Harvardin tuore tutkimus: o1 päihitti sisätautilääkärit ensiavussa
Harvard Medical Schoolin tekoälylaboratorion johtaja Arjun Manrai ja Beth Israel Deaconess Medical Centerin sisätautilääkäri Adam Rodman julkaisivat toukokuun alussa 2026 Sciencessä tutkimuksen, jossa OpenAI:n o1-mallia testattiin 76 todellisessa ensiapukäynnissä. Kaksi sisätautilääkäriä ja kaksi tekoälymallia, o1 ja vanhempi 4o, saivat samat tiedot, jotka potilaan saapumishetkellä olivat saatavilla sähköisestä potilaskertomuksesta. Toiset kaksi lääkäriä arvioivat diagnoosit jälkikäteen tietämättä, oliko ehdotuksen takana ihminen vai algoritmi.
Triagessa, eli silloin kun diagnoosi tehdään pelkkien alkutietojen perusteella, o1 osui täsmälleen oikeaan tai hyvin lähelle 67 prosentissa tapauksista. Sisätautilääkärit ylsivät 50 ja 55 prosenttiin. Kun malleille ja lääkäreille annettiin kattavampi potilastieto, o1:n osuvuus nousi 82 prosenttiin ja lääkäreiden 70–79 prosenttiin. Vanhempi 4o-malli jäi molemmissa vaiheissa lääkäreiden tasolle.
Pelkkää tekstiä, ei kuvia
Tutkimuksessa o1 sai pelkkää tekstidataa: anamneesin, oireet, vitaaliarvot ja laboratoriotulokset numeroina. Kuvantamista, EKG-käyriä tai muita ei-tekstuaalisia syötteitä ei käsitelty. Tutkijat huomauttavat, että nykyiset perustusmallit ovat rajallisia kuva- ja signaalidatan päättelyssä, ja juuri näistä ensiapulääkäri saa usein ratkaisevan vihjeensä.
Toinen rajoitus on vertailuasetelma. Sisätautilääkärit eivät ole ensiapulääketieteen erikoislääkäreitä, joiden diagnostiikkakulma ja työkalupakki poikkeavat merkittävästi. Otoskoko 76 potilasta on pieni, ja kaikki tulivat samasta Bostonin sairaalasta. Tutkimus on retrospektiivinen, ei prospektiivinen kliininen koe – kyseessä on paperilla tehty vertailu, ei oikeasti hoidettujen potilaiden lopputulema.
“Tällä hetkellä ei ole olemassa muodollista vastuukehystä tekoälyn antamille diagnooseille.”
Mitä luvut eivät kerro
Osuvuus 67 prosenttia tarkoittaa oikeaa tai hyvin lähellä oikeaa diagnoosia, ei virheetöntä hoitopäätöstä. Ensiavussa yksittäinen väärä tulkinta voi viivästyttää hoitoa tai johtaa vakavaan komplikaatioon. Lukuja ei voi suoraan siirtää suomalaiseen päivystykseen, jossa potilasvirta, perussairaudet ja triagejärjestelmä poikkeavat yhdysvaltalaisesta.
HUS, TYKS ja Aalto: missä mennään Suomessa
HUS:ssa tekoäly on jo osa päivystyksen arkea. Helsingin yliopistollisen sairaalan, CGI:n ja Planmecan yhteinen malli tunnistaa pään TT-kuvista yleisimmät ei-traumaattiset aivoverenvuodot ja avustaa päivystäviä lääkäreitä. Meilahden siltasairaalassa otettiin vuonna 2024 käyttöön sovellus, joka lyhentää magneettikuvausten kestoa, ja CleverHealth Network -hankkeessa HUS kehittää tekoälyä harvinaissairauksien diagnostiikkaan.
Aalto-yliopistossa tekoälyn luotettavuutta tutkitaan useassa ryhmässä, ja Finnish Center for Artificial Intelligence (FCAI) on kansallinen kärki. Aallon Simo Särkän ryhmä kehittää HUS:n kanssa puettavaa sydäntautien diagnoosilaitetta. TYKS:n diagnostiikkakeskuksessa pilotoitiin viime vuosina kuvantamisen tekoälytyökaluja, mutta laajoja ensiapuun keskittyviä julkaistuja kokeita ei vielä ole nähty.
Aallon Reliable AI -tutkimus keskittyy juuri siihen, missä Harvardin koe ontuu: yksittäisen ennusteen epävarmuuteen. Keskimääräinen 67 prosentin osuvuus on hyvä luku, mutta yksittäisen potilaan kohdalla lääkärin pitäisi tietää, onko tämä diagnoosi sitä luotettavaa kolmannesta vai sitä kolmasosaa, jossa malli erehtyy. Olen lähettänyt kommenttipyynnöt HUS:n diagnostiikkakeskukseen, TYKS:iin ja Aallon Reliable AI -ryhmälle. Vastaukset lisätään juttuun saavuttuaan.
Päivystyksen kiireellisyysarvio, jossa potilaat luokitellaan saapumishetkellä hoidon tarpeen mukaan. Tehdään yleensä alkutietojen perusteella ennen tarkempia tutkimuksia.
Retrospektiivinen tutkimus
Tutkimus jossa analysoidaan jo tapahtuneita potilaskäyntejä jälkikäteen tallennetun tiedon pohjalta. Eroaa prospektiivisesta tutkimuksesta, jossa potilaita seurataan reaaliajassa hoitotilanteessa.
Perustusmalli
Englanniksi foundation model – laajalla yleisaineistolla opetettu suuri tekoälymalli, jota voidaan soveltaa moniin tehtäviin. GPT- ja Claude-mallit ovat perustusmalleja.
Mitä tämä tarkoittaa potilaalle?
Suomalainen ensiapupotilas ei kohtaa OpenAI:n o1-mallia triagessa lähivuosina. Sääntelykehys puuttuu, prospektiiviset kokeet ovat vasta käynnistymässä, eikä yhdenkään mallin diagnoosivirhe ole vielä juridisesti vakuuttajan tai sairaanhoitopiirin vastuulla. Tutkimuksen viesti on silti merkittävä: kielimalli voi toimia toisena mielipiteenä kiireisessä päivystyksessä, jossa lääkäri tekee päätöksiä keskellä yötä rajallisin tiedoin ja unenpuutteessa.
Riskit ovat yhtä konkreettiset. Jos malli ehdottaa harvinaista diagnoosia oikein, hoito alkaa nopeammin ja potilas voi selvitä kotiin. Jos se suuntaa kalliiseen ja turhaan jatkotutkimukseen, kustannukset valuvat veronmaksajalle. Vastuu virheestä on yhä lääkärillä, mutta pian myös järjestelmän hankkijalla. Manrain ryhmä on jo aloittamassa prospektiivista jatkotutkimusta, jossa tekoälyä käytetään lääkärin rinnalla aidoissa potilaskontakteissa. Vasta sieltä nähdään, syntyykö paperilla esitetty etu myös oikeasti hoidettujen potilaiden voinnissa.
Viikoittainen uutiskirje
Tule firmasi fiksuimmaksi AI-osaajaksi
Yksi uutiskirje kerrallaan. Kokoamme viikon tärkeimmät tekoälyuutiset suomeksi ja kerromme, mitä ne tarkoittavat sinun työsi kannalta. Luet sen kahvitauolla.
