Ajatusjohtajat
Tekoäly on jo älykkäämpää kuin lääkärisi. Se ei ole pelottava osa.

Keskeiset kohdatKliininen tekoäly epäonnistuu, kun se hiljaisesti jättää huomiotta dataa sen sijaan…
Näytä lisää
- Kliininen tekoäly epäonnistuu, kun se hiljaisesti jättää huomiotta dataa sen sijaan, että myöntäisi epävarmuutensa.
- Ihmisen läsnäolo tuottaa kliinistä dataa, jota mikään potilaskertomus tai malli ei pysty tavoittamaan.
- Vaikein työ on mallin ympärillä olevissa luotettavissa järjestelmissä eikä raa'assa älykkyydessä.
Halusin tekoälyn ratkaisevan tämän ongelman.
Vuosien ajan olen kerännyt monimutkaisia potilashistorioita, laboratoriotuloksia, oireita, lääkkeitä, lisäravinteita ja vuosien aiempaa hoitoa ja yrittänyt muuttaa kaiken yhtenäiseksi kliiniseksi suunnitelmaksi. Monimutkainen tapaus saattoi viedä kolme tuntia tutkimusta, ennen kuin olin varma siitä, mikä on tärkeää ja mitä seuraavaksi pitäisi tapahtua.
Sitten generatiivinen tekoäly saapui.
Ensimmäinen ajatukseni oli ilmeinen: vihdoin.
Tässä oli teknologia, joka pystyi käsittelemään valtavia määriä tietoa, palauttamaan lääketieteellistä tietoa nopeammin kuin minä koskaan pystyisin, ja löytämään yhteyksiä tapauksen eri osien välillä sekunneissa. Oletin, että voisin rakentaa käyttöliittymän suuren kielimallin ympärille, luoda muutaman suojauksen ja olla valmis.
Se olisi ollut mahtavaa.
Sen sijaan, noin vuoden ja miljoonan dollarin kuluttua, kun ohjelmistosuunnittelijat työskentelivät kymmenen hengen kliinisen tiimin rinnalla, olimme yhä rakentelemassa.
Syynä ei ollut se, että tekoäly ei ollut tarpeeksi älykäs.
Se oli se, että älykkyys oli helppo osa.
Sain eri tekoälyn kuin kaikki muut
Ensimmäinen vihjeeni tuli ennen kuin yritimme koskaan rakentaa kliinistä ohjelmistoa. Huomasin jatkuvasti, että pystyin käyttämään samaa tekoälytyökalua kuin vieressäni istuva henkilö ja saamaan dramaattisesti parempia tuloksia.
Miksi? Koska en vain esittänyt kysymystä ja ottanut vastausta. Keskustelin sen kanssa. Haastoin oletuksia. Toimitin kontekstia, jonka se oli jättänyt huomiotta. Korjasin virheitä. Muutin kehyksen. Puskin uudelleen.
Teknisesti käytimme samaa työkalua. Toiminnallisesti emme kuitenkaan.
Se on mielenkiintoinen tuottavuusongelma, kun kirjoitat mainosta. Se muuttuu aivan erilaiseksi ongelmaksi, kun kohteena on potilas.
Olen työskennellyt yli 70 000 ammattilaisen kanssa. Joku voi olla kliinisesti loistava, mutta silti kamala saamaan hyödyllistä tietoa tekoälyjärjestelmästä.
Nuo ovat erilaisia taitoja.
Silti terveydenhuollon vastaus vaikuttaa olevan, että kliinikkojen tarvitsee vain oppia “prompt‑suunnittelua.”
En usko, että se on vakava ratkaisu.
Jos kliininen tekoälyjärjestelmä vaatii lääkäriä kehittymään taitavaksi prompt‑suunnittelijaksi ennen kuin järjestelmä on luotettava, emme ole saaneet kliinistä tekoälyä valmiiksi.
Tutkimus kertoo jo meille jotain epämukavaa
Vuoden 2024 satunnaistettu kliininen tutkimus antoi 50 lääkärille vaikeita diagnostisia tapauksia. GPT-4:ta käyttävät lääkärit saivat 76 prosenttia; perinteisiä resursseja käyttävät saivat 74 prosenttia, eikä ero ollut tilastollisesti merkittävä.
Sitten tutkijat testasivat GPT-4:a yksinään. Se päihitti perinteisiä resursseja käyttävät lääkärit 16 prosenttiyksiköllä.
Vuoden 2026 tutkimus Pakistanissa havaitsi, että tekoälylukutaidon koulutuksen jälkeen GPT-4o‑pääsyn omaavat lääkärit saivat 71,4 prosenttia diagnostisesta päättelystä verrattuna 42,6 prosenttiin perinteisiä resursseja käyttäville. Mutta GPT-4o yksinään sai 82,9 prosenttia.
Vuoden 2026 Yhdistyneen kuningaskunnan replikaatio löysi samanlaisen eron: lääkärit suoriutuivat paremmin tekoälyavun avulla, mutta silti saivat yli 21 prosenttiyksikköä vähemmän kuin suuri kielimalli yksin toimiessaan.
Meidän täytyy sanoa epämukava osa ääneen: tietyissä kognitiivisissa tehtävissä tekoäly on jo parempi kuin yksittäinen lääkäri.
Yksikään lääkäri ei ole lukenut jokaista lääketieteellistä artikkelia tai pysty muistamaan jokaista harvinaista sairautta, yhteisvaikutusta tai vasta‑aihetta heti, kun se tulee merkitykselliseksi. Tekoäly voi käsitellä valtavia tietomääriä väsymättä tai ajan loppumatta.
Virhe on olettaa, että voimme asettaa chatbotin kliinikon eteen ja kutsua ongelmaa ratkaistuksi.
Tyhjä kehotelaatikko on ongelma
Kuvittele, että lääkäri lataa laboratoriokertomuksen, jossa on 150 laboratoriomarkkeria, ja pyytää LLM:ää analysoimaan sen.
Vastaus palautuu kauniisti järjestettynä. On vain yksi ongelma: järjestelmä ei luotettavasti poiminut kaikkia 150 laboratoriomarkkeria.
Yleiskäyttöiset LLM:t eivät ole deterministisiä kliinisiä asiakirjoja jäsentäviä työkaluja. Taulukot ja tiiviit lääketieteelliset raportit ovat edelleen erityisen haastavia. Pelottava osa on se, että lopullinen vastaus ei välttämättä ilmoita: “Minulta jäi 50 arvoa huomaamatta.”
Se voi vain vastata.
Kuvittele nyt, että yksi näistä puuttuvista arvoista vaatii kiireellistä lääketieteellistä arviointia.
Se ei ollut rajoitus, jonka olisin valmis kiertämään. Meidän täytyi kehittää erillinen poimintateknologia, joka käsittelee laboratoriokertomuksia tarkasti ja toistettavasti, ennen kuin järjestelmämme kliininen päättelyosio voisi alkaa.
Kokemus muutti tapaani ajatella tekoälyn turvallisuutta.
Tekoälyjärjestelmä, joka kertoo, ettei se tiedä jotain, on hankala.
Järjestelmä, joka ei tiedä, mitä siltä jäi huomaamatta, on vaarallinen.
Miksi meidän täytyi rakentaa AI:n ulkopuolelle
Kliininen työ vaatii jotain, mitä yleiskäyttöinen generatiivinen AI ei luonnollisesti tarjoa: toistettavuutta.
Tarvitsimme hallinnan siihen, mitä syötettiin ja mitä tuotettiin: luotettavaa tiedon poimintaa, jäsenneltyä tietoa, determinististä logiikkaa, turvatoimia ja järjestelmiä, jotka pystyvät arvioimaan suhteita potilaan historian eri osien välillä.
Kliininen päättely ei ole pelkästään kokoelma jos–niin-lauseita. Joskus signaali on useiden laboratoriomarkkerien välinen suhde. Joskus viisi yksittäin merkityksetöntä löydöstä muuttuu tärkeäksi, kun niitä tarkastellaan yhdessä.
Insinöörit tarvitsevat säännöt, jotka ovat riittävän eksplisiittisiä ohjelmiston suoritettavaksi. Lääkärit viettävät elämänsä sanomassa: “Kyllä, paitsi …”.
Ihmisen biologia on täynnä poikkeuksia, modifikaatioita, kontekstia ja kilpailevia selityksiä. Joskus järjestelmän rakentaminen tuntui siltä, että yksi ryhmä kommunikoi viittomakielellä ja toinen puhui Klingonia.
Vastaus ei koskaan ollut “AI” tai “ei AI”. Se oli selvittää tarkalleen, mihin kukin kuuluisi.
AI voi lukea potilaskortin. Ihmiset voivat lukea huoneen tunnelman.
Oikein käytettynä AI voi laajentaa lääkärin muistia, nopeuttaa tutkimusta, tuoda esiin harvinaisia mahdollisuuksia ja tunnistaa kuvioita valtavasta tietomäärästä.
Se alkaa näyttää vähemmän siltä, että korvaisimme ammattilaisen, ja enemmän siltä, että rakennamme bionisen ammattilaisen.
Mutta potilas ei ole kliininen tapauskuvaus.
Lääkäri kuulee epäröinnin ennen vastausta. Hän huomaa, kun tarina muuttuu. Hän oppii, että yksi potilas vähättelee oireita jatkuvasti, kun taas toinen raportoi jokaisesta tuntemuksesta maksimaalisella intensiteetillä. Hän tietää, että “Minä voin hyvin” ei selvästi tarkoita hyvin.
Tätä tietoa ei ehkä koskaan ole potilaskortissa.
Ihmisen vuorovaikutus lääketieteessä ei ole pelkästään miellyttävä kerros, jonka lisäämme koneen suorittaman älytyön jälkeen. Se on toinen kliinisen tiedon lähde.
AI voi lukea potilaskortin. Ihmiset voivat lukea huoneen tunnelman.
Parhaat kliiniset järjestelmät tarvitsevat molempia.
Lopeta kysymys siitä, korvaako AI lääkärin
Kysymme väärää asiaa.
Tulevaisuus ei välttämättä kuulu yritykselle, jolla on fiksuin chatbot tai älykkäin perusmalli. Tärkeä innovaatio tapahtuu yhä enemmän mallin ympärillä: miten tieto kerätään ja varmistetaan, mitä tietoa syötetään, mitä järjestelmä saa päätellä, missä deterministiset ohjausmekanismit ottavat vallan ja missä ihminen on pidettävä mukana prosessissa.
Raakaa älykkyyttä on saatavilla yhä runsaammin.
Luotettavien järjestelmien rakentaminen, jotka soveltavat tätä älykkyyttä, on paljon vaikeampaa.
Emme saisi ratkaista tätä ongelmaa vaatimalla, että jokainen lääkäri muuttuu amatööritason AI-kehittäjäksi. Monimutkaisuuden tulisi olla teknologian sisällä, ei lääkärin ohjeistuksessa.
Tulevaisuuden lääkäri ei voita AI:ta muistissa. Tämä kilpailu on jo muuttumassa merkityksettömäksi.
Sen sijaan meidän tulisi rakentaa järjestelmiä, jotka antavat lääkäreille koneen muistin, laskentatehon ja kuvioiden tunnistamisen, säilyttäen samalla ammattilaisen kontekstin, arvostelukyvyn, skeptisyyden ja inhimillisen yhteyden.
Kutsumme sitä bioniseksi ammattilaiseksi.
Epäilen, että potilaat lopulta kutsuvat sitä joksikin paljon yksinkertaisemmaksi.
Heidän lääkärinsä.












