Benefits of machine learning in operational management systems in the social and healthcare sectors
Huttunen, Jenni (2024)
Diplomityö
2024
School of Engineering Science, Tuotantotalous
Kaikki oikeudet pidätetään.
Julkaisun pysyvä osoite on
https://urn.fi/URN:NBN:fi-fe2024052737532
https://urn.fi/URN:NBN:fi-fe2024052737532
Tiivistelmä
This master thesis aimed to provide a practical understanding of how machine learning (ML) can offer advantages in operational management systems, particularly in Social- and Healthcare districts. The research was conducted as a case study with two research phases. The first part of the case study involved descriptive integrative literature research, which clarified the stage of AI usage in Finland's healthcare system and its regulatory landscape. Practical examples from healthcare and other industries were researched to enhance understanding of existing projects and potential use cases for supervised machine learning. The methodology of modern machine learning projects was also explored to provide insights into delivering a machine learning project in a chosen area. The second part of the case study focused on how the Machine Learning capability of the Solution Business Manager (SBM) could support operational management systems. The research included a pilot demonstration of SMB machine learning classification capability to determine its technical functionality and limitations.
The main result of this study was that Finland is still very far from the ideal way of utilizing machine learning in predictive models to find diagnoses and preventive care in the social and healthcare districts. The reason is that the regulations are stringent and deficient in artificial intelligence usage. On the other hand, there are many possibilities to use machine learning in this sector when considering all the supporting areas that are not utilizing patient data. Some to mention are management tasks, logistics improvements, predictive maintenance, operation improvements like workflows or patient coordination based on more complicated rules, data classifications for reporting purposes, and future big data AI solutions. Synthetic data could solve some of the issues and help start research work in the future. The result of SBM´s first ML solution was that the technical functionalities are easy to use and are fast to build in existing solutions, which delivers cost advantages compared to external solutions. If not, a new solution can be built for new data prediction projects, but the data structure and requirements must be considered. The SBM solution is ideal for workflow improvements, calculations, process item directions based on complicated rules, many fields, or automatic classification of items based on long descriptions. Tämän diplomityön tavoitteena oli selvittää koneoppimisen tarjoamia etuja toiminnanohjausjärjestelmissä, erityisesti sosiaali- ja terveysalalla. Tutkimus tehtiin tapaustutkimuksena, johon kuului kaksi tutkimusaihealuetta. Tapaustutkimuksen ensimmäinen osa toteutettiin kuvailevana integroivana kirjallisuustutkimuksena, joka koostui tekoälyn ja koneoppimisen hyödyntämisen tilan tutkimisesta Suomessa sosiaali- ja terveysalalla, sekä siihen vaikuttavasta lainsäädännöstä. Lisäksi tutkittiin ohjatun koneoppimisen käyttötapauksia niin terveydenhuollosta kuin muiltakin aloilta, potentiaalin laajentamisen näkökulmasta. Tekoälyprojektien toimitusvarmuuden kasvattamiseksi, tutkittiin koneoppimisprojektien menetelmiä, ja valittiin nykyaikaisilla vaatimuksilla laajennettu MLOps menetelmä. Tapaustutkimuksen toinen osa sisälsi Solution Business Manager (SBM) koneoppimisen tekoäly toiminnallisuuden tutkimista, kuinka se voisi toimia toiminnanohjausjärjestelmien tukena. Tutkimukseen sisältyi SBM-koneoppimiskyvyn pilotointi teknisten toiminallisuuksien sekä rajoitusten selvittämiseksi.
Tämän tutkimuksen tuloksena voidaan todeta, että Suomi on edelleen kaukana optimaalisesta tavasta hyödyntää koneoppimista ennustavissa tekoälymalleissa diagnoosien löytämisessä sekä ehkäisevässä hoidossa sosiaali- ja terveysalalla. Tämä johtuu siitä, että sääntely on hyvin tiukkaa, sekä tekoälyn osalta edelleen puutteellista. Toisaalta tällä alalla on paljon potentiaalisia käyttökohteita, jotka eivät hyödynnä potilastietoja. Mainittavia alueita ovat johtamistehtävät, logistiikan tehostaminen, ennakoiva kunnossapito, operatiivinen parantaminen, kuten työnkulut ja potilaiden koordinointi prosessissa, tietojen luokittelu raportointitarkoituksiin, sekä ennakoiva luokittelu tulevien tekoälyratkaisujen tueksi. Synteettisen data luominen voisi mahdollisesti toimia ratkaisuna lainsäädännön rajoituksille, jotka estävät tutkimustyön aloittamisen alalla. SBM:n ML sovelluspilotin tulos oli se, että tekniset toiminnallisuudet ovat helppokäyttöisiä, niitä on nopea rakentaa olemassa oleviin ratkaisuihin, joka puolestaan tarjoaa kustannusetuja verrattuna ulkoisiin ratkaisuihin. Uusien ratkaisujen osalta on otettava huomioon datan rakenne ja vaatimukset. Ratkaisu on ihanteellinen työnkulkujen parantamiseen, laskentapohjaiseen luokitteluun, monimutkaisten sääntöjen, ja pitkien kuvausten perusteella tapahtuvaan automaattiseen luokitteluun.
The main result of this study was that Finland is still very far from the ideal way of utilizing machine learning in predictive models to find diagnoses and preventive care in the social and healthcare districts. The reason is that the regulations are stringent and deficient in artificial intelligence usage. On the other hand, there are many possibilities to use machine learning in this sector when considering all the supporting areas that are not utilizing patient data. Some to mention are management tasks, logistics improvements, predictive maintenance, operation improvements like workflows or patient coordination based on more complicated rules, data classifications for reporting purposes, and future big data AI solutions. Synthetic data could solve some of the issues and help start research work in the future. The result of SBM´s first ML solution was that the technical functionalities are easy to use and are fast to build in existing solutions, which delivers cost advantages compared to external solutions. If not, a new solution can be built for new data prediction projects, but the data structure and requirements must be considered. The SBM solution is ideal for workflow improvements, calculations, process item directions based on complicated rules, many fields, or automatic classification of items based on long descriptions.
Tämän tutkimuksen tuloksena voidaan todeta, että Suomi on edelleen kaukana optimaalisesta tavasta hyödyntää koneoppimista ennustavissa tekoälymalleissa diagnoosien löytämisessä sekä ehkäisevässä hoidossa sosiaali- ja terveysalalla. Tämä johtuu siitä, että sääntely on hyvin tiukkaa, sekä tekoälyn osalta edelleen puutteellista. Toisaalta tällä alalla on paljon potentiaalisia käyttökohteita, jotka eivät hyödynnä potilastietoja. Mainittavia alueita ovat johtamistehtävät, logistiikan tehostaminen, ennakoiva kunnossapito, operatiivinen parantaminen, kuten työnkulut ja potilaiden koordinointi prosessissa, tietojen luokittelu raportointitarkoituksiin, sekä ennakoiva luokittelu tulevien tekoälyratkaisujen tueksi. Synteettisen data luominen voisi mahdollisesti toimia ratkaisuna lainsäädännön rajoituksille, jotka estävät tutkimustyön aloittamisen alalla. SBM:n ML sovelluspilotin tulos oli se, että tekniset toiminnallisuudet ovat helppokäyttöisiä, niitä on nopea rakentaa olemassa oleviin ratkaisuihin, joka puolestaan tarjoaa kustannusetuja verrattuna ulkoisiin ratkaisuihin. Uusien ratkaisujen osalta on otettava huomioon datan rakenne ja vaatimukset. Ratkaisu on ihanteellinen työnkulkujen parantamiseen, laskentapohjaiseen luokitteluun, monimutkaisten sääntöjen, ja pitkien kuvausten perusteella tapahtuvaan automaattiseen luokitteluun.