Suomi panostaa terveystekoälyyn, kvanttiin ja matematiikkaan

Suomi keskittää kansallisia voimavarojaan terveystekoälyyn, kvanttiteknologiaan ja käänteismatematiikkaan pyrkien kasvattamaan elinkeinoelämän monimuotoisuutta ja palauttamaan teollista vetovoimaa Nokian huippuvuosien jälkeisessä tilanteessa. Business Finland valitsi kesäkuussa kuusi suurta tutkimus- ja kehitysprojektia lähes 200 ehdotuksen joukosta. Valinnoissa painotettiin erityisesti terveysteknologian, bioteknologian ja kvantin pitkän aikavälin kehitystä – aloja, joissa Suomi voi hyödyntää ainutlaatuista data-infrastruktuuriaan ja lainsäädäntöään.

Business Finlandin tavoite ja rahoitusmalli

Business Finlandin Rise to Challenge -ohjelman kautta jaettiin noin 30 miljoonaa euroa kuudelle hankkeelle, joiden odotetaan synnyttävän laaja-alaista teollista kasvua. Valintakriteereissä painottuivat strateginen vaikutus, kansallinen hyöty ja kyky rakentaa tutkimusosaamisesta kaupallisia tuotteita ja palveluja. Rahoitus heijastaa hallituksen tavoitetta hajauttaa talouden painopistettä pois pelkästään ICT:stä ja luoda uusia kotimaisia kilpailuetuja terveysteknologiassa, kvanttilaskennassa ja algoritmisessa tutkimuksessa.

FINe-Health: kansallinen terveystekoälymalli

FINe-Health -hanke pyrkii rakentamaan kansallisen, suomalaisten terveystietojen pohjalta koulutetun ”foundation” AI -mallin, jota hankkeen vetäjät kutsuvat maailman ensimmäiseksi koko väestöä kattavaksi terveystekoälyksi. Malli perustuu FinRegistryn kokoamaan tietoon, jossa on koottu 19 eri kansallista tietolähdettä (reseptit, diagnoosit, laboratoriotulokset, käyntihistoriat, sosiodemografiset tiedot ja sukuyhteydet) noin 5,6 miljoonan suomalaisen osalta. Lisäksi projekti hyödyntää laajoja genomitietokantoja, jotka kattavat arviolta noin kymmenesosan väestöstä.

FINe-Healthin tavoitteena on ennustaa yksilötasolla riskejä satoihin sairauksiin ja tarjota välineitä väestötason analyysiin, resurssien kohdentamiseen sekä lääkärien päätöksenteon tueksi. Kolmen vuoden kehitysvaiheessa rakennetaan ja koulutetaan malli, testataan prototyyppejä kliinisissä työnkuluissa ja etsitään terveydenhuollon teknologia-alan kumppaneita kaupallistamisen jatkokehitykseen.

Tekniset tavoitteet ja syvemmät haasteet

FINe-Health pyrkii ylittämään perinteisten pohjalla olevien korrelaatioihin nojaavien mallien rajoitteet: tarkoituksena on kehittää järjestelmä, joka pystyy myös syy-seuraus-päättelyyn eli causal reasoningiin. Tämä on koneoppimisen keskeisiä avoimia tutkimusongelmia, ja suomalaistutkijat seuraavat tässä kansainvälistä kärkeä. ELLIS Institute Finlandin perustaja Samuel Kaski ja professori Arto Klami ovat tuoneet esiin, että kliinisiin päätöksiin kelpaava malli edellyttää mekanistista ymmärrystä sairausprosesseista eikä vain tilastollisia korrelaatioita.

Kvanttiteknologia ja käänteismatematiikka: teollinen pitkäjänteisyys

Toinen valituista hankkeista keskittyy kvanttiteknologiaan, joka rakentuu Aalto-yliopiston Aleksi Remesin ja muiden tutkijoiden pitkästä osaamisesta alhaisissa lämpötiloissa, kryotekniikassa sekä suprajohtavissa kvanttikierteissä ja nanoelektroniikassa. Kvanttitutkimus voi pitkällä tähtäimellä synnyttää uusia laitemarkkinoita ja lisäarvoa suomalaiselle teollisuudelle.

Käänteismatematiikka (inverse mathematics) puolestaan on Suomen vahvuusalue, jolla pyritään ratkaisemaan vaikeita ongelmia kuten syiden laskemista vaikutuksista. Tämä ala näkyy hankkeessa, joka tavoittelee edistyneen lääketieteellisen kuvantamisen mahdollistamista edullisemmilla ja vanhemmilla skannereilla – tekoäly voi parantaa kuvanlaatua ja siten nostaa hoidon tasoa erityisesti alueellisissa sairaaloissa, joilla ei ole varaa uusimpiin laitteisiin.

Tuoteominaisuudet ja kilpailukyky

Nämä hankkeet hakevat markkinakelpoisia ominaisuuksia, kuten: - Kansallinen mittakaava: malli koulutetaan koko väestön terveystiedoilla, mikä parantaa yleistä yleistettävyyttä. - Genominen integraatio: yhdistäminen perinnöllisiin tietoihin yksilöriskin arviointiin. - Yhteentoimivuus: suunniteltu toimimaan suomalaisen Kanta-järjestelmän ja muiden terveydenhuollon käytäntöjen kanssa. - Tietosuoja ja luottamus: GDPR-yhteensopivuus, anonymisointi, mahdollisuus hajautettuun oppimiseen (federated learning).

Suomi voi tarjota luotettavaa ja läpinäkyvää vaihtoehtoa suurten kansainvälisten toimijoiden malleille, joihin liittyy usein kysymyksiä datan käytöstä ja sääntelyn kohtaamisesta. Kotimainen ratkaisu voi olla kilpailuetu niin julkiselle sektorille kuin terveyspalveluita tarjoaville yrityksille.

Käyttötapaukset suomalaisille yrityksille ja kuluttajille

FINe-Healthin ja siihen liittyvien projektien suorat käyttötapaukset kotimarkkinalla ovat moninaiset: - Väestötason ennusteet: kuntien ja sairaanhoitopiirien suunnittelussa tarvittavat analyysit sairastavuus- ja hoitotarve-ennusteisiin. - Riskiperusteinen seulonta: potilaan yksilöllinen riski arvioidaan ja hoito priorisoidaan paremmin. - Kuvantamisen parannus: vanhoilla skannereilla tuotettujen kuvatiedostojen laatu voidaan nostaa, mikä säästää laiteinvestointeja ja parantaa saatavuutta erityisesti maakunnissa. - Päätöksenteon tuki: lääkäreille suunnatut suositukset ja vaihtoehtotarkastelut ihmisen ja tekoälyn yhteistyönä.

Kuluttajan näkökulmasta vaikutus näkyy parempana hoidon ennakoitavuutena ja ehkäisevän terveydenhuollon kehittymisenä. Yrityksille tarjoutuu mahdollisuus kehittää sovelluksia, palvelualustoja ja lääkinnällisiä laitteita, jotka käyttävät kansallisesti koulutettuja malleja – myös vientituotteiksi.

Markkinanäkymät ja seuraavat vaiheet

Hankkeiden kehitysaikataulu on lähivuosien mittainen: ensimmäisessä vaiheessa rakennetaan ja testataan prototyyppejä, jonka jälkeen on tarkoitus siirtyä kaupallistamiseen yhteistyössä terveydenhuollon toimijoiden ja yritysten kanssa. Sääntely- ja eettiset arvioinnit nousevat keskeisiksi vaiheiksi, kun mallit siirretään kliiniseen käyttöön. Suomessa potilastietojärjestelmien kattavuus ja digitilanne (esim. Kanta ja sähköinen resepti) antavat hyvän pohjan nopeammalle käyttöönotolle kuin monissa muissa maissa.

Globaalissa vertailussa Suomi kilpailee laadulla, läpinäkyvyydellä ja luottamuksella. Vaikka teknologiajätit ja kansainväliset tutkimusryhmät kehittävät omia ratkaisujaan, suomalainen lähestymistapa voi erottua vastuullisuudella, sääntelyyhteensopivuudella ja vahvalla perusfysiikan ja matematiikan osaamisella.

Yhteenveto

Suomen panostus terveystekoälyyn, kvanttiin ja käänteismatematiikkaan on strateginen pyrkimys vahvistaa kotimaista teollisuutta ja luoda uutta vientipotentiaalia. FINe-Health ja muut rahoitetut hankkeet hyödyntävät suomalaista data-infrastruktuuria, poikkeuksellista tutkimusosaamista ja kansallista yhteistyökykyä. Vaikka haasteita – teknisiä, eettisiä ja sääntelyyn liittyviä – riittää, kotimainen lähestymistapa voi tarjota suomalaisille yrityksille ja julkiselle sektorille sekä potilaille konkreettisia etuja: kustannussäästöjä, parempaa hoidon ennakointia ja uusia liiketoimintamahdollisuuksia. Seuraavien vuosien aikana on seurattava, miten tutkimuksesta siirrytään prototyypeiksi ja kaupallisiksi palveluiksi sekä miten Suomi asemoituu globaaliin terveysteknologian ja kvanttiteknologian kilpailuun.