Kirjoittajina: Saija Ylimäki, Maria Kääriäinen, Noora Puusa, Kristiina Heikkilä ja Heidi Parisod – kirjoittajaesittely blogin lopussa
Tekoäly muuttaa nopeasti tapaa, jolla terveydenhuollon ammattilaiset etsivät, jäsentävät ja hyödyntävät tutkimusnäyttöä. Generatiivinen tekoäly voi tiivistää tutkimusnäyttöä, tehdä tulkintoja ja vastata kliinisiin kysymyksiin sekunneissa. Terveydenhuollossa tekoälytyökalut voivat helpottaa tiivistetyn tutkimustiedon saatavuutta kiireisissä kliinisissä toimintaympäristöissä sekä tukea näyttöön perustuvaa päätöksentekoa.
Tekoälyn tarjoamista mahdollisuuksista huolimatta on tärkeää pohtia, mitä tapahtuu, jos terveydenhuollon ammattilaiset alkavat luottaa pelkästään tekoälyn tuottamiin tiivistelmiin sen sijaan, että arvioisivat tutkimusnäyttöä itse kriittisesti tai hyödyntäisivät korkeiden laatustandardien mukaisesti ja läpinäkyvällä prosessilla laadittuja järjestelmällisiä katsauksia ja muita luotettavia näytön tiivistelmiä.
Näyttöön perustuva terveydenhuolto perustuu luotettavaan näyttöön
Näyttöön perustuva terveydenhuolto rakentuu 1) tiedontarpeiden tunnistamisesta, 2) (tutkimus)tiedon tuottamisesta, 3) tiedon tiivistämisestä parhaaksi saatavilla olevaksi tiedoksi eli näytöksi, 4) näytön käytäntöön saattamisesta eli levittämisestä sekä 5) käyttöönotosta. Näytön käyttöönotto todentuu kliinisessä päätöksenteossa, jossa huomioidaan ajantasaisen ja luotettavaksi arvioidun näytön lisäksi ammattilaisten kliininen asiantuntemus ja harkinta, asiakkaiden tai potilaiden arvot ja tarpeet sekä toimintaympäristön mahdollisuudet ja rajoitteet (Jordan ym., 2019).
Tiedon kokoamisen ja tiivistämisen vaihe on yksi kriittisimmistä edellä kuvatussa prosessissa, ja siksi siihen tulee kiinnittää erityistä huomiota. Tässä olennaisia kysymyksiä ovat esimerkiksi tutkimuskysymyksen muotoilu, kirjallisuushaun toteuttaminen, mukaan otettavien tutkimusten valinta, niiden laadun ja sovellettavuuden kriittinen arviointi sekä tutkimustulosten yhdistäminen (Aromataris ym., 2024). Näiden vaiheiden tarkoituksena on varmistaa näytön luotettavuus ja uskottavuus, ja se, että terveydenhuollon ammattilaisten toiminta ja päätöksenteko voivat perustua parhaaseen saatavilla olevaan tietoon.
Tekoäly voi tukea näytön hyödyntämistä, mutta siihen liittyy myös riskejä
Uusien tekoälypohjaisten työkalujen kyky käsitellä suuria määriä tutkimuskirjallisuutta ja tuottaa nopeasti helposti ymmärrettäviä tiivistelmiä tekee niistä kliinisessä työssä erittäin houkuttelevia, sillä tämä säästää aikaa ja nopeuttaa tiedon saatavuutta. Vaikka tekoälypohjaiset työkalut tarjoavat uusia mahdollisuuksia näytön tiivistämiseen, niiden käyttöön liittyy myös useita tunnistettuja riskejä ja haasteita.
Tutkimukset ovat osoittaneet, että generatiivinen tekoäly voi tuottaa virheellisiä tai keksittyjä lähdeviitteitä, tehdä virheellisiä tulkintoja ja liian yksinkertaistettuja johtopäätöksiä (Clark ym., 2025; Özer, 2024; Walters & Wilder, 2023). Siksi terveydenhuollon ammattilaisten ja tutkijoiden on tunnistettava sekä tekoälyn mahdollisuudet että siihen liittyvät haasteet, kuten luotettavuuteen, eettisyyteen ja tekoälystä riippuvaiseksi tulemisen riskiin liittyvät kysymykset (El Arab ym., 2025; Joo ym., 2025).
Tekoälyä voi kuitenkin hyödyntää myös vastuullisesti. Käytännön esimerkki vastuullisesta tekoälyn käytöstä saatiin Hotuksen pilottihankkeessa, jossa suljetussa ja tietoturvallisessa ympäristössä toimivat tekoälyavustajat tukivat hoitosuositusten näytönastekatsausten valmistelua. Tekoäly poimi ennalta määriteltyjen kriteerien mukaisesti tietoja asiantuntijoiden valitsemista ja luotettaviksi arvioimista tutkimuksista. Tekoäly nopeutti näytönastekatsausluonnosten laatimista, mutta luotettavuuden varmistamiseksi tutkijat tarkistivat jälkikäteen systemaattisesti kaiken tekoälyn poimiman tiedon. Hanke osoitti, että tekoäly voi lisätä tehokkuutta samalla, kun menetelmällinen laatu säilyy osana jäsenneltyä näytön tiivistämistä.
Kriittinen arviointi on säilytettävä
Jos terveydenhuollon ammattilaiset ja tutkijat alkavat luottaa yksinomaan tekoälyn tuottamiin tiivistelmiin, voi päätöksenteon ja alkuperäisen tutkimusnäytön välille muodostua kuilu. Tämän seurauksena kriittisen arvioinnin taidot voivat vähitellen heikentyä, ja päätökset voivat perustua yhä enemmän algoritmien tulkintoihin ammattilaisen oman harkitun asiantuntija-arvion sijaan.
Terveydenhuollon ammattilaisten ja tutkijoiden koulutuksessa sekä jatkuvassa ammatillisessa kehittymisessä tulee edelleen korostaa näytön tiivistämiseen liittyviä taitoja, kuten kirjallisuushakujen tekemistä, tutkimusten laadun kriittistä arviointia ja näytön synteesiä. Samalla on vahvistettava tekoälylukutaitoa, jotta ammattilaiset osaavat arvioida tekoälyn tuottaman tiedon laatua, luotettavuutta ja sovellettavuutta.
Tulevaisuuden haaste ei ole se, käytämmekö tekoälyä vai emme. Keskeinen kysymys on, miten käytämme tekoälyä niin, että ammatillinen autonomia, kriittinen ajattelu ja näyttöön perustuvan toiminnan ydinarvot säilyvät. Vain näin voimme varmistaa, että tekoäly tukee laadukasta, turvallista ja ihmiskeskeistä hoitoa.
Lähteet
Aromataris E., Lockwood C., Porritt K., Pilla B., & Jordan Z, editors. (2024). JBI Manual for Evidence Synthesis. JBI. https://doi.org/10.46658/JBIMES-24-01
Clark, J., Barton, B., Albarqouni, L., Byambasuren, O., Jowsey, T., Keogh, J., … Jones, M. (2025). Generative artificial intelligence use in evidence synthesis: A systematic review. Research Synthesis Methods, 16(4), 601–619. doi:10.1017/rsm.2025.16
El Arab, R. A., Alshakihs, A. H., Alabdulwahab, S. H., Almubarak, Y. S., Alkhalifah, S. S., Abdrbo, A., Hassanein, S., & Sagbakken M. (2025). Artificial intelligence in nursing: a systematic review of attitudes, literacy, readiness, and adoption intentions among nursing students and practicing nurses. Frontiers in Digital Health. 7, 1666005 (2025). https://doi.org/ 10.3389/fdgth.2025.1666005.
Joo, J. Y., Liu, M. L. &, Ho, M.-H. (2025). Nurses’ perceptions of artificial intelligence adoption in healthcare: A qualitative systematic review, Nurse Education in Practice, 88, 104542 (2025). https://doi.org/10.1016/j.nepr.2025.104542.
Jordan, Z., Lockwood, C., Munn, Z., & Aromataris, E. (2019). The updated Joanna Briggs Institute Model of Evidence-Based Healthcare. International Journal of Evidence-Based Healthcare, 17(1), 58–71. https://doi.org/10.1097/XEB.0000000000000155.
Özer M. (2024). Is Artificial Intelligence Hallucinating? Turkish Journal of Psychiatry 35(4), 333–5. https://doi.org/10.5080/u27587. Walters, W.H., Wilder, E.I. Fabrication and errors in the bibliographic citations generated by ChatGPT. Scientific Reports 13, 14045 (2023). https://doi.org/10.1038/s41598-023-41032-5
Hotus-blogissa kirjoittajina:
- Saija Ylimäki TtT, sh, post doc tutkija ja ohjaaja Oulun yliopisto
- Maria Kääriäinen, TtT, professori, sv. ylihoitaja, Oulun yliopisto, POHDE
- Noora Puusa, TtM, sh, Hotuksen tutkija
- Kristiina Heikkilä, TtM, sh, Hotuksen tutkija
- Heidi Parisod, dosentti, TtT, th/sh, Hotuksen johtaja ja tutkimusjohtaja