Kirjutab: Janne Pullat, Metroserdi terviseandmete valdkonnajuht
Detsentraliseeritud tehisintellekt (AI) koos plokiahela tehnoloogiaga kujuneb järjest olulisemaks suunaks terviseandmete analüüsis, kus andmete tundlikkus, õiguspärane kasutus ja koostöö mitme osapoole vahel on kesksel kohal. Traditsioonilise lähenemise asemel, kus andmed liigutatakse mudelite juurde, võimaldab detsentraliseeritud arhitektuur mudelite treenimist otse andmete asukohas – näiteks haiglates või teaduskeskustes. See aitab vähendada privaatsusriske ja suurendada andmeomanike kontrolli, samal ajal toetades kvaliteetsete, koostööl põhinevate mudelite arendust.
Plokiahelat kasutatakse sellistes süsteemides usaldusväärse koostööraamistiku loomiseks: iga toiming logitakse läbipaistvalt ja muutumatult, võimaldades osapooltel jälgida, kuidas ja milleks mudeleid on treenitud. Mitmed hiljutised uuringud on näidanud, et selline lähenemine võib saavutada sarnast või isegi paremat täpsust võrreldes tsentraalselt treenitud mudelitega – näiteks COVID-19 kuvandite tõlgendamisel või silmapõhja muutuste analüüsil. Plokiahela roll seisneb eelkõige selles, et tagada turvaline, läbinähtav ja usaldusväärne koostöö keskkond.
Detsentraliseeritud AI loob paremad võimalused ka haruldaste seisundite analüüsiks, milleks on sageli vaja erinevate haiglate andmeid. Kuna andmed ei pea kesksesse serverisse liikuma, on võimalik teha koostööd ka olukorras, kus andmete jagamine oleks õiguslikult või eetiliselt problemaatiline. Samuti toetab see lähenemine teaduslikku reprodutseeritavust, kui kasutatakse avatud lähtekoodiga mudeleid ja läbipaistvaid treeninglogisid.
Sellest lähenemisest ei võida aga ainult teadus ega süsteem – ka arst saab individuaalsel tasandil otsest kasu. Kui otsustustoe tööriistad põhinevad mitmekesisematel ja ajakohastel mudelitel, on nende kliiniline usaldusväärsus suurem. See tähendab paremat tuge keerulisemates ravivalikutes, vähem ajamahukaid rutiinseid tegevusi ning võimalust keskenduda patsiendiga suhtlemisele. Lisaks aitab läbipaistev andmehaldusstruktuur vältida olukordi, kus arst peab otsuseid tegema piiratud kontekstis või teadmata andmete täpset päritolu.
Samas tuleb selliste süsteemide rakendamisel pöörata tähelepanu ka tehnilistele ja praktilistele piirangutele. Näiteks võib plokiahela kasutamine suurendada arvutuskoormust ning keerulisemates süsteemides võib osutuda vajalikuks täiendav andmehalduse koordineerimine, et tagada süsteemi skaleeritavus ja jõudlus. Need probleemid on ületatavad, kuid vajavad teadlikku arhitektuurilist kavandamist ning koostööd IT-spetsialistide, andmekaitseekspertide ja tervishoiuasutuste vahel.
Euroopa terviseandmete ruum (EHDS) loob just sellisteks rakendusteks sobiva raamtingimuse. EHDS-i eesmärk on ühtlustada andmete teisese kasutuse põhimõtted kogu ELis, luues turvalise ja standardiseeritud ligipääsu teadlastele ja arendajatele. Detsentraliseeritud AI lahendused sobituvad selle raamistikuga hästi, võimaldades luua koostööpõhiseid mudeleid, mis ei nõua andmete liikumist, kuid vastavad kõrgetele usaldus- ja läbipaistvusnõuetele.
Eesti digitaalses tervisesüsteemis on olemas mitmed eeldused selliste mudelite piloteerimiseks: ühtne andmevahetuse infrastruktuur, küps e-tervise ökosüsteem ning rahvusvaheline koostöökogemus. Selline katseprojekt aitaks mõtestada ka EHDS-i praktilist rakendamist väikeriigi kontekstis ning pakkuda Euroopa tasandil skaleeritavat eeskuju.
Kokkuvõttes võimaldab detsentraliseeritud AI koos plokiahela tehnoloogiaga arendada turvalisi, usaldusväärseid ja koostööpõhiseid lahendusi, mis toetavad nii teadust, innovatsiooni kui ka paremat patsiendikogemust. Arstide jaoks võib see tähendada ajaliselt tõhusamat ja sisuliselt paremini toetatud kliinilist tööd. Edukas rakendamine eeldab tehniliste, eetiliste ja regulatiivsete aspektide tasakaalustatud käsitlemist – kuid potentsiaal, mida selline lähenemine terviseandmete kasutuses avab, on märkimisväärne.
Allikad:
Kasralikar, P., Jain, V., Pathan, R. K., Shaikh, H., & Kumar, R. (2025). Blockchain for Securing AI-Driven Healthcare Systems: A Systematic Review and Future Research Perspectives. Cureus, 17(4), e83136. https://doi.org/10.7759/cureus.83136
Nugraha, S., Raharja, S., Rachmawati, D., &Huda, M. (2025). Decentralized AI: Leveraging Blockchain for Trustworthy Machine Learning Models. Journal of Innovation in Educational and Research, 5(2), 182 196.
https://jier.org/index.php/journal/article/view/2753/2246