Ennustamisesta on hyötyä myös terveydenhuollossa

Terveydenhuoltojärjestelmä ja myös muut tahot toimivat usein reaktiivisesti eli vasta sitten, kun vahinko on jo tapahtunut. Näin oli mm. erittäin ikävissä tapauksissa Jokelassa ja Kauhajoella.

Toiminnan tulisikin olla preventiivistä tai jopa proaktiivista eli ennakoivaa. Ennakointimallintaminen on kuitenkin osoittautunut varsin vaikeaksi tehtäväksi varsinkin humanistisilla aloilla, joista on usein vaikea löytää biologisia syitä asioille.

Lähestyimme asiaa ns. AfterCare-projektin tiimoilla ja pyrimme ennustamaan Suomessa, Ruotsissa, Kanadassa ja Saksassa väkivaltaisuutta (ts. oikeuspsykiatrisen hoidon piiriin joutumista) skitsofreniaa sairastavassa potilasjoukossa. Teimme mallintamisen Bayes-menetelmin.

Bayesilainen analyysi ja eri aineistojen yhdistäminen tuottivat erittäin hyvät ennustetulokset ja pystyimme aikaisempia tutkimuksia parempaan ennustetarkkuuteen. Keskeisimpiä ja kansakunnasta riippumattomia tekijöitä väkivaltaisuuden ilmentymisessä olivat mm. ennen oikeuspsykiatriseen hoitoon joutumisen aiheuttanutta väkivallantekoa tapahtunut väkivallanteko, biologisen isän tuomiot ja aineiden väärinkäyttö sekä miessukupuoli.

Tätä menetelmää ei oltu aikaisemmin käytetty vastaavassa tutkimusasetelmassa.

Lisätietoja tutkimuksesta: Erkki Soini

Viitteet:
Soini EJ, et al. Predicting forensic admission among the mentally ill in a multinational setting: A Bayesian modelling approach. Data Knowl Engin 2009;68:1427-40.
Soini EJ, et al. Predicting forensic admission among the mentally ill: A Bayesian approach. Proceedings of the 21st IEEE International Symposium on Computer-Based Medical Systems 17-19.6.2008, Jyväskylä, Finland, p. 242-247. Eds. Puuronen S, Pechenizkiy M, Tsymbal A, Lee D-J, IEEE Computer Society, Los Alamitos, California 2008.
Soini EJ, et al. Predicting Violent Offending among Mentally Ill in a Multinational Setting – Naive Bayesian Fusion and Model Merging with P-Course. Value Health 2006;9(6):A316-7. Podium. Palkintofinalisti ja palkittu työ.