Kuidas AI abil tervishoiu rahastuse kriis seljatada?

Nõnda on võimalik säästa tervishoiutöötajate hinnalist aega. „Kui me suudaksime selle nipsust või pikema aja jooksul implementeerida, siis sealt tekiks säästu 100 miljonit eurot,“ räägib Laane. Selleks teeb tervisekassa koostööd rahvusvaheliste firmade ja kohalike idufirmadega. „Testid on paljulubavad, kuid natuke on veel minna,“ sõnab ta.

Lisaks on tervisekassal käimas umbes 70 automatiseerimise projekti. Nende seas on ka näiteks plaan luua „doktor Google’iga“ konkureeriv rakendus, mis annaks erinevalt Google’i otsingust inimestele asjakohaseid, isiku terviseandmetest lähtuvaid ja teaduspõhiseid soovitusi. Tegemist oleks edasiarendusega juba praegu toimivast lahendusest, mis annab perearstile soovitusi, mida konkreetse patsiendi puhul tähele panna.

„Perearstid on selles osas meile väga tänulikud. Valdav osa neist ka kasutab seda. Ehk siis, kui sa lähed perearsti juurde, tuleb perearsti ekraanile soovitus, mida arst võiks tähele panna, arvestades sinu eelnevat haiguslugu ja muid parameetreid,“ räägib Laane. Tänase IT-investeeringute mahu juures suudab tervisekassa ellu viia 10–15 projekti aastas.

Soraineni meditsiini ja tervishoiu valdkonna juhi Lise-Lotte Lääne sõnul on juura valdkonna spetsialistide ülesandeks tehnoloogiaettevõtetele rõhutada, et andmed, millest adum „toitub“, peavad olema õiged ja piisavalt representatiivsed. Samuti on väljakutse tagada, et adumi loodust ei võida mitte ainult killuke osa ühiskonnast, vaid kogu ühiskond tervikuna. Vastasel juhul võib adum võimendada mitut probleemi, sealhulgas diskrimineerimist.

Rain Laane sõnul näitlikustab soolise diskrimineerimise probleemi Amazoni tehtud katse, kus kasutati töötajate värbamisel adumit. Tehisintellekt valis kandidaatide seast välja enamasti mehed. Uuesti tehti katse nii, et adumile ei antud infot, mis soost kandidaat on. Samuti valis tehisintellekt välja peamiselt mehed. Laane sõnul saab seda põhjendada sellega, et adum nägi mitmesuguseid infohulkasid ja tegi nende põhjal järeldusi.

Teiseks AIga seonduvaks ohukohaks on andmete kogumine ja hoiustamine. Laane sõnul läbis tervisekassa eelmisel aastal esimeste seas Eesti infoturbestandardi (E-ITS) auditi. „Sisuliselt on see 10 000 erinevat riski, mida tuleb eraldi üle kontrollida. Võib-olla on Eestis mõni teine organisatsioon ka selle läbi teinud. See on väga suur töö ja see tõepoolest toob välja need kitsaskohad, kus su infoturbe riskid on, kui sa terviseandmeid hoiad,“ räägib Laane.

Lisaks aitab tema sõnul riske maandada see, kui andmed asuvad nii Eestis kui ka välismaa hiiglaslikes ja hästi kaitstud serverifarmides.