2017.)

Mielenterveyden vakautta voidaan monitoroida tekoälyn koneoppimisen avulla myös fysiologisista piirteistä. Puettavien anturien ominaisuudet pystyvät yleisesti parempaan luokittelutehoon kuin kännykät ja muokattavat käyttäyty- misominaisuudet, kuten unen määrä ja opiskeluun käytetty aika. Puettavilla sensoriominaisuuksilla, kuten ihon johtavuudella ja lämpötilalla, saatiin nuorilla korkeakouluopiskelijoilla tehdyssä tutkimuksessa 78 %:n tarkkuus korkean ja matalan stressiryhmän luokittelussa, sekä 87 %:n tarkkuus korkean ja matalan mielenterveysryhmän luokittelussa. (Sano ym., 2018.)

Monitorointiin liittyy vahvasti myös mielenterveyspotilaiden unen tark- kailu. Uni on sekä kliininen oire että terapeuttinen tavoite psykiatrisissa sai- rauksissa, kuten masennuksessa, ahdistuneisuushäiriöissä ja skitsofreniassa.

Tekoälyä hyödyntämällä voidaan auttaa mielenterveyshäiriöistä kärsiviä seu- raamalla unen määrää ja laatua. Puettavalla teknologialla ja puhelinsovelluksil- la voidaan sensoreiden avulla kerätä passiivisesti dataa, sekä seurata ja tukea potilaiden unta ja unimalleja täysin luonnollisessa ympäristössä. (Aledavood ym., 2019.)

(18)

5 TEKOÄLYN HAASTEET MIELENTERVEYSHÄIRI- ÖIDEN HOIDOSSA

Aiemmissa kappaleissa tarkasteltiin tekoälyn roolia ja mahdollisuuksia nuorten jo aktiivisessa, tai puhkeavassa vaiheessa olevien mielenterveyshäiriöiden hoidossa, sekä mahdollisesti niiden ennaltaehkäisyssä. Tässä kappaleessa perehdy- tään niihin haasteisiin, joita tekoälyteknologian hyödyntäminen tuo nuorten mielenterveyshäiriöiden hoidossa. Nämä haasteet liittyvät tekoälyn eettiseen ja vastuulliseen valmistamiseen, tietoturvakysymyksiin sekä käyttäjien asenteisiin ja teknostressiin.

5.1 Tekoälyn eettisyys ja vastuullisuus

Jotta voidaan hyödyntää luotettavaa tekoälyteknologiaa mielenterveyshäiriöi- den hoidossa, on tekoälyn täytettävä ihmisoikeuksiin perustuvat tekoälyn eetti- set periaatteet. Näiden periaatteiden mukaan tekoälyn tulee noudattaa ihmisen itsemääräämisoikeutta, ajaa ja edustaa ihmisen perusoikeuksia, olla teknisesti lujatekoinen sekä turvallinen, ja olla tiedonhallinnaltaan luotettava. Sen toiminnan tulee olla läpinäkyvää, sen tulee olla moniulotteista ja syrjimätöntä, sen tulee tukea sosiaalista ja ympäristöllistä hyvinvointia sekä olla vastuullinen. (AI HLEG, 2019.)

Tekoälyteknologian hyödyntämisen tutkimuksessa, suunnittelussa ja käyttöönotossa on luottamuksen syntymisen vuoksi painotettava eri sidosryhmien roolien tärkeyttä lopputuloksen kannalta (Carr, 2020). Tekoälyn eettisyy- den vuoksi on välttämätöntä käydä sosiaalista vuoropuhelua, sekä ottaa osalliseksi niitä ihmisiä ja ryhmiä, joiden elämään tekoäly tulee vaikuttamaan (AI HLEG, 2019). Yhdistyneiden kansakuntien yleissopimus määrittää vammaisten ihmisten oikeudesta olla mukana kehityksessä ja päätöksenteossa, joka koskee heitä itseään. Tähän rajoittuneiden ihmisten joukkoon luetaan myös psykososi- aalisesti rajoittuneet, sekä heitä edustavat organisaatiot. (UNCRPD, 2018.) Poti- laiden, palvelun käyttäjien ja terveysalan ammattilaisten tulee olla asiantunti-

(19)

joina mukana kehittämässä hyödynnettävää tekoälyteknologiaa mielenterveysongelmiin. Näiden sidosryhmien tietoja käytetään ennustavaan mallintamiseen perustuvien tekoälysovelluksien kouluttamisessa, sekä niiden ajamisessa. Hei- dän tietojen hyödyntäminen kliinisissä päätöksissä, toimenpiteiden ajoituksissa sekä tekoälytyyppien määrittelemisessä johtaa parempiin tekoälyratkaisuihin, jotka tulevat toimimaan myös pitkällä ajanjaksolla. (Carr, 2020.)

Tekoälyteknologioiden tekniset toimivuudet luovat oman haasteensa sille, kuinka vastuullista tekoälyteknologia on. Yleisessä keskustelussa tekoälyn mahdollisuuksista voidaan virheellisesti kuvitella tekoälyn roolin olevan jo valmis, ja vakiintunut psykiatrisessa hoidossa, sekä ottavan pian vastuun esimerkiksi diagnostiikasta ja terapeuttisesta päätöksenteosta. Todellisuudessa tekoälyteknologiat sisältävät lukuisia kriittisiä teknisiä esteitä, jotka on ensin selvitettävä, ennen kuin koneoppimiseen perustuvaa luokitusta voidaan käyt- tää nykyisessä psykiatrisessa lääketieteessä. (Yahata, Kasai & Kawato, 2016.)

5.2 Tietoturva

Oma haasteensa nuorten mielenterveyden häiriöissä hyödynnettävissä tekoäly- teknologioissa ovat tietoturva ja ihmisten yksityisyys. Mielenterveystyössä poti- lastiedot ovat erittäin herkkiä, ja arkaluontoisten tietojen paljastuminen voi johtaa potilaan leimaamiseen, ja syrjimiseen. Tietoturva on välttämätön ominai- suus, jotta uudet teknologiat hyväksytään, ja jotta ne voivat olla tehokkaita.

(Lovejoy, Buch & Maruthappu, 2019.) Tietomurrot ja henkilötietojen väärin- käyttö mielenterveyshuollossa voi olla erittäin kohtalokasta, ja sillä on vakavia seurauksia mielenterveyspalveluita tarjoavan organisaation imagolle, mutta erityisesti palveluita käyttäville potilaille, kuten psykoterapiakeskus Vastaamon tietomurto on osoittanut (Halminen, 2020).

Käsiteltäessä potilaiden terveystietoja mielenterveyssovelluksien on täy- tettävä terveydenhuollon standardit tietojen tallennus-, käyttö- ja jakamiskäy- täntöjen suhteen. Terveystietojen lisäksi yksityisyyden haasteet liittyvät mielen- terveysteknologiassa esimerkiksi mielenterveyssovelluksien keräämiin sensori- tietoihin, kuten paikannusjärjestelmään, ääneen, valokuviin, videoihin sekä pu- helimen yleiseen käyttöön. (Torous ym., 2019.) Suoraan kuluttajille markkinoi- dut digitaaliset psykoterapiasovellukset voivat myös mahdollisesti myydä potilaiden käyttäytymiseen liittyviä terveystietoja kolmansille osapuolille. Liike- toimintamallit edullisissa ja ilmaisissa digitaalisissa psykoterapiapalveluissa voivat monesti perustua käyttäjätietojen jakamiseen tai myymiseen markki- nointia tai muita tarkoituksia varten. (Martinez-Martin & Kreitmair, 2018.) Vaikka ihmisten huoli omasta yksityisyydestään on madaltunut internetin käy- tön myötä, arkaluontoiset terveystiedot ovat edelleen asioita, joilla voi paljastut- tuaan olla ikäviä seurauksia potilaan kannalta.

(20)

5.3 Käyttäjien asenteet ja teknostressi

Vaikka erilaisten tekoälyä käyttävien mielenterveyssovelluksien ja teknologioiden avulla on tarkoitus tukea nuorten mielenterveyttä, voi niillä paradoksaali- sesti olla myös kielteisiä vaikutuksia nuorten hyvinvointiin. Erityisesti nuorten kokema teknostressi on lisääntynyt teknologian kasvun ja yleistymisen myötä.

Tämä luo osaltaan haasteita sille, miten kuormittavana käyttäjät kokevat erilaiset mielenterveyssovellukset ja mielenterveysteknologiat pitkään käytettynä, erityisesti jo uupuneet mielenterveysongelmista kärsivät potilaat.

Teknologian nopeat muutokset, sekä laitteiden ja sovellusten jatkuvat keskeytykset ja läsnäolovaatimukset aiheuttavat käyttäjille teknostressiä. Erityi- sesti sosiaalisen median ja sovelluksien käyttäjät kohtaavat valtavan määrän informaatiota useista eri lähteistä, jotka monesti vielä vaativat käyttäjiltä erilaisia toimia ja sosiaalista läsnäoloa. Ylikuormitus saa käyttäjät siirtämään huomi- onsa jatkuvasti kohteesta toiseen, mikä luonnollisesti aiheuttaa käyttäjillä kes- kittymiskyvyn menetystä ja unettomuutta. (Salo, Pirkkalainen & Koskelainen, 2018.) Nuorten mielenterveyshoidon siirtyessä enemmän digitaaliseen muotoon voi lisätä entisestään nuorten kokemaa ahdistusta, ja kykenemättömyyttä hoitaa heidän vastuullaan olevia asioita. Monet sovelluksien sisältämät ilmoitusomi- naisuudet, muistutukset ja muut tietosyötteet mahdollistavat riippuvuuden ja ylikuormituksen pitämällä jatkuvaa vuorovaikutusta käyttäjän ja sovelluksien välillä, sekä tuomalla käyttäjille jatkuvaa tietovirtaa (Salo, Pirkkalainen & Kos- kelainen, 2018).

Monesti mielenterveyssovellukset sisältävät ominaisuuksia, joiden tarkoituksena on saada ihmiset käyttämään sovellusta mahdollisimman monesti akti- voimalla aivojen palkitsemisjärjestelmää. Tämän avulla potilaat saadaan pidet- tyä hoidon piirissä, mutta voivat näin aiheuttaa myös addiktoivaa käytöstä ja ahdistusta. (Martinez-Martin & Kreitmair, 2018.) Käyttäjien motivaatio teknologian käyttöön liittyy sisäisiin ja ulkoisiin sitouttamisen tekijöihin, jossa sisäisillä tekijöillä saavutetaan pitkän aikavälin hyöty. Ulkoiset sitouttamisen tekijät auttavat sitouttamisprosessin käynnistämisessä, mutta sisäiset tekijät ovat luotet- tavampia, sillä ne perustuvat käyttäjän henkilökohtaisiin motivaatiotekijöihin, ja näin mahdollistavat pitkän aikavälin tottumuksen. Esimerkiksi monet ärsyt- tävät ja häiritsevät ulkoiset muistutukset ja tietovirrat voivat aiheuttaa potilaan irtisanoutumisen hoidosta. Sovelluksien ominaisuudet, jotka tuhoavat potilaan itsenäisyyden tunnetta, kuten jatkuvat muistutukset, voivat merkittävästi vä- hentää potilaan sisäistä motivaatiota sitoutua hoitoon. (Bakker ym., 2016.) On tärkeää ymmärtää teknologian suunnittelun ja hoidon tehokkuuden yhteenso- vittamisen olevan parasta potilaan kannalta. Käyttäjien sisäiset motivaatioteki- jät, ja sen myötä käyttäjien asenteet hoitoa kohtaan ovat iso osa hoidon lopputu- losta.

(21)

YHTEENVETO

Mielenterveysongelmat ovat kasvava globaali ongelma, joka ei kosketa pelkästään yksilöä itseään, vaan myös koko yhteiskuntaa. Pelkästään Suomessa mielenterveyden ongelmat maksavat 11 miljardia euroa vuodessa.

Mielenterveyshäiriöistä on tullut erityisesti nuorten sairauksia.

Nuorisopsykiatrian käyntien määrä on yli kaksinkertaistunut kymmenessä vuodessa. (Neittaanmäki & Kaasalainen, 2019). Aikainen puuttuminen nuorten mielenterveyshäiriöiden hoitoon säästää sekä yhteiskunnan varoja, että ihmistä itseään.

Mielenterveyspalveluissa käytettäviä tekoälyteknologioita on erilaisia.

Näitä ovat esimerkiksi big data, koneoppiminen, koneoppimista hyödyntävät video- ja puheentunnistus, sekä tekstianalytiikka. Video- ja puheentunnistuksella tekoäly lukee potilaasta ilmeiden, eleiden ja äänen perusteella mahdollisia viittauksia mielenterveyden häiriöihin. Tekstianalytiikan avulla potilaan kirjoitettua, digitaalista tekstiä käsitellään, ja sen perusteella ohjelma suorittaa toi- menpiteitä.

Suurta määrää dataa voidaan käyttäjästä kerätä sekä passiivisesti että ak- tiivisesti erilaisten puhelimessa olevien sovellusten, tai puettavan teknologian avulla. Koneoppimista hyödyntävät puhelimeen ladattavat terapiasovellukset, jossa potilaat keskustelevat virtuaalisten automatisoitujen keskusteluagenttien kanssa. Tekstianalytiikan avulla sekä terapiasovellukset että potilaan monitorointiin tarkoitetut sovellukset pystyvät käsittelemään potilaan kirjoitettua teks- tiä, ja reagoimaan siihen. Videon- ja puheentunnistuksella saadaan apua sekä diagnosointiin että monitorointiin, ja parhaimmillaan näiden avulla pystytään ennaltaehkäisemään sairauksien puhkeamista.

Tässä kirjallisuuskatsauksessa tarkasteltiin, mitä tekoäly mahdollistaa nuor- ten mielenterveyshäiriöiden ehkäisyssä, ja mitkä ovat tekoälyn roolit nuorten mielenter- veyshäiriöiden ehkäisyssä. Tekoälyn käyttö nuorten mielenterveystyössä mahdol- listaa potilaan kannalta oikeanlaisen hoidon kohdentamisen, sekä tautien ennakoimisen, ja siten myös häiriöiden ennaltaehkäisyn. Koneoppimisen avulla pys- tytään tunnistamaan apua tarvitsevat potilaat, sekä kohdistaa heille oikeanlainen, räätälöity hoitomenetelmä. Tekoälysovellukset ja -teknologiat ovat tehokkaita, helposti lähestyttäviä sekä nopeasti saatavilla olevia ratkaisuja. Tekoäly mahdollistaa matalan kynnyksen hoitoon pääsemiseksi, motivoivan ja sitouttavan hoidon, sekä tuen itsenäiselle elämälle mielentilan ja oireiden jatkuvan seurannan avulla. Tekoälyteknologiaa hyödyntävät ratkaisut sitouttavat nuoria, nopeuttavat ja helpottavat heidän avunsaantiaan, sekä vähentävät heidän ko- kemaansa stigmaa. Kannustamalla itsenäisyyteen luodaan potilaille kuva omista voimavaroista.

Tekoälyn varsinaiset roolit nuorten mielenterveyshäiriöiden ehkäisyssä ovat diagnosointi video-, puhe- ja kuva-analyysien avulla, hoito chatbottien

(22)

tarjoaman kognitiivisen käyttäytymisterapian avulla, sekä monitorointi erilaisten puhelinsovellusten ja puettavan teknologian avulla. Virtuaaliset terapeutit tarjoavat nopean terapia-avun, sekä täysin automatisoituina madaltavat potilaiden kynnystä avautua vaikeistakin asioista ja tunteista. Erilaiset monitorointiin tarkoitetut sovellukset ja puettavat teknologiat auttavat potilaita olemaan tietoisia omasta tilastaan, seuraamaan omia oireitaan, sekä kannustavat ja tuke- vat potilaiden itsenäistä elämää.

Tekoälyllä varustetut mielenterveyspalvelut luovat monia mahdollisuuksia nuorten alati kasvaviin mielenterveyden ongelmiin, mutta tuovat mukanaan myös monia haasteita, sekä suuren vastuun. Tekoälyteknologian käyttö mielen- terveystyössä vaatii tekoälyn valmistajilta vastuullista ja eettistä suunnittelua, ottaen suunnitteluun osalliseksi myös ne sidosryhmät, joita tekoälyn käyttämi- nen varsinaisesti koskettaa. Mielenterveystyössä potilaiden tietoturva on ää- rimmäisen arkaluontoista, joten tietoturvakysymykset ovat tekoälyteknologian isoimpia haasteita. Käyttäjien asenteet ja motivaatiotekijät täytyy ottaa sovellusten suunnittelussa huomioon, sillä sisäisillä motivaatiotekijöillä saavutetaan yleensä pidemmän aikavälin sitoutuneisuutta hoitoon. Lisäksi nuorten kokema teknostressi voi lisääntyä huomattavasti mielenterveyssovellusten käytön myö- tä.

Katsauksessa käytetyissä hoidon tutkimuksissa keskityttiin lyhyen ajan vaikutuksiin. Tekoälyteknologian rooli mielenterveystyössä tulee olla nuorta auttava ja tukeva, mutta sen rooli mielenterveysongelmien ratkaisuna on ky- seenalainen. Tekoälyn rooleja, ja niiden vaikutuksia nuorille suunnatuissa mielenterveyspalveluissa on syytä tutkia lisää pidemmillä aikaväleillä. Jatkotutki- muksissa tekoälyn hyödyntämistä nuorille suunnatuissa mielenterveyspalveluissa voisi keskittyä enemmän henkilökohtaisten digitaalilaitteiden käyttöön, sekä siihen, kuinka näiden avulla potilaasta voidaan kerätä jatkuvasti päivitty- viä terveystietoja useammasta eri lähteestä, jotka perustuisivat lähinnä ihmisen biologiaan. Näitä tekijöitä ovat esimerkiksi ihmisen perinnölliset ja biologiset tekijät, aineenvaihdunta ja aivojen rakenne. Analysoimalla potilaan jatkuvaa datavirtaa näistä lähteistä voitaisiin panostaa mielenterveyshäiriöiden ennalta- ehkäisyyn hyvin varhaisessa vaiheessa, ja parhaimmillaan löytää tapoja ja malleja, joiden avulla voidaan menestyksekkäästi optimoida mielenterveyttä.

(23)

LÄHTEET

AI HLEG. (2019). Ethics Guidelines for Trustworthy AI. Brussels: European Commission. https://op.europa.eu/s/oE3G

Aledavood, T., Torous, J., Hoyos, A. M., Naslund, J., Onnela, J. P. & Keshavan, M. (2019). Smartphone-Based Tracking of Sleep in Depression, Anxiety, and Psychotic Disorders. (2019). Current Psychiatry Reports, 21(49).

https://doi.org/10.1007/s11920-019-1043-y

Alvarez-Jimenez, M., Priede, A., Hetrick, S. E., Bendall, S., Killackey, E., Parker, A. G., et al. (2012). Risk factors for relapse following treatment for first epi- sode psychosis: A systematic review and meta-analysis of longitudinal studies. Schizophrenia Research, 139(1-3), 116–128.

https://doi.org/10.1016/j.schres.2012.05.007

Bakker, D., Kazantzis, N., Rickwood, D. & Rickard, N. (2016). Mental Health Smartphone Apps: Review and Evidence-Based Recommendations for Fu-

ture Developments. JMIR Mental Health 3(1).

https://doi.org/10.2196/mental.4984

Borana, J. (2016). Applications of Artificial Intelligence & Associated Technolo- gies. Teoksessa Proceeding of International Conference on Emerging Technolo- gies in Engineering, Biomedical, Management and Science. Jodhpur National University.

Burns, J., Birrell, E., Bismark, M., Pirkis, J., Davenport, T., Hickie, I., Weinberg, M. & Ellis, L. (2016). The role of technology in Australian youth mental health reform. Australian Health Review, 40(5), 584-590.

https://doi.org/10.1071/AH15115

Calvo, R., Milne, D., Christensen, H. & Hussain, M. (2017). Natural language processing in mental health applications using non-clinical texts. Natural

Language Engineering, 23(5), 649-685.

https://doi.org/10.1017/S1351324916000383

Carr, S. (2020). ’AI gone mental’: engagement and ethics in data-driven technology for mental health. Journal of Mental Health, 29(2), 125-130.

https://doi.org/10.1080/09638237.2020.1714011

D'Alfonso, S., Santesteban-Echarri, O., Rice, S., Wadley, G., Lederman, R., Miles, C., Gleeson, J. & Alvarez-Jimenez, M. (2017) Artificial Intelligence-Assisted

(24)

Online Social Therapy for Youth Mental Health. Frontiers in Psychology, 8(796). Haettu osoitteesta https://doi.org/10.3389/fpsyg.2017.00796 Ebert, D., Cuijpers, P., Munoz, R. & Baumeister, H. (2017). Prevention of Mental

Health Disorders Using Internet- and Mobile-Based Interventions: A Narrative Review and Recommendations for Future Research. Frontiers in Psychiatry, 8(116). https://doi.org/10.3389/fpsyt.2017.00116

Fitzpatrick, K., Darcy, A. & Vierhile, M. (2017). Delivering Cognitive Behavior Therapy to Young Adults With Symptoms of Depression and Anxiety Using a Fully Automated Conversational Agent (Woebot): A Randomized Controlled Trial. JMIR Mental Health Publications, 4(2).

https://mental.jmir.org/2017/2/e19/

Fullagar, S., Rich, E., Francombe-Webb, J. & Maturo, A. (2017). Digital Ecologies of Youth Mental Health: Apps, Therapeutic Publics and Pedagogy as Affective Arrangements. Social Sciences, 6(4), 135. Haettu osoitteesta https://doi.org/10.3390/socsci6040135

Fulmer, R., Joerin, A., Gentile, B., Lakerink, L. & Rauws, M. (2018). Using Psychological Artificial Intelligence (Tess) to Relieve Symptoms of Depression and Anxiety: Randomized Controlled Trial. JMIR Mental Health, 5(4). Haettu osoitteesta https://mental.jmir.org/2018/4/e64/

Haapala, A. (27.06.2019). Sovellukset ja puettava teknologia auttavat seuraamaan mielenterveyspotilaiden unta. Haettu osoitteesta https://www.aalto.fi/fi/uutiset/sovellukset-ja-puettava-teknologia- auttavat-seuraamaan-mielenterveyspotilaiden-unta

Halminen, L. (24.10.2020). Vastaamon tietomurto on sähköisen maailman suuronnettomuustilanne, mutta missä ovat jumalanpalvelukset ja kriisipäivystys? Helsingin Sanomat. https://www.hs.fi/kotimaa/art- 2000006698776.html

Inkster, B., Sarda, S. & Subramanian, V. (2018). An Empathy-Driven, Conversational Artificial Intelligence Agent (Wysa) for Digital Mental Well-Being: Real-World Data Evaluation Mixed-Methods Study. JMIR Mhealth and Uhealth, 6(11). Haettu osoitteesta:

https://mhealth.jmir.org/2018/11/e12106/#ref8

Kärkkäinen, S., Neittaanmäki, P. & Vähäkainu, P. (2018). Tekoälyä hyödyntävät ratkaisut ja mahdollisuudet mielenterveyden häiriöissä.

Informaatioteknologian tiedekunnan julkaisuja, (46).

https://jyx.jyu.fi/handle/123456789/57685

(25)

Lovejoy, C., Maruthappu, M. & Buch, V. (2019). Technology and mental health:

The role of artificial intelligence. European Psychiatry, 55, 1-3. Haettu osoitteestahttps://doi.org/10.1016/j.eurpsy.2018.08.004

Lucas, G. M., Gratch, J., King, A. & Morency, L. (2014). It’s only a computer:

Virtual humans increase willingness to disclose. Computers in Human Behavior, 37, 94-100. https://doi.org/10.1016/j.chb.2014.04.043

Low, D., Bentley, K. & Ghosh, S. (2020). Automated assessment of psychiatric disorders using speech: A systematic review. Laryngoscope Investig

Otolaryngol, 5(1), 96-116.

https://www.ncbi.nlm.nih.gov/pmc/articles/PMC7042657/

Lönnqvist, J. & Lehtonen, J. 2019. Ajankohtaista mielenterveyden

alueella? Psykiatria. Viitattu 9.7.2020

http://www.oppiportti.fi/op/pkr00108/do

Martikainen, V. & Järvelin, J. (2019). Psykiatrinen erikoissairaanhoito 2018.

Tilastoraportti 42/2019. Terveyden ja hyvinvoinnin laitos.

https://www.julkari.fi/handle/10024/138844

Martinez-Martin, N. & Kreitmair, K. (2018). Ethical Issues for Direct-to-Consu- mers Digital Psychotherapy Apps: Addressing Accountability, Data Pro- tection, and Consent. JMIR Mental Health, 5(2).

https://mental.jmir.org/2018/2/e32/#Informed-Consent

Marttunen, M. & Karlsson, L. (2013). Nuoruus ja mielenterveys. Nuorten mielenterveyshäiriöt: Opas nuorten parissa työskenteleville aikuisille. Terveyden ja hyvinvoinnin laitos. Tampere: Juvenes Print – Suomen Yliopistopaino Oy. https://www.julkari.fi/handle/10024/110484

Marttunen, M. & Karlsson, L. (2013). Masennusoireilu ja masennustilat. Nuorten mielenterveyshäiriöt: Opas nuorten parissa työskenteleville aikuisille. Terveyden ja hyvinvoinnin laitos. Tampere: Juvenes Print – Suomen Yliopistopaino Oy. https://www.julkari.fi/handle/10024/110484

Matveinen, P. (2018). Terveydenhuollon menot ja rahoitus 2016. Tilastoraportti

20/2018. Terveyden ja hyvinvoinnin laitos.

https://www.julkari.fi/handle/10024/136604

Neittaanmäki, P. & Kaasalainen, K. (2019). Informaatioteknologia ja tekoäly tukena mielenterveyspalveluissa. Talous ja yhteiskunta, 47(3), 42-47.

https://labour.fi/wpcontent/uploads/2020/02/ty32019.pdf

Niinimäki, E., Pölönen, I., Rautiainen, I., Tuominen, H. & Äyrämö, S. (2019).

Luokittelu- ja ennustemenetelmät. Teoksessa Tuominen, H. &

(26)

Neittaanmäki, P. Tekoälyn perusteita ja sovelluksia. Jyväskylän yliopiston Informaatioteknologian tiedekunta.

Nuorisolaki 2016/1285. https://finlex.fi/fi/laki/alkup/2016/20161285

Nyrhinen, R. (2019). Tekstianalytiikka. Teoksessa Tuominen, H. &

Neittaanmäki, P. Tekoälyn perusteita ja sovelluksia. Jyväskylän yliopiston Informaatioteknologian tiedekunta.

Pate, B. (21.3.2017). How Artificial Intelligence Could Diagnose Schizophrenia.

https://digitalculturist.com/how-artificial-intelligence-could-diagnose- schizophrenia-cda01ef9ba74

Pew Research Center. (2014). Pew Internet and American Life Project. Washington, DC. Haettu osoitteesta http://assets.pewresearch.org/wpcontent/uploads/sites/14/2014/02/12-internet-users-in-2014.jpg

Place, S., Blanch-Hartigan, D., Rubin, C., Gorrostieta, C., Mead, C., Kane, J., Marx, B., Feast, J., Deckersbach, T., Pentland, A., Nierenberg, A. & Azar- bayejani, A. (2017). Behavioral Indicators on a Mobile Sensing Platform Predict Clinically Validated Psychiatric Symptoms of Mood and Anxiety Disorders. Journal of Medical Internet Research, 19(3).

https://www.jmir.org/2017/3/e75/

Price, M., Yuen, E., Goetter, E., Herbert, J., Forman, E., Acierno, R. & Ruggiero, K. (2013). mHealth: A Mechanism to Deliver More Accessible, More Effec- tive Mental Health Care. Clin Psychol Psychother, 21(5), 427-436.

Proudfoot, J., Parker, G., Pavlovic, D., Manicavasagar, V., Adler, E. & Whitton, A. (2010). Community Attitudes to the Appropriation of Mobile Phones for Monitoring and Managing Depression, Anxiety, and Stress. JMIR Pub- lications, 12(5). Haettu osoitteesta https://www.jmir.org/2010/5/e64/

Rantala, N., Keppo, J., Karadeniz, S., Hulkkonen, T. & Karla, T. (2019). Ennalta- ehkäisevät digitaaliset mielenterveyspalvelut, tekoäly ja nuorten mielenterveys. Informaatioteknologian tiedekunnan julkaisuja, (76).

Salo, M., Pirkkalainen, H. & Koskelainen, T. (2018). Technostress and social net- working services: Explaining users’ concentration, sleep, identity, and social relation problems. Information Systems Journal, 29(2), 408-435.

https://doi.org/10.1111/isj.12213

Sano, A., Taylor, S., McHill, A., Phillips, A., Barger, L., Klerman, E. & Picard, R.

(2018). Identifying Objective Physiological Markers and Modifiable Beha- viors for Self-Reported Stress and Mental Health Status Using Wearable

(27)

Sensors and Mobile Phones: Observational Study. Journal of Medical Inter- net Research, 20(6). https://www.jmir.org/2018/6/e210/

Sarah, C. (2020). ’AI gone mental’: engagement and ethics in data-driven technology for mental health. Journal of Mental Health, 29(2), 125-130.

https://www.tandfonline.com/doi/full/10.1080/09638237.2020.1714011 Shamla, M., Patil, D., Wadhai, V. & Agrawal, P. (2015). Cumulative Video

Analysis Based Smart Framework for Detection of Depression Disorders.

IEEE International Conference on Pervasive Computing.

https://ieeexplore.ieee.org/document/7087145

Strandholm, T. & Ranta, K. (2013). Ahdistus ja ahdistuneisuushäiriöt. Nuorten mielenterveyshäiriöt: Opas nuorten parissa työskenteleville aikuisille. Terveyden ja hyvinvoinnin laitos. Tampere: Juvenes Print – Suomen Yliopistopaino Oy. https://www.julkari.fi/handle/10024/110484

Suomen Mielenterveys ry. Suomalaisten mielenterveys ei ole kohentunut fyysisen terveyden tahtiin. Haettu osoitteesta https://mieli.fi/fi/yhteiskunta/suomalaisten-mielenterveys-ei-ole-

kohentunut-fyysisen-terveyden-tahtiin

Talvitie-Lamberg, K., Silvennoinen, M., Ala-Kitula, A., Kärkkäinen, S., Tyrväinen, P., Kuoremäki, R.,…Vähäkainu, P. (2018). Tekoälyn soveltaminen terveydenhuollossa ja hyvinvoinnissa. Informaatioteknologian tiedekunnan julkaisuja, (54), 1-7. Haettu osoitteesta http://urn.fi/URN:ISBN:978-951-39-7507-4

Tolmunen, T. (30.7.2019). Nuorten mielenterveysongelmat kasvaneet räjähdysmäisesti – Hoitoon pääsy liian hankalaa. Mediuutiset.

https://www.mediuutiset.fi/uutiset/nuorten-mielenterveysongelmat- kasvaneet-rajahdysmaisesti-hoitoon-paasy-liian-hankalaa/22fe08a2-da8b- 4314-9006-16d6946a84a1

Torous, J., Andersson, G., Bertagnoli, A., Christensen, H., Cuijpers, P., Firth, J., Haim, A., Hsin, H., Hollis, C., Lewis, S., Mohr, D., Pratap, A., Roux, S., Sherrill, J. & Arean, P. (2019). Towards a consensus around standards for smartphone apps and digital mental health. World Psychiatry, 18(1), 97-98.

Tuominen, H. & Neittaanmäki, P. (2019). Tekoälyn perusteita ja sovelluksia.

Jyväskylän yliopiston Informaatioteknologian tiedekunta.

http://urn.fi/URN:ISBN:978-951-39-7796-2

UNCRPD. (2018). Committee on the Rights of Persons with Disabilities. General comment No. 7 (2018) on the participation of persons with disabilities, including children with disabilities, through their representative organizations, in the

(28)

implementation and monitoring of the Convention.

https://www.ohchr.org/en/hrbodies/crpd/pages/crpdindex.aspx Vaidyam, A., Wisniewski, H., Halamka, J., Kashavan, M. & Torous, J. (2019).

Chatbots and Conversational Agents in Mental Health: A Review of the Psychiatric Landscape. The Canadian Journal of Psychiatry, 64(7), 456-464.

https://doi.org/10.1177/0706743719828977

Vaillant, G. E. (2003). Mental Health. Am J Psychiatry, 160(8), 1373-1384.

https://ajp.psychiatryonline.org/doi/pdf/10.1176/appi.ajp.160.8.1373 Valtioneuvoston selvitys- ja tutkimustoiminta. (2018). Policy Brief, 6, 1-8.

https://tietokayttoon.fi/julkaisu?pubid=24601

World Health Organization. (2018). Geneva: World Health Organization. Mental

Health Atlas 2017. Haettu osoitteesta

https://www.who.int/mental_health/evidence/atlas/mental_health_atla s_2017/en/

World Health Organization. (2019). Mental health: strengthening our response.

Haettu osoitteesta https://www.who.int/news-room/fact- sheets/detail/mental-health-strengthening-our-response

Yahata, N., Kasai, K. & Kawato, M. (2016). Computational neuroscience approach to biomarkers and treatments for mental disorders. PCN Psychiatry and Clinical Neurosciences, 71(4), 215-237.

https://doi.org/10.1111/pcn.12502