DOSIS 4/2022
Farmaseuttinen aikakauskirja DOSIS 4/2022 vol.38 5uomen Farmasialiitto ry
Farmaseuttinen aikakauskirja DOSIS 4/2022 vol.38 5uomen Farmasialiitto ry
You also want an ePaper? Increase the reach of your titles
YUMPU automatically turns print PDFs into web optimized ePapers that Google loves.
Vol. 38<br />
Dosis<br />
4<br />
<strong>2022</strong><br />
PÄÄKIRJOITUKSET<br />
Farmaseuttinen aikakauskirja<br />
Sirpa Soini:<br />
Sosiaali-, terveys- ja lääketietojen<br />
tiedonhallinnan, digitalisaation<br />
ja tekoälyn uudistuva<br />
säädöspohja...............................................387<br />
TEEMA<br />
Digitalisaatio<br />
ja tekoäly<br />
farmasian sekä<br />
lähitieteiden<br />
Outi Laatikainen,<br />
alalla<br />
Sami Sneck, Antti Heino,<br />
Ville Huikari, Miia Turpeinen:<br />
Rakenteettoman tiedon<br />
hyödyntäminen terveydenhuollossa<br />
– pilottitutkimus<br />
erikoissairaanhoidosta........................454<br />
Risto Kaikkonen, Juha Turunen:<br />
Lääkealan digitaalinen<br />
tulevaisuus – lainsäädännön ja<br />
käänteentekevien palveluiden<br />
kehitys on käynnistynyt.......................393<br />
ALKUPERÄISTUTKIMUKSET<br />
Matias Niemi,<br />
Marika Pohjanoksa-Mäntylä,<br />
Santtu Mikkonen, Kari Linden:<br />
Koronapandemian vaikutukset<br />
apteekin verkkopalvelun käyttöön:<br />
esimerkkinä Yliopiston Apteekki.... 398<br />
Teressa Lyly, Santeri Palomäki,<br />
Paulus Torkki, Tomi Malmström,<br />
Antti Peltokorpi, Miia Kallio:<br />
Kannettava keräilylaite lisää laatua<br />
ja tehokkuutta lääkkeiden jakeluun<br />
sairaala-apteekissa...............................424<br />
Eeva Pylkkö, Anna-Maija Tolppanen,<br />
Johanna Timonen, Julian Lin:<br />
Kvantitatiiviset tutkimusmenetelmät<br />
sosiaalisen median tekstipohjaisten<br />
aineistojen tutkimuksen tukena<br />
– apteekeista käytävän<br />
verkkokeskustelun aihemallinnus<br />
Suomi24-keskustelupalstasta.......... 434<br />
Tatiana Kaplina,<br />
Marja Jaurakkajärvi,<br />
Hanna Kauppinen,<br />
Reeta Heikkilä:<br />
Kohti katkeamatonta<br />
lääkehoitoprosessia – sairaalaapteekkareiden<br />
näkemykset<br />
ja tulevaisuuden visiot lääkehuollon<br />
automaatiosta ja integraatioista......470<br />
TIETEELLINEN KOMMENTTI<br />
Karmen Kapp,<br />
Matti Luukkainen, Mia Sivén:<br />
Virtuaalitodellisuusko uudeksi<br />
opetusmenetelmäksi farmasian<br />
opetukseen?..............................................490<br />
VÄITÖSKIRJAKATSAUS<br />
Marko Lamminsalo:<br />
Virtuaalisilmä – kolmiulotteinen<br />
farmakokineettinen mallinnus<br />
silmälääketutkimuksen ja<br />
-kehityksen työkaluna.........................506<br />
Refereet <strong>2022</strong>.............................................521
Dosis<br />
Farmaseuttinen aikakauskirja<br />
4<br />
<strong>2022</strong><br />
Vol. 38<br />
Julkaisija<br />
Suomen Farmasialiitto ry /<br />
viestintä<br />
Asemamiehenkatu 2<br />
00520 Helsinki<br />
Päätoimittaja<br />
Dosentti Anneli Ritala-Nurmi<br />
VTT<br />
Tietotie 2<br />
Espoo<br />
dosis@farmasialiitto.fi<br />
Vierailevat toimittajat<br />
Valtiotieteiden maisteri Risto Kaikkonen<br />
Farmasian tohtori Juha Turunen<br />
Toimituskunta<br />
Professori Anna-Riia Holmström<br />
Professori Katri Hämeen-Anttila<br />
Farmasian tohtori Anne Lecklin<br />
Farmasian tohtori Minna Matikainen<br />
Dosentti Joni Palmgrén<br />
Farmasian tohtori Marika Pohjanoksa-Mäntylä<br />
Ulkoasu<br />
Omnipress Oy<br />
Oona Kavasto/Hank<br />
omnipress.fi<br />
ISSN 0783-4233<br />
384 Dosis Vol. 38 4/<strong>2022</strong> © Suomen Farmasialiitto ry Suomen Farmasialiitto ry © 4/<strong>2022</strong> Vol. 38 Dosis 385
PÄÄKIRJOITUS<br />
Sosiaali-, terveys- ja lääketietojen<br />
tiedonhallinnan, digitalisaation ja<br />
tekoälyn uudistuva säädöspohja<br />
Riikka Vuokko käsitteli ansiokkaasti<br />
Dosiksen edellisen numeron pääkirjoituksessa<br />
lääkeasioiden tiedonhallinnan<br />
kehittämisnäkymien painopisteitä<br />
lähivuosille ennakoiden jo tätä teemanumeroa<br />
digitalisaation ja tekoälyn suhteen<br />
(Vuokko <strong>2022</strong>). Lähestyn sen vuoksi itse<br />
asiaa katsauksella toimintaympäristön uudistuvaan<br />
lainsäädäntöön ja Terveyden ja hyvinvoinnin<br />
laitoksen rooliin sosiaali- ja terveystiedon<br />
hallinnassa.<br />
Sähköisten tiedonhallintapalvelujen kehittämisen<br />
tavoitteena on asiakas- ja potilastietojen<br />
sekä lääkemääräysten tehokas hallinta,<br />
kansallisesti yhdenmukaiset asiakasasiakirjat,<br />
tietojen ajantasainen saatavuus, yhteiskäyttö<br />
ja sähköinen arkistointi. Digitalisaatio tiedonhallinnassa<br />
ei tarkoita vain tietojen sähköistä<br />
kirjaamista, vaan se edellyttää oikeita kirjaamiskäytäntöjä<br />
ja monipuolista tiedonhallintaa<br />
tiedon koko elinkaaren ajan. On huomionarvoista,<br />
että laadukkaat sosiaali- ja terveystiedot<br />
ovat saatavilla Findatan luvalla myös<br />
toisiokäyttöön, kuten tutkimukseen ja tiedolla<br />
johtamiseen. Juuri nyt sote-uudistuksen, väestön<br />
ikääntymisen, henkilöstövajeiden ja heikkenevän<br />
taloustilanteen vuoksi tiedonhallintapalvelujen<br />
kehittäminen ja vaikuttavuusperusteinen<br />
ohjaus ovat erittäin tärkeitä.<br />
Eurooppalaisia muutosajureita<br />
Suomelle ollaan laatimassa vuoteen 2030 ulottuvaa<br />
kansallista strategista etenemissuunnitelmaa<br />
– digitaalista kompassia – digitalisaation<br />
ja datatalouden murroksessa menestymiseksi<br />
ja kansallisen digitalisaatiokehityksen<br />
ohjaamiseksi. Tavoitteena on luoda digitalisaatiolle<br />
ja datataloudelle yhteinen kansallinen<br />
visio ja tavoitteet vuoteen 2030. Suomen<br />
digikompassi sisältää kansalliset tavoitteet,<br />
joilla tuetaan EU:n digikompassin tavoitteiden<br />
saavuttamista. Lisäksi digikompassiin on<br />
koottu kansallisia, EU-kompassia täydentäviä<br />
tavoitteita ja teemoja, jotka ovat tarpeelli-<br />
Soini S: Sosiaali-, terveys- ja lääketietojen tiedonhallinnan, digitalisaaation ja tekoälyn uudistuva säädöspohja.<br />
Dosis 38: 387–391, <strong>2022</strong><br />
386 Dosis Vol. 38 4/<strong>2022</strong> © Suomen Farmasialiitto ry<br />
Suomen Farmasialiitto ry © 4/<strong>2022</strong> Vol. 38 Dosis 387
sia Suomen digitalisaatiokehityksen vauhdittamiseksi<br />
ja joista Suomi haluaa olla tunnettu.<br />
Suomen digikompassi muodostuu EU:n digikompassin<br />
mukaisesti neljästä osa-alueesta:<br />
osaaminen, digitaalinen infrastruktuuri, yritysten<br />
digitalisaatio ja digitaaliset julkiset palvelut<br />
(Valtioneuvosto <strong>2022</strong>).<br />
Tulevaisuudessa tiedonhallintaan ja tietojen<br />
käyttöön tulevat vaikuttamaan myös EU:n<br />
valmisteilla olevat asetukset, muun muassa<br />
European Health Data Space (EHDS). EHDS<br />
on Euroopan parlamentin ja neuvoston ehdotus<br />
asetukseksi terveystietojen käsittelystä<br />
unionin alueella. Tarkoituksena on perustaa<br />
eurooppalainen terveysdata-avaruus säätämällä<br />
sähköisten terveystietojen ensisijaista<br />
ja toissijaista käyttöä koskevista säännöistä,<br />
yhteisistä standardeista ja käytännöistä, infrastruktuureista<br />
ja hallintopuitteista. Potilastiedot<br />
ja lääkemääräykset olisivat käytettävissä<br />
koko EU:n alueella, ja niitä voisi käyttää<br />
monipuolisesti erilaisiin toissijaisiin käyttötarkoituksiin,<br />
mukaan lukien tutkimus. Osana<br />
EHDS:ää mahdollistetaan myös potilaiden<br />
omien tietojen käytön hallinta entistä laajemmin.<br />
Kyseessä on erittäin kunnianhimoinen<br />
suunnitelma. Ehdotus on tätä kirjoitettaessa<br />
eduskunnan käsittelyssä (Eduskunta <strong>2022</strong>a).<br />
EU on ehdottanut myös tekoälyasetusta<br />
(COM(2021) 206 final (Eduskunta <strong>2022</strong>b), joka<br />
pohjautuu komission 19.2.2020 antamaan tiedonantoon<br />
Euroopan digitaalisesta tulevaisuudesta<br />
ja tekoälyä koskevaan valkoiseen kirjaan<br />
(Eduskunta <strong>2022</strong>c). Sen määritelmän mukaan<br />
tekoälyjärjestelmällä tarkoitetaan ohjelmistoa,<br />
joka on kehitetty yhdellä tai useammalla<br />
sen liitteessä I luetellulla tekniikalla ja lähestymistavalla<br />
ja joka voi tuottaa tiettyjä ihmisen<br />
määrittelemiä tavoitteita varten tuotoksia,<br />
kuten sisältöä, ennusteita, suosituksia tai päätöksiä.<br />
Tekoälyjärjestelmän määrittely oikeudellisessa<br />
kehyksessä pyrkii olemaan mahdollisimman<br />
teknologianeutraali ja kestävä ottaen<br />
huomioon nopean teknologisen kehityksen ja<br />
markkinoiden kehityksen. Asetuksella halutaan<br />
myös varmistaa ihmisten ja yritysten turvallisuus<br />
ja perusoikeuksien toteutuminen tekoälyn<br />
hyödyntämisen yhteydessä. Asetuksessa<br />
tekoälyjärjestelmät luokitellaan riskikategorioihin<br />
sen perusteella, aiheutuuko niistä eihyväksyttävä<br />
riski, suuri riski, vähäinen riski<br />
vai minimaalinen riski. Tekoälyjärjestelmään<br />
sovellettavat säännöt määräytyvät sille määritellyn<br />
riskikategorian perusteella.<br />
Kuluneella hallituskaudella alkoi myös EU:n<br />
IVD- (in vitro diagnostinen laite) ja MD- (lääkinnällinen<br />
laite) asetusten soveltaminen kliinisiä<br />
lääketutkimuksia koskevan asetuksen<br />
lisäksi (EU asetus N:o 745/2017 (32017R0745),<br />
EU asetus N:o 746/2017 (32017R0746), EU asetus<br />
N:o 536/2014 (32014R0536)). Laitelainsäädäntö<br />
asettaa teknisiä vaatimuksia jo nyt tekoälyn<br />
hyödyntämiseen ohjelmistoissa, joita käytetään<br />
ihmisen diagnostiikkaan ja hoitamiseen.<br />
Tekoälyn käyttöön kliinisessä toiminnassa liittyy<br />
valtavasti mahdollisuuksia, mutta myös<br />
eettisiä kysymyksiä. Virtuaalinen terveystarkastus,<br />
järjestelmän suorittama profilointi<br />
terveysriskin havaitsemiseksi ja sen pohjalta<br />
laaditut interventiot ennakoivassa terveydenhuollossa<br />
olivat esillä myös tietosuojavaltuutetun<br />
tuoreissa ratkaisuissa (Tietosuojavaltuutetun<br />
toimisto <strong>2022</strong>). Tietosuojavaltuutetun<br />
mukaan kyse on ihmistä koskevasta hallinnollisesta<br />
päätöksenteosta, joka vaikuttaa<br />
siihen, ketkä pääsevät hoitoon ja ketkä jäävät<br />
sen ulkopuolelle. Tämän vuoksi profiloinnissa<br />
on otettava huomioon myös tietosuoja-asiat<br />
yksilön itsemääräämis- ja muiden oikeuksien<br />
vuoksi. EU:n antamat asetukset ovat voimaan<br />
tullessaan suoraan velvoittavaa oikeutta myös<br />
kansallisesti, vaikka niitä koskevia kansallisia<br />
lakeja ei olisikaan. Suomella on kuitenkin<br />
tapana säätää täydentävää ja toimeenpanevaa<br />
kansallista lainsäädäntöä.<br />
Sosiaali- ja terveydenhuollon tiedonhallinnan<br />
kotimaiset säädösmuutokset<br />
Valtioneuvosto on antanut eduskunnalle esityksen<br />
sosiaali- ja terveydenhuollon asiakastietojen<br />
käsittelystä ja siihen liittyviksi laeiksi<br />
(Eduskunta <strong>2022</strong>d). Kokonaisuudistuksen<br />
tavoitteena on koota yhteen säädökset, jotka<br />
koskevat tietosuojaa ja salassapitoa, tiedonsaantioikeuksia<br />
ja asiakastietojen luovutusta,<br />
asiakirjojen käsittelyä, asiakas- ja potilasasiakirjoja<br />
sekä valtakunnallisia tietojärjestelmiä<br />
ja tiedonhallinnan ohjausta. Esityksen mukaan<br />
asiakastietolaki muodostaisi selkeän, yhtenäisen<br />
ja yhdenmukaisen sekä kattavan kokonaisuuden.<br />
Lakiin sisältyvät asiakastietojen ja asiakas-<br />
ja potilasasiakirjojen käsittelyä koskevat<br />
säädökset tukisivat sosiaali- ja terveydenhuollon<br />
palvelujärjestelmän ja palveluiden kehittämistä<br />
sekä sosiaali- ja terveydenhuollon integraatiota<br />
eli sitä, että sosiaali- ja terveyspalvelut<br />
muodostaisivat asiakkaalle toimivan kokonaisuuden.<br />
Lakien on tarkoitus tulla voimaan<br />
1.1.2024.<br />
Lakipaketin osana esitetään myös sähköisestä<br />
lääkemääräyksestä annetun lain muuttamista,<br />
tarkoituksena parantaa lääkkeiden<br />
käytön turvallisuutta. Laissa säädettäisiin<br />
lääkemääräyksen lisäksi lääkemääräykseen<br />
liittyvistä merkinnöistä ja valtakunnallisesta<br />
lääkityslistasta. Merkinnöillä tarkoitetaan esimerkiksi<br />
lääkemääräyksen lopettamismerkintää<br />
ja apteekin lääkemääräykseen tekemiä<br />
toimitusmerkintöjä. Lakiin lisättäisiin viittaus<br />
asiakastietolakiin. Lääkemääräykset olisivat<br />
potilasasiakirjoja, joiden käsittelyssä sovellettaisiin<br />
asiakastietolakia, ellei laissa sähköisestä<br />
lääkemääräyksestä säädettäisi niiden<br />
käsittelystä.<br />
Reseptikeskuksen määritelmää ehdotetaan<br />
muutettavan siten, että reseptikeskus<br />
olisi jatkossa tietokannan sijaan tietovaranto,<br />
jotta käsitteistö on yhdenmukaista asiakastietolain<br />
kanssa. Reseptikeskuksen tietosisältöihin<br />
lisättäisiin myös lääkehoidon toteuttamista<br />
koskevat tiedot. Valtakunnallinen lääkityslista<br />
tarkoittaisi jatkossa potilaskohtaista<br />
yhteenvetoa, joka koostettaisiin reseptikeskukseen<br />
tallennetuista lääkemääräyksistä ja<br />
niihin liittyvistä merkinnöistä. Valtakunnallinen<br />
lääkityslista tulisi hakea potilastietojärjestelmiin<br />
reseptikeskuksesta, jotta sen avulla<br />
voidaan selvittää ajantasainen tieto potilaalle<br />
määrätyistä lääkkeistä. Lisäksi lääkkeen määrääjä<br />
velvoitettaisiin hakemaan tiedot potilaan<br />
käytössä olevasta ajantasaisesta lääkityksestä<br />
reseptikeskuksesta.<br />
Lääkehoitojen ja lääkkeiden informaatioohjausta<br />
halutaan jatkossa vahvistaa. STM on<br />
antanut Fimealle tehtäväksi laatia toimintamalliehdotuksen<br />
ja tiekartan dataperusteisen<br />
toiminnan tehostamiseksi, mahdollistamiseksi<br />
ja selkeyttämiseksi lääkehoitoon ja lääkkeiden<br />
käyttöön liittyvissä keskeisissä käyttötapauksissa.<br />
Riikka Vuokon toimittaman selvitysraportin<br />
mukaan lääkehoidon ja -huollon<br />
tietopohja koostuu tällä hetkellä useista tietoaineistoista<br />
ja niitä ylläpitävät ja kehittävät<br />
useat toimijat. Selvityksen mukaan keskeisimpiä<br />
kehitysteemoja ovat alueellisen ja kansallisen<br />
tason tahtotilan muodostaminen, vaikuttavuus-<br />
ja kustannusvaikuttavuustieto, lääkehoidon<br />
seurantatieto ja tietojärjestelmäkehittäminen<br />
(Aatola ym. <strong>2022</strong>).<br />
Terveyden ja hyvinvoinnin laitoksen rooli<br />
sosiaali- ja terveystiedonhallinnassa<br />
Terveyden ja hyvinvoinnin laitos (THL) on<br />
kehittänyt sote-tiedonhallinnan digitalisaatiota<br />
pitkäjänteisesti jo kauan. Tietojen, tietomallien<br />
ja tietorakenteiden oikeellisuus, laatu,<br />
kattavuus sekä yhteensopivuus ovat edellytyksenä<br />
tietojen hyödyntämiselle eri tarkoituksiin.<br />
Keskeinen osa laadukasta tietotuotantoa<br />
on varmistaa, että kerätyllä tiedolla on<br />
sisällöllistä merkitystä. THL toteuttaa osaltaan<br />
STM hallinnonalan Toivo-ohjelmaa, joka luo<br />
edellytykset Hyvinvointialueiden ja kansallisten<br />
viranomaisten tietoperusteiselle päätöksenteolle.<br />
Sama tietopohja toimii pohjana seuranta-,<br />
arviointi-, ohjaus- ja valvontatyöhön<br />
(www.soteuudistus.fi/toivo-ohjelma).<br />
Kansallisesti yhtenäinen sähköisten tiedonhallintapalvelujen<br />
kokonaisuus luo pohjaa<br />
sosiaali- ja terveydenhuollon prosessien<br />
uudistamiselle ja mahdollistaa asiakkaan hoidon<br />
ja palvelun ajantasaisilla tiedoilla kaikissa<br />
palvelupaikoissa. Lisäksi asiakkaat voivat<br />
katsella ja hallita omia terveystietojaan<br />
OmaKanta-palvelun kautta. THL ohjaa sotetiedonhallintaa<br />
tietoarkkitehtuurin, toiminnallisen<br />
suunnittelun, määräysten, ohjeiden<br />
ja määrittelyjen avulla sekä ammattilaisten<br />
kirjaamisohjeilla. THL:n rooliin kuuluu myös<br />
kansainvälinen yhteistyö muun muassa rajat<br />
ylittävän tiedonvaihdon ja standardien kehittämisessä.<br />
Se on parhaillaan käynnistämässä<br />
WHO:n ICD (International Classification of Diseases)<br />
-11-diagnoosiluokituksen kansallista käyttöönottoa.<br />
Tiedonhallinnan kokonaisuudistuksessa<br />
THL:n tiedonsaantioikeuksia ehdotetaan lisättäväksi<br />
siten, että ne mahdollistaisivat hyvinvointialueiden<br />
valmiuteen, varautumiseen ja<br />
tilannekuvaan liittyvien tietojen keräämisen.<br />
Ehdotuksen mukaan THL kokoaisi ja välittäisi<br />
kyseiset tiedot valtionhallinnon käyttöön.<br />
Tämä mahdollistaisi palvelujärjestelmän<br />
ja THL:n yhteistä kyvykkyyttä tuottaa valta-<br />
388 Dosis Vol. 38 4/<strong>2022</strong> © Suomen Farmasialiitto ry<br />
Suomen Farmasialiitto ry © 4/<strong>2022</strong> Vol. 38 Dosis 389
kunnallista tilannekuvaa pysyvärakenteisena<br />
ja häiriötilanteiden ennakointiin kykenevänä.<br />
Alueellisten tietojen lisäksi THL kokoaisi tiedot<br />
myös muilta viranomaisilta. Näin varmistettaisiin<br />
THL:n tiedonsaanti palvelujärjestelmän<br />
toiminnan lisäksi myös materiaalisesta valmiudesta<br />
ja lääkehuollon tilannekuvasta (Eduskunta<br />
<strong>2022</strong>d).<br />
Lopuksi<br />
Eurooppalaisessa ja kotimaisessa toimintaympäristössä<br />
tapahtuu nyt todella paljon. Joulun<br />
aikaan on hyvä hetkeksi hengähtää ja lukea<br />
vaikkapa teemaan sopiva kirja. Suosittelen<br />
yhdysvaltalaisen silmäkirurgin, legendaarisen<br />
lääketieteellisiä trillereitä kirjoittavan Robin<br />
Cookin kirjaa tekoälyn käytöstä diabeteksen<br />
hoidossa. Kirja Verkossa (the Cell) ilmestyi<br />
jo 2014, mutta tarjoaa edelleen ällistyttävän<br />
vision tekoälyn käytöstä suoraviivaisena terveydenhuollon<br />
priorisointikeinona. Toivotan<br />
mukavaa joulun aikaa Dosiksen lukijoille.<br />
Sirpa Soini<br />
Oikeustieteen tohtori<br />
Osastonjohtaja<br />
THL, Tiedonvälittäjät-osasto<br />
sirpa.soini@thl.fi<br />
Aatola H, Kojo A, Riihimäki E,<br />
(toim.) Vuokko R: Lääketiedon<br />
hyödyntäminen: selvitysraportti.<br />
STM <strong>2022</strong>_9 (viitattu 22.11.<strong>2022</strong>).<br />
https://julkaisut.valtioneuvosto.fi/<br />
handle/10024/164045<br />
Eduskunta: Valtioneuvoston<br />
kirjelmä eduskunnalle komission<br />
ehdotuksesta Euroopan parlamentin<br />
ja neuvoston asetukseksi<br />
eurooppalaisesta terveysdataavaruudesta<br />
<strong>2022</strong>a (viitattu<br />
20.11.<strong>2022</strong>).<br />
www.eduskunta.fi/FI/vaski/<br />
KasittelytiedotValtiopaivaasia/<br />
Sivut/U_61+<strong>2022</strong>.aspx<br />
Eduskunta: Valtioneuvoston<br />
kirjelmä eduskunnalle komission<br />
ehdotuksesta Euroopan parlamentin<br />
ja neuvoston asetukseksi tekoälyn<br />
harmonisoiduksi sääntelyksi<br />
(Artificial Intelligence Act) <strong>2022</strong>b<br />
(viitattu 20.11.<strong>2022</strong>).<br />
www.eduskunta.fi/FI/vaski/Kirjelma/<br />
Sivut/U_28+2021.aspx<br />
Kirjallisuus<br />
Eduskunta: Hallituksen esitys<br />
eduskunnalle laiksi sosiaali- ja<br />
terveydenhuollon asiakastietojen<br />
käsittelystä sekä siihen liittyviksi<br />
laeiksi <strong>2022</strong>d (viitattu 20.11.<strong>2022</strong>).<br />
www.eduskunta.fi/FI/vaski/<br />
KasittelytiedotValtiopaivaasia/Sivut/<br />
HE_246+<strong>2022</strong>.aspx<br />
Tietosuojavaltuutetun toimisto:<br />
Apulaistietosuojavaltuutettu:<br />
Tietosuoja huomioitava ennakoivan<br />
terveydenhuollon toimintatavoissa<br />
<strong>2022</strong> (viitattu 20.11.<strong>2022</strong>).<br />
www.tietosuoja.fi/-/<br />
apulaistietosuojavaltuutettutietosuoja-huomioitava-ennakoivanterveydenhuollon-toimintatavoissa<br />
Valtioneuvosto: Digitaalisen<br />
kompassin selonteko<br />
asettaa suunnan Suomen<br />
digitalisaatiokehitykselle <strong>2022</strong><br />
(viitattu 20.11.<strong>2022</strong>.)<br />
www.valtioneuvosto.fi/-//10623/<br />
digitaalisen-kompassin-selontekoasettaa-suunnan-suomendigitalisaatiokehitykselle<br />
Eduskunta: Valtioneuvoston selvitys:<br />
Komission tiedonanto Euroopan<br />
digitaalisesta tulevaisuudesta,<br />
komission tiedonanto Euroopan<br />
datastrategiasta ja komission<br />
valkoinen kirja tekoälystä <strong>2022</strong>c<br />
(viitattu 20.11.<strong>2022</strong>).<br />
www.eduskunta.fi/FI/vaski/<br />
KasittelytiedotValtiopaivaasia/<br />
Sivut/E_24+2020.aspx<br />
Soini S: Sosiaali-, terveys- ja lääketietojen tiedonhallinnan, digitalisaaation ja tekoälyn uudistuva säädöspohja.<br />
Dosis 38: 387–391, <strong>2022</strong><br />
390 Dosis Vol. 38 4/<strong>2022</strong> © Suomen Farmasialiitto ry Suomen Farmasialiitto ry © 4/<strong>2022</strong> Vol. 38 Dosis 391
PÄÄKIRJOITUS<br />
Lääkealan digitaalinen<br />
tulevaisuus – lainsäädännön<br />
ja käänteentekevien palveluiden<br />
kehitys on käynnistynyt<br />
Lähes kaikki toimialat digitalisoituvat.<br />
Tästä seuraa koko ajan kasvava määrä<br />
dataa, jota syntyy digitaalisten prosessien<br />
yhteydessä. Myös lääketeollisuus<br />
on kohtaamassa seuraavien vuosien – vuosikymmenten<br />
aikana merkittävän transformaation<br />
digitalisaation saralla. Tämä muutos on jo<br />
käynnissä, mutta se tulee viemään aikaa. Lääkehoitoja<br />
ja erilaisia lääkkeettömiä terapioita<br />
tukevat uudet digitaaliset apuvälineet ovat jo<br />
saaneet uutta lainsäädäntöä tuekseen. Tämän<br />
teemanumeron toisessa pääkirjoituksessa Terveyden<br />
ja hyvinvoinnin laitoksen Sirpa Soini<br />
avaa sekä kansainvälistä että kansallista lainsäädännön<br />
kehitystä ja kansallisten toimijoiden<br />
roolia tässä kehityksessä.<br />
Edellisessä Dosiksen numerossa STM:n<br />
Riikka Vuokko nosti esille lääkeasioiden tiedonhallinnan<br />
kehittämisen painopisteitä seuraaville<br />
vuosille (Vuokko <strong>2022</strong>). Tässä digitalisaation<br />
teemanumerossa THL:n uuden Tiedonvälittäjät-osaston<br />
johtaja Sirpa Soini nostaa<br />
tarkastelua yhtäältä EU-regulaatioiden<br />
tasolle ja toisaalta tarkastelee viranomaisten<br />
muuttuvaa kansallista roolia tietopoliittisessa<br />
viitekehyksessä. Suurimpia muutosvoimia<br />
näyttäisivät olevan lääkinnällisten laitteiden<br />
asetus (Medical Device Regulation, MDR) ja<br />
tekoälyasetus (AI Act), jotka molemmat määrittelevät<br />
meihin ihmisiin kohdistuvien laitteiden<br />
ja järjestelmien toimintaa sekä niihin liittyviä<br />
riskejä.<br />
Lääketeollisuudella ja muilla perinteisemmillä<br />
toimialoilla on kuitenkin vielä matkaa<br />
konsulttiyhtiö Gartnerin kaltaisten tulevaisuusorientoituneiden<br />
tahojen visioimaan<br />
teknologisten innovaatioiden tulevaisuuteen<br />
(Gartner Research 2020). Varmaa on kuitenkin<br />
se, että perinteiset lääkkeet tulevat saamaan<br />
tuekseen joukon digitaalisia lääkinnällisiä lait-<br />
Kaikkonen R, Turunen J: Lääkealan digitaalinen tulevaisuus – lainsäädännön ja käänteentekevien<br />
palveluiden kehitys on käynnistynyt. Dosis 38: 393–397, <strong>2022</strong><br />
392 Dosis Vol. 38 4/<strong>2022</strong> © Suomen Farmasialiitto ry<br />
Suomen Farmasialiitto ry © 4/<strong>2022</strong> Vol. 38 Dosis 393
teita. Tämä on lainsäädännön näkökulmasta<br />
mahdollista, ja esimerkiksi Saksassa lääkäri<br />
voi jo määrätä hoidoksi tai lääkehoidon tueksi<br />
sovelluksen (Venkatanathan <strong>2022</strong>). Tätä kirjoitettaessa<br />
Saksassa on 38 hyväksyttyä digitaalista<br />
lääkinnällistä laitetta, mutta määrän<br />
ennustetaan kasvavan moninkertaiseksi lähivuosina<br />
(Vollebregt <strong>2022</strong>). Tämä fyysisen ja<br />
digitaalisen lääkkeen tai lääkinnällisen laitteen<br />
integraatio tulee olemaan erittäin mielenkiintoinen<br />
– tätä voidaan verrata kokoluokaltaan<br />
jopa siihen, mitä tapahtuu autoteollisuudessa<br />
autojen sähköistyessä.<br />
Kun tämän teemanumeron suunnittelu<br />
aloitettiin keväällä 2021, tavoitteena oli<br />
keväällä <strong>2022</strong> ilmestyvä numero. Tuolloin<br />
teeman avainsanoja ajateltiin olevan kovinkin<br />
soveltavat, ellei peräti liiketoimintarelevantit<br />
termit kuten tekoäly (AI), myös IA (intelligent<br />
automation) sekä digitalisaatio, RWE<br />
(real world evidence), lääkinnälliset laitteet<br />
ja koneoppiminen. Kirjoittajakutsu julkaistiin<br />
syksyllä 2021, mutta käsikirjoituksia ei alkanut<br />
tulvia ovista ja ikkunoista. Lopulta tähtäin siirrettiin<br />
tähän vuoden <strong>2022</strong> neljänteen numeroon,<br />
ja noin puolen vuoden jatkoajalla saimme<br />
koottua teeman ympärille varsin monipuolisen<br />
kattauksen artikkeleita sekä aiheiltaan että<br />
käytetyiltä menetelmiltään.<br />
Osa teemanumeron tutkimuksista dokumentoi,<br />
mitä digitalisaation ympärillä tällä<br />
alalla on viime vuosina tapahtunut ja mille<br />
alustoille keskustelut sekä alan opetus ovat<br />
siirtyneet. Koronapandemia sai Niemen ym.<br />
(<strong>2022</strong>) tutkimuksen mukaan aikaan digiloikan<br />
sähköisten apteekkipalveluiden käytössä. Lyly<br />
ym. (<strong>2022</strong>) selvittivät digitaalisen keräilylaitteen<br />
hyötyjä sairaala-apteekissa, ja Pylkkö ym.<br />
(<strong>2022</strong>) visualisoivat apteekeista käytyä verkkokeskustelua.<br />
Laatikainen ym. (<strong>2022</strong>) kehittivät<br />
menetelmän lääketiedon ja lääkityspoikkeamien<br />
rakenteelliseen luokitteluun HaiProilmoitusten<br />
rakenteettomasta tekstiosasta.<br />
Osa artikkeleista kurkistaa lähitulevaisuuteen.<br />
Kaplina ym. (<strong>2022</strong>) tähyävät kohti katkeamatonta<br />
lääkehoitoprosessia ja Kapp ym.<br />
(<strong>2022</strong>) pohtivat virtuaalitodellisuuden mahdollisuuksia<br />
farmasian opetuksessa. Esimerkkinä<br />
tietokoneiden kasvaneen laskentatehon ja<br />
ohjelmistokehityksen tarjoamasta potentiaalista,<br />
Lamminsalo (<strong>2022</strong>) esittelee väitöskirjakatsauksessaan<br />
virtuaalisen silmän mahdollisuuksia<br />
silmälääkkeiden farmakokinetiikan<br />
tutkimuksessa.<br />
Uudet digitaaliset apuvälineet ja monipuolisesti<br />
valtavia datamääriä louhivat koneoppivat<br />
mallit jäivät vielä tämän teemanumeron<br />
ulkopuolelle, koska niitä koskevaa tutkimusta<br />
ei tarjottu vertaisarviointiin. Digitaalisia apuvälineitä<br />
kuitenkin todella kehitetään jo Suomessakin.<br />
Esimerkiksi yksityisen sektorin toimijoista<br />
Pfizer tarjoaa atooppisen ihottuman<br />
lääkehoidon tueksi älypuhelimeen ladattavan<br />
hyvinvointisovelluksen, jonka avulla potilas<br />
voi tunnistaa pahenemisvaiheita laukaisevia<br />
tekijöitä ja kehittää sairautensa hallintaa<br />
(Allergia-, iho- ja astmaliitto <strong>2022</strong>). Solita on<br />
puolestaan kehittänyt ortopedeille lääkinnällisenä<br />
laitteena toimivan potilaan yksilöllisen<br />
leikkausriskiarviointityökalun OraVizion hyödyntämällä<br />
tekonivelsairaala Coxan ainutlaatuista<br />
dataa ja tekonivelkirurgiaan keskittyvää<br />
osaamista. Coxan 15 vuoden tekonivelleikkausten<br />
seuranta-aineistolla (44 000 tekonivelleikkausta,<br />
noin 800 muuttujaa ja 24 miljoonaa<br />
yksittäistä datapistettä) ja sitä tukevalla tutkimuksella<br />
oli mahdollista rakentaa lääkärin<br />
ja potilaan jaettuun päätöksentekoon uusi lääkinnällisten<br />
laitteiden vaatimukset (MDR, CE)<br />
täyttävä digitaalinen sovellus (https://oraviz.<br />
io/fi/). Tämä sovellus arvioi tekonivelleikkaukseen<br />
tulevan potilaan riskejä uusintaleikkaukseen,<br />
infektioon ja kuolleisuuteen.<br />
Suomen kansallisista digitaalisista palveluista<br />
hyvänä esimerkkinä voidaan pitää Omaolo.fi-palvelua.<br />
Omaolo toteuttaa perusterveydenhuollon<br />
hoitotarpeenarviota digitaalisesti<br />
ja on täten MDR:n mukainen lääkinnällinen<br />
laite, jolla on CE-merkintä. Koronapandemian<br />
aikana Omaolo-palvelu mahdollisti terveydenhuollon<br />
ammattilaisten työn kohdistamisen<br />
varsinaiseen hoitotyöhön, kun Omaolon<br />
oirearvion kautta pystyi varaamaan ajan<br />
koronatestiin. Pelkästään Helsingissä karkea<br />
arvio työajan säästöstä oli 45 henkilötyöpäivää<br />
jokaisena päivänä. Omaolon oirearvioiden<br />
ja hoitoilmoitusrekisterin tiedoilla pystyttiin<br />
myös ennustamaan koronaepidemian kehitystä<br />
7 vuorokautta eteenpäin (Limingoja ym.<br />
<strong>2022</strong>).<br />
Uusia sovelluksia ja ratkaisuja syntyy parhaillaan<br />
niin Suomessa, Euroopassa kuin glo-<br />
baalisti koko ajan lisää, ja on selvää, että myös<br />
tutkimusta aihepiiristä tehdään. Fyysiset lääkkeet<br />
ja lääkinnälliset laitteet hyödyntävät yhä<br />
enemmän digitalisaatiota ja dataa. Tähän liittyy<br />
kuitenkin monta erityisen merkityksellistä<br />
tarvetta kriittiselle tutkimukselle. Fyysisten ja<br />
digitaalisten laitteiden lähestyessä toisiaan,<br />
tulee uusiin potilasturvallisuuden kannalta<br />
merkityksellisiin asioihin kiinnittää erityistä<br />
huomiota. Digitaalisten lääkinnällisten laitteiden<br />
vaatimustason täyttävien apuvälineiden<br />
käyttöönotto tulee olemaan merkittävä<br />
paradigman muutos koko toimialalla. Näistä<br />
syistä olisi mielenkiintoista toistaa tämä teemanumero<br />
muutaman vuoden päästä ja katsoa,<br />
miten alan tutkimus on Suomessa kehittynyt.<br />
Risto Kaikkonen<br />
Johtaja<br />
Terveys- ja hyvinvointitoimiala<br />
Solita Oy<br />
risto.kaikkonen@solita.fi<br />
Juha Turunen<br />
FaT<br />
Senior Medical Affairs Scientist<br />
Pfizer Oy<br />
juha.turunen@pfizer.com<br />
394 Dosis Vol. 38 4/<strong>2022</strong> © Suomen Farmasialiitto ry Suomen Farmasialiitto ry © 4/<strong>2022</strong> Vol. 38 Dosis 395
Kirjallisuus<br />
Allergia-, iho- ja astmaliitto:<br />
Atopia parempaan hallintaan<br />
Sidekick-hyvinvointiohjelmalla<br />
20.9.<strong>2022</strong> (viitattu 10.11.<strong>2022</strong>).<br />
https://www.allergia.fi/uutiset/atopiaparempaan-hallintaan-sidekickhyvinvointiohjelmalla/#52b81cb3<br />
Gartner Research: Market Trends:<br />
Top 5 IT Services Trends for<br />
Technology and Service Providers<br />
20.8.2020 (viitattu 10.11.<strong>2022</strong>).<br />
https://www.gartner.com/en/<br />
documents/3989333<br />
Kaplina T, Jaurakkajärvi M,<br />
Kauppinen H, Heikkilä R: Kohti<br />
katkeamatonta lääkehoitoprosessia<br />
– Sairaala-apteekkareiden<br />
näkemykset ja tulevaisuuden visiot<br />
lääkehuollon automaatiosta ja<br />
integraatioista.<br />
Dosis 38: 470–489, <strong>2022</strong><br />
Kapp K, Luukkainen M, Sivén M:<br />
Virtuaalitodellisuusko uudeksi<br />
opetusmenetelmäksi farmasian<br />
opetukseen?<br />
Dosis 38: 490–504, <strong>2022</strong><br />
Laatikainen O, Sneck S, Heino<br />
A, Huikari V, Turpeinen<br />
M: Rakenteettoman tiedon<br />
hyödyntäminen terveydenhuollossa<br />
– pilottitutkimus<br />
erikoissairaanhoidosta.<br />
Dosis 38: 454–469, <strong>2022</strong><br />
Lamminsalo M: Virtuaalisilmä –<br />
kolmiulotteinen farmakokineettinen<br />
mallinnus silmälääketutkimuksen ja<br />
-kehityksen työkaluna.<br />
Dosis 38: 506–520, <strong>2022</strong><br />
Limingoja L, Antila K, Jormanainen<br />
V, Röntynen J, Jägerroos V, Soininen<br />
L, Nordlund H, Vepsalainen K,<br />
Kaikkonen R, Lallukka T: Impact<br />
of a Conformite Europeenne (CE)<br />
Certification-Marked Medical<br />
Software Sensor on COVID-19<br />
Pandemic Progression Prediction:<br />
Register-Based Study Using Machine<br />
Learning Methods ', JMIR Formative<br />
Research, vol. 6 , no. 3 , 35181 <strong>2022</strong>.<br />
https://doi.org/10.2196/35181<br />
Lyly T, Palomäki S, Torkki P,<br />
Malmström T, Peltokorpi A, Kallio M:<br />
Kannettava keräilylaite lisää laatua<br />
ja tehokkuutta lääkkeiden jakeluun<br />
sairaala-apteekissa.<br />
Dosis 38: 424–433, <strong>2022</strong><br />
Niemi M, Pohjanoksa-Mäntylä<br />
M, Mikkonen S, Linden K:<br />
Koronapandemian vaikutukset<br />
apteekin verkkopalvelun käyttöön:<br />
esimerkkinä Yliopiston Apteekki.<br />
Dosis 38: 398–422, <strong>2022</strong><br />
Pylkkö E, Tolppanen A-M,<br />
Timonen J, Lin J: Kvantitatiiviset<br />
tutkimusmenetelmät sosiaalisen<br />
median tekstipohjaisten aineistojen<br />
tutkimuksen tukena – Apteekeista<br />
käytävän verkkokeskustelun<br />
aihemallinnus Suomi24-<br />
keskustelupalstasta.<br />
Dosis 38: 434–452, <strong>2022</strong><br />
Soini S: Sosiaali-, terveys- ja<br />
lääketietojen tiedonhallinnan,<br />
digitalisaaation ja tekoälyn uudistuva<br />
säädöspohja.<br />
Dosis 38: 387–391, <strong>2022</strong><br />
Venkatanathan K: Germany is pulling<br />
strings in the Digital Health space<br />
by advancing in reimbursements<br />
of DiGAs and DiPAs, but what are<br />
the plausible challenges? 23.6.<strong>2022</strong><br />
(viitattu 10.11.<strong>2022</strong>).<br />
https://www.healthwaregroup.com/blog/<br />
germany-is-pulling-strings-in-thedigital-health-space-by-advancing-811<br />
Vollebregt E: MDR, Legacy Devices,<br />
and Innovative Devices. Esitys Health<br />
Finland Meeting -kokouksessa<br />
27.9.<strong>2022</strong> sekä sivusto<br />
https://medicaldeviceslegal.com/<br />
Vuokko R: Lääkeasioiden<br />
tiedonhallinnan kehittämisen<br />
painopisteet lähivuosille.<br />
Dosis 38: 285–289, <strong>2022</strong><br />
Kaikkonen R, Turunen J: Lääkealan digitaalinen tulevaisuus – lainsäädännön ja käänteentekevien<br />
palveluiden kehitys on käynnistynyt. Dosis 38: 393–397, <strong>2022</strong><br />
396 Dosis Vol. 38 4/<strong>2022</strong> © Suomen Farmasialiitto ry Suomen Farmasialiitto ry © 4/<strong>2022</strong> Vol. 38 Dosis 397
Koronapandemian<br />
vaikutukset apteekin<br />
verkkopalvelun käyttöön:<br />
esimerkkinä Yliopiston Apteekki<br />
Tiivistelmä<br />
Johdanto<br />
Apteekkien verkkopalveluiden määrä ja käyttö ovat lisääntyneet voimakkaasti viimeisen viiden<br />
vuoden aikana. Kehitystä ovat vauhdittaneet terveydenhuollon digitalisaatio ja keväällä 2020<br />
Suomeen levinnyt koronapandemia. Tämän tutkimuksen tavoitteena oli tutkia 1) koronapandemian<br />
vaikutuksia apteekin verkkopalvelun käyttöön ja 2) verkkopalvelun asiakkaiden näkemyksiä<br />
pandemian vaikutuksesta palvelun käyttöön pandemian ensimmäisenä vuotena 2020. Esimerkkinä<br />
käytettiin Yliopiston Apteekin (YA) verkkopalvelua.<br />
Aineisto ja menetelmät<br />
Monimenetelmätutkimuksessa käytettiin YA:n rekisteriaineistoja (asiakas-, myynti-, toimipaikkanouto-<br />
sekä YA:n lääkeneuvonta- ja asiakaspalveluyksikön palvelutapahtumarekisteri) sekä<br />
kyselytutkimusaineistoa verkkopalvelun asiakkaille elokuussa 2020 tehdystä ”Verkkoapteekki<br />
2020”-tutkimuksesta (n = 2615). Ensisijaisesti tutkittiin verkkopalvelun asiakaskäyntien (kokonaisasiakasmäärä)<br />
ja reseptiasiointien määrän (reseptiasiakasmäärä) muutoksia indeksitarkasteluna<br />
edeltäneeseen 1–2 vuoteen verrattuna. Muutoksia asiakasmäärissä arvioitiin lineaarisella<br />
regressioanalyysillä. Verkkopalvelun käyttöä ikä- ja sukupuoliryhmittäin sekä näkemyksiä palvelun<br />
käytöstä kuvattiin frekvensseillä ja prosenttijakaumilla.<br />
Matias Niemi<br />
Proviisori<br />
Asiakaspalvelupäällikkö<br />
Yliopiston Apteekki, Salon toimipaikka<br />
Marika Pohjanoksa-Mäntylä<br />
FaT<br />
Yliopistonlehtori<br />
Kliinisen farmasian ryhmä<br />
Farmakologian ja lääkehoidon osasto<br />
Farmasian tiedekunta<br />
Helsingin yliopisto<br />
Santtu Mikkonen<br />
FT, dosentti<br />
Tutkimuspäällikkö<br />
Itä-Suomen yliopisto<br />
Kari Linden*<br />
FaT, KTM, dosentti<br />
Tutkimuspäällikkö<br />
Yliopiston Apteekki<br />
tutkimus@ya.fi<br />
* Kirjeenvaihto<br />
Tulokset<br />
YA:n verkkopalvelun käyttö lisääntyi merkittävästi tarkastelujaksolla 2018–2020, erityisesti<br />
keväällä 2020 koronapandemian ensimmäisen aallon aikana. Asiakaskäyntien ja reseptiasiointien<br />
määrän muutokset koronapandemian aikana olivat lineaarisen regressioanalyysin perusteella<br />
tilastollisesti merkitseviä. Reseptiasiointien määrä kasvoi kokonaisasiakasmäärää enemmän;<br />
pandemian vaikutus verkkopalvelussa vastasi pandemiaa edeltävän lineaarisen kehityksen<br />
perusteella reseptiasiointien määrässä yli 3 vuoden ja asiakaskäyntien kokonaismäärässä 6 kuukauden<br />
kehitystä. Kevään 2020 huippukuukausien asiakaskaskäyntien ja reseptiasiointien määrät<br />
olivat 2,6 ja 5,1-kertaiset vuotta aikaisempaan verrattuna. Tiettyjen koronasairauden hoitoon<br />
yleismedian mukaan soveltuvien valmisteiden myynnit lisääntyivät merkittävästi kevään 2020<br />
aikana. YA:n lääkeneuvonta- ja asiakaspalveluyksikön chat-palvelua käytettiin paljon lääkkeisiin<br />
ja terveyteen liittyvien kysymysten selvittämiseen. Koronapandemia lisäsi erityisesti iäkkäämpien<br />
asiakkaiden (yli 55- ja erityisesti yli 65-vuotiaiden) verkkopalvelun käyttöä. Infektioriskin<br />
vähentäminen oli tärkeä syy apteekin verkkopalvelun käyttöön. Toimipaikoista tapahtuvan noutopalvelun<br />
käyttö kasvoi voimakkaasti vuonna 2020.<br />
Johtopäätökset<br />
Tämän tutkimuksen perusteella apteekin verkkopalvelun käytössä tapahtui digiloikka vuonna<br />
2020. Koronapandemia lisäsi tilastollisesti merkitsevästi verkkopalvelun käyttöä ja toi sen uusiksi<br />
käyttäjiksi myös iäkkäämpiä asiakkaita. Erityisesti reseptilääkkeiden hankinta apteekin verkkopalvelusta<br />
yleistyi. YA:n lääkeneuvonta- ja asiakaspalveluyksikkö oli tärkeä tietolähde verkkopalvelun<br />
asiakkaille myös koronapandemian aikana.<br />
Niemi M, Pohjanoksa-Mäntylä M, Mikkonen S, Linden K: Koronapandemian vaikutukset apteekin<br />
verkkopalvelun käyttöön: esimerkkinä Yliopiston Apteekki. Dosis 38: 398-422, <strong>2022</strong><br />
Avainsanat: koronapandemia, apteekin verkkopalvelu, teknologian omaksuminen,<br />
lineaarinen regressioanalyysi, Yliopiston Apteekki<br />
398 Dosis Vol. 38 4/<strong>2022</strong> © Suomen Farmasialiitto ry<br />
Suomen Farmasialiitto ry © 4/<strong>2022</strong> Vol. 38 Dosis 399
Johdanto<br />
ment ym. 2021, Sousa Pinto ym. 2021, Unni ym.<br />
2021, Pantasri ym. <strong>2022</strong>). Tutkimuksen tavoitteena<br />
oli tutkia koronapandemian vaikutusta<br />
Yliopiston Apteekin (YA) verkkopalvelun eri<br />
palveluiden käyttöön ja eräiden yleismedian<br />
perusteella koronan ehkäisyyn tai hoitoon<br />
soveltuvien lääkkeiden ostamiseen sekä verkkopalvelun<br />
asiakkaiden näkemyksiä koronapandemian<br />
merkityksestä apteekin verkkopalvelun<br />
käyttöön koronapandemian ensimmäisenä<br />
vuotena 2020. Tutkimuksen hypoteesina<br />
oli, että pandemia lisää apteekin verkkopalveluiden<br />
käyttöä, lisää niiden käyttöä myös iäkkäämmissä<br />
asiakasryhmissä ja lisää koronaviruksen<br />
hoitoon tai ehkäisyyn julkisuuden<br />
mukaan soveltuvien valmisteiden hankintaa<br />
(Pharmaceutical Group of European Union<br />
2021, Unni ym. 2021, Heponiemi ym. <strong>2022</strong>,<br />
Pantasri ym. <strong>2022</strong>).<br />
Terveydenhuollon ja muiden palveluiden digitalisaatio<br />
on lisääntynyt voimakkaasti viimeisen<br />
kahden vuosikymmenen aikana (Vehko ym.<br />
2019, Golinelli ym. 2020, Peltoniemi ym. 2021).<br />
Digitaalisilla työkaluilla ja palveluilla voidaan<br />
lisätä terveydenhuollossa tuottavuutta ja palveluiden<br />
laatua sekä parantaa kansalaisten<br />
yhdenvertaisuutta, terveyttä ja hyvinvointia<br />
(Sosiaali- ja terveysministeriö 2020a, Erhola<br />
ym. 2020). Apteekkipalveluiden siirtyminen<br />
verkkoon perinteisen apteekin rinnalle on osa<br />
terveydenhuollon digitalisaatiota, jolla pyritään<br />
vastaamaan lisääntyneeseen palvelujen<br />
kysyntään ja tehostamaan lääkehuoltoa (The<br />
International Pharmaceutical Federation 2019,<br />
Sandler 2020, Sosiaali- ja terveysministeriö<br />
2020a, Peltoniemi ym. 2021). Apteekin verkkopalvelutoiminnan<br />
kehitys on tärkeää apteekkipalveluiden<br />
sujuvuuden, saatavuuden ja saavutettavuuden<br />
parantamiseksi (The International<br />
Pharmaceutical Federation 2019, Baldoni ym.<br />
2019, Sandler 2020, Sosiaali- ja terveysministeriö<br />
2020a, Nadeem ym. 2021).<br />
Apteekin verkkopalvelulla tarkoitetaan<br />
lääkelain mukaan lääkkeiden myyntiä asiakkaan<br />
internetin välityksellä tekemän tilauksen<br />
perusteella, ja sen toiminta, esimerkiksi käytettäviin<br />
tiloihin, toimitettaviin lääkkeisiin ja<br />
lääkeneuvontaan liittyen, on tarkoin säädeltyä<br />
(Lääkelaki 395/1987, Lääkealan turvallisuus-<br />
ja kehittämiskeskus Fimea 2011). Erikseen<br />
määriteltyjä rajoituksia lukuun ottamatta<br />
lääkkeiden toimittamista verkkoapteekista<br />
koskevat samat säädökset kuin perinteisiä<br />
apteekkitoimipaikkoja. Apteekin verkkopalvelun<br />
internetsivuilla tulee olla linkki Lääkealan<br />
turvallisuus- ja kehittämiskeskus Fimean ylläpitämään<br />
rekisteriin Suomen laillisista apteekin<br />
verkkopalveluista ja Euroopan unionin<br />
yhtenäisesti käytetty apteekin verkkopalvelutunnus<br />
(Lääkealan turvallisuus- ja kehittämiskeskus<br />
Fimea <strong>2022</strong>). Lääkkeiden verkkomyynti<br />
on ollut mahdollista Suomessa vuodesta 2011.<br />
Useat apteekkialan toimijat ovat kehittäneet<br />
apteekin verkkopalveluita (Suomen Apteekkariliitto<br />
2018, International Pharmaceutical<br />
Federation 2019, Yliopiston Apteekki 2021).<br />
Suomessa rekisteröityjen apteekin verkkopalvelujen<br />
lukumäärä on yli kaksinkertaistunut<br />
vuosien 2019–2020 aikana. Vuoden 2020<br />
lopussa rekisteröityjä apteekin verkkopalveluita<br />
oli 225 (Lääkealan turvallisuus- ja kehittämiskeskus<br />
Fimea 2020c).<br />
YA on apteekkien verkkopalveluiden suurin<br />
toimija Suomessa. Se on kehittänyt lääkeneuvonnan<br />
sisältävää informaatiopalvelua vuodesta<br />
1996 ja lääkemyynnin sisältävää apteekin<br />
verkkopalvelua vuodesta 2011 (Lääkealan<br />
turvallisuus- ja kehittämiskeskus Fimea <strong>2022</strong>;<br />
henkilökohtainen tiedonanto YA:lta 1.4.<strong>2022</strong>).<br />
Digitaalisuus ja 24/7-palvelut ovat keskeisisiä<br />
keinoja, joiden avulla YA kehittää asiakaspalveluaan<br />
ja muuta toimintaansa. Tavoitteena on<br />
hyvän asiakaskokemuksen tarjoaminen myös<br />
digitaalisesti; tähän liittyvät muun muassa asioinnin<br />
helppous, verkko-ostamisen sujuvuus<br />
ja farmaseuttisen henkilöstön ja muiden asiantuntijoiden<br />
tavoitettavuus ympäri vuorokauden.<br />
YA:n verkkopalvelu kasvoi vuonna 2020 lähes<br />
150 prosenttia; vuonna 2021 verkkokaupan<br />
myynti väheni 13 %, ja sen osuus YA:n kokonaismyynnistä<br />
oli 6 % (Yliopiston Apteekki 2021<br />
ja <strong>2022</strong>). Verkkopalvelun lääkeneuvonta- ja<br />
asiakaspalveluyksikössä toimii 90 farmasistia,<br />
ja YA:n verkkopalvelun sivuilla oli vuonna 2021<br />
noin 10 miljoonaa käyntiä. Verkkopalvelun jakelupalveluiden<br />
käytön lisäksi asiakas voi noutaa<br />
verkko-ostoksensa toimipaikkojen noutoautomaateista<br />
niin sanottuna toimipaikkanoutona.<br />
Koronapandemia on vaikuttanut koko<br />
yhteiskunnan ja muun muassa terveydenhuollon<br />
toimintaan vuoden 2020 aikana monella<br />
tavoin (Horgan ym. 2020, Costa ym. 2021, Song<br />
ja Lee 2021). Koronan lääkehoidosta on erityisesti<br />
pandemian alussa ollut vähän näyttöön<br />
perustuvaa tietoa, ja erilaisten hypoteesien ja<br />
yleismedioiden vaikutuksesta useiden reseptilääkkeiden<br />
(esim. astmalääkkeet ja hydroksiklorokiini)<br />
ja itsehoitolääkkeiden (esim. särkylääkkeet,<br />
C- ja D-vitamiini) kysyntä on ollut<br />
ajoittain voimakasta (Adams ym. 2020, Tikkinen<br />
ym. 2021). Lisäksi asiakkaat hankkivat<br />
useita lääkkeitä ilmeisesti varmuuden vuoksi<br />
varastoon mahdollisten toimituskatkosten<br />
varalta (Heino ym. 2020, Linden ym. <strong>2022</strong>).<br />
Apteekkien toiminnasta koronapandemian<br />
aikana on julkaistu tutkimustietoa, mutta<br />
sen vaikutuksista apteekin verkkopalveluiden<br />
käyttöön tiedetään vain vähän (The Pharmaceutical<br />
Group of European Union 2021, Maid-<br />
Rekisteriaineistot<br />
Verkkopalvelun<br />
asiakkaat<br />
Myyntirekisteri<br />
Asiakasrekisteri<br />
Tieparekisteri<br />
Toimipaikkanoutojen<br />
rekisteri<br />
Kyselytutkimus<br />
(YA/HY)<br />
Kuva 1. Tutkimuksessa käytettävät rekisteriaineistot ja mittarit.<br />
Aineisto ja menetelmät<br />
Tutkimuskohde<br />
Apteekin verkkopalvelulla tarkoitetaan tässä<br />
tutkimuksessa YA:n verkkopalvelua (ya.fi), joka<br />
sisältää verkkoapteekin ja sen asiakaspalvelua<br />
hoitavan lääkeneuvonta- ja asiakaspalveluyksikön<br />
(Tiepa). Sen palveluihin kuuluvat muun<br />
muassa chat-tietopalvelu ja puhelinpalvelu.<br />
Kaikkiin verkkohankintoihin liittyviä logistisia<br />
jakelupalveluita tarkastellaan tässä tutkimuksessa<br />
ainoastaan verkkopalvelun asiakasmäärien<br />
osalta. Lisäksi tarkastellaan apteekkitoimipaikkojen<br />
toimipaikkanoutojen määrän<br />
kehitystä. Verkkopalvelun asiakkaita tässä tutkimuksessa<br />
ovat YA:n verkkopalvelusta ostoja<br />
tehneet ja/tai sen lääkeneuvonta- tai muita<br />
asiakaspalveluita käyttäneet asiakkaat.<br />
• Asiakaskäyntien määrä (kokonaisuudessaan)<br />
• Reseptiasiointien määrä<br />
• Toimitettujen reseptien määrä<br />
• Tiettyjen resepti- ja itsehoitolääkkeiden/tuotteiden<br />
kappalemääräinen myynti<br />
• Asiakkaiden ikä- ja sukupuolijakauma<br />
• Lääkeneuvonta- ja asiakaspalveluyksikön<br />
chat- ja puhelinpalvelutapahtuminen määrä<br />
• Toimipaikkanoutojen määrä apteekkitoimipisteistä<br />
• Perusteet apteekin verkkopalvelun käytölle<br />
• Koronapandemian vaikutus halukkuuteen<br />
käyttää apteekin verkkopalvelua<br />
• Pandemiasta saadun tiedon hyödyllisyys<br />
400 Dosis Vol. 38 4/<strong>2022</strong> © Suomen Farmasialiitto ry Suomen Farmasialiitto ry © 4/<strong>2022</strong> Vol. 38 Dosis 401
Tutkimusmenetelmä,<br />
aineistot ja mittarit<br />
Tutkimus toteutettiin monimenetelmätutkimuksena,<br />
jossa hyödynnettiin useita eri<br />
aineistoja ja eri tutkimusmenetelmiä (Sormunen<br />
ym. 2013, Jyväskylän yliopisto 2021).<br />
Koronapandemian vaikutuksia YA:n verkkopalvelun<br />
käyttöön tutkittiin kvantitatiivisesti<br />
Yliopiston Apteekin (YA) myynti-, asiakas-,<br />
ja toimipaikkanoutojen sekä lääkeneuvontaja<br />
asiakaspalveluyksikön rekisteriaineistojen<br />
perusteella ja YA:n verkkopalvelun asiakkaiden<br />
näkemyksiä verkkopalvelun käytöstä asiakkaille<br />
suunnatulla kyselytutkimuksella. Tutkimuksessa<br />
käytetyt mittarit ja lähtöaineistot<br />
esitetään Kuvassa 1.<br />
Rekisteritutkimus<br />
Rekisteritietoja analysoitiin asiakas- ja myyntitapahtumakohtaisten<br />
tietojen perusteella<br />
tarkastelujaksolta tammikuu 2018 – joulukuu<br />
2020 (poikkeavat tarkastelujaksot mainitaan<br />
erikseen). Asiakaskäyntien määrä kuvaa kaikkien<br />
toteutuneiden ostotapahtuman sisältävien<br />
asiakaskäyntien lukumäärä verkkopalvelussa.<br />
Reseptiasiointien määrä kuvaa niiden toteutuneiden<br />
asiakaskäyntien määrää, joissa toimitettiin<br />
vähintään yksi sähköinen lääkemääräys.<br />
Reseptien määrä tarkoittaa apteekin verkkopalvelussa<br />
toimitettujen reseptien kokonaislukumäärää.<br />
Myyntitiedot kerättiin QlikViewraportointisovelluksella<br />
ja asiakkaiden ikäja<br />
sukupuolitiedot YA:n asiakasrekisteristä.<br />
Asiakasprofiilien lukumäärät selvitettiin seuraavissa<br />
ikäryhmissä: 18–24, 25–34, 35–44,<br />
45–54, 55–64 ja 65 vuotta täyttäneet. Aineistosta<br />
puuttuvat asiakkaat, jotka eivät olleet<br />
YA:n kanta-asiakkaita ja tekivät ostoja ilman<br />
sähköistä lääkemääräystä. Lääkeneuvonta- ja<br />
asiakaspalveluyksikön chat-tietopalvelun ja<br />
puhelinpalvelutapahtumien määrät ja sisältö<br />
kerättiin asiakaspalvelurekisteristä. Toimipaikkanoutojen<br />
määrät kerättiin asiakaspalvelurekisteristä<br />
viikkokohtaisesti vuonna 2020.<br />
YA:n verkkopalvelun käytössä tapahtuneita<br />
muutoksia analysoitiin kuukausittain<br />
määritellyillä indeksin pisteluvuilla. Pisteluvut<br />
muodostettiin suhteuttamalla tutkitun<br />
muuttujan arvo tietyllä ajanhetkellä tarkastelujakson<br />
perusajankohtaan (pisteluku 1).<br />
Ensisijaisena analyysinä selvitettiin lineaarisella<br />
regressioanalyysillä asiakaskäyntien ja<br />
reseptiasioinnin sekä reseptimäärän trendejä<br />
vuosina 2018–2020. Trendit selvitettiin koronaa<br />
edeltävän ajan (tammikuu 2018 – helmikuu<br />
2020) ja koko tarkasteluajan (tammikuu<br />
2018 – joulukuu 2020) perusteella. Palveluiden<br />
käytön muutosta arvioitiin myös poistamalla<br />
analyysistä koronapandemian ensimmäisen<br />
aallon poikkeavat myyntikuukaudet (maalis–<br />
toukokuu 2020) pidemmän aikavälin tarkastelun<br />
luotettavuuden lisäämiseksi. Trendeille<br />
määritettiin selitysaste (R 2 ). Lisäksi määritettiin<br />
kasvuvaihetta paremmin kuvaavan eksponentiaalisten<br />
trendien selitysaste (R 2 ). Analyysit<br />
tehtiin R-tilasto-ohjelmistolla (versio<br />
4.0.3, R Core Team 2020). Lineaaristen trendien<br />
eroja tarkasteltiin 95 %:n luottamusvälien<br />
perusteella vertaamalla pandemian aikaisia<br />
trendejä (tammikuu 2018 – joulukuu 2020,<br />
poistettu huippukuukaudet maalis–toukokuu<br />
2020) trendeihin ennen pandemiaa.<br />
Kyselytutkimus<br />
Tämän tutkimuksen kyselyaineisto on saatu<br />
YA:n laajemmasta elokuussa 2020 tehdystä<br />
’’Verkkoapteekki 2020’’ -kyselytutkimuksesta,<br />
jonka tavoitteena oli selvittää apteekin verkkopalvelun<br />
käyttöön vaikuttavia tekijöitä sekä<br />
asiakkaiden kokemuksia ja näkemyksiä verkkopalvelun<br />
käytöstä. Strukturoidut mielipidekysymykset<br />
olivat dikotomisia (kaksi vastausvaihtoehtoa<br />
sisältäviä) tai 5-portaisia Likertasteikollisia<br />
kysymyksiä. Tässä tutkimuksessa<br />
hyödynnettiin vastauksia osiosta, jossa selvitettiin<br />
apteekin verkkopalvelun asiakkaiden<br />
näkemyksiä koronapandemian vaikutuksista<br />
verkkopalvelun.<br />
Kysely pilotoitiin tutkimusryhmän ulkopuolisilla<br />
lääkealan asiantuntijoilla ja noin<br />
kymmenellä apteekkiasiakkaalla, joilla ei<br />
ollut terveydenhuoltoalan koulutusta. Pilotin<br />
perusteella kyselylomakkeeseen tehtiin<br />
vähäisiä muutoksia. Tutkimuskutsu lähetettiin<br />
elokuussa 2020 sähköpostilla 16 000 YA:n<br />
18 vuotta täyttäneelle kanta-asiakkaalle, joilla<br />
oli hankintoja YA:n verkkopalvelusta tutkimusta<br />
edeltäneeltä kolmen kuukauden ajalta<br />
ja jotka olivat antaneet erillisen suostumuksen<br />
YA:n lähettämään sähköpostiviestintään.<br />
Tutkimuskutsussa oli tutkimuksen lyhyt esittely<br />
(tutkimusseloste), linkki tutkimuksen tie-<br />
tosuojaselosteeseen ja vastauslinkki kyselyyn<br />
(Webropol 3.0, Webroprol Oy). Kaikille kyselyyn<br />
vastanneille annettiin 20 % kertaluonteinen<br />
alennuskoodi YA:n verkkopalveluun (ei<br />
koskenut lääkkeitä) ja mahdollisuus osallistua<br />
kahden 150 euron YA:n lahjakortin arvontaan.<br />
Kyselytutkimus analysoitiin IBM SPSS (Versio<br />
26) -tilasto-ohjelmalla. Tulosmuuttujien<br />
perusteella tehtiin kuvaileva tilastoanalyysi<br />
frekvenssijakaumien perusteella. Tilastollisia<br />
eroja arvioitiin Khiin neliötestillä, jossa tilastollisen<br />
merkitsevyyden taso oli p < 0,05.<br />
Tutkimuksen eettisyys<br />
Tutkimukseen ei tarvittu eettistä ennakkoarviota,<br />
koska se ei sisältänyt ominaisuuksia,<br />
jotka vaatisivat ihmistieteiden tutkimuksen<br />
eettisen toimikunnan lausuntoa (Helsingin<br />
yliopisto 2020). Tutkimuksen toteutuksessa<br />
noudatettiin hyvää tieteellistä käytäntöä (Tutkimuseettinen<br />
neuvottelukunta 2012). Tutkimus<br />
perustui YA:n tutkimuslupaan. Tutkimuksen<br />
henkilötietojen käsittelyn tarkoitus oli tieteellinen<br />
lääkehuoltoon liittyvä tutkimus. Vastaaminen<br />
nimettömästi tapahtuvaan kyselyyn<br />
13<br />
12<br />
11<br />
10<br />
9<br />
8<br />
7<br />
6<br />
5<br />
4<br />
3<br />
2<br />
1<br />
0<br />
Tammi 2018<br />
Helmi 2018<br />
Maalis 2018<br />
Huhti 2018<br />
Touko 2018<br />
Kesä 2018<br />
Heinä 2018<br />
Elo 2018<br />
Syys 2018<br />
Loka 2018<br />
Marras 2018<br />
Joulu 2018<br />
Tammi 2019<br />
Helmi 2019<br />
Maalis 2019<br />
Huhti 2019<br />
Touko 2019<br />
Asiakaskäyntien määrä<br />
tulkittiin tietoiseksi suostumukseksi osallistua<br />
tutkimukseen. Tutkimusta varten YA:sta annetut<br />
tiedot eivät sisältäneet suoria tunnistetietoja,<br />
eikä tulosten analysoinnissa tai raportoinnissa<br />
voitu tunnistaa yksittäisiä vastaajia.<br />
Kyselyyn osallistuminen oli vapaaehtoista, ja<br />
kutsutut olivat 18 vuotta täyttäneitä.<br />
Tulokset<br />
Rekisteritutkimus<br />
Asiakaskäyntien, reseptiasiointien<br />
ja reseptien määrä<br />
Maaliskuussa 2020 asiakaskäyntien kokonaismäärä<br />
lisääntyi tarkastelun perusajankohtaan<br />
(tammikuu 2018) verrattuna 6,0-kertaiseksi<br />
ja vuotta aikaisempaan maaliskuuhun verrattuna<br />
2,6-kertaiseksi. Asiakaskäyntien määrän<br />
huippu huhtikuussa 2020 oli 345 % suurempi<br />
kuin vuotta aikaisemmin. Määrä lisääntyi<br />
koronapandemiaa edeltävänä aikana lineaarisena<br />
trendinä (Kuva 2), jonka kulmakerroin<br />
(k) oli 0,0038 ja selitysaste (R 2 ) 0,575. Poistettaessa<br />
kevään 2020 huippukuukaudet (maalis–<br />
toukokuu) tarkastelujaksolta tammikuu 2018<br />
Reseptiasiointien määrä<br />
Kuva 2. Verkkopalvelun asiakaskäyntien kokonaismäärän ja reseptiasiointien kuukausittainen kehitys<br />
tammikuusta 2018 – joulukuuhun 2020 indeksin pistelukuina (perusajankohta tammikuu 2018 =<br />
pisteluku 1).<br />
Kesä 2019<br />
Heinä 2019<br />
Elo 2019<br />
Syys 2019<br />
Loka 2019<br />
Marras 2019<br />
Joulu 2019<br />
Tammi 2020<br />
Helmi 2020<br />
Maalis 2020<br />
Huhti 2020<br />
Touko 2020<br />
Kesä 2020<br />
Heinä 2020<br />
Elo 2020<br />
Syys 2020<br />
Loka 2020<br />
Marras 2020<br />
Joulu 2020<br />
402 Dosis Vol. 38 4/<strong>2022</strong> © Suomen Farmasialiitto ry Suomen Farmasialiitto ry © 4/<strong>2022</strong> Vol. 38 Dosis 403
– joulukuu 2020 lineaarisen trendin kulmakerroin<br />
ja selitysaste olivat suuremmat (k =<br />
0,0029 ja R 2 = 0,852). Asiakaskäyntien määrän<br />
trendi oli koronan vaikutuksesta tarkastelujaksolla<br />
tammikuu 2018 – joulukuu 2020<br />
jyrkempi koronaa edeltävältä ajalta (95 % luottamusvälillä)<br />
(Liite 1:n Kuva 1). Koronaa edeltävällä<br />
trendillä verkkopalvelun asiakaskäyntien<br />
määrä olisi laskennallisesti saavuttanut uuden<br />
trendin mukaisen (poistettu maalis–toukokuu<br />
2020) joulukuun 2020 tason laskennallisesti<br />
kesäkuussa 2021.<br />
Vastaavasti reseptiasiointien määrä oli<br />
huippukohdassaan huhtikuussa 2020 perusajankohtaan<br />
(tammikuu 2018) verrattuna<br />
9,0-kertainen ja vuotta aikaisempaan huhtikuuhun<br />
verrattuna 5,1-kertainen. Reseptiasiointien<br />
määrä kasvoi lineaarisena trendinä<br />
tarkastelujaksolla tammikuu 2018 – joulukuu<br />
2020 (Kuva 2) (k = 0,0056, R 2 = 0,566),<br />
ja poistettaessa kevään 2020 poikkeavat kuukaudet<br />
(maalis–toukokuu) lineaarisen trendin<br />
k = 0.0044 ja R 2 = 0,789. Reseptiasiointien<br />
määrän trendi oli koronan vaikutuksesta vuosien<br />
2018–2020 tarkastelujaksolla jyrkempi<br />
kuin vastaava trendi ennen korona-aikaa (95<br />
% luottamusvälillä) (Liite1:n Kuva 2). Koronaa<br />
edeltävällä trendillä verkkopalvelun reseptiasiointien<br />
määrä olisi saavuttanut uuden<br />
trendin mukaisen (poistettu maalis–toukokuu<br />
2020) joulukuun 2020 tason helmikuussa<br />
2024. Reseptimäärän kehitys esitetään Liite<br />
1:n Kuvassa 3; reseptimäärä oli huippukohdassaan<br />
huhtikuussa 2020 perusajankohtaan<br />
(tammikuu 2018) verrattuna 12,5-kertainen ja<br />
vuotta aikaisempaan huhtikuuhun verrattuna<br />
7,3-kertainen. Verkkopalvelun asiakaskäyntien<br />
ja reseptiasiointien määriä kuvaavien trendien<br />
selitysaste (R 2 ) oli kiihtyvää kasvua kuvaavilla<br />
eksponentiaalisilla trendeillä suurempaa kuin<br />
vastaavilla lineaarisilla trendeillä (asiakaskäyntien<br />
määrälle 0,894 vs. 0,852 ja reseptiasiointien<br />
määrälle 0,899 vs. 0,788).<br />
Itsehoidon C- ja D-vitamiinivalmisteiden,<br />
parasetamoli- ja ibuprofeenivalmisteiden<br />
sekä reseptin vaativien salbutamoli- ja<br />
hydroksiklorokiinivalmisteiden myynti<br />
Maaliskuussa 2020 C-vitamiinivalmisteiden<br />
myynti lisääntyi 15-kertaiseksi tarkastelujakson<br />
perusajankohtaan (tammikuu 2019) verrattuna<br />
ja 8,0-kertaiseksi vuotta aikaisempaan<br />
maaliskuuhun verrattuna (Liite 1:n Kuva 4).<br />
D-vitamiinivalmisteiden myynti oli suurinta<br />
huhtikuussa 2020, jolloin myynti oli 9,0-kertaista<br />
perusajankohtaan verrattuna ja 10-kertaista<br />
aikaisempaan huhtikuuhun verrattuna.<br />
Parasetamolivalmisteiden myynti nousi noin<br />
33-kertaiseksi tarkastelujakson perusajankohtaan<br />
(tammikuu 2019) ja noin 32-kertaiseksi<br />
aikaisempaan maaliskuuhun verrattuna (Liite<br />
1:n Kuva 5). Ibuprofeenivalmisteiden myynti<br />
nousi suuruusluokaltaan 10-kertaiseksi tarkastelujakson<br />
perusajankohtaan ja saman verran<br />
aikaisempaan maaliskuuhun verrattuna.<br />
Maaliskuussa 2020 salbutamolivalmisteiden<br />
myynti kasvoi 9,5-kertaiseksi tarkastelujakson<br />
perusajankohtaan (tammikuu 2019) verrattuna<br />
ja 13-kertaiseksi vuotta aikaisempaan<br />
maaliskuuhun verrattuna (Liite 1:n Kuva 6).<br />
Huhtikuussa 2020 hydroksiklorokiinivalmisteiden<br />
myynti lisääntyi 12-kertaiseksi tarkastelujakson<br />
perusajankohtaan (tammikuu 2019)<br />
verrattuna ja 15-kertaiseksi vuotta aikaisempaan<br />
huhtikuuhun verrattuna.<br />
Apteekin verkkopalvelun asiakkaiden<br />
ikä- ja sukupuolijakauma<br />
Vuonna 2020 (syyskuuhun asti) ikäryhmien<br />
suhteelliset osuudet verkkopalvelun myynnistä<br />
muuttuivat merkittävästi (Liite 1:n Kuva 9).<br />
Merkkejä yli 55-vuotaiden verkkopalvelun<br />
käytön lisääntymisestä havaittiin jo vuonna<br />
Taulukko 1. YA:n verkkopalvelun käyttö eri ikäryhmissä elokuussa 2020 (% vastaajista, n = 2611, puuttuvia<br />
vastauksia 4 kappaletta).<br />
Kysymys: "Oletko käyttänyt<br />
ya.fi-verkkoapteekkia<br />
COVID-19-epidemian aikana<br />
(lääkkeiden hankkimiseksi<br />
tai muuten)?"<br />
"Kyllä, käytti ya.fiverkkoapteekkia<br />
nyt<br />
ensimmäistä kertaa<br />
- pääosin epidemian<br />
takia"<br />
"Kyllä, käytti ya.fiverkkoapteekkia<br />
nyt<br />
ensimmäistä kertaa<br />
- olisi käyttänyt todennäköisesti<br />
muutenkin"<br />
Kyllä, on käyttänyt ya.fiverkkoapteekkia<br />
aiemminkin<br />
Ei, mutta on asioinut<br />
perinteisessä apteekissa<br />
(YA tai muu)<br />
Ei, mutta on käyttänyt<br />
muuta verkkoapteekkia<br />
Ei, ei ole ollut<br />
apteekkiasioita<br />
Kaikki<br />
18-34<br />
28<br />
9,1%<br />
44<br />
14,3%<br />
223<br />
72,4%<br />
9<br />
2,9%<br />
3<br />
1,0%<br />
1<br />
0,3%<br />
308<br />
100,0%<br />
2019, mutta koronapandemian myötä heidän<br />
osuutensa käyttäjistä lisääntyi selvästi.<br />
Yli 65-vuotiaiden osuus nousi eniten, noin 10<br />
%:sta 27 %:iin. Verkkopalvelun asiakkaiden<br />
sukupuolijakaumassa ei tapahtunut yhtä suuria<br />
muutoksia vuoden 2018 ja syyskuu 2020 välisenä<br />
aikana (Liite 1:n Kuva 10). Kevään 2020<br />
koronapandemian ensimmäisen aallon aikana<br />
miesten osuus kuitenkin kasvoi.<br />
35-64<br />
274<br />
16,7%<br />
184<br />
11,2%<br />
1108<br />
67,4%<br />
69<br />
4,2%<br />
3<br />
0,2%<br />
6<br />
0,4%<br />
1644<br />
100,0%<br />
Ikä (vuotta)<br />
Lääkeneuvonta- ja asiakaspalveluyksikön<br />
palvelutapahtumat<br />
Lääkeneuvonta- ja asiakaspalveluyksikön<br />
chat-palvelutapahtumien määrä lisääntyi<br />
tarkastelujaksolla tammikuu 2019 – joulukuu<br />
2020, ja niitä oli eniten maaliskuussa<br />
2020 (Liite 1:n Kuva 7). Maaliskuussa 2020<br />
chat-palvelun käyttö lisääntyi tarkastelun<br />
perusajankohtaan (tammikuu 2019) verrattuna<br />
4,8-kertaiseksi ja 3,3-kertaiseksi vuotta<br />
aikaisempaan maaliskuuhun verrattuna. Palveluyksikön<br />
vastaanottamien puheluiden lukumäärässä<br />
ei tapahtunut merkittävää muutosta<br />
tarkastelujaksolla ennen pandemiakevättä<br />
(Liite 1:n Kuva 8), ja enimmillään huhtikuussa<br />
2020 puheluiden määrä oli 1,5-kertainen<br />
perusajankohtaan (tammikuu 2019) verrattuna.<br />
65-<br />
178<br />
27,0%<br />
56<br />
8,5%<br />
390<br />
59,2%<br />
32<br />
4,9%<br />
2<br />
0,3%<br />
1<br />
0,2%<br />
659<br />
100,0%<br />
Kaikki<br />
480<br />
18,4%<br />
284<br />
10,9%<br />
1721<br />
65,9%<br />
110<br />
4,2%<br />
8<br />
0,3%<br />
8<br />
0,3%<br />
2611<br />
100,0%<br />
Toimipaikkanoudot<br />
Toimipaikkanoutojen määrä jakelutapana<br />
lisääntyi selvästi koronapandemian ensimmäisen<br />
aallon aikana ja koko vuoden 2020 ajan<br />
(Liite 1:n Kuva 11). Vuoden 2020 lopulla toimipaikkanoutojen<br />
käyttö oli jopa 250 % yleisempää<br />
vuoden alun viikkoihin 2–10 verrattuna.<br />
Kyselytutkimus<br />
Asiakkaiden näkemykset<br />
koronapandemian vaikutuksista<br />
verkkopalvelun käyttöön<br />
Kyselytutkimukseen kutsutuista verkkopalvelun<br />
asiakkaista 16 % (n = 2615) vastasi tutkimukseen.<br />
Vastanneista 63 % oli 35–64-vuotiaita<br />
(Liite 1:n Taulukko 1) ja yli 65-vuotiaita<br />
oli 25 %. Vastanneista 86 % oli naisia. Vastaajista<br />
29 % oli käyttänyt YA:n verkkopalvelua<br />
ensimmäistä kertaa (Taulukko 1). Kaikista<br />
palvelua ensi kertaa käyttäneistä 62 % ilmoitti<br />
404 Dosis Vol. 38 4/<strong>2022</strong> © Suomen Farmasialiitto ry Suomen Farmasialiitto ry © 4/<strong>2022</strong> Vol. 38 Dosis 405
käyttäneensä palvelua pääosin koronapandemian<br />
takia, 65 vuotta täyttäneistä näiden käyttäjien<br />
osuus oli 27 %. Vastaajista 69 % kertoi<br />
koronapandemian lisänneen halukkuutta asioida<br />
verkkopalvelussa. Infektioriskin vähentäminen<br />
ilmoitettiin yhdeksi neljästä tärkeimmästä<br />
syystä käyttää apteekin verkkopalvelua;<br />
muita syitä olivat mahdollisuus tehdä ostoja<br />
lähes aina ajasta ja paikasta riippumatta, YA:n<br />
tuottojen käyttäminen suomalaiseen koulutukseen<br />
ja tutkimukseen sekä YA:n verkkopalvelun<br />
käytön kätevyys (näiden tekijöiden<br />
tärkeyden keskimääräiset pistemäärät olivat<br />
4,5–4,7 asteikolla 1,0–5,0, jossa 5,0 = tärkein).<br />
Vastaajista 10 % (n = 258) kertoi kysyneensä tai<br />
saaneensa tietoa koronapandemiasta verkkopalvelun<br />
chat-tietopalvelun keskustelussa tai<br />
verkkosivuilta, ja heistä 90 % piti saamaansa<br />
tietoa hyödyllisenä.<br />
Pohdinta<br />
Vuonna 2020 koronapandemian puhkeamisella<br />
oli merkittävä vaikutus apteekkien, terveydenhuollon<br />
ja koko yhteiskunnan toimintaan.<br />
Tässä tutkimuksessa tarkasteltiin pandemian<br />
vaikutusta apteekin verkkopalvelun käyttöön<br />
rekisteri- ja kyselyaineistoja hyödyntävällä<br />
monimenetelmätutkimuksella, jossa hyödynnettiin<br />
YA:n rekisteri- ja asiakaskyselyaineistoja.<br />
Käytetyt mittarit osoittivat yhdenmukaisesti,<br />
että apteekin verkkopalveluiden käytössä<br />
tapahtui pandemian ensimmäisen vuoden<br />
2020 aikana ”digiloikka”-tyyppinen muutos:<br />
YA:n verkkopalvelun käyttö lääkkeiden ja niitä<br />
koskevan tiedon hankkimiseen lisääntyi merkittävästi<br />
koronapandemian aikana ja lisäksi<br />
iäkkäiden asiakkaiden osuus palvelun käyttäjistä<br />
kasvoi. Tutkimuksemme päätulokset<br />
ovat linjassa tutkimuksen lähtöhypoteesien<br />
kanssa koronapandemian verkkoapteekkipalveluiden<br />
käyttöä lisäävästä vaikutuksesta<br />
ja iäkkäämpien asiakkaiden määrän lisääntymisestä<br />
(Pharmaceutical Group of European<br />
Union 2021, Unni ym. 2021, Heponiemi ym.<br />
<strong>2022</strong>, Pantasri ym. <strong>2022</strong>).<br />
Vuosina 2018–2020 YA:n verkkopalvelun<br />
käyttö lisääntyi koronapandemian vaikutuksesta<br />
asiakaskäyntien ja reseptiasiointien<br />
määrän osalta lineaarisen regressioanalyysin<br />
perusteella tarkasteltuna (95 % luottamusvälillä).<br />
Muutos reseptiasiointien määrässä oli<br />
suurempi kuin asiakaskäyntien kokonaismäärässä,<br />
mikä kuvaa muutosta verkkopalveluiden<br />
käytön sisällössä. Koronapandemian vaikutus<br />
vastasi pandemiaa edeltävän lineaarisen<br />
verkkokehityksen perusteella asiakaskäyntien<br />
kokonaismäärässä 6 kuukauden ja reseptiasiointien<br />
määrässä yli 3 vuoden kehitystä. Myös<br />
muutos toimitettujen reseptien määrässä oli<br />
tilastollisesti merkitsevä. Verkkopalveluiden<br />
käytön muutosta kuvaa havainto, että palvelun<br />
asiakaskäyntien ja reseptisiointien määriä<br />
kuvaavien trendien selitysaste (R 2 ) oli kiihtyvää<br />
kasvua kuvaavilla eksponentiaalisilla trendeillä<br />
suurempi kuin lineaarisilla trendeillä. Reseptilääkkeiden<br />
verkko-ostaminen on ollut mahdollista<br />
Suomessa noin 10 vuotta, mutta merkittävä<br />
osa väestöstä (73 %) ei vuonna 2020<br />
tiennyt sen olevan mahdollista (Lääkelaki<br />
395/1987, STT Info 2020). Koronapandemia on<br />
toiminut todennäköisesti katalyyttinä reseptilääkkeiden<br />
hankintaan verkkopalvelusta.<br />
Apteekin verkkopalvelun käytön muutosta<br />
voidaan tarkastella esimerkiksi Yinin ym.<br />
(2016) kehittämän verkkopalvelun tai muun<br />
teknologian omaksumista kuvaavan UTAUTmalliin<br />
(engl. Unified Theory of Acceptance and<br />
Use of Technology) (Venkatesh ym. 2003, Yin<br />
ym. 2016) perustuvan analyysin perusteella.<br />
Yinin ym. (2016) omaksumismallissa apteekin<br />
verkkopalvelun omaksumista selitetään sosiaalisella<br />
vaikutuksella, odotettavissa olevalla<br />
toimintatavan suorituskyvyllä tai hyödyillä,<br />
odotettavissa olevalla vaivalla sekä koetulla<br />
riskillä ja luottamuksella verkkopalvelua kohtaan.<br />
Koronavirus lisäsi todennäköisesti erityisesti<br />
sosiaalisen vaikutuksen ja suorituskyvyn<br />
(nyt terveyteen liittyvän hyödyn, kuten<br />
infektioriskin vähentämisen) odotusta. Sosiaalinen<br />
vaikutus liittyy siihen, miten henkilö<br />
kokee muiden hänelle tärkeiden henkilöiden<br />
olettavan hänen käyttäytyvän. Suomalaiset<br />
viranomaiset ovat suositelleen verkkoapteekin<br />
käyttöä pandemia-aikana flunssaoireisille,<br />
riskiryhmään kuuluville ja iäkkäille (Valtioneuvosto<br />
2020, Kanta 2020).<br />
Vuonna 2020 iäkkäämpien (55–64-vuotiaat<br />
ja 65-vuotta täyttäneet) osuus YA:n verkkopalvelun<br />
asiakkaista kasvoi kahdeksi suurimmaksi<br />
asiakkaiden ikäryhmäksi. Aikaisemmissa<br />
tavanomaisissa olosuhteissa tehdyissä<br />
apteekin verkkopalvelun käyttöä koskevissa<br />
tutkimuksissa iäkkäiden suhtautuminen verkkopalveluun<br />
on ollut vähemmän myönteistä<br />
(Fittler ym. 2018, Srivastava ja Raina 2021, Ma<br />
2021).<br />
Tämän tutkimuksen kyselytutkimuksen<br />
mukaan verkkopalvelun asiakkaat kokivat<br />
verkkopalvelun tärkeänä keinona vähentää<br />
infektioriskiä, ja suurin osa, erityisesti<br />
iäkkäämmistä, verkkopalvelun käyttäjistä<br />
ilmoitti koronapandemian lisänneen verkkopalvelun<br />
käyttöä. Infektioriskin vähentäminen<br />
on tunnistettu apteekin verkkopalveluiden<br />
käytön syyksi myös ulkomaisissa tutkimuksissa<br />
(esimerkiksi Moulaei ym. <strong>2022</strong>). Iäkkäämpien<br />
yleistynyt verkkopalvelun käyttö on<br />
linjassa viranomaissuositusten (Kanta 2020)<br />
kanssa. Aiemmissa tutkimuksissa apteekin<br />
verkkopalvelun intimiteetti, asioinnin vaivattomuus,<br />
hintataso, asioinnin nopeus ja mahdollisuus<br />
asioida lähes ajasta ja paikasta riippumatta<br />
on todettu syiksi verkkopalvelun käytölle<br />
(Pal ym. 2015, Fittler ym. 2018, Punakivi<br />
2019, Srivastava ja Raina 2021, Ma 2021, Moulaei<br />
ym. <strong>2022</strong>). Lääkeinformaation saatavuus<br />
ja tarve sekä potilasryhmäkohtaiset erot voivat<br />
myös vaikuttaa siihen, ostetaanko lääke apteekin<br />
verkkopalvelusta vai perinteistä apteekista<br />
(Pohjanoksa-Mäntylä 2010).<br />
Infektioriskin vähentämisen lisäksi koronaan<br />
ja sen vaikutuksiin sekä lääkkeiden ja<br />
laitteiden (esim. suusuojien) saatavuuteen<br />
liittyvä epävarmuus lisäsivät todennäköisesti<br />
tässä tutkimuksessa erityisesti koronapandemian<br />
ensimmäisen aallon aikana keväällä 2020<br />
kaikkien apteekkituotteiden kysyntää. Myös<br />
Kelan suorakorvattavien lääkkeiden myyntitilasto<br />
viittaa asiakkaiden voimakkaampiin<br />
reaktioihin keväällä 2020 (Kansaneläkelaitos<br />
2020). Loppuvuonna 2020 ei ilmennyt uutta<br />
kevään kaltaista asiakaspiikkiä, vaikka viikoittaiset<br />
tartuntamäärät lisääntyivät huomattavasti<br />
kevääseen 2020 verrattuna, mikä osaltaan<br />
heijastaa ihmisten erilaista suhtautumista sairauteen<br />
ja varautumista sen vaikutuksiin.<br />
Koronapandemian alussa maaliskuussa<br />
2020 tietoa koronasairaudesta tai sen hoidosta<br />
oli hyvin rajallisesti, jolloin asiakkaat<br />
ja osin myös terveydenhuollon ammattilaiset<br />
tekivät päätöksiä saatavilla olevan rajallisen<br />
tiedon perusteella. Erityisesti pandemian<br />
alkuvaiheessa uutisointi ja epätietoisuus<br />
lisäsivät väärän ja epäselvän tiedon määrää,<br />
mikä saattoi lisätä epätarkoituksenmukaisten<br />
lääkkeiden hankintaa. Pandemia-aikana<br />
luotettavan lääkeinformaation tarve korostuu<br />
selvästi (Saloheimo ja Halila 2021). Joukkotiedotusvälineiden<br />
mukaan koronasairauden<br />
hoitoon soveltuvien tuotteiden myynti lisääntyikin<br />
tutkimuksemme mukaan kevään 2020<br />
korona-aallon aikana. Tällaisia olivat muun<br />
muassa C- ja D-vitamiinivalmisteet, itsehoidon<br />
ibuprofeeni- ja parasetamolivalmisteet<br />
sekä reseptilääkkeistä salbutamoli- ja hydroksiklorokiinivalmisteet.<br />
Näihin valmisteisiin<br />
liittyviin kysymyksiin ja niiden hankintaan<br />
vaikuttivat yleismedian keskustelu ja sen<br />
sisältämä ”tutkimusnäyttö” ja huoli lääkkeiden<br />
saatavuudesta (Adams ym. 2020, Lääkealan<br />
turvallisuus- ja kehittämiskeskus Fimea<br />
2020a ja 2020b, Yhdysvaltain elintarvike- ja<br />
lääkevirasto 2020, Tikkinen ym. 2021). Lääkealan<br />
turvallisuus- ja kehittämiskeskus Fimea<br />
rajoitti eräiden lääkkeiden myyntiä Suomessa<br />
maanlaajuisen riittävyyden ja yhdenvertaisen<br />
saatavuuden varmistamiseksi (Lääkealan turvallisuus-<br />
ja kehittämiskeskus Fimea 2020a ja<br />
2020b, Sosiaali- ja terveysministeriö 2020a,<br />
2020b ja 2020c).<br />
Farmasian ammattilaisten tulee varmistaa<br />
lääkkeiden oikea ja turvallinen käyttö. YA:n<br />
lääkeneuvonta- ja asiakaspalveluyksikön chatpalvelu<br />
oli tärkeä palvelu potilasturvallisuuden<br />
varmistamisessa myös koronapandemian<br />
aikana. Chat-palvelun käyttö lisääntyi vuosina<br />
2019–2020, ja erityisen voimakkaasti ensimmäisenä<br />
koronakeväänä. Palvelun yleistyminen<br />
johtui todennäköisesti muun muassa apteekin<br />
verkkopalvelun käytön yleistymisestä, chatpalvelun<br />
maksuttomuudesta ja helposta matalan<br />
kynnyksen mahdollisuudesta kysyä lääkkeisiin<br />
tai terveyteen liittyvistä asioista sekä<br />
runsaasta koronaa koskevan tiedon tarpeesta.<br />
Tämän tutkimuksen kyselytutkimusosuuden<br />
vastaajista 10 % oli kysynyt tai saanut YA:n lääkeneuvonta-<br />
ja asiakaspalveluyksiköstä koronasairauteen<br />
liittyvää tietoa, ja 90 % heistä piti<br />
tietoa hyödyllisenä.<br />
Apteekkien verkkopalveluita voidaan hyödyntää<br />
muun muassa pandemian kaltaisten<br />
poikkeustilanteiden yhteydessä (Costa ym.<br />
2021, Sousa Pinto 2021, Unni ym. 2021, Pantasri<br />
406 Dosis Vol. 38 4/<strong>2022</strong> © Suomen Farmasialiitto ry Suomen Farmasialiitto ry © 4/<strong>2022</strong> Vol. 38 Dosis 407
<strong>2022</strong>). Koronapandemia on osaltaan lisännyt<br />
apteekkien verkkopalveluiden käyttöä, millä on<br />
todennäköisesti laajempikin vaikutus apteekkipalveluiden<br />
kehittymiseen (Baldoni ym.<br />
2019, Sandler 2020, Nadeem ym. 2021). Vaikka<br />
enemmistö suomalaisista ei ole tällä hetkellä<br />
kiinnostunut hankkimaan lääkkeitä ensisijaisesti<br />
verkkopalvelusta (Jyrkkä ym. <strong>2022</strong>),<br />
terveydenhuollon verkkopalveluiden käytön<br />
yleistyessä myös apteekkien verkkopalveluita<br />
käyttävien asiakkaiden osuus tulee todennäköisesti<br />
lisääntymään (Moulaei ym. <strong>2022</strong>).<br />
Muun muassa sähköisten reseptien käyttö voi<br />
tukea tätä kehitystä (Fiemi ym. 2021). Verkkopalveluita<br />
kehitettäessä tulee huomioida myös<br />
verkkoa käyttämättömien asiakkaiden tarpeet<br />
(Moisala ym. 2021, Heponiemi ym. <strong>2022</strong>).<br />
Tutkimuksen luotettavuus<br />
Rekisteriaineisto<br />
Apteekin rekistereistä kerätty tieto on tarkkaa,<br />
luotettavaa ja yksilöintiin perustuvaa tietoa,<br />
jota voidaan kerätä aineistoista tarvittaessa<br />
toistettavasti. Myyntitiedot saatiin YA:n<br />
käyttämästä QlikView-raportointisovelluksesta.<br />
Asiakasrekisteristä kerätyt sukupuolija<br />
ikätiedot eivät sisältäneet kaikkien apteekin<br />
verkkopalvelua käyttäneiden asiakkaiden tietoa<br />
(muiden kuin kanta-asiakkaiden tekemät<br />
itsehoitotuotteiden ostot, jotka eivät sisältäneet<br />
reseptiostoja, eivät sisältyneet analyysiin),<br />
mutta suurin osa YA:n verkkopalvelun asiakkaista<br />
oletettavasti sisältyi kerättyyn aineistoon.<br />
Analyysin ulkopuolelle jääneiden asiakkaiden<br />
erillinen analyysi antaisi täydentävää<br />
tietoa verkkoapteekin käytöstä, mutta koska<br />
rajaus pysyi samanlaisena koko tämän tutkimuksen<br />
tarkasteluajan, verkkoapteekin käytön<br />
muutosten tarkastelua voidaan pitää luotettavana.<br />
Chat- ja puhelinyhteydenottojen määrä<br />
kerättiin lääkeneuvonta- ja asiakaspalveluyksikön<br />
asiakaspalvelurekisteristä. Verkkopalvelun<br />
reseptimäärää arvioitiin toimitettujen<br />
reseptien lukumäärän ja tuotekohtaisia<br />
myyntejä pakkausten kappalemäärän myynnin<br />
perusteella, minkä perusteella ei saada tarkkaa<br />
tietoa toimitetuista lääkemääristä eri kokoisista<br />
pakkauskoista johtuen. Käytetyt tilastot<br />
kuvaavat valmisteiden ostamista, mutta<br />
eivät anna tietoa hankittujen valmisteiden<br />
käytöstä. Lineaarisessa regressioanalyysissä<br />
kolme koronapandemian ensimmäisen aallon<br />
aikaista verkkoasioinnin poikkeavaa huippukuukautta<br />
poistettiin analyyseistä pitkän aikavälin<br />
muutosten arvioimiseksi.<br />
Kyselytutkimusaineistot<br />
Kutsutuista 16 % vastasi kyselyyn (n = 2615),<br />
mitä voidaan pitää tyydyttävänä yleiseen kertaluonteiseen<br />
sähköiseen kutsuun perustuvassa<br />
kyselyssä. Suhteellisen matalan vastausprosentin<br />
takia tulee huomioida vastaajien<br />
vinouman mahdollisuus. Oletuksena on, että<br />
kyselyyn vastasivat keskimäärin apteekkipalveluista<br />
kiinnostuneemmat ja palveluihin tyytyväisemmät<br />
asiakkaat. Lisäksi on huomioitavaa,<br />
että tutkimuskutsu lähetettiin Yliopiston<br />
Apteekin kanta-asiakkaille, jotka olivat antaneet<br />
aiemmin erillisen suostumuksen sähköpostiviestintään;<br />
he olivat todennäköisesti<br />
muita asiakkaita aktiivisempia verkkopalveluiden<br />
käyttäjiä sekä mahdollisesti perinteisiä ja<br />
verkkoapteekkipalveluita koskevilta odotuksiltaan<br />
erilaisia. Kyselytutkimus pilotoitiin ja<br />
saadun palautteen avulla kyselytutkimukseen<br />
tehtiin pieniä muutoksia validiteetin ja reliabiliteetin<br />
lisäämiseksi. Kyselyyn vastasi 16 asiakasta<br />
(0,6 % vastaajista), jotka eivät muistaneet<br />
tai tienneet käyttäneensä verkkoapteekkia.<br />
Tarkemmassa analyysissä näiden vastaajien<br />
poistaminen analyysistä tai heidän sisällyttämisen<br />
vaikutuksen arviointi olisi perusteltua.<br />
Koronan vaikutusta selvittänyt tutkimuskysely<br />
ei aiheen ainutkertaisuuden takia ole toistettavissa.<br />
Tutkimukseen vastaaminen oli vapaaehtoista,<br />
eikä tutkimukseen vastaamisesta saanut<br />
merkittävää hyötyä, eikä vastaamatta jättäminen<br />
aiheuttanut vastaajalle seuraamuksia.<br />
Tutkimukseen vastanneista suurin osa (noin<br />
86 %) oli naisia, kun vuosina 2018–2020 Yliopiston<br />
Apteekin verkkoapteekin euromääräisen<br />
myynnin perusteella naisasiakkaita oli noin<br />
10 prosenttiyksikköä vähemmän (Niemi 2021).<br />
Tämän tutkimuksen tuloksia ei voida sellaisenaan<br />
yleistää muiden suomalaisten apteekin<br />
verkkopalveluiden tai perinteisten apteekkien<br />
asiakkaisiin.<br />
Jatkotutkimusaiheet<br />
Jatkotutkimuksena olisi hyvä selvittää, millä<br />
tavalla apteekin verkkopalveluiden käyttö<br />
on kehittynyt vuodesta 2021 eteenpäin, millä<br />
tavalla apteekin verkkopalvelut vastaavat asiakkaiden<br />
ja terveydenhuollon odotuksiin sekä<br />
millä tavalla niitä voidaan kehittää osana<br />
apteekkipalveluiden monikanavaisuutta, myös<br />
poikkeusolojen aikana.<br />
Johtopäätökset<br />
Apteekin verkkopalveluiden käyttö lisääntyi<br />
voimakkaasti koronapandemian ensimmäisenä<br />
vuotena 2020, erityisesti pandemian ensimmäisen<br />
aallon aikana keväällä 2020. Reseptilääkkeiden<br />
hankinta verkkopalvelusta yleistyi<br />
kokonaisasiointia enemmän. Verkkopalvelun<br />
informaatiopalveluiden, erityisesti chat-tietopalvelun,<br />
käyttö lisääntyi nopeasti. Iäkkäiden<br />
asiakkaiden osuus verkkoapteekissa lisääntyi.<br />
Pandemia-aikana infektioriskin välttäminen<br />
oli useille asiakkaille tärkeä syy käyttää verkkoapteekkia.<br />
Koronapandemian pidempiaikaisista<br />
vaikutuksista apteekkien verkkopalveluiden<br />
käyttöön tarvitaan lisätietoa.<br />
408 Dosis Vol. 38 4/<strong>2022</strong> © Suomen Farmasialiitto ry Suomen Farmasialiitto ry © 4/<strong>2022</strong> Vol. 38 Dosis 409
Summary<br />
Effects of COVID-19 pandemic on<br />
the use of online pharmacy services:<br />
case University Pharmacy<br />
Matias Niemi<br />
MSc (Pharm)<br />
Customer Service Manager<br />
University Pharmacy,<br />
Subsidiary Pharmacy in Salo<br />
Marika Pohjanoksa-Mäntylä<br />
PhD (Pharm)<br />
University Lecturer<br />
Clinical Pharmacy Group,<br />
Division of Pharmacology and<br />
Pharmacotherapy, Faculty of Pharmacy,<br />
University of Helsinki<br />
Santtu Mikkonen<br />
PhD, Adjunct Professor<br />
Research Manager<br />
Department of Applied Physics,<br />
University of Eastern Finland<br />
Kari Linden*<br />
PhD (Pharm), MSc (Econ), Adjunct Professor<br />
Research Manager<br />
University Pharmacy<br />
tutkimus@ya.fi<br />
* Correspondence<br />
Introduction<br />
The number and use of online pharmacy services<br />
have increased during the last five years.<br />
This development is accelerated by the digitalization<br />
of healthcare and the advent of COVID-<br />
19 pandemic in spring 2020. The aims of this<br />
study were to study 1) the effect of COVID-19<br />
pandemic on the use of an online pharmacy,<br />
and 2) online pharmacy customers’ perceptions<br />
of the effect of the pandemic on the use<br />
of online service during the first pandemic year<br />
in 2020. University Pharmacy’s online pharmacy<br />
was used as a case.<br />
Materials and methods<br />
In the multi-methods study, data of University<br />
Pharmacy registers (customer information,<br />
sales, outlet pick-ups, Medicines Information<br />
and Customer Service Unit) and of a customer<br />
survey (n = 2615) among the University<br />
Pharmacy’s online pharmacy (ya.fi) customers<br />
in August 2020 were employed. The changes<br />
in the number of all customers and prescription<br />
medicine customers and in other outcome<br />
variables describing online pharmacy use were<br />
assessed as an index. The change of the service<br />
use was analyzed by linear regression. In the<br />
survey analysis, changes in the age and gender<br />
distribution and attitudes towards the service<br />
were described by frequencies and proportions<br />
(%).<br />
Results<br />
The use of the online pharmacy services<br />
increased during the study period 2018 -2020,<br />
particularly during the first wave of COVID-19<br />
in spring 2020. The changes in the trend of the<br />
number of all and prescription medicine customers<br />
were statistically significant. The number<br />
of prescription customers increased most.<br />
Based on the linear development before the<br />
pandemic, the impact of the pandemic corresponded<br />
to the development of over 3 years<br />
in the number of prescription customers and<br />
6 months in the total number of customers.<br />
During the peak months in spring 2020, the<br />
number of all and prescription customers was<br />
2.6- and 5.1-fold compared to the previous<br />
year. The sales of medicines which were widely<br />
suggested to be used for prevention or treatment<br />
of COVID-19 by general media meaningfully<br />
increased in spring 2020. University<br />
Pharmacy’s Medicines information and Customer<br />
Service Unit received many questions<br />
on medicines and health. COVID-19 pandemic<br />
increased the use of online pharmacy service<br />
by older customers (over 55-years-olds, and<br />
in particular, over 65-year-olds). Avoidance<br />
of infections was an important reason for the<br />
online pharmacy use. The use of quick pick-up<br />
service from the University Pharmacy outlets<br />
strongly increased in 2020.<br />
Conclusions<br />
On the basis of this study, a “digi-leap” of<br />
online pharmacy use took place in 2020.<br />
COVID-19 pandemic increased the use of online<br />
pharmacy services in a meaningful and statistically<br />
significant way, and engaged new older<br />
customers. Particularly, acquisition of prescription<br />
medicine from an online pharmacy<br />
become more common. Need for reliable medicines<br />
information was emphasized also during<br />
the pandemic time.<br />
Key words: COVID-19 pandemic, online<br />
pharmacy, adaptation of technology, linear<br />
regression analysis, University Pharmacy<br />
Sidonnaisuudet<br />
Matias Niemi ja Kari Linden ovat Yliopiston<br />
Apteekin työntekijöitä. Kari Linden: luentopalkkio<br />
Viatris Oy, Suomen Reumatologinen<br />
Yhdistys ry ja Farmasian oppimiskeskus.<br />
Marika Pohjanoksa-Mäntylä ja Santtu<br />
Mikkonen: ei sidonnaisuuksia.<br />
Kiitokset<br />
Tutkimus perustuu proviisori Matias Niemen<br />
pro gradu -tutkielmaan ”Koronapandemian<br />
vaikutukset apteekin verkkopalvelun käyttöön:<br />
esimerkkinä Yliopiston Apteekki” (Helsingin<br />
yliopisto, 2021). Kiitämme Yliopiston<br />
Apteekkia rekisteri- ja kyselyaineistojen käyttömahdollisuudesta<br />
ja kaikkia tutkimuskyselyyn<br />
vastanneita Yliopiston Apteekin asiakkaita.<br />
Professori Marja Airaksista Helsingin<br />
yliopistosta kiitämme monista tärkeistä kommenteista<br />
pro gradu -tutkielman suunnittelussa<br />
ja toteutuksessa.<br />
410 Dosis Vol. 38 4/<strong>2022</strong> © Suomen Farmasialiitto ry Suomen Farmasialiitto ry © 4/<strong>2022</strong> Vol. 38 Dosis 411
Kirjallisuus<br />
Adams KK, Baker WL, Sobieraj DM:<br />
Myth busters: dietary supplements<br />
and COVID-19. Ann Pharmacother<br />
54: 820-826, 2020<br />
Baldoni S, Amenta F, Ricci G:<br />
Telepharmacy services: present<br />
status and future perspectives: A<br />
review. Medicina (Kaunas) 55: 327,<br />
2019<br />
Costa S, Romão M, Mendes M ym.:<br />
Pharmacy interventions on COVID-<br />
19 in Europe: Mapping current<br />
practices and a scoping review. Res<br />
Social Adm Pharm (online): S1551–<br />
7411(21)00388-0, 2021<br />
Erhola M, Jormalainen V, Kovasin<br />
M, ym.: Suomen terveydenhuolto<br />
muuttuvassa toimintaympäristössä.<br />
Yhteiskuntapolitiikka 85: 55–61,<br />
2020<br />
The International Pharmaceutical<br />
Federation (FIP): mHealth, Use of<br />
mobile health tools in pharmacy<br />
practice, 2019. (viitattu 1.2.<strong>2022</strong>)<br />
www.fip.org/files/content/<br />
publications/2019/mHealth-Use-ofmobile-health-tools-in-pharmacypractice.pdf<br />
Fittler A, Vida RG, Kaplar M ym.:<br />
Consumers turning to the internet<br />
pharmacy market: Cross-sectional<br />
study on the frequency and attitudes<br />
of Hungarian patients purchasing<br />
medications online. J Med Internet<br />
Res 20: e11115, 2018<br />
Golinelli D, Boetto E, Carullo G ym.:<br />
Adoption of Digital Technologies<br />
in Health Care During the COVID-<br />
19 Pandemic: Systematic Review<br />
of Early Scientific Literature. J Med<br />
Internet Res 22:e22280, 2020<br />
Heino P, Kainu M, Kari H ym.:<br />
Viikoittainen lääkekulutus<br />
palautunut hamstrauksen jälkeen<br />
edellisvuoden tasolle. Tutkimusblogi.<br />
Kela, 14.5.2020 (viitattu 16.6.<strong>2022</strong>).<br />
https://tutkimusblogi.kela.fi/arkisto/5302.<br />
Helsingin yliopisto: Ihmistieteiden<br />
eettinen ennakkoarviointi, 2020<br />
(viitattu 1.6.<strong>2022</strong>).<br />
https://www.helsinki.fi/fi/tutkimus/<br />
palvelut-tutkijoille/tutkimuksen-eettinenennakkoarviointi/ihmistieteet<br />
Heponiemi T, Kaihlanen AM,<br />
Kouvonen A ym.: The role of age and<br />
digital competence on the use of<br />
online health and social care services:<br />
A cross-sectional populationbased<br />
survey. Digit Health (online)<br />
8:20552076221074485, <strong>2022</strong><br />
Horgan D, Hackett JC, Westphale B<br />
ym.: Digitalisation and COVID-19:<br />
The perfect storm. Biomed Hub 5:<br />
1341–1363, 2020<br />
Jyrkkä J, Ruotsalainen J, Hämeen-<br />
Anttila K: Lääkebarometri 2021.<br />
Lääkehoidon kuormittavuus<br />
arjessa. Lääkealan turvallisuusja<br />
kehittämiskeskus Fimea.<br />
Fimea kehittää, arvioi ja informoi<br />
-julkaisusarja 3/<strong>2022</strong>, <strong>2022</strong><br />
Kansaneläkelaitos: Viikoittainen<br />
lääkekulutus palautunut<br />
hamstrauksen jälkeen edellisvuoden<br />
tasolle (viitattu 14.5.2020).<br />
https://tutkimusblogi.kela.fi/arkisto/5302<br />
Kanta: Miten asioin apteekissa<br />
koronaviruksen aikana?<br />
(viitattu 24.3.2020).<br />
www.kanta.fi/tiedote/-/asset_publisher/<br />
cf6QCnduV1x6/content/miten-asioinapteekissa-koronaviruspandemianaikana-<br />
Linden K, Pohjanoksa-Mäntylä<br />
M, Niemi M ym.: Kipulääkkeiden,<br />
ahdistus- ja unilääkkeiden<br />
sekä masennuslääkkeiden<br />
apteekkimyynnin muutokset ennen<br />
koronapandemiaa ja sen aikana<br />
2018–<strong>2022</strong>: esimerkki Yliopiston<br />
Apteekin lääkemyyntirekisterin<br />
käytöstä lääkekäytön muutosten<br />
arvioinnissa. Abstrakti. Farmasian<br />
Päivät <strong>2022</strong>, Helsinki.<br />
Lääkealan turvallisuus- ja<br />
kehittämiskeskus Fimea 2020a:<br />
Lääkkeitä ei pidä hamstrata (viitattu<br />
16.3.2020).<br />
www.fimea.fi/-/laakkeita-ei-pidahamstrata<br />
Lääkealan turvallisuus- ja<br />
kehittämiskeskus Fimea 2020b:<br />
Tulehduskipulääkkeiden käyttö<br />
COVID-19 -infektiossa (viitattu<br />
18.3.2020).<br />
www.fimea.fi/-/tulehduskipulaakkeidenkaytto-covid-19-infektiossa<br />
Lääkealan turvallisuus- ja<br />
kehittämiskeskus Fimea 2020c:<br />
Luettelo laillisista apteekin<br />
verkkopalveluista (viitattu<br />
19.11.2020).<br />
www.fimea.fi/apteekit/<br />
verkkopalvelutoiminta/lailliset_apteekin_<br />
verkkopalvelut<br />
Lääkealan turvallisuus- ja<br />
kehittämiskeskus Fimea: Apteekin<br />
verkkopalvelu. Fimean määräys<br />
apteekin verkkopalvelusta 2/2011,<br />
2011<br />
Lääkealan turvallisuus- ja<br />
kehittämiskeskus Fimea: Luettelo<br />
laillisista apteekin verkkopalveluista,<br />
<strong>2022</strong> (viitattu 1.6.<strong>2022</strong>).<br />
https://www.fimea.fi/apteekit/<br />
verkkopalvelutoiminta/lailliset_apteekin_<br />
verkkopalvelut<br />
Ma L: Understanding nonadopters’<br />
intention to use internet<br />
pharmacy: Revisiting the roles of<br />
trustworthiness, perceived risk<br />
and consumer trails. J Eng Technol<br />
Manage 59: 101613, 2021<br />
Maidment I, Young E, MacPhee M<br />
ym.: Rapid realist review of the role<br />
of community pharmacy in the public<br />
health response to COVID-19. BMJ<br />
Open 11: e050043, 2021<br />
Moisala J, Kivipelto M, Karjalainen<br />
P: Etäpalveluille tarvitaan<br />
valtakunnalliset kriteerit. Suom<br />
Lääkäril 76: 776–7, 2021<br />
412 Dosis Vol. 38 4/<strong>2022</strong> © Suomen Farmasialiitto ry Suomen Farmasialiitto ry © 4/<strong>2022</strong> Vol. 38 Dosis 413
Jyväskylän yliopisto:<br />
Monimenetelmällisyys. Koppasivusto,<br />
2021 (viitattu 1.6.<strong>2022</strong>).<br />
https://koppa.jyu.fi/avoimet/hum/<br />
menetelmapolkuja/menetelmapolku/<br />
tutkimusstrategiat/monimenetelmaisyys<br />
Moulaei K, Shanbehzadeh M,<br />
Bahaadinbeigy K ym.: Survey<br />
of the patients' perspectives<br />
and preferences in adopting<br />
telepharmacy versus in-person visits<br />
to the pharmacy: a feasibility study<br />
during the COVID-19 pandemic. BMC<br />
Med Inform Decis Mak 13: 99, <strong>2022</strong><br />
Nadeem MF, Samanta S, Mustafa<br />
F: Is the paradigm of community<br />
pharmacy practice expected to shift<br />
due to COVID-19? Res Social Adm<br />
Pharm 17: 2046–2048, 2021<br />
Niemi M: Koronapandemian<br />
vaikutukset apteekin verkkopalvelun<br />
käyttöön: esimerkkinä Yliopiston<br />
Apteekki. Pro gradu -tutkielma.<br />
Helsingin yliopisto, 2021<br />
Pal S, Kelemen LK, Fittler A ym.:<br />
Attitude of patients and customers<br />
regarding purchasing drugs online.<br />
Farmacia 61: 93-98, 2015<br />
Pantasri T: Expanded roles of<br />
community pharmacists in COVID-<br />
19: A scoping literature review. J Am<br />
Pharm Assoc. 62: 649–657, <strong>2022</strong><br />
Peltoniemi T, Suomi R, Peura S ym.:<br />
Electronic prescription as a driver for<br />
digitalization in Finnish pharmacies.<br />
BMC Health Serv Res 27: 1017, 2021<br />
The Pharmaceutical Group of<br />
European Union (PGEU): Position<br />
Paper on the Role of Community<br />
Pharmacists in COVID-19 - Lessons<br />
Learned from the Pandemic, 2021<br />
(viitattu 1.4.<strong>2022</strong>).<br />
https://ordemfarmaceuticos.pt/fotos/<br />
editor2/2021/WWW/noticias/pgeu_<br />
position_paper_on_lessons_learned_<br />
covid_19_online.pdf<br />
Punakivi K: Acceptance and use of<br />
online pharmacies and the online<br />
customer journey for the purchase<br />
of OTC medicines. Pro gradu<br />
-tutkielma. Teollisuusfarmasia.<br />
Helsingin yliopisto, 2019<br />
Saloheimo P, Halila P: Tutkitun<br />
tiedon merkitys korostuu<br />
korona-aika.<br />
Suom Lääkäril 76: 165, 2021<br />
Sandler C: Kriisi luo uusia<br />
mahdollisuuksia. Dosis –<br />
Farmaseuttinen aikakausikirja 36:<br />
125–128, 2020<br />
Song HS ja Lee B-M: The viability of<br />
online pharmacies in COVID-19 era<br />
in Korea. Int J Health Policy Manag,<br />
2021 (online Jan 2, 2021)<br />
Sormunen M, Saaranen T,<br />
Tossavainen K ym.: Monimenetelmätutkimus<br />
terveystieteissä.<br />
Sosiaalilääk Aikak 50: 312–21, 2013<br />
Sosiaali- ja terveysministeriö 2020a:<br />
Verkkoapteekkitoiminta ja sen kehittämistarpeet,<br />
2020 (viitattu 1.6.<strong>2022</strong>).<br />
https://stm.fi/<br />
documents/1271139/21078095/Virano<br />
maismuistio+verkkoapteekkitoiminna<br />
sta+ja+sen+kehitt%C3%A4mistarpei<br />
sta.pdf/65b10d4a-9b03-776d-8e77-<br />
3db388621c46/Viranomaismuistio+verkko<br />
apteekkitoiminnasta+ja+sen+kehitt%C3%<br />
A4mistarpeista.pdf<br />
Sosiaali- ja terveysministeriö<br />
2020b: Lääkkeiden riittävyyttä<br />
ja lääkejakeluketjun toimivuutta<br />
varmistetaan sosiaali- ja<br />
terveysministeriön päätöksellä<br />
(viitattu 19.3.2020).<br />
https://stm.fi/-/paatos<br />
Sosiaali- ja terveysministeriö 2020c:<br />
Parasetamolia tai deksametasonia<br />
sisältävien lääkkeiden myyntiä<br />
rajoitetaan saatavuuden ja<br />
riittävyyden varmistamiseksi<br />
(viitattu 18.8.2020).<br />
https://stm.fi/-/parasetamolia-taideksametasonia-sisaltavien-laakkeidenmyyntia-rajoitetaan-saatavuuden-jariittavyyden-varmistamiseksi<br />
Sousa Pinto G, Hung M, Okoya F<br />
ym.: FIP's response to the COVID-19<br />
pandemic: Global pharmacy rises to<br />
the challenge. Res Social Adm Pharm<br />
17: 1929–1933, 2021<br />
Srivastava M ja Raina M: Consumers’<br />
usage and adoption of e-pharmacy in<br />
India. Int J Pharm Healthc Mark 15:<br />
235–250, 2021<br />
STT info: Vain 27 % suomalaisista<br />
tietää, että lääkkeiden ostaminen<br />
verkosta on mahdollista. (viitattu<br />
25.11.2020.)<br />
www.sttinfo.fi/tiedote/vain-27-<br />
suomalaisista-tietaa-etta-laakkeidenostaminen-verkosta-on-mahdollista?publi<br />
sherId=1629&releaseId=69894888<br />
Suomen Apteekkariliitto 2018:<br />
Verkkoapteekkien määrä liki<br />
kaksinkertaistuu. (viitattu 1.6.2021)<br />
www.apteekkariliitto.fi/media/<br />
tiedotteet/2018/verkkoapteekkien-maaraliki-kaksinkertaistuu.html<br />
Tikkinen KAO, Nevalainen<br />
OPO, Rutanen J:<br />
Satunnaistetut, pragmaattiset<br />
monikeskustutkimukset ovat<br />
parantaneet COVID-19-taudin<br />
hoitoa. Duodecim 137:ePub, 2021<br />
Tutkimuseettinen neuvottelukunta<br />
(TENK): Hyvä tieteellinen käytäntö ja<br />
sen loukkausepäilyjen käsitteleminen<br />
Suomessa, 2012 (viitattu 5.2.2021).<br />
https://tenk.fi/fi/ohjeet-ja-aineistot/HTKohje-2012<br />
Unni EJ, Patel K, Beazer IR ym.:<br />
Telepharmacy during COVID-19: A<br />
Scoping Review. Pharmacy (Basel) 11:<br />
183, 2021<br />
Valtioneuvosto 2020: Valmiuslain<br />
käyttöönottoasetukset eduskunnalle<br />
(viitattu 17.3.2020).<br />
https://valtioneuvosto.fi/-/10616/<br />
valmiuslain-kayttoonottoasetuseduskunnalle<br />
Vehko T, Ruotsalainen S, Hypponen<br />
H: E-Health and e-welfare of<br />
Finland. Check point 2018. Terveyden<br />
ja hyvinvoinnin laitos. Raportti<br />
7/2019, 2019<br />
Venkatesh V, Morris M, Gordon D,<br />
ym.: User acceptance of information<br />
technology: toward a unified view.<br />
MIS Q 27: 425-478, 2003<br />
Yin M, Li Q, Qiao Z: A Study on<br />
consumer acceptance of online<br />
pharmacies in China. International<br />
Conference Proceeding Series 13:<br />
1–8, 2016<br />
414 Dosis Vol. 38 4/<strong>2022</strong> © Suomen Farmasialiitto ry Suomen Farmasialiitto ry © 4/<strong>2022</strong> Vol. 38 Dosis 415
Liite 1.<br />
Yliopiston Apteekki: Yliopiston<br />
Apteekin vuosikertomus 2020.<br />
Yliopiston apteekki 2021<br />
(viitattu 1.9.<strong>2022</strong>).<br />
www.yliopistonapteekki.fi/ya-yrityksena/<br />
vuosikertomus/apteekkiliiketoiminta<br />
Yliopiston Apteekki: Yliopiston<br />
Apteekin vuosikertomus 2021.<br />
Yliopiston apteekki <strong>2022</strong><br />
(viitattu 1.9.<strong>2022</strong>).<br />
https://www.yliopistonapteekki.fi/<br />
ya-yrityksena/vuosikertomus<br />
Taulukko 1. ’’Verkkoapteekki 2020’’ -tutkimukseen vastaajat ikä- ja sukupuolitiedot (n = 2615).<br />
Puuttuvia vastauksia Ikä- ja sukupuolikysymyksessä 1 ja 4 kappaletta.<br />
Taustatekijä<br />
Ikä (vuotta)<br />
18-34<br />
35-64<br />
65-<br />
Sukupuoli<br />
Nainen<br />
Mies<br />
Muu tai ei halua sanoa<br />
N<br />
311<br />
1644<br />
659<br />
2236<br />
344<br />
31<br />
%<br />
12<br />
63<br />
25<br />
86<br />
13<br />
1<br />
9<br />
Indeksin pisteluku<br />
6<br />
3<br />
0<br />
Tammi 2018<br />
Helmi 2018<br />
Maalis 2018<br />
Huhti 2018<br />
Touko 2018<br />
Kesä 2018<br />
Heinä 2018<br />
Elo 2018<br />
Syys 2018<br />
Loka 2018<br />
Marras 2018<br />
Joulu 2018<br />
Tammi 2019<br />
Helmi 2019<br />
Maalis 2019<br />
Huhti 2019<br />
Touko 2019<br />
Kesä 2019<br />
Heinä 2019<br />
Elo 2019<br />
Syys 2019<br />
Loka 2019<br />
Marras 2019<br />
Joulu 2019<br />
Tammi 2020<br />
Helmi 2020<br />
Maalis 2020<br />
Huhti 2020<br />
Touko 2020<br />
Kesä 2020<br />
Heinä 2020<br />
Elo 2020<br />
Syys 2020<br />
Loka 2020<br />
Marras 2020<br />
Joulu 2020<br />
Kuva 1. YA:n verkkopalvelun kuukausittainen asiakaskäyntien kokonaismäärä tammikuusta 2018<br />
(pisteluku=1) joulukuuhun 2020 indeksin pistelukuina. Punainen viiva kuvaa lineaarista trendiä<br />
(R 2 =0,576), jossa kaikki tarkasteluajan kuukaudet mukana, musta viiva trendiä (R 2 =0,880) ennen<br />
koronapandemiaa ja vihreä viiva trendiä (R 2 =0,0,852) koko tarkasteluajalta, kun huippukuukaudet<br />
maalis–toukokuu 2020 on poistettu. Vihreän trendiviivan ympärillä sen 95 % luottamusväli.<br />
Niemi M, Pohjanoksa-Mäntylä M, Mikkonen S, Linden K: Koronapandemian vaikutukset apteekin<br />
verkkopalvelun käyttöön: esimerkkinä Yliopiston Apteekki. Dosis 38: 398-422, <strong>2022</strong><br />
416 Dosis Vol. 38 4/<strong>2022</strong> © Suomen Farmasialiitto ry Suomen Farmasialiitto ry © 4/<strong>2022</strong> Vol. 38 Dosis 417
35<br />
Indeksin pisteluku<br />
1.20<br />
1.15<br />
1.10<br />
1.05<br />
Indeksin pisteluku<br />
30<br />
25<br />
20<br />
15<br />
10<br />
5<br />
0<br />
1.00<br />
Tammi<br />
Helmi<br />
Maalis<br />
Huhti<br />
Touko<br />
Kesä<br />
Heinä<br />
Elo<br />
Syys<br />
Loka<br />
Marras<br />
Joulu<br />
0.95<br />
Tammi 2018<br />
Helmi 2018<br />
Maalis 2018<br />
Huhti 2018<br />
Touko 2018<br />
Kesä 2018<br />
Heinä 2018<br />
Elo 2018<br />
Syys 2018<br />
Loka 2018<br />
Marras 2018<br />
Joulu 2018<br />
Tammi 2019<br />
Helmi 2019<br />
Maalis 2019<br />
Huhti 2019<br />
Touko 2019<br />
Kesä 2019<br />
Heinä 2019<br />
Elo 2019<br />
Syys 2019<br />
Loka 2019<br />
Marras 2019<br />
Joulu 2019<br />
Tammi 2020<br />
Helmi 2020<br />
Maalis 2020<br />
Huhti 2020<br />
Touko 2020<br />
Kesä 2020<br />
Heinä 2020<br />
Elo 2020<br />
Syys 2020<br />
Loka 2020<br />
Marras 2020<br />
Joulu 2020<br />
Kuva 4. D- ja C-vitamiinivalmisteiden pakkausten kappalemääräinen myynti tammikuusta 2019<br />
(pisteluku = 1) joulukuuhun 2020 indeksin pistelukuina kuukausikohtaisesti.<br />
Kuva 2. YA:n verkkopalvelun kuukausittainen reseptiasiointien määrä tammikuusta 2018 (pisteluku =<br />
1) joulukuuhun 2020 indeksin pistelukuina. Punainen viiva lineaarista trendiä (R 2 = 0,566), jossa kaikki<br />
tarkasteluajan kuukaudet mukana, musta viiva trendiä (R 2 = 0,880) ennen koronapandemiaa ja vihreä<br />
viiva trendiä (R 2 = 0,788) koko tarkasteluajalta, kun huippukuukaudet maalis–toukokuu 2020 on<br />
poistettu. Vihreän trendiviivan ympärillä sen 95 % luottamusväli.<br />
Indeksin pisteluku<br />
13<br />
12<br />
11<br />
10<br />
9<br />
8<br />
7<br />
6<br />
5<br />
4<br />
3<br />
2<br />
1<br />
0<br />
Tammi 2018<br />
Helmi 2018<br />
Maalis 2018<br />
Huhti 2018<br />
Touko 2018<br />
Kesä 2018<br />
Heinä 2018<br />
Elo 2018<br />
Syys 2018<br />
Loka 2018<br />
Marras 2018<br />
Joulu 2018<br />
Tammi 2019<br />
Helmi 2019<br />
Maalis 2019<br />
Huhti 2019<br />
Touko 2019<br />
Kesä 2019<br />
Heinä 2019<br />
Elo 2019<br />
Syys 2019<br />
Loka 2019<br />
Marras 2019<br />
Joulu 2019<br />
Tammi 2020<br />
Helmi 2020<br />
Maalis 2020<br />
Huhti 2020<br />
Touko 2020<br />
Kesä 2020<br />
Heinä 2020<br />
Elo 2020<br />
Syys 2020<br />
Loka 2020<br />
Marras 2020<br />
Joulu 2020<br />
Indeksin pisteluku<br />
35<br />
30<br />
25<br />
20<br />
15<br />
10<br />
5<br />
0<br />
Tammi<br />
Helmi<br />
Maalis<br />
Huhti<br />
Touko<br />
Kesä<br />
Heinä<br />
Elo<br />
Syys<br />
Loka<br />
Marras<br />
Joulu<br />
Kuva 3. Reseptimäärän kuukausittainen kehitys tammikuusta 2018 (pisteluku = 1) joulukuuhun 2020<br />
indeksin pistelukuina.<br />
Kuva 5. Itsehoidon ibuprofeeni- ja parasetamolivalmisteiden pakkausten kappalemääräinen myynti<br />
tammikuusta 2019 (pisteluku = 1) joulukuuhun 2020 indeksin pistelukuina kuukausikohtaisesti.<br />
418 Dosis Vol. 38 4/<strong>2022</strong> © Suomen Farmasialiitto ry Suomen Farmasialiitto ry © 4/<strong>2022</strong> Vol. 38 Dosis 419
35<br />
5<br />
Indeksin pisteluku<br />
30<br />
25<br />
20<br />
15<br />
10<br />
Indeksin pisteluku<br />
4<br />
3<br />
2<br />
1<br />
5<br />
0<br />
0<br />
Tammi<br />
Helmi<br />
Maalis<br />
Huhti<br />
Touko<br />
Kesä<br />
Heinä<br />
Elo<br />
Syys<br />
Loka<br />
Marras<br />
Joulu<br />
Tammi 2019<br />
Helmi 2019<br />
Maalis 2019<br />
Huhti 2019<br />
Touko 2019<br />
Kesä 2019<br />
Heinä 2019<br />
Elo 2019<br />
Syys 2019<br />
Loka 2019<br />
Marras 2019<br />
Joulu 2019<br />
Tammi 2020<br />
Helmi 2020<br />
Maalis 2020<br />
Huhti 2020<br />
Touko 2020<br />
Kesä 2020<br />
Heinä 2020<br />
Elo 2020<br />
Syys 2020<br />
Loka 2020<br />
Marras 2020<br />
Joulu 2020<br />
Kuva 8. YA:n lääkeneuvonta- ja asiakaspalveluyksiön puhelinpalvelun vastaanottamien<br />
puheluiden lukumäärä tammikuusta 2019 (pisteluku = 1) joulukuuhun 2020 indeksin pistelukuina<br />
kuukausikohtaisesti.<br />
Kuva 6. Salbutamoli- ja hydroksiklorokiinivalmisteiden pakkausten kappalemääräinen myynti<br />
tammikuusta 2019 (pisteluku = 1) joulukuuhun 2020 indeksin pistelukuina kuukausikohtaisesti.<br />
40%<br />
35%<br />
30%<br />
5<br />
25%<br />
Indeksin pisteluku<br />
4<br />
3<br />
2<br />
1<br />
0<br />
Tammi 2019<br />
Helmi 2019<br />
Maalis 2019<br />
Huhti 2019<br />
Touko 2019<br />
Kesä 2019<br />
Heinä 2019<br />
Elo 2019<br />
Syys 2019<br />
Loka 2019<br />
Marras 2019<br />
Joulu 2019<br />
Tammi 2020<br />
Kuva 7. YA:n lääkeneuvonta- ja asiakaspalveluyksikön chat-palvelun käyttö tammikuusta 2019 (pisteluku<br />
= 1) joulukuuhun 2020 indeksin pistelukuina kuukausikohtaisesti.<br />
Helmi 2020<br />
Maalis 2020<br />
Huhti 2020<br />
Touko 2020<br />
Kesä 2020<br />
Heinä 2020<br />
Elo 2020<br />
Syys 2020<br />
Loka 2020<br />
Marras 2020<br />
Joulu 2020<br />
20%<br />
15%<br />
10%<br />
5%<br />
0%<br />
Tammi 2018<br />
Maalis 2018<br />
Touko 2018<br />
Heinä 2018<br />
Syys 2018<br />
Marras 2018<br />
Tammi 2019<br />
Maalis 2019<br />
Touko 2019<br />
Heinä 2019<br />
Kuva 9. Asiakkaiden ikäryhmien suhteellisia osuuksia myynnistä kuudessa ikäryhmittäin. Ikäryhmien<br />
kuukausittaiset osuudet ilmoitettiin tarkastelujaksolla tammikuu 2018 – syyskuu 2020. Jokaisen<br />
kuukauden myynti jaettiin prosentuaalisina osuuksina ikäryhmien kesken. Myynti laskettiin toteutuneista<br />
ostotapahtumista, mitkä tallentuivat asiakasrekisteriin. Kaikkien asiakkaiden reseptiostoja sisältäneet<br />
ostot ja kanta-asiakkaiden tekemät itsehoitotuotteiden ostot sisältyivät analyysiin.<br />
Syys 2019<br />
Marras 2019<br />
Tammi 2020<br />
Maalis 2020<br />
Touko 2020<br />
Heinä 2020<br />
Syys 2020<br />
420 Dosis Vol. 38 4/<strong>2022</strong> © Suomen Farmasialiitto ry Suomen Farmasialiitto ry © 4/<strong>2022</strong> Vol. 38 Dosis 421
90%<br />
80%<br />
70%<br />
60%<br />
50%<br />
40%<br />
30%<br />
20%<br />
10%<br />
0%<br />
Tammi 2018<br />
Maalis 2018<br />
Touko 2018<br />
Heinä 2018<br />
Syys 2018<br />
Marras 2018<br />
Tammi 2019<br />
Maalis 2019<br />
Touko 2019<br />
Heinä 2019<br />
Syys 2019<br />
Marras 2019<br />
Tammi 2020<br />
Maalis 2020<br />
Touko 2020<br />
Heinä 2020<br />
Syys 2020<br />
Kuva 10. Myynnin kuukausittainen muutos miesten ja naisten välillä tarkastelujaksolla tammikuu 2018 –<br />
syyskuu 2020. Jokaisen kuukauden myynti jaettiin prosentuaalisina osuuksina sukupuolten perusteella.<br />
5<br />
4<br />
Indeksin pisteluku<br />
3<br />
2<br />
1<br />
0<br />
2 4 6 8 10 12 14 16 18 20 22 24 26 28 30 32 34 36 38 40 42 44 46 48 50 52<br />
Viikot 2–52 (2020)<br />
Kuva 11. Toimipaikkanoutojen määrä YA:n verkkopalvelun tilauksissa vuonna 2020 (viikot 2–52) indeksin<br />
pistelukuina. Indeksin pisteluvut laskettiin suhteuttamalla viikkokohtainen toimipaikkanoutojen määrä<br />
tarkastelujakson perusajankohdan (viikko 2, vuosi 2020) noutojen määrään. Analyysistä poistettu vuoden<br />
2020 vajaat viikot (viikko 1 ja viikko 53).<br />
422 Dosis Vol. 38 4/<strong>2022</strong> © Suomen Farmasialiitto ry Suomen Farmasialiitto ry © 4/<strong>2022</strong> Vol. 38 Dosis 423
Kannettava keräilylaite<br />
lisää laatua ja tehokkuutta<br />
lääkkeiden jakeluun<br />
sairaala-apteekissa<br />
Teressa Lyly*<br />
Farmaseutti,<br />
mikrobiologi MMM<br />
Tuotantopäällikkö,<br />
tohtorikoulutettava<br />
Aalto-yliopisto<br />
teressa.lyly@aalto.fi<br />
Santeri Palomäki<br />
KTM<br />
Senior Associate<br />
PwC Finland<br />
Paulus Torkki<br />
TkT<br />
Apulaisprofessori<br />
Helsingin yliopisto<br />
Tomi Malmström<br />
DI<br />
Vice President<br />
Solutions (Partner)<br />
NHG<br />
Antti Peltokorpi<br />
TkT<br />
Apulaisprofessori<br />
Aalto-yliopisto<br />
Miia Kallio<br />
Vastaava proviisori<br />
HUS Apteekki<br />
* Kirjeenvaihto<br />
Tiivistelmä<br />
Johdanto<br />
Sairaala-apteekin lääkejakelu on perinteisesti ollut työvoimaintensiivistä. Lääkejakelun virheet<br />
saattavat vaarantaa potilasturvallisuutta ja sairaalan lääkitysturvallisuutta. Kannettavia keräilylaitteita<br />
on kokeiltu Suomessa ja maailmalla hyvin tuloksin lääkelogistisissa työtehtävissä.<br />
Aineisto ja menetelmät<br />
Tutkimuksessa mitattiin lääketilauksien keräilyn ohjaamista kannettavalle keräilylaitteelle ja<br />
tämän menetelmän vaikutusta keräilynopeuteen ja -tarkkuuteen. Tässä osiossa mitattiin ensin<br />
lääkkeiden tarkistus- ja keräilyaika kerättäessä lääkkeet perinteisesti paperista keräilylistaa apuna<br />
käyttäen. Seuraavaksi mitattiin lääketilauksen keräilyn läpimenoaika, kun lääketilauksien keräilylistat<br />
ohjattiin sähköisesti suoraan kannettavalle keräilylaitteelle. Nämä mittaukset toteutettiin<br />
sekä kellottamalla manuaalisesti että analysoimalla kannettavien keräilylaitteiden ohjelmiston<br />
rekisteröimiä aikaleimoja.<br />
Toinen osio käsitteli kannettavien keräilylaitteiden käyttöönoton vaikutusta lääkkeiden vastaanottoprosessissa<br />
HUS Apteekki Helsingin lääketoimituksessa. Tutkimuksessa mitattiin, kuinka<br />
nopeasti lääkkeet pystyttiin vastaanottamaan perinteisellä tavalla vastaanotettuina, ja käyttämällä<br />
lääkkeiden tunnistuksessa apuna kannettavia keräilylaitteita lääkkeiden vastaanotossa.<br />
Mittaukset toteutettiin kellottamalla manuaalisesti eri työvaiheiden läpimenoaikoja. Lisäksi analysoitiin<br />
kannettavien keräilylaitteiden ohjelmiston rekisteröimiä aikaleimoja. Tulokset kerättiin<br />
taulukoiksi, jotka analysoitiin Microsoft Excel -ohjelmiston avulla.<br />
Tulokset ja johtopäätökset<br />
Kannettavien keräilylaitteiden käyttöönotto vähensi keräilyvirheiden määrää ja paransi keräilytoiminnan<br />
tehokkuutta. Farmaseuttityövoimaa voidaan siirtää farmaseuttista arvoa lisääviin<br />
työtehtäviin, kuten kliiniseen osastofarmasiaan, vaarantamatta potilasturvallisuutta. Sekä lääketoimitusten<br />
keräilyn että lääkkeiden tavaravastaanoton nopeus paranivat käyttämällä työssä<br />
kannettavia keräilylaitteita. HUS Apteekki on laajentanut kannettavien keräilylaitteiden käyttöä<br />
kaikkiin toimipaikkoihinsa.<br />
Avainsanat: Lääkitysturvallisuus, viivakooditeknologia, kannettava keräilylaite,<br />
sairaala-apteekki, lääkityspoikkeama<br />
Lyly T, Palomäki S, Torkki P, Malmström T, Peltokorpi A, Kallio M: Kannettava keräilylaite lisää laatua ja tehokkuutta<br />
lääkkeiden jakeluun sairaala-apteekissa. Dosis 38: 424–433, <strong>2022</strong><br />
424 Dosis Vol. 38 4/<strong>2022</strong> © Suomen Farmasialiitto ry<br />
Suomen Farmasialiitto ry © 4/<strong>2022</strong> Vol. 38 Dosis 425
Johdanto<br />
Lääkejakelu sairaala-apteekissa on perinteisesti<br />
ollut työvoimaintensiivinen työvaihe.<br />
Lääkejakelun virheet vaarantavat potilasturvallisuutta,<br />
jos potilaalle menee väärän vahvuisia<br />
tai vääriä lääkkeitä. Sairaala-apteekin<br />
toimintaa ja lääketoimitusta ohjeistaa Fimea<br />
(Lääkealan turvallisuus- ja kehittämiskeskus<br />
Fimea 2012) Lääkelain (395/1987) 61§6 pohjalta.<br />
Farmaseutti tarkastaa sairaalaosastojen<br />
lääketilaukset ennen lääkkeiden keräämistä ja<br />
tarkistaa myös lääketyöntekijöiden keräämät<br />
lääkepakkaukset ennen kuin lääkkeet voidaan<br />
hyväksyä toimitettaviksi sairaalaosastoille.<br />
Viivakooditeknologiaa on alettu hyödyntää<br />
myös lääkelogistiikassa, ja kannettavat keräilylaitteet<br />
ovat yleistyneet sairaala-apteekeissa<br />
sekä maailmalla että Suomessa varsinaisten<br />
varastorobottien lisäksi. Suomessa laitteita<br />
ovat ottaneet käyttöön esimerkiksi Eksoten<br />
sekä PSHP:n sairaala-apteekit, HUS Apteekin<br />
lisäksi. Varsinaista tutkimusta näiden laitteiden<br />
vaikutuksesta lääkitysturvallisuuteen ja<br />
työn tehokkuuteen on kuitenkin vähän. Kannettavat<br />
keräilylaitteet ovat vaativaan käyttöön<br />
suunniteltuja henkilökohtaisia mobiilipäätteitä,<br />
joiden monipuoliset tiedonkäsittely-<br />
ja -keruuominaisuudet yhdistettynä<br />
PC-tietokoneen nopeuteen mahdollistavat<br />
monimutkaistenkin työtehtävien suorittamisen<br />
paikasta riippumatta. Englanniksi näistä<br />
käytetään muun muassa termejä EHD – enterprise<br />
hybrid device, EDA – enterprice digital<br />
assistant (Kuva 1).<br />
Lääkityspoikkeamien vähentäminen sekä<br />
työn tehokkuuden parantaminen ovat yleisiä<br />
teemoja sairaala-apteekkeja käsittelevässä<br />
tutkimuksissa. Lääketoimitukseen liittyviä tutkimuksia<br />
sairaaloissa on tehty etenkin Yhdysvalloissa<br />
(mm. Oswald ja Caldwell 2007, Poon<br />
ym. 2006, De Young ym. 2009, Samaranayake<br />
ym. 2014). Monet aiemmat tutkimukset keskittyvät<br />
yksinomaan laatu- ja tarkkuusaspektiin,<br />
toisin sanoen lääkitysturvallisuuteen. Jotkin<br />
aiemmat tutkimukset käsittelevät myös työn<br />
tehokkuutta kannettavilla keräilylaitteilla tilausten<br />
poiminnassa, esimerkiksi De Koster ym.<br />
(2007) yleisellä tasolla sekä James ym. (2013)<br />
sairaala-apteekkiympäristössä. Sakowski ja<br />
Ketchel (2013) laskivat viivakooditeknologian<br />
käyttöönoton kustannuksia ja hyötyjä lääkkeiden<br />
kuljetusketjussa. Lisäksi monet tutkimukset<br />
keskittyvät viivakoodiavustettuun lääkejakeluun,<br />
aina reseptin määräämisestä lääkkeiden<br />
antoon potilaalle. Kannettavien keräilylaitteiden<br />
lisäksi varastorobotit ovat yleistyneet<br />
sekä sairaala-apteekeissa että yksityisapteekeissa.<br />
Nekin tunnistavat lääkkeet viivakooditeknologian<br />
avulla.<br />
HUS Apteekin Helsingin toimipisteessä<br />
otettiin käyttöön kannettava viivakooditeknologiaa<br />
hyödyntävä keräilylaite lokakuussa 2014<br />
(Kuva 1). Tässä tutkimuksessa haluttiin selvit-<br />
tää, parantavatko kannettavat keräilylaitteet<br />
lääkelogistiikan laatua ja tehokkuutta. Tutkimuksen<br />
tavoitteena oli myös hankkia lisää<br />
tietoa ja pohtia, voidaanko sairaala-apteekin<br />
lääketoimituksessa hyväksyä lääkkeen tarkastus<br />
viivakooditeknologian avulla nykyisen farmaseutin<br />
tekemän manuaalisen tarkastuksen<br />
sijaan.<br />
Aineisto ja menetelmät<br />
Tutkimus suoritettiin HUS Apteekin Helsingin<br />
toimipisteessä yhteistyössä sairaala-apteekin<br />
henkilöstön kanssa. Tutkimus aloitettiin heinäkuussa<br />
2014, ja se kesti huhtikuuhun 2015.<br />
Tutkimuksen seurantaosa toteutettiin 2018.<br />
Tutkimuksessa mitattiin keräilypoikkeamien<br />
suhteellista lukumäärää kolme kuukautta<br />
ennen laitteiden käyttöönottoa (n = 70 762 toimitusriviä)<br />
ja viisi kuukautta sen jälkeen (n = 9<br />
579 toimitusriviä). Keräilypoikkeamat rekisteröitiin<br />
lääketoimituksen henkilökunnan avulla<br />
taulukkoon. Keräilypoikkeamiin rekisteröitiin<br />
sekä lääketoimituksen farmaseuttisessa tarkastuksessa<br />
havaitut poikkeamat että osastofarmaseuttien<br />
havaitsemat keräilypoikkeamat.<br />
Lisäksi mitattiin keräilyprosessin (Kuva 2)<br />
eri vaiheisiin käytettyä aikaa kannettavalla<br />
keräilylaitteella sekä ilman sitä. Eri vaiheisiin<br />
sisältyvät tavaran vastaanotto, lääkkeiden<br />
kerääminen ja farmaseuttisen tarkastuksen<br />
suorittaminen kerätyille lääkkeille. Lääkekeräämisen<br />
sekä tavaroiden vastaanoton<br />
tehokkuutta mitattiin tehokkuusluvulla riviä/<br />
tunti, eli kuinka monta tilauslistan riviä henkilö<br />
pystyi käsittelemään tunnissa. Lääketilausten<br />
keräilyprosessin läpimenoaikaa mitattiin<br />
sekä manuaalisesti kellottamalla työvaihe että<br />
analysoimalla kannettavien keräilylaitteiden<br />
ohjelmiston keräämiä aikaleimoja. Läpimenoajat<br />
kerättiin taulukkoon ja Microsoft Excel<br />
-ohjelmiston avulla laskettiin eri toimintojen<br />
keskiarvot.<br />
Keräämispoikkeamia mitattiin suhteessa<br />
kaikkiin päivän toimitusriveihin. Seurantatutkimuksessa<br />
vuonna 2018 analysoitiin viiden<br />
kuukauden lääketoimitukset sekä manuaalisen<br />
että kannettavan keräilylaitteen avulla kerätyt<br />
lääketoimitukset (n = 233 319 lääkekeräilytapahtumaa<br />
ja n = 113 457 lääketoimitusriviä).<br />
Yksi toimitusrivi voi sisältää useita lääkepakkauksia,<br />
joista jokainen on tunnistettu keräilylaitteen<br />
avulla erilliseksi keräilytapahtumaksi.<br />
Tulokset<br />
Kannettavien keräilylaitteiden testiajanjakson<br />
aikana lääketilauksien keräilytarkkuus parani<br />
huomattavasti (Kuva 3). Ennen laitteiden käyttöönottoa<br />
seurattiin lääketilauksien keräämisen<br />
tarkkuutta, kun kerääminen toteutettiin<br />
perinteisen paperilistan avulla: Farmaseutit<br />
tarkistivat kaikki lääketyöntekijöiden keräämät<br />
lääketilaukset ja merkitsivät havaitsemansa<br />
keräilypoikkeamat taulukkoon. Tänä<br />
aikana havaittiin yhteensä 664 keräilypoikkeamaa<br />
70 762 keräilyrivistä (0,94 %). Jakelupoikkeamia<br />
(keräilypoikkeamia, jotka olivat<br />
läpäisseet farmaseuttisen tarkastuksen ja jotka<br />
huomattiin vasta sairaalaosastoilla) oli samalla<br />
ajanjaksolla 93 kpl, eli 0,13 % kaikista tilausriveistä.<br />
Nämä luvut ovat itsessään jo melko pieniä,<br />
mutta niitä pystyttiin kannettavan keräilylaitteen<br />
avulla pienentämään vielä entisestään.<br />
Vuonna 2018 lääkekeräilyistä validoitiin<br />
kannettavalla keräilylaitteella kerätyistä lääketilauksista<br />
10 %, kaikki manuaalisesti kerätyt<br />
lääkkeet ja lastenosastojen lääketoimitukset.<br />
Tämä nosti kerättyjen lääketoimitusrivien<br />
kokonaisvalidoinnin lääketoimituksessa 31<br />
Osasto tilaa<br />
lääkkeitä OSTijärjestelmän<br />
kautta.<br />
Farmaseutti<br />
tarkastaa<br />
tilauksen ja se<br />
aktivoidaan<br />
kerättäväksi.<br />
Lääketyöntekijä<br />
kerää tilauksen.<br />
Farmaseutti<br />
tarkastaa kerätyt<br />
lääkkeet ja korjaa<br />
mahdolliset<br />
keräilyvirheet.<br />
Tilaus pakataan<br />
toimituslaatikoihin<br />
ja lähetetään<br />
asiakkaalle.<br />
Kuva 1. Kannettava keräilylaitemallisto Honeywell Dolphin -malleja ja lääkkeen viivakoodin tunnistus.<br />
Kuva 2. Lääketoimituksen prosessi sairaala-apteekissa. Katkoviivalla merkitty työvaihe pyritään<br />
poistamaan prosessista tarkastamalla lääketoimitukset kannettavien keräilylaitteiden avulla.<br />
426 Dosis Vol. 38 4/<strong>2022</strong> © Suomen Farmasialiitto ry Suomen Farmasialiitto ry © 4/<strong>2022</strong> Vol. 38 Dosis 427
%:iin toimituslistoista (n = 41 048). Keräilypoikkeamia<br />
havaittiin lääketoimituksessa 138<br />
kpl toimitetuista 144 384 lääketoimitusrivistä<br />
(0,10 %). Kannettavan keräilylaitteen käyttö<br />
tuottaa erittäin hyvän keräilytarkkuuden, ja<br />
enemmistö poikkeamista kohdistuu perinteisen<br />
paperilistan avulla kerättyihin tuotteisiin.<br />
Laitteiden testiajanjakson aikana keräilyyn<br />
käytettyä aikaa pystyttiin myös tehostamaan.<br />
Ennen kannettavia keräilylaitteita lääketyöntekijöiden<br />
keräilynopeus oli 84 tilausriviä tunnissa.<br />
Laitteiden käyttöönoton jälkeen tämä<br />
luku parani 136 tilausriviin tunnissa, eli 62 %<br />
(p
taarin hallinnointiin tai kliiniseen osastofarmasiaan.<br />
Aikaa säästyy myös prosessin kokonaisuuden<br />
kannalta, kun lääkkeet voi asettaa<br />
keräilyn yhteydessä suoraan toimituskoreihin,<br />
ja ne voi sijoittaa kuljetusrullakoihin keräilyn<br />
päätteeksi. Täten myös sairaala-apteekin lattiapinta-alaa<br />
voidaan käyttää tehokkaammin,<br />
kun farmaseuttista tarkastusta tai pakkausvaihetta<br />
odottavat lääketilauskärryt eivät seiso<br />
työjonossa viemässä tilaa. Tämän tutkimuksen<br />
tulokset vastaavat muissa vastaavissa tutkimuksissa<br />
saatuja kokemuksia ja tuloksia (De<br />
Koster ym. 2007, James ym 2013, Ahtiainen ym<br />
2020). Fimea hyväksyi HUS Apteekin uudistetun<br />
lääketoimitusmallin käytön vuonna 2019.<br />
HUS Apteekissa viivakooditeknologiaa hyödyntävien<br />
järjestelmien käyttöä on laajennettu:<br />
Toisena viivakooditeknologiaa hyödyntävänä<br />
ratkaisuna HUS Apteekki on hankkinut erillisen<br />
varastoautomaatin, jossa varastoidaan<br />
kaikki lääkepakkaukset, joiden ominaisuudet<br />
sopivat kyseiselle varastoautomaatille, käytännössä<br />
jopa 150 000 lääkepakkaukselle. Varastoautomaatin<br />
keräilytarkkuus on käytännössä yli<br />
99,9 %. Varastoautomaatin tekninen keräilynopeus<br />
on huomattava manuaaliseen keräilyyn<br />
verrattuna, koska erityisesti isokokoiset, hankalat<br />
ja painavat lääkepakkaukset eivät sovellu<br />
varastoautomaattiin vaan ne kerätään jatkossakin<br />
manuaalisesti. Kolmantena ratkaisuna<br />
HUS Apteekki on ottanut sairaalaosastoilla<br />
käyttöön elektroniset lääkekaapit. Niissäkin<br />
lääkkeet tunnistetaan viivakooditeknologian<br />
avulla.<br />
Kannettavia keräilylaitteita hyödynnetään<br />
lääkevastaanoton ja lääkekeräilyn lisäksi nyt<br />
myös lääkkeiden hyllyttämisessä ja lääkkeiden<br />
inventoinnissa ja aiemmasta kuljetuksesta<br />
myöhästyneiden lääke-erien havaitsemisessa<br />
ja toimittamisessa. Kun lääketyöntekijöiden<br />
tarvitsemat lääketiedot löytyvät pienestä<br />
kannettavasta laitteesta, on heidän työskentelynsä<br />
nopeutunut ja tullut joustavammaksi,<br />
koska iso osa työtehtävistä pystytään suorittamaan<br />
ilman kiinteää pöytätietokonetta tai erillisiä<br />
papereita tai mappeja.<br />
Kannettavaa keräilylaitetta hyödynnetään<br />
erityisesti silloin, kun lääkepakkaus ei sovellu<br />
HUS Apteekin varastoautomaattiin. Tällaisia<br />
lääkkeitä ovat muun muassa erittäin isot tai<br />
painavat pakkaukset, tietyt lääkeaineryhmät<br />
ja tietyt lääkeainepakkaustyypit, kuten liuos-<br />
pakkaukset. On todennäköistä, että lääkeyritykset<br />
muuttavat nykyisiä lääkepakkauksia<br />
sopimaan nykyistä paremmin erilaisten varastorobottien<br />
toimintaan, sillä pieniä varastoautomaatteja<br />
käytetään myös yksityisapteekeissa<br />
jo varsin laajasti. Ohjelmistotoimittajan kanssa<br />
on määritelty, mitkä työtehtävät on järkevää<br />
siirtää kannettavalle laitteelle, ja tarvittavien<br />
ohjelmistojen kehittämistä on jatkettu.<br />
HUS Apteekissa seuraava kehitysvaihe on<br />
yksilöityjen lääkepakkausten datamatriisikoodeihin<br />
tallennettujen lääke-erien ja kestoaikatietojen<br />
tarkastaminen kannettavien keräilylaitteiden<br />
avulla suoraan lääkepakkauksesta.<br />
Nyt nämä tiedot tarkastetaan sähköistä lähetysluetteloa<br />
vasten tavaroiden saapuessa sairaala-apteekkiin,<br />
mutta tulevaisuudessa nämä<br />
tiedot tarkastetaan suoraan lääkepakkauksen<br />
datamatriisikoodista kahdessa työvaiheessa:<br />
ensimmäisen kerran, kun lääkepakkaus vastaanotetaan<br />
sairaala-apteekkiin, ja toisen kerran,<br />
kun lääkepakkaus toimitetaan sairaalaosastolle.<br />
Tuoteriviä/tunti<br />
2014 Ennen keräilylaitetta<br />
27,4<br />
2014 Kannettavalla keräilylaitteella<br />
32,1<br />
0 5 10 15 20 25 30 35<br />
Kuva 5. Tavaravastaanottotoiminnan tehokkuus otosjaksoilta 2014 ja 2015.<br />
Vastaanotetut lääketuoterivit kpl/tunti.<br />
430 Dosis Vol. 38 4/<strong>2022</strong> © Suomen Farmasialiitto ry Suomen Farmasialiitto ry © 4/<strong>2022</strong> Vol. 38 Dosis 431
Summary<br />
Utilizing Electronic Digital<br />
Assistants increase quality and<br />
efficiency for dispensing medicines<br />
in a hospital pharmacy<br />
Teressa Lyly*<br />
MSc (Microbiology), BSc (Pharm)<br />
Production Manager, PhD Candidate<br />
Aalto University<br />
teressa.lyly@aalto.fi<br />
Santeri Palomäki<br />
MSc (Econ)<br />
Senior Associate<br />
PwC Finland<br />
Paulus Torkki<br />
PhD<br />
Assistant Professor<br />
University of Helsinki,<br />
Tomi Malmström<br />
MSc (Tech)<br />
Vice President, Solutions (Partner)<br />
NHG<br />
Antti Peltokorpi<br />
PhD<br />
Assistant Professor<br />
Aalto University<br />
Miia Kallio<br />
MSc (Pharm)<br />
Responsible Pharmacist<br />
HUS Apteekki<br />
* Correspondence<br />
Introduction<br />
The distribution of medicines in hospital pharmacies<br />
has traditionally been labor-intensive.<br />
Errors in medicine distribution may endanger<br />
patient safety and hospital medication safety.<br />
Enterprise Digital Assistants have been tested<br />
in Finland and around the world with good<br />
results in pharmaceutical logistics tasks.<br />
Material and methods<br />
This research measured the impact of the<br />
introduction of Enterprise Digital Assistants<br />
in HUS hospital pharmacy. The collection<br />
of pharmaceutical orders was directed to an<br />
Enterprise Digital Assistant. The impact of this<br />
method on the speed and accuracy of medicine<br />
order collection was analyzed. In this section,<br />
the time for checking and collecting medicines<br />
was measured, first by collecting the medicine<br />
orders by using a traditional paper picking list.<br />
Secondly, medicine order collecting time was<br />
measured when the collection lists of medicine<br />
orders were directed electronically directly to<br />
an Enterprise Digital Assistant. The measurements<br />
were carried out by manually clocking<br />
the lead times of the different work phases.<br />
In addition, software-registered timestamps<br />
collected by Enterprise Digital Assistants were<br />
analyzed. The results were collected into tables<br />
that were analyzed using Microsoft Excel software.<br />
The second section of the research dealt<br />
with medicine reception process at HUS<br />
Apteekki Helsinki. It was measured how quickly<br />
the medicines were received in the traditional<br />
manual way and by using Enterprise Digital<br />
Assistants to help identify the medicines in the<br />
reception of medicines. These measurements<br />
were also carried out by manually clocking,<br />
and analyzing the timestamps registered by<br />
the software of Enterprise Digital Assistants.<br />
Results and conclusions<br />
The introduction of Enterprise Digital Assistants<br />
reduced the number of collecting errors<br />
and improved the efficiency of medicine collecting<br />
operations. Pharmacists can be transferred<br />
to pharmaceutical value-adding jobs<br />
without compromising patient safety. HUS<br />
Pharmacy has expanded the use of Enterprise<br />
Digital Assistants to all its locations.<br />
Keywords: Medication safety, bar code technology,<br />
Enterprise Digital Assistant,<br />
hospital pharmacy, medication deviation<br />
Sidonnaisuudet<br />
Ei sidonnaisuuksia.<br />
Ahtiainen HK, Kallio MM, Airaksinen<br />
M, Holmström AR: Safety, time and<br />
cost evaluation of automated and<br />
semi-automated drug distribution<br />
systems in hospitals: a systematic<br />
review. European Journal of Hospital<br />
Pharmacy 27: 253–262, 2020<br />
De Koster R, Le-Duc T, Roodbergen<br />
KJ: Design and control of warehouse<br />
order picking: A literature review.<br />
European Journal of Operational<br />
Research 182: 482–501, 2007<br />
DeYoung JL, VanderKooi ME, Barletta<br />
JF: Effect of bar-code-assisted<br />
medication administration on<br />
medication error rates in an adult<br />
medical intensive care unit. American<br />
Journal of Health-System Pharmacy<br />
66: 1110–1115, 2009<br />
James KL, Barlow D, McArtney<br />
R, Hiom S, Roberts D, Whittlesea<br />
C: Incidence, type and causes of<br />
dispensing errors: a review of<br />
literature. International Journal of<br />
Pharmacy Practice 17: 9–30, 2009<br />
James KL, Barlow D, Bithell A<br />
ym.: The impact of automation on<br />
workload and dispensing errors in<br />
a hospital pharmacy. International<br />
Journal of Pharmacy Practice 21:<br />
92–104, 2013<br />
Kirjallisuus<br />
Lääkealan turvallisuus- ja<br />
kehittämiskeskus Fimea: Lääkealan<br />
turvallisuus- ja kehittämiskeskuksen<br />
määräys 6/2012. Sairaala-apteekin<br />
ja lääkekeskuksen toiminta (viitattu<br />
7.11.<strong>2022</strong>).<br />
www.fimea.fi/<br />
documents/160140/764653/22690_<br />
Maarays_6_2012.pdf<br />
Oswald S, Caldwell R: Dispensing<br />
error rate after implementation of<br />
an automated pharmacy carousel<br />
system. American Journal of Health-<br />
System Pharmacy 64: 1427–1431,<br />
2007<br />
Poon EG, Cina JL, Churchill W ym.:<br />
Medication dispensing errors and<br />
potential adverse drug events before<br />
and after implementing bar code<br />
technology in the pharmacy. Annals<br />
of Internal Medicine 145: 426–434,<br />
2006<br />
Sakowski JA, Ketchel Alana: The cost<br />
of implementing inpatient bar code<br />
medication administration. American<br />
Journal of Managed Care 19: e38-e45,<br />
2013<br />
Samaranayake NR, Cheung STD,<br />
Cheng K. Lai K, Chui WCM, Cheung<br />
BMY: Implementing a bar-code<br />
assisted medication administration<br />
system: Effects on the dispensing<br />
process and user perceptions.<br />
International Journal of Medical<br />
Informatics 83: 450–458, 2014<br />
Lyly T, Palomäki S, Torkki P, Malmström T, Peltokorpi A, Kallio M: Kannettava keräilylaite lisää laatua ja tehokkuutta<br />
lääkkeiden jakeluun sairaala-apteekissa. Dosis 38: 424–433, <strong>2022</strong><br />
432 Dosis Vol. 38 4/<strong>2022</strong> © Suomen Farmasialiitto ry Suomen Farmasialiitto ry © 4/<strong>2022</strong> Vol. 38 Dosis 433
Kvantitatiiviset tutkimusmenetelmät<br />
sosiaalisen median<br />
tekstipohjaisten aineistojen<br />
tutkimuksen tukena<br />
– apteekeista käytävän<br />
verkkokeskustelun aihemallinnus<br />
Suomi24-keskustelupalstasta<br />
Tiivistelmä<br />
Johdanto<br />
Apteekkeihin liittyvää tutkimusta on tehty aiemmin perinteisten tutkimusmenetelmien kuten<br />
erilaisten kyselyjen avulla. Niiden haasteena voivat kuitenkin olla matala vastausprosentti ja valikoitunut<br />
vastaaminen. Sosiaalisen median käytön lisäännyttyä sieltä saatavien aineistojen tutkimuskäyttö<br />
on yleistynyt nopeasti myös Suomessa, mutta toistaiseksi niitä ei kuitenkaan ole<br />
hyödynnetty apteekkeihin liittyvässä tutkimuksessa. Vaikka erilaiset sosiaalisen median aineistot<br />
tuovatkin uusia tutkimusmahdollisuuksia, niiden käyttöön liittyy myös esimerkiksi aineiston<br />
laajuudesta johtuvia haasteita, jolloin kvalitatiivinen sisällönanalyysi on hyvin työlästä. Erilaiset<br />
kvantitatiiviset tekstianalytiikkamenetelmät voivat edesauttaa kvalitatiivisen analyysin tekemistä<br />
keskeisten keskusteluteemojen tunnistamisessa. Kuvaamme aihemallinnuksen ja korrespondenssianalyysin<br />
soveltamista apteekeista käytävän verkkokeskustelun aiheiden tunnistamiseen<br />
konkretisoiden menetelmien etuja, haasteita ja soveltamisen edellytyksiä.<br />
Aineisto ja menetelmät<br />
Suomi24-korpus vuosilta 2001−2017 rajattiin viesteihin (n = 126 991), joissa esiintyi lemma<br />
”apteekki”. Sanojen frekvenssien visualisointi toteutettiin sanapilven avulla, sanojen yhteisesiintyvyyttä<br />
kuvattiin korrespondenssianalyysilla ja aihemallinnus toteutettiin Latent Dirichlet<br />
Allocation -menetelmällä.<br />
Eeva Pylkkö#<br />
FaK, FM<br />
Farmasian laitos<br />
Itä-Suomen yliopisto<br />
eevapy@uef.fi<br />
Anna-Maija Tolppanen*#<br />
Professori, Akatemiatutkija<br />
Farmasian laitos<br />
Itä-Suomen yliopisto<br />
anna-maija.tolppanen@uef.fi<br />
Johanna Timonen<br />
FaT, dosentti<br />
Yliopistotutkija<br />
Farmasian laitos<br />
Itä-Suomen yliopisto<br />
johanna.timonen@uef.fi<br />
Julian Lin<br />
FT<br />
Yliopistotutkija<br />
Farmasian laitos<br />
Itä-Suomen yliopisto<br />
julian.lin@uef.fi<br />
* Kirjeenvaihto<br />
#Yhdenvertainen kirjoittajuus<br />
Tulokset<br />
Tutkimusajanjaksona apteekkeihin liittyvää keskustelua käytiin hyvin monilla Suomi24-keskustelualueilla.<br />
Keskustelujen määrässä oli ajallista vaihtelua, joka seurasi keskustelupalstan<br />
kokonaisviestien kehitystä. Keskustelujen määrä oli suurimmillaan vuonna 2007 ja väheni sen<br />
jälkeen tasaisesti. Yleisin keskustelualue oli ”Terveys” ja sen ”Sairaudet”-alataso. Tässä kvantitatiivisessa<br />
analyysissa tietyt lääkkeet tai sairaudet eivät kuitenkaan nousseet esiin. Viestien<br />
tarkemman tarkastelun perusteella aihemallinnuksesta jätettiin pois ne keskustelualueet, joilla<br />
käyty keskustelu ei liittynyt apteekkipalveluihin kotimaassa (esimerkiksi apteekkiaiheiset vitsit,<br />
apteekkipalvelut ulkomailla). Apteekkikeskustelu teemoittui seuraavasti: raskaus, ihon- ja hiustenhoito,<br />
reseptilääkkeet, eläintenhoito ja lääkintä sekä apteekkipalvelut yleensä. Keskusteluissa<br />
näkyi hyvin selkeästi käyttäjäkokemusten tarve ja neuvojen hakeminen spesifeihin tilanteisiin<br />
(esim. raskaustestin ostaminen, lääkkeen anto eläimelle).<br />
Johtopäätökset<br />
Kvantitatiiviset menetelmät tukevat, mutteivat korvaa kvalitatiivista tutkimusta tekstipohjaisten<br />
aineistojen analyysissa, ja tulkintojen validointi edellyttää aihealueen tuntemusta sekä alkuperäisten<br />
viestien lukemista. Lisäksi kvantitatiivisen menetelmien käyttämiseen liittyy useita parametrien<br />
valintoja, jotka voivat vaikuttaa tuloksiin. Tämä tulisi huomioida tutkimusta toteutettaessa<br />
ja toisaalta myös tuloksia arvioitaessa. Koska Internet kuuluu nykyajan keskeisiin tietolähteisiin,<br />
erilaisten sosiaalisten medioiden merkitys lääketiedon lähteenä on tärkeä tutkimusaihe.<br />
Myös keskustelujen tarkempi tutkiminen esimerkiksi sisällönanalyysilla toisi lisätietoa käydyistä<br />
keskusteluista, esimerkiksi käyttäjien tiedontarpeita.<br />
Pylkkö E, Tolppanen A-M, Timonen J, Lin J: Kvantitatiiviset tutkimusmenetelmät sosiaalisen median tekstipohjaisten<br />
aineistojen tutkimuksen tukena – Apteekeista käytävän verkkokeskustelun aihemal-linnus Suomi24-<br />
keskustelupalstasta. Dosis 38: 434–452, <strong>2022</strong><br />
Avainsanat: aihemallinnus, apteekki, sisällönanalyysi, sosiaalinen media, tekstianalytiikka,<br />
tekstin-louhinta, verkkokeskustelu<br />
434 Dosis Vol. 38 4/<strong>2022</strong> © Suomen Farmasialiitto ry<br />
Suomen Farmasialiitto ry © 4/<strong>2022</strong> Vol. 38 Dosis 435
Johdanto<br />
Tuoreen kotimaisen katsauksen perusteella<br />
Suomessa on tehty runsaasti apteekkeihin ja<br />
apteekkipalveluihin liittyvää tutkimusta viimeisen<br />
kymmenen vuoden aikana (Dimitrow<br />
ym. 2021). Yleisin tutkimusaihe on ollut lääkeneuvonta.<br />
Muita suosittuja tutkimuskohteita<br />
ovat olleet apteekkipalvelujen kehittäminen ja<br />
johtaminen, sähköinen lääkemääräys, suorakorvausjärjestelmän<br />
toteutuminen ja lääkkeisiin<br />
liittyvät apteekkien palvelutoiminnat,<br />
esimerkiksi koneellinen annosjakelu ja lääkehoidon<br />
arviointi. Apteekkien asiakkaiden tai<br />
lääkkeiden käyttäjien näkökulmaa apteekkipalveluihin<br />
on perinteisesti tutkittu erilaisilla<br />
kyselytutkimuksilla.<br />
Lääkeneuvonnalla on sekä yksilö- että<br />
yhteiskuntatasolla suuri merkitys turvallisen<br />
ja vaikuttavan lääkehoidon toteutumisessa<br />
(Järvinen ym. 2013). Lääkeneuvontaa asiakasnäkökulmasta<br />
selvittäneissä tutkimuksissa<br />
on tutkittu lääkkeiden käyttäjien tiedontarpeita,<br />
lääkeneuvonnan toteutumista ja neuvonnan<br />
saantia eri lähteistä (Dimitrow ym.<br />
2021). Tutkimusten mukaan lääkkeiden käyttäjien<br />
keskeisimmät tiedonlähteet lääkkeistä<br />
ovat apteekin farmaseuttinen henkilöstö,<br />
pakkausseloste, lääkäri ja internet (Hämeen-<br />
Anttila 2014, Taloustutkimus 2018, Mononen<br />
ym. 2019, Taloustutkimus 2020). Tätä taustaa<br />
vasten on yllättävää, ettei sosiaalisen median<br />
aineistoja ole hyödynnetty apteekkien asiakasnäkökulman<br />
tutkimuksessa.<br />
Lääkealan tutkimuksessa kysely on yleinen<br />
ja tärkeä tutkimusmenetelmä (Pohjanoksa-<br />
Mäntylä ja Turunen 2021). Siihen liittyy kuitenkin<br />
myös haasteita. Esimerkiksi kyselyn vastausprosentti<br />
voi jäädä alhaiseksi. Viime vuosina<br />
vastausprosentit ovat olleet väestökyselyissä<br />
noin 20 % ja apteekkien asiakkaille toteutetuissa<br />
kyselyissä 35–44 % (Silvennoinen ym.<br />
2018, Lämsä ym. 2019, Pirilä ym. 2019, Sarnola<br />
ym. 2019, Dimitrow ym. 2021, Sääskilahti ym.<br />
2021). Kyselyille on myös tyypillistä, että tietyt<br />
väestöryhmät vastaavat niihin muita aktiivisemmin,<br />
jolloin vastaajajoukko voi vääristyä.<br />
Tällaisia vastaajaryhmiä väestökyselyissä ja<br />
apteekkien asiakkaille tehdyissä kyselyissä ovat<br />
olleet esimerkiksi naiset, iältään vanhemmat tai<br />
ikääntyvät ja korkeasti koulutetut (Järvisilta ym.<br />
2018, Silvennoinen ym. 2018, Pirilä ym. 2019,<br />
Sarnola ym. 2019, Louhisalmi ym. 2020, Sääskilahti<br />
ym. 2021). Kyselyissä tietoisuus tutkimuksesta<br />
ja tutkijoista voi myös vaikuttaa vastaajan<br />
antamiin vastauksiin (Pohjanoksa-Mäntylä ja<br />
Turunen 2021). Lisäksi kyselyillä voidaan selvittää<br />
vain ennalta määrättyä sisältöä ja tulokset<br />
voivat jäädä pinnallisiksi.<br />
Sosiaalisen median käyttö Suomessa on<br />
yleistä (Media-alan tutkimussäätiö <strong>2022</strong>), ja<br />
sinne kertyy päivittäin valtavat määrät aineistoja.<br />
Sosiaalisen median käytön lisäännyttyä<br />
myös sieltä koostettujen aineistojen käyttö<br />
tutkimuksessa on yleistynyt nopeasti (Kosonen<br />
ym. 2018). Nämä aineistot eivät korvaa kyselytutkimuksia,<br />
mutta ne voivat tarjota vaihtoehtoisen<br />
tavan tutkia myös asiakasnäkökulmaa<br />
(Lagus ym. 2016) esimerkiksi lääkkeiden käyttäjien<br />
tiedontarpeisiin tai apteekkipalveluihin<br />
liittyen. Aineistojen laajuuden vuoksi niiden<br />
käsittely kvalitatiivisin tutkimusmenetelmin<br />
on haasteellista, koska perinteinen kvalitatiivinen<br />
analyysi on tyypillisesti aikaavievää<br />
ja laajojen aineistojen luokittelussa luotettavuuden<br />
säilyttämiseen voi liittyä haasteita. Erilaiset<br />
frekvenssien visualisointiin pohjautuvat<br />
kvantitatiiviset menetelmät, kuten tässä tutkimuksessa<br />
sovellettavat aihemallinnus ja korrespondenssianalyysi,<br />
voivat edesauttaa kvalitatiivisen<br />
analyysin tekemistä tunnistamalla<br />
keskeisiä keskusteluteemoja.<br />
Aihemallinnus on ohjaamattomaan oppimiseen<br />
perustuva koneoppimisen tutkimusmenetelmä,<br />
joka mahdollistaa laajojen tekstiaineistojen<br />
automaattisen ryhmittelyn (Kyröläinen<br />
ja Laippala 2020). Menetelmän perusajatuksena<br />
on, että aineisto koostuu aiheista,<br />
joista kukin muodostuu tekstissä yhdessä<br />
esiintyvistä sanoista. Haasteena on kuitenkin<br />
se, että menetelmä edellyttää tutkijalta valintoja,<br />
kuten koneoppimismenetelmän valinta,<br />
aineiston esikäsittelyn toteutustapa ja aiheiden<br />
määrä. Lisäksi tutkijan on kyettävä tulkitsemaan<br />
koneoppimisen tulokset. Tämä edellyttää<br />
tutkimusaiheen tuntemusta, mutta toisaalta<br />
myös tulosten objektiivista tulkintaa. Näitä<br />
haasteita konkretisoi puoluekentän muutoksen<br />
viitekehyksessä toteutettu esimerkki, jossa eri<br />
tutkijat päätyivät valitsemaan samasta aineistosta<br />
erilaisen määrän aiheita. Valittujen aiheiden<br />
määrä vaikutti myös tulosten tulkintaan<br />
(Nelimarkka 2019).<br />
Korrespondenssianalyysi on 1980-luvulla<br />
kehitetty monimuuttujatilastomenetelmä,<br />
joka perustuu aineiston sanojen ristiintaulukointiin<br />
sekä havaittujen ja odotettujen frekvenssien<br />
visualisointiin (Greenacre 1984). Näin<br />
voidaan kuvata sanojen esiintymistiheyttä<br />
sekä sitä, mitkä sanat esiintyvät tyypillisesti<br />
yhdessä. Tämä helpottaa laadullisen analyysin<br />
tekemistä edistämällä teemojen tunnistamista.<br />
Toisin kuin aihemallinnus, menetelmän<br />
käyttö ei edellytä parametrien kuten aiheiden<br />
määrän valintaa, mutta tulosten tulkinta edellyttää<br />
kuitenkin tutkimusaiheen tuntemusta.<br />
Tässä tutkimuksessa kuvaamme aihemallinnuksen<br />
ja korrespondenssianalyysin soveltamista<br />
apteekeista käytävän verkkokeskustelun<br />
aiheiden tunnistamiseen konkretisoiden<br />
menetelmien etuja, haasteita ja soveltamisen<br />
edellytyksiä.<br />
Aineisto ja menetelmät<br />
Suomi24-korpus<br />
Tutkimuksen aineisto koostui Suomi24-keskustelupalstalla<br />
vuosina 2001–2017 käydyistä<br />
keskusteluista (Suomi24-korpus 2001–2017).<br />
Sisältöanalyysin mahdollistamiseksi Kielipankki<br />
on lemmannut aineistot, eli eri sijamuotojen<br />
sanat on muutettu perusmuotoon,<br />
mikä mahdollistaa sanojen frekvenssilaskennan.<br />
Sama aineisto on saatavilla kaikille käyttäjille<br />
rekisteröitymättä Kielipankin Korp-hakukäyttöliittymän<br />
kautta (www.kielipankki.fi).<br />
Tutkimuksen toteuttamisajankohtana aineisto<br />
oli saatavilla vuosilta 2001–2017, mutta tällä<br />
hetkellä myös vuosien 2018–2020 aineistot<br />
ovat saatavilla (Suomi24-korpus 2018–2020).<br />
Suomi24-keskustelupalsta (www.suomi24.fi)<br />
on Suomen ensimmäisiä sosiaalisia medioita.<br />
Se sisältää 21 päätason keskustelualuetta ja 412<br />
alatasoa. Kustakin viestistä on saatavilla metatietoa,<br />
kuten kirjoittajan nimimerkki, onko kirjoittaja<br />
rekisteröitynyt, kirjoittamisen päivämäärä<br />
ja kellonaika sekä aihealue, jossa viesti<br />
sijaitsee.<br />
Suomi24-keskustelupalstalle voi kirjoittaa<br />
rekisteröityneenä käyttäjänä tai anonyymisti.<br />
Suurin osa viesteistä kirjoitetaan anonyymisti.<br />
Esimerkiksi vuosina 2001–2015 tällä keskustelupalstalla<br />
oli noin 60 000 rekisteröityä käyttäjää<br />
(Lagus ym. 2016) ja samana ajanjaksona<br />
rekisteröityneiden käyttäjien viestien osuus<br />
kaikista viesteistä oli 7–8 %. Samalla käyttäjällä<br />
voi olla myös useampia rekisteröityjä<br />
käyttäjänimiä.<br />
Suomi24-korpus on tallennettu Helsingin<br />
yliopiston Citizen Mindscapes -hankkeessa<br />
perustettuun Social Media Toolbox -tietokantaan<br />
(Lin ja Alho 2020). Tämän tutkimuksen<br />
aineisto haettiin Social Media Toolboxin kautta<br />
ja rajattiin viesteihin, joissa esiintyi ”apteekki”<br />
lemma. Aineisto sisälsi yhteensä 126 991 viestiä<br />
88 930 keskusteluketjusta. Viesteissä oli<br />
yhteensä 10 448 035 sanaa.<br />
Aineiston esikäsittely,<br />
visualisointi ja analysointi<br />
Lemmatun aineiston alustava kuvailu toteutettiin<br />
käyttämällä avuksi sanapilveä, jossa sanan<br />
kirjasinkoko, väri ja sijainti sanapilvessä ovat<br />
suoraan verrannollisia sen frekvenssiin aineistossa.<br />
Sanapilvi on yksinkertainen kuvailumenetelmä,<br />
joka kuvaa ainoastaan sanojen yleisyyttä<br />
aineistossa, eikä sen avulla voida arvioida<br />
esimerkiksi kontekstia tai sitä, mitkä sanat<br />
esiintyvät yhdessä. Sanapilvi toteutettiin R:n<br />
wordcloud -paketilla ja sitä hyödynnettiin esikäsittelyssä<br />
hukkasanojen (stop words) tunnistukseen.<br />
Näitä ovat yleiset sanat kuten konjunktiot<br />
ja tietyt verbit esim. ”ja”, ”tai”, ”olla”<br />
sekä hyvin harvinaiset sanat tai hyvin yleiset<br />
sanat, jotka eivät ole tutkimusaiheen kannalta<br />
informatiivisia. Tässä tutkimuksessa<br />
hukkasanoiksi määriteltiin seuraavat sanat<br />
”hän”, ”myös”, ”redacted”, ”että”, ” tämä”, ”<br />
mikä”, ”apteekki”, ”saada”, ”voida”, ”http”,<br />
”1”, ”2”, ”3”, ”4”, ”5”, ”6”, ”7”, ”8”, ”9”, ”10”,<br />
”15”, ”20”, ”n”, ”50”, ”100”, ”taitaa”, ”jättää”,<br />
”sekä”, ”päästä”, ”näin”, ”mut”, ”niisi”, ”sä”,<br />
”ku”, ”mm”, ”ym”, ”sit”, ”yhtä”, ”toi”, ”ehkä”,<br />
”mä”, ”ettäei”, ”minä”, ”sinä”, ”enää”, ”tällä”,<br />
”iltä”, ”mennä”, ”kyllä”, ”juttu”, ”viedä”, ”sellainen”,<br />
”lähteä”, ”mikään”, ”pitää”, ”vielä”,<br />
”euro”, ”sillä”, ”siellä”, ”tänään”, ”puoli”,<br />
”jäädä”, ”viiva”, ”suomi”, ”täällä”, ”tosiaan”,<br />
”lukeanähdä”, ”tuoda”, ”päälle”, ”pystyä”,<br />
”niminen”, ”enemmän”, ”sieltä”, ”täysin”,<br />
”nykyään”, ” tapa”, ”kuulemma”, ”näkyä”,<br />
”nähdä”, ”yleensä”, ”päivä”, ”aamu”, ”tunti”,<br />
”kohta”, ”kulua”, ”vasta”, ”odottaa”, ”määrä”,<br />
”ilta”, ”lisäksi”, ”todeta”, ”lähes”, ”kulua”, ”erittäin”,<br />
”käyttää”, ”tehdä”, ”jälkeen”, ”laittaa”,<br />
436 Dosis Vol. 38 4/<strong>2022</strong> © Suomen Farmasialiitto ry Suomen Farmasialiitto ry © 4/<strong>2022</strong> Vol. 38 Dosis 437
”ottaa”, ”no” sekä ”tää”. Koska aineistomme<br />
oli rajattu apteekkeja käsitteleviin viesteihin,<br />
myös kaikissa aineiston viesteissä esiintyvä<br />
”apteekki” määritettiin hukkasanaksi. Hukkasanojen<br />
poistamisen jälkeen aineistossa oli<br />
4 987 596 sanaa. Identtisiä sanoja oli 64 909.<br />
Aihemallinnus toteutettiin Latent Dirichlet<br />
Allocation (LDA) -menetelmällä (Blei, 2003).<br />
Aiheiden määrän valinnalle (parametri k) ei<br />
ole nyrkkisääntöä, vaan tyypillisesti LDA-analyysi<br />
toistetaan samalle aineistolle useammalla<br />
arvolla saatuja tuloksia verraten, jolloin voidaan<br />
arvioida, kuinka riippuvaisia tunnistetut teemat<br />
ovat aihemäärän valinnasta. Alustavaksi aiheiden<br />
määräksi k valittiin 10, ja näiden tulosten<br />
tarkastelun jälkeen tunnistettujen teemojen<br />
perusteella aiheiden määräksi valittiin viisi.<br />
LDA-analyysissä kullekin viestille (eli<br />
dokumentille) laskettiin aiheiden jakauma,<br />
ja kullekin sanalle jakauma aiheisiin kuulumisesta<br />
(ns. Document Term Matrix, DTM)<br />
(Silge ja Robinson 2017). Tulkintavaiheessa<br />
aiheittain saadut sanalistat tulkittiin ja aiheet<br />
nimettiin. Sanalistoja tulkitsivat kaikki tutkijat,<br />
minkä jälkeen tulkintoja täsmennettiin<br />
yhdessä. Koska aiheiden nimeäminen on subjektiivinen<br />
tulkinta, aiheita validoitiin alkuperäisiä<br />
keskusteluja lukien.<br />
Korrespondenssianalyysissa DTM muunnetaan<br />
standardikoordinaattimatriisiksi,<br />
josta johdettujen vakiokoordinaattien ulottuvuuksien<br />
avulla tulokset voidaan visualisoida<br />
(Greenacre 1984). Ulottuvuuksia voidaan ajatella<br />
analogisesti esimerkiksi faktorianalyysin<br />
kanssa: järjestysluvultaan ensimmäiset ulottuvuudet<br />
kattavat suurimman osan aineiston<br />
informaatiosta. Tämän vuoksi useimmin<br />
kuvaajassa esitetään vain kaksi ensimmäistä<br />
ulottuvuutta. Visualisointi tapahtuu tyypillisimmin<br />
sirontakuviona kaksiulotteisessa<br />
koordinaatistossa, jolloin syntyvässä yksilömuuttujakuviossa<br />
(bikuvio) toisiaan lähellä<br />
olevat lemmat tai keskusteluaiheet sijoittuvat<br />
lähekkäin. Lemmat ja keskusteluaiheet voidaan<br />
kuvata keskenään samassa kuviossa, jolloin<br />
voidaan hahmottaa keskustelualueiden ja lemmojen<br />
välisiä yhteyksiä. Ne voidaan myös esittää<br />
omissa kuvioissaan paremman visualisoinnin<br />
vuoksi. LDA-analyysi ja korrespondenssianalyysi<br />
toteutettiin R-paketeilla topicmodels,<br />
FactoMineR ja factoextra.<br />
Tulokset<br />
Apteekeista käydyn<br />
verkkokeskustelun määrä<br />
Apteekkeihin liittyvien keskusteluja määrä<br />
kasvoi vuodesta 2001 lähtien, ja eniten keskusteluja,<br />
noin 1200 viestiä kuukaudessa, käytiin<br />
vuosina 2005–2008. Sen jälkeen viestien määrä<br />
puolittui vuosina 2009–2013 ja jatkoi laskuaan<br />
vuoden 2014 jälkeen (Liite 1a). Apteekkiin<br />
liittyvien keskustelujen määrän kehittyminen<br />
seurasi Suomi24-keskustelupalstan kokonaisviestien<br />
määrän kehitystä (Liite 1b).<br />
Suurin osa apteekkeihin liittyvistä keskusteluista<br />
käytiin ”Terveys”-keskustelualueella,<br />
mutta runsaasti keskustelua käytiin<br />
myös keskustelualueilla ”Perhe”, ”Paikkakunnat”,<br />
”Lemmikit” sekä ”Muoti ja Kauneus”<br />
(Taulukko 1). ”Terveys”-keskustelualueella<br />
käyty keskustelu jakautui useammalle alatasolle,<br />
joista yleisimmät olivat ”Sairaudet”<br />
ja ”Lääkkeet”. ”Perhe”-keskustelualueen<br />
alatasoista selkeästi yleisin oli ”Raskaus”.<br />
”Paikkakunnat”-keskustelualueella keskustelu<br />
oli aktiivisinta alatasoilla ”Lappi” ja ”Pohjois-<br />
Pohjanmaa”. ”Lemmikki”-keskustelualueen<br />
alatasoista suosituimmat olivat ”Koirat” ja<br />
”Kissat”. ”Muoti ja kauneus”-keskustelualueella<br />
eniten apteekkeihin liittyvää keskustelua<br />
käytiin ”Ihonhoito”-alatasolla.<br />
Lisäksi keskustelua käytiin ryhmissä ”Ryhmät”<br />
(3 979 viestiä), ”Seksi” (3 253 viestiä) ja<br />
”Suhteet” (2 634 viestiä), mutta näillä alueilla<br />
käyty keskustelu jätettiin aihemallinnuksen ja<br />
korrespondenssianalyysin ulkopuolelle, sillä<br />
keskustelu oli pääsääntöisesti seksin harrastamisesta<br />
ja siihen liittyvistä asioista käytyä<br />
keskustelua, joka ei liittynyt apteekkipalveluihin.<br />
Myös ”Matkailu”-alueella käyty keskustelu<br />
(5 634 viestiä) jätettiin pois analyyseista,<br />
sillä siellä pohdittiin lähinnä apteekkipalveluita<br />
ja lääkkeiden laatua ulkomailla. Lisäksi,<br />
”Ajanviete”-alueella (2 128 viestiä) käyty, pääosin<br />
apteekkiaiheisia vitsejä sisältänyt keskustelu<br />
suljettiin pois tutkimusaineistosta<br />
.<br />
Verkkokeskustelujen sisällön<br />
kvantitatiivinen analyysi<br />
Aineistosta tuotetut sanapilvet kuvaavat hukkasanojen<br />
poiston merkitystä. Hukkasanojen<br />
poistoa edeltäneessä sanapilvessä (Kuva 1a)<br />
Taulukko 1. Apteekkeihin liittyvien viestien lukumäärät ja prosenttiosuudet Suomi24-keskustelupalstalla<br />
pää- ja alatasoittain.<br />
Päätaso (apteekkiin<br />
liittyvien viestien<br />
lukumäärä / %)<br />
(n = 126 991)<br />
Terveys<br />
(47 937 / 37,75)<br />
Perhe<br />
(14 190 / 11,17)<br />
Paikkakunnat<br />
(9 489 / 7,42)<br />
Yhteiskunta<br />
(8 658 / 6,82)<br />
Lemmikit<br />
(8 475 / 6,67)<br />
Muoti ja kauneus<br />
(8 344 / 6,57)<br />
Alataso<br />
Sairaudet<br />
Lääkkeet<br />
Naisten terveys<br />
Raskaus<br />
Lasten saaminen<br />
Lasten kehitys<br />
Lappi<br />
Pohjois-Pohjanmaa<br />
Pohjois-Karjala<br />
Maailman menoa<br />
Uskonnot ja uskomukset<br />
Politiikka<br />
Koirat<br />
Kissat<br />
Jyrsijät ja kanit<br />
Ihonhoito<br />
Lävistykset<br />
Kauneudenhoito<br />
Alatason apteekkiin liittyvien<br />
viestien lukumäärä (osuus<br />
päätason apteekkiviesteistä %)<br />
16 048 (33,47)<br />
4 849 (10,12)<br />
4 461 (9,31)<br />
6 644 (46,82)<br />
2 430 (17,13)<br />
2 236 (15,76)<br />
868 (9,15)<br />
858 (9,04)<br />
721 (7,60)<br />
2 600 (30,03)<br />
1 893 (21,86)<br />
1 841 (21,26)<br />
3 632 (42,86)<br />
3 173 (37,44)<br />
999 (11,79)<br />
4 051 (48,55)<br />
1 118 (13,40)<br />
925 (11,09)<br />
esiin nousevat ”apteekki” sanan ohella hyvin<br />
epäspesifit sanat (esimerkiksi ”saada”, ”voida”<br />
ja ”se”). Hukkasanojen poiston, mukaan lukien<br />
sana ”apteekki”, jälkeisestä sanapilvestä<br />
(Kuva 1b) erottuu mielekkäämpiä lemmaryhmiä.<br />
Yleisin sana on ”lääke” ja seuraavaksi<br />
yleisimpiä sanoja ovat ”hyvä” ja ”lääkäri” sekä<br />
”resepti”, ”tarvita”, ”kokeilla”, ”ihminen”,<br />
”tuote” ja ”hakea”. Myös eläinlääkintään viittaavat<br />
sanat (”kissa”, ”koira” ja ”eläin”) sekä<br />
toisaalta terveydentilaa tai oireilua (”raskaus”,<br />
”ongelma”, ”oire”, ”kipu”) ja tietyntyyppistä<br />
tuotetta kuvaavat sanat (”voide”, ”pilleri”,<br />
”vitamiini”, ”testi”) ovat suhteellisen yleisiä.<br />
Vaikka sanapilven perusteella ei voida suoraan<br />
päätellä aiheita tai sitä, mitkä sanat esiintyvät<br />
yhdessä, siitä voidaan jo tehdä alustavia perusteluja<br />
keskusteluaiheista. Sanapilven (Kuva 1b)<br />
perusteella keskustelua käydään paljon lääkkeisiin<br />
liittyen, mutta myös tuotekokemusten<br />
ympärillä. Sanapilvestä ei nouse esiin spesifejä<br />
sairauksia tai lääkkeitä. Raskaus ja raskaustestit<br />
ovat selkeimmät tiettyyn terveydentilaan<br />
liittyvät lemmat.<br />
Korrespondenssianalyysissa ensimmäinen<br />
ulottuvuus selitti 30,8 % aineiston kokonaisvarianssista,<br />
toinen ulottuvuus 26,9 % ja kolmas<br />
23,9 %, eli nämä kolme ulottuvuutta selittivät<br />
81,6 % kuuden keskustelualueen lemmavaihteluista.<br />
Kahden ensimmäisen ulottuvuuden<br />
bikuvion (Kuva 2) perusteella keskustelualueet<br />
”Muoti ja Kauneus” ja ”Lemmikit” poikkeavat<br />
eniten muista alueista. Lemmikkikeskustelun<br />
kanssa keskittyvät lemmat liittyvät kissoihin<br />
ja koiriin ja niiden loisiin, ruokaan ja ripuliin.<br />
”Muoti ja Kauneus” keskusalueen lähelle sijoittuvat<br />
lemmat liittyvät johdonmukaisesti eri<br />
kosmetiikkatuotteisiin sekä tiettyihin kehon-<br />
438 Dosis Vol. 38 4/<strong>2022</strong> © Suomen Farmasialiitto ry Suomen Farmasialiitto ry © 4/<strong>2022</strong> Vol. 38 Dosis 439
osiin. ”Paikkakunnat” ja ”Yhteiskunta” keskustelualueet<br />
sijoittuvat lähelle toisiaan. Niiden<br />
lähelle sijoittuvat lemmat liittyvät muihin<br />
palveluihin (”poliisi”, ”liike”, ”kauppa”, jne.)<br />
sekä maksuihin ja veroihin. ”Perhe” ja ”Terveys”<br />
keskustelualueen lähelle sijoittuvat lemmat<br />
liittyvät raskauteen ja naisten lisääntymisterveyteen<br />
sekä erilaisiin naisten intiimialueiden<br />
vaivoihin ja niiden hoitoon. Ulottuvuuksien<br />
1 ja 3 sekä 2 ja 3 väliset bikuviot on esitetty<br />
Liitteessä 2.<br />
LDA (Latent Dirichlet Allocation) -menetelmällä<br />
tunnistetut aiheet ja lemmalistat (k = 10,)<br />
on esitetty Kuvassa 3. Lemmalistojen perusteella<br />
keskustelua käydään paljon apteekin<br />
erilaisista tuotteista. Esille nousevat ihonhoitotuotteet,<br />
raskaustesti, reseptilääkkeet sekä<br />
kissojen ja koirien hoito. Keskustelua käydään<br />
ihonhoitotuotteiden erilaisista tuotesarjoista<br />
ja niiden kokeilemisesta. Reseptilääkkeisiin<br />
liittyen keskustellaan lääkärissä käymisestä,<br />
lääkkeiden käyttämisestä ja vaikutuksesta<br />
sekä niiden hinnoista. Lemmalistojen perusteella<br />
aiheet 1 ja 3 vaikuttavat liittyvän raskausja<br />
lapsiaiheiseen keskusteluun, aiheet 2, 6, 7 ja<br />
9 keskusteluun reseptilääkkeistä ja erilaisista<br />
oireista, aihe 4 yhteiskunta- ja palvelukeskusteluun,<br />
aiheet 5 ja 10 ihon-, hiusten- ja kauneudenhoitoon<br />
sekä aihe 8 lemmikkieläinten<br />
lääkintään ja hoitoon. Lemmalistoissa on kuitenkin<br />
merkittävää päällekkäisyyttä: ”lääke” ja<br />
”lääkäri” toistuvat monessa aiheessa, samoin<br />
lemmat ”iho”, ”hyvä”, ”tuote” ja ”kokeilla”.<br />
Näin ollen parametrin k arvon pienentäminen<br />
on perusteltua.<br />
Kun LDA-analyysi toistetaan aiheiden lukumäärällä<br />
viisi (k = 5, Kuva 4), lemmalistat ovat<br />
spesifimpiä, vaikkakin lääkäri ja lääke toistuvat<br />
edelleen useammissa aiheissa. Nyt aiheen 1<br />
lemmat kuitenkin liittyvät selkeästi raskausaiheiseen<br />
keskusteluun, aiheen 2 ihonhoitoon ja<br />
aiheen 4 eläintenhoitoon ja lääkintään. Vaikka<br />
aiheen 4 yleisimmät lemmat ovat ”kissa” ja<br />
”koira”, päädyimme käyttämään aihenimessä<br />
kattavampaa käsitettä, sillä ilman viestien<br />
lukemista emme voi arvioida, onko keskustelua<br />
käyty myös muiden eläinten hoidosta. Aiheen<br />
2 lemmalistassa on mukana myös ”hius”, joskaan<br />
se ei esiinny yleisimpien lemmojen joukossa.<br />
Aihe 3 vaikuttaa liittyvän reseptilääkkeistä<br />
käytävään keskusteluun ja aihe 5 yleiseen<br />
palveluista käytävään keskusteluun.<br />
Kuva 1. Sanapilvi, joka on koostettu (a) kaikista ”apteekki”-lemman sisältäneen tutkimusaineiston<br />
viesteistä ja (b) hukkasanojen poiston jälkeisestä aineistosta. (Myös sana ”apteekki” on poistettu<br />
kuvan b sanapilvestä.)<br />
Kuva 2. Korrespondenssianalyysin kahden ensimmäisen ulottuvuuden muodostama bikuvio.<br />
Keskustelualueet on kuvattu sinisillä ja lemmat punaisilla symboleilla. Kuva on jaettu kahteen osaan,<br />
liitoskohta on merkitty symbolilla ”+”.<br />
440 Dosis Vol. 38 4/<strong>2022</strong> © Suomen Farmasialiitto ry Suomen Farmasialiitto ry © 4/<strong>2022</strong> Vol. 38 Dosis 441
Lemma<br />
Verkkokeskustelujen aiheiden<br />
tulkinnan validoiminen<br />
alkuperäistekstien perusteella<br />
Edellä kuvattujen kvantitatiivisten analyysien<br />
perusteella apteekeista Suomi24-palstalla<br />
käyty keskustelu voidaan ryhmitellä karkeasti<br />
viiteen aiheeseen. Aiheisiin liittyvät keskustelut<br />
kerättiin tulkintojen alustavaa validointia<br />
varten Kielipankin hakutyökalulla (https://<br />
korp.csc.fi). Kustakin aiheesta on poimittu 3–5<br />
lausetta (Taulukko 2). Viestien perusteella keskustelupalstalta<br />
haettiin vastauksia hyvin erilaisiin<br />
apteekkituotteita ja -palveluita koskeviin<br />
kysymyksiin sekä jaettiin käyttäjäkokemuksia<br />
ja suosituksia hyväksi koetuista tuotteista.<br />
Keskustelujen lukemisen perusteella<br />
LDA-analyysin (k = 5) aihetulkinnat vaikuttavat<br />
mielekkäiltä, joskin aiheen 5 viesteissä<br />
käytiin keskustelua myös tuotekokemuksista.<br />
Tämä ei näkynyt lemmalistoissa. Myös aiheen 3<br />
tulkinta (reseptilääkkeistä käytävä keskustelu)<br />
täsmentyi viestien lukemisen perusteella kattamaan<br />
myös reseptilääkkeiden hinnat.<br />
Pohdinta<br />
Kvantitatiivisen analyysin, kuten korrespondenssianalyysin<br />
ja erilaisten aihemallinnusmenetelmien<br />
avulla pystytään käsittelemään<br />
laajaa tekstimuotoista aineistoa suhteellisen<br />
nopeasti edellyttäen, että aineisto on<br />
lemmattu (Kukkaniemi ja Lehtomäki 2020).<br />
On kuitenkin hyvä huomioida, että tällaisten<br />
menetelmien käyttö edellyttää tutkijalta<br />
useita valintoja (mm. hukkasanalistat, aineiston<br />
muu rajaaminen, aiheiden määrä), jotka<br />
voivat vaikuttaa tuloksiin merkittävästi, ja näiden<br />
vaiheiden kuvaaminen on tärkeää muun<br />
muassa tutkimuksen toistettavuuden ja validiteetin<br />
arvioinnin näkökulmasta. Aivan kuten<br />
Lemman jakautuminen aiheittain<br />
Kuva 3. LDA (Latent Dirichlet Allocation) -analyysin tulokset lemmojen jakautumisesta aiheittain, k = 10.<br />
Pylvään pituus kuvaa lemman esiintymistodennäköisyyttä aiheessa.<br />
Lemma<br />
Kuva 4. LDA (Latent Dirichlet Allocation) -analyysin tulokset lemmojen jakautumisesta aiheittain, k = 5.<br />
numeerisessakin aineistossa, myös tekstimuotoisessa<br />
aineistossa aineiston kuvailu on tarpeellista<br />
sen ymmärtämiseksi. Lisäksi on tärkeää<br />
ymmärtää, ettei esimerkiksi LDA- tai korrespondenssianalyysin<br />
tulosten tulkinta ilman<br />
alkuperäisten viestien lukemista ole mielekästä<br />
ja tutkimusaineiston muodostuminen ja analyysi<br />
on hyvä hahmottaa iteratiivisena prosessina.<br />
Tutkimuksessamme päädyimme esimerkiksi<br />
rajaamaan tietyt keskustelualueet aineiston<br />
ulkopuolelle.<br />
Aihemallinnuksen tulosten perusteella<br />
Suomi24-keskustelualueella käytiin runsaasti<br />
apteekkeihin liittyvää keskustelua tutkimusajanjaksolla.<br />
Keskustelujen määrässä oli myös<br />
selvää ajallista vaihtelua, joka seurasi keskustelupalstan<br />
kokonaisviestien kehitystä. Keskustelujen<br />
määrä oli suurimmillaan vuonna<br />
2007 ja väheni sen jälkeen tasaisesti. Keskustelun<br />
selkeä väheneminen 2010 jälkeen johtuu<br />
todennäköisesti muiden sosiaalisten medioiden,<br />
kuten Facebookin, Twitterin, WhatsAppin<br />
ja Instagramin, käytön yleistymisestä (Mediaalan<br />
tutkimussäätiö <strong>2022</strong>).<br />
Apteekkeihin liittyvää keskustelua käytiin<br />
monilla eri keskustelualueilla. Eniten keskustelua<br />
käytiin Terveys-keskustelualueella Sairaudet<br />
ja Lääkkeet -osioissa. Tässä kvantitatiivisessa<br />
analyysissa tietyt lääkkeet tai sairaudet<br />
eivät kuitenkaan nousseet esiin. Keskustelualueilla<br />
käyty apteekkikeskustelu teemoittui<br />
seuraavasti: raskaus, ihon- ja hiustenhoito,<br />
reseptilääkkeet ja niiden hinnat, eläintenhoito<br />
Lemman jakautuminen aiheittain<br />
ja lääkintä sekä apteekkipalvelut yleensä. Keskusteluissa<br />
näkyi hyvin selkeästi käyttäjäkokemusten<br />
tarve sekä neuvojen hakeminen spesifeihin<br />
tilanteisiin (esim. raskaustestin ostaminen,<br />
lääkkeen anto eläimelle). Vertaistuen<br />
hakeminen keskustelupalstoilta on havaittu<br />
myös aikaisemmissa tutkimuksissa (Pohjanoksa-Mäntylä<br />
ym. 2009, Tiihonen ym. 2014).<br />
Tässä tutkimuksessa esiin nousseet keskusteluaiheet<br />
ja alueet liittyivät selkeästi naisiin,<br />
ja merkittävä osa keskustelusta käytiin<br />
alueilla ”Raskaus” ja ”Naisten terveys”. Tulos<br />
vaikuttaisi siis poikkeavan Suomi24-käyttäjiä<br />
kartoittaneesta kyselytutkimuksesta, jonka<br />
perusteella miehet käyttävät Suomi24-palstaa<br />
enemmän kuin naiset (Harju 2018). Toisaalta<br />
kyseisen tutkimuksen vastausprosentti<br />
oli 31 %, jolloin sen päätelmät eivät välttämättä<br />
ole yleistettävissä koko Suomi24-käyttäjäkuntaan.<br />
Lisäksi on hyvä huomioida, ettei tutkimuksessamme<br />
ollut viestien lähettäjien taustatietoja,<br />
jolloin ei voida arvioida sitä, ketkä<br />
keskustelua todella kävivät. Kirjoittajien taustatietojen<br />
puuttuminen onkin yksi Suomi24-<br />
korpuksen heikkous, joka rajoittaa esimerkiksi<br />
keskustelua käyvän joukon edustavuuden arviointia.<br />
Keskustelupalstoille kohdistuvassa tutkimuksessa<br />
on myös hyvä huomioida, että eri<br />
keskustelupalstojen käyttäjäprofiilit voivat<br />
vaihdella, mikä voi vaikuttaa käydyn keskustelun<br />
sisältöön.<br />
Keskustelupalstojen anonymiteetti tarjoaa<br />
turvallisen tavan kirjoittaa arkaluontoisista-<br />
442 Dosis Vol. 38 4/<strong>2022</strong> © Suomen Farmasialiitto ry Suomen Farmasialiitto ry © 4/<strong>2022</strong> Vol. 38 Dosis 443
Taulukko 2. Kielipankin hakutyökalulla tehtyjä poimintoja Suomi24-keskustelupalstan<br />
”apteekki”-lemman sisältäneistä viesteistä aiheittain.<br />
1. Raskauteen liittyvä keskustelu<br />
”Haluaisin kysyä niinkin tyhmää asiaa, että saako raskaustestin apteekin hyllyltä vai pitääkö se<br />
pyytää erikseen tiskiltä niin kuin jotkut reseptilääkkeet?”<br />
”Raskaustestin voi hakea ihan apteekin hyllyltä, eikä ne niin kalliita ole.”<br />
”Tein tänään apteekin raskaustestin mutta näytti negaa.”<br />
2. Ihon- ja hiustenhoitoon liittyvä keskustelu<br />
”Apteekista löytyy myös hyviä ihonhoidon tuotesarjoja (A, B, C)*, joita voit myös kokeilla.”<br />
”Apteekin tuotteet ovat testattuja ja asiantuntija-apuakin varmasti ihonhoidosta saa, jos vain<br />
rohkeasti kysyy.”<br />
”Suosittelen apteekista D* ihonhoitosarjaa.”<br />
”Apteekista saa nykyään hyvää arpivoidetta, jota varmaan kannattaa kokeilla kun teippivaihe on<br />
ohi.”<br />
”Apteekista saa semmosta E* arpivoidetta.”<br />
”Mulle lykättiin apteekisssa käteen F* silmänympärysgeeli kun kyselin arpivoiteita.”<br />
3. Reseptilääkkeisiin ja niiden hintoihin liittyvä keskustelu<br />
”Kaikkein tehokkaimmat lääkkeet on reseptilääkkeitä, joten ei muuta kuin lekurin kautta<br />
apteekkiin niin parantuu aknekin.”<br />
”Aina olen lääkkeeni maksanut itse, jostain reseptilääkkeistä on apteekissa jotain Kelan osuuksia<br />
hyvitetty joskus.”<br />
”Reseptilääkkeet maksavat apteekeissa aivan saman verran, on apteekki sitten Utsjoella tai<br />
Helsingissä.”<br />
”On tullut apteekissa reseptilääkkeitä tosiaan halvemmaksi vaihdettua.”<br />
”Reseptilääkkeitä saa ainoastaan apteekeista, mikään lääkefirma ei reseptilääkkeitä myy netissä.”<br />
4. Eläintenhoitoon ja lääkintään liittyvä keskustelu<br />
”Mun kissa ei suostunut syömään pillereitä, ja soitin Yliopiston apteekin neuvontaan, ja sanoivat,<br />
että ihan hyvin voi murskata ruoan sekaan, ja hyvin söi kissa.”<br />
”Parafiiniöljyä ja ananasmehua voi kanille syöttää pienellä (Kaikkein pienin koko)<br />
injektioruiskulla suoraan suuhun (pyydä ruiskua eläinlääkäriltä tai apteekista).”<br />
”Miten saan 5kk pennun ottamaan matolääketabletin. Murskasin sen ruoan sekaan mutta ei<br />
huolinut ja väkisin syötöstä ei tullut mitään kun se rimpuili niin kovasti.”<br />
5. Apteekkipalveluihin liittyvä keskustelu, tuotesuosittelut<br />
”…nämä apteekkien aukioloajat! Saisivat olla yötä päivää auki mitä noita sulkemaan.”<br />
”Kysykää apteekeista miksi aukioloajat ovat supistuneet.”<br />
”Minä ainakin olen aina ollut TODELLA tyytyväinen apteekin asiakaspalveluun! Yliopiston<br />
Apteekin asiakaspalvelu esimerkiksi päivystää ympäri vuorokauden.”<br />
”Mutta käsittääkseni G* on apteekkituote, ja apteekissahan ei myydä kuin tieteellisesti testattuja<br />
ja toimivia tuotteita.”<br />
”H*, apteekkituote on varma ja tehokas.”<br />
”Koska I* niminen apteekkituote toimii meikällä - sitten toisillakin.”<br />
*Tuotemerkki korvattu kirjaimella<br />
kin asioista, mitä heijastanee esimerkiksi intiimivaivoista<br />
käyty runsas keskustelu. Lisäksi<br />
tällaisessa tutkimuksessa aineisto on kerätty<br />
takautuvasti, jolloin kirjoittajat eivät ole olleet<br />
viestien kirjoitushetkellä tietoisia aineiston<br />
käytöstä tutkimustarkoituksessa ja aineisto<br />
todennäköisesti kuvaa avointa ja aitoa keskustelua.<br />
Tämän voidaan katsoa olevan etu verrattuna<br />
kysely- ja haastattelututkimuksiin, joissa<br />
tietoisuus tutkimuksesta voi vaikuttaa annettuihin<br />
vastauksiin erityisesti arkaluonteisissa<br />
aiheissa (Pohjanoksa-Mäntylä ja Turunen<br />
2021). Toisaalta tämäntyyppisissä aineistoissa<br />
on myös omat harhanlähteensä kuten sosiaalisen<br />
median keskustelun lieveilmiöt (trollaus ja<br />
muut provokaation muodot) sekä se, että sama<br />
viesti voidaan lähettää useamman kerran useammalle<br />
keskustelualueelle nopeamman vastauksen<br />
toivossa. Näin ollen aineiston validiteettiin<br />
vaikuttaa myös se, miten keskustelupalstan<br />
sisältöä valvotaan ja siivotaan ylläpitäjän<br />
toimesta.<br />
Sosiaalisen median aineistojen laajuuden<br />
vuoksi erilaiset kvantitatiiviset menetelmät,<br />
kuten korrespondenssianalyysi ja aihemallinnus<br />
ovat hyviä lisätyökaluja aineiston analyysiin.<br />
On kuitenkin hyvä huomioida, että niiden<br />
tulosten tulkitseminen esimerkiksi aiheiden<br />
osalta voi olla haasteellista ja hyvin subjektiivista<br />
(Nelimarkka 2019, Toikka 2021). Aiheiden<br />
tulkitseminen vaatii aina alkuperäisten viestien<br />
lukemista. Aiheiden tulkintaa voi syventää kvalitatiivisilla<br />
analyysimenetelmillä, kuten sisällönanalyysilla,<br />
joka soveltuu hyvin erilaisten<br />
tekstiaineistojen analyysiin (Tuomi ja Sarajärvi<br />
2018). Lisäksi erilaiset kvantitatiiviset menetelmät<br />
täydentävät toisiaan. Esimerkiksi tässä<br />
tutkimuksessa LDA-analyysin lemmalistojen<br />
ohella sanojen yhdessä esiintymistä hahmotettiin<br />
korrespondenssianalyysin lemmakuvioin,<br />
joilla kuvattiin myös lemmojen esiintymistä<br />
keskustelualueittain. Tällaiset analyysit toteutetaan<br />
tyypillisesti samaan aineistoon useamman<br />
kerran hukkasanoina pidettäviä lemmoja<br />
poistaen. Näin voidaan helpottaa tulosten tulkitsemista.<br />
Toisaalta uhkana on tiedon häviäminen<br />
ja tuloksen vääristyminen, mikäli sanoja<br />
poistetaan liikaa.<br />
Saman lemman eri merkitykset ovat haasteellisia<br />
aihemallinnuksessa, sillä kvantitatiivisin<br />
menetelmin ei voida erotella saman<br />
lemman eri merkityksiä (vrt. sana ”voida”).<br />
Myös aineiston kirjoitusvirheet voivat vääristää<br />
aineistoa, sillä lemmausohjelmat eivät<br />
pysty huomioimaan kaikkia mahdollisia kirjoitusvirheitä<br />
tai murretyylisiä ilmaisuja, jolloin<br />
poikkeavan kirjoitusasun sanat jäävät<br />
tunnistamatta. Lisäksi lemmausohjelmissa<br />
voi olla puutteita sanamuotojen tunnistamisessa.<br />
Esimerkiksi TurkuNLP Finnish Parser<br />
(https://turkunlp.org/finnish_nlp.html), jolla<br />
Suomi24-korpuksen lemmaus toteutettiin,<br />
tulkitsi sanan ”apteekkiisi” sanaksi ”apteekkiisi”<br />
(Haverinen ym. 2013). Lisäksi kvantitatiivisessa<br />
tekstianalyysissä tarkastellaan yksittäisiä<br />
lemmoja kokonaisten viestien sijaan, jolloin<br />
uhkana on sanajärjestyksen, sanamuotojen<br />
ja yksittäisen sanan lähikontekstissa olevien<br />
sanojen merkityksen katoaminen ja siitä johtuvat<br />
virhetulkinnat. Myös yllättävät seikat,<br />
kuten idiomit, joissa esiintyy tutkimusaiheen<br />
avainsana, voivat vaikuttaa tuloksiin, esimerkiksi<br />
tässä tutkimuksessa ”apteekin hyllyltä”<br />
ilmaisu selitti ”hylly”-lemman näkyvyyden<br />
korrespondenssianalyysissa. On siis tärkeää,<br />
että kvantitatiivisten menetelmien lisäksi<br />
aineistoon perehdytään myös lukemalla alkuperäistä<br />
aineistoa.<br />
Tässä tutkimuksessa tunnistettujen aiheiden<br />
tarkempi analyysi, jossa selvitetään keskustelujen<br />
sisältöä syvällisemmin kvantitatiivisilla<br />
analyysimenetelmillä, olisi luonteva<br />
jatkotutkimuksen kohde. Keskustelupalstan<br />
viestien lukeminen tulkintojen validoimiseksi<br />
havainnollisti virheellisten käsitysten ja<br />
virheellisen tiedon olemassaoloa ja toisaalta<br />
tiedon puutetta. Tiedontarpeita ja virheellisiä<br />
käsityksiä voisikin selvittää syvällisemmällä<br />
sisällönanalyysilla esimerkiksi lääkeneuvonnan<br />
kehittämiseksi. Myös ajallisten<br />
vaihteluiden selvittäminen keskusteluaiheissa<br />
olisi kiinnostavaa. Aikaisempien tutkimusten<br />
mukaan internet on yksi keskeisistä lääketiedon<br />
lähteistä (Hämeen-Anttila 2014, Taloustutkimus<br />
2018, Mononen ym. 2019, Taloustutkimus<br />
2020). Mielenkiintoista olisikin<br />
selvittää, millaisista internet-lähteistä tietoa<br />
lääkkeistä etsitään ja miten keskeisessä roolissa<br />
sosiaalinen media on. Sosiaalisen median<br />
käyttö on lisääntynyt 2010-luvulla, ja monet<br />
eri sosiaalisen median kanavat ovat käytöltään<br />
huomattavasti suositumpia kuin Suomi24<br />
444 Dosis Vol. 38 4/<strong>2022</strong> © Suomen Farmasialiitto ry Suomen Farmasialiitto ry © 4/<strong>2022</strong> Vol. 38 Dosis 445
(Media-alan tutkimussäätiö <strong>2022</strong>). Jatkossa<br />
apteekkeihin ja lääkealaan liittyvän keskustelun<br />
tutkimusta olisikin aiheellista tehdä myös<br />
muiden sosiaalisen median kanavien aineistoista.<br />
Kansainvälisesti esimerkiksi Twitterin<br />
ja Facebookin aineistoista on tehty useita tutkimuksia.<br />
Viime aikoina erityisesti rokotteisiin<br />
liittyvä tutkimus on ollut aktiivista (esim. Kornides<br />
ym. <strong>2022</strong>, Ngai ym. <strong>2022</strong> ja Wawrzuta ym.<br />
<strong>2022</strong>). Lisäksi Yu ja Vydiswaran (<strong>2022</strong>) selvittivät,<br />
voidaanko luonnollisen kielenkäsittelyn<br />
menetelmin tunnistaa lääkehaittoja Twitteraineistosta.<br />
Johtopäätökset<br />
Keskustelupalstoille kohdistuvilla asiakasnäkökulmasta<br />
tehdyillä tutkimuksilla voidaan<br />
saada tietoa useista näkökulmista, kuten<br />
kokemuksista lääkkeiden ja muiden apteekista<br />
saatavien tuotteiden käytöstä ja apteekkipalveluista.<br />
Tutkimustuloksia voidaan hyödyntää<br />
esimerkiksi lääkehoitojen toteutumisen, siihen<br />
liittyvän lääkeneuvonnan ja apteekkipalveluiden<br />
kehittämisessä sekä lääkepoliittisen päätöksenteon<br />
tukena. Keskustelupalstojen suuren<br />
aineistomäärän vuoksi kvantitatiiviset tutkimusmenetelmät<br />
ovat hyvä ja käyttökelpoinen<br />
tapa analysoida aineistoa. Kvantitatiivisten<br />
menetelmien käytössä on kuitenkin huomioitava<br />
niihin liittyvät rajoitukset ja se, että analyysin<br />
ja tulkinnan syventäminen vaatii rinnalle<br />
myös kvalitatiivisen analyysin.<br />
Summary<br />
Application of quantitative methods<br />
to support qualitative social media<br />
research: topic modelling on pharmacyrelated<br />
online discussions<br />
Eeva Pylkkö#<br />
BPharm, MSc<br />
School of Pharmacy, University of Eastern Finland<br />
eevapy@uef.fi<br />
Disclosures: nothing to disclose<br />
Anna-Maija Tolppanen*#<br />
PhD<br />
Professor, Academy research fellow<br />
School of Pharmacy<br />
University of Eastern Finland<br />
anna-maija.tolppanen@uef.fi<br />
Disclosures: Research grant from Amgen,<br />
paid through the institution of employment,<br />
outside of submitted work<br />
Johanna Timonen<br />
PhD (Pharm)<br />
Senior Researcher, Adjunct professor<br />
School of Pharmacy, University of Eastern Finland<br />
johanna.timonen@uef.fi<br />
Disclosures: nothing to disclose<br />
Julian Lin<br />
PhD<br />
Senior Researcher<br />
School of Pharmacy<br />
University of Eastern Finland<br />
julian.lin@uef.fi<br />
Disclosures: nothing to disclose<br />
*Correspondence<br />
#Equal contribution<br />
Introduction<br />
Pharmacy-related research has been carried<br />
out with traditional research methods, including<br />
questionnaire surveys. As low response<br />
rates and selection bias are typical challenges<br />
for conducting questionnaire surveys, interpretations<br />
of their findings may be compromised.<br />
Although the increase in use of different<br />
social medias has led to availability of<br />
novel type of research data also in Finland,<br />
they have, so far, not been used in pharmacyrelated<br />
research. The social media data provide<br />
new research opportunities, but their use<br />
also involves challenges. For example, qualitative<br />
content analysis is very laborious due to<br />
the amount of the material. Various quantitative<br />
research methods can contribute to qualitative<br />
analysis by identifying key discussion<br />
topics.<br />
We describe the application of topic modelling<br />
and correspondence analysis to identify<br />
the topics of the pharmacy-related online<br />
discussion, with emphasis on the advantages,<br />
challenges, and conditions of application of the<br />
methods.<br />
Material and methods<br />
The Suomi24 corpus from 2001–2017 was limited<br />
to messages (n = 126991) with the lemma<br />
“apteekki” (pharmacy in Finnish). Word frequency<br />
was visualised using word clouds, and<br />
co-existence of words was described using correspondence<br />
analyses. Latent Dirichlet Allocation<br />
(LDA) was used for topic modelling.<br />
Findings<br />
During the study period, discussions related to<br />
pharmacy took place in various Suomi24 discussion<br />
areas. The discussion activity, as indicated<br />
by the number of messages was highest in<br />
2007, varied over time and reflected the overall<br />
activity in the Suomi24 discussion forums. The<br />
most common discussion area was “Health”<br />
and its sub-level “Diseases”. Specific drugs or<br />
diseases did not emerge in quantitative analysis.<br />
Based on a more detailed examination of<br />
the messages, the discussion areas in which<br />
the discussion was not related to pharmacy<br />
services in Finland (for example, pharmacyrelated<br />
jokes and pharmacy services abroad)<br />
were excluded from the topic modelling.<br />
446 Dosis Vol. 38 4/<strong>2022</strong> © Suomen Farmasialiitto ry Suomen Farmasialiitto ry © 4/<strong>2022</strong> Vol. 38 Dosis 447
The following five topics were observed:<br />
pregnancy, skin and hair care, prescription<br />
drugs and their prices, animal care and medication,<br />
and pharmacy services in general. User<br />
experiences and information for specific situations<br />
(e.g., buying a pregnancy test, giving the<br />
medicine to an animal) were actively sought.<br />
Kirjallisuus<br />
Conclusions<br />
Quantitative methods support, but they cannot<br />
replace qualitative research in text analytics.<br />
The validation of interpretations requires<br />
knowledge of the subject area as well as reading<br />
of the original messages. In addition, the<br />
use of these methods involves several parameter<br />
choices that can affect the results. This<br />
should be considered when conducting the<br />
study as well as when evaluating the results.<br />
As the Internet is one of the main information<br />
sources nowadays, the importance of various<br />
social media as the source of medical information<br />
should be investigated further. More<br />
detailed evaluation of the discussions, for<br />
example through qualitative content analysis,<br />
would also provide more in-depth information<br />
on the discussions, including the specific information<br />
needs of the discussants.<br />
Key words: topic modelling, pharmacy,<br />
content analysis, social media, text analytics,<br />
text mining, online discussion<br />
Sidonnaisuudet<br />
Eeva Pylkkö, Johanna Timonen ja Julian Lin:<br />
Ei sidonnaisuuksia. Anna-Maija Tolppanen:<br />
Tutkimusrahoitus (Amgen).<br />
Blei D, Ng A, Jordan M: Latent<br />
Dirichlet Allocation, Journal of<br />
Machine Learning Research, 3:<br />
993-1022, 2003<br />
Dimitrow M, Airaksinen M,<br />
Jauhonen H-M, Jormanainen V,<br />
Reinikainen L, Hämeen-Anttila K:<br />
Lääkevalmisteiden hintakilpailun<br />
aktivointi ja väestön odotukset<br />
apteekkitoiminnalle Työpaketti 2:<br />
Apteekkipalveluiden laatu ja väestön<br />
odotukset apteekkipalveluille<br />
uudistuvassa sosiaali- ja<br />
terveydenhoitojärjestelmässä.<br />
Valtioneuvoston selvitys- ja<br />
tutkimustoiminnan julkaisusarja<br />
2021:34, Valtioneuvoston kanslia,<br />
Helsinki 2021<br />
Greenacre M.J.: Theory and<br />
applications of correspondence<br />
analysis, Academic Press, 1984<br />
Harju A: Suomi24-keskustelut<br />
kohtaamisten ja törmäysten tilana.<br />
Media ja viestintä, 4: 51–74, 2018.<br />
DOI:org/10.23983/mv.69952<br />
Haverinen K, Nyblom J, Viljanen T<br />
ym: Building the essential resources<br />
for Finnish: the Turku Dependency<br />
Treebank. Language Resources and<br />
Evaluation, 48: 493–531, 2013. DOI:<br />
10.1007/s10579-013-9244–1<br />
Hämeen-Anttila K: Lääketiedon<br />
tarpeet ja lähteet – väestökysely<br />
lääkkeiden käyttäjille. Fimea<br />
kehittää, arvioi ja informoi<br />
-julkaisusarja 2, Lääkealan<br />
turvallisuus- ja kehittämiskeskus<br />
Fimea, 2014<br />
Juhila K: Laadullisen tutkimuksen<br />
ominaispiirteet. Kirjassa: Laadullisen<br />
tutkimuksen verkkokäsikirja. Toim.<br />
Vuori J. Tietoarkisto 12.8.2021.<br />
www.fds.uni.fi/palvelut<br />
Järvinen R, Enlund H, Airaksinen<br />
M, Kleme J, Mononen N, Hämeen-<br />
Anttila K: Lääke informaatio<br />
tutkimus Suomessa – Selvitys<br />
lääkeinformaatioverkoston<br />
toiminnan pohjaksi. Fimea kehittää,<br />
arvioi ja informoi -julkaisusarja<br />
7. Lääkealan turvallisuus- ja<br />
kehittämiskeskus Fimea, 2013<br />
Järvisilta K, Niemelä M, Aaltonen<br />
K, Merikoski M, Hämeen-Anttila K,<br />
Enlund H: Lääkebarometri 2015 –<br />
kyselytutkimusten aineistonkeruu<br />
ja tutkimusseloste. Fimea kehittää,<br />
arvioi ja informoi -julkaisusarja<br />
8. Lääkealan turvallisuus- ja<br />
kehittämiskeskus Fimea, 2018<br />
Kielipankki: Suomi24 -korpus 2001–<br />
2017, VRT-versio 1.1 [tekstikorpus].<br />
Aller Media Oy (viitattu 9.12.2021).<br />
http://urn.fi/urn:nbn:fi:lb-2020021801<br />
448 Dosis Vol. 38 4/<strong>2022</strong> © Suomen Farmasialiitto ry Suomen Farmasialiitto ry © 4/<strong>2022</strong> Vol. 38 Dosis 449
Kielipankki: Suomi24 -korpus 2018–<br />
2020, VRT-versio [tekstikorpus].<br />
City Digital Group (viitattu 9.12.2021).<br />
http://urn.fi/urn:nbn:fi:lb-2021101523<br />
Kornides ML, Badlis S, Head KJ, Putt<br />
M, Cappella J, Gonzalez-Hernadez G:<br />
Exploring content of misinformation<br />
about HPV vaccine on twitter. The<br />
Journal of Behavioral Medicine 27:<br />
1–14, <strong>2022</strong>. DOI: 10.1007/s10865-<br />
022-00342-1<br />
Kosonen M, Laaksonen S-M,<br />
Rydenfelt H, Terkamo-Moisio A:<br />
Sosiaalinen media ja tutkijan etiikka,<br />
Media ja viestintä, 41: 117–124, 2018<br />
Kukkaniemi R, Lehtomäki E:<br />
Luonnollisen suomen kielen<br />
ymmärtäminen koneellisesti,<br />
Informaatioteknologian tiedekunta,<br />
Jyväskylän yliopisto, Jyväskylä 2020<br />
Kyröläinen A-J, Laippala V:<br />
Määrällinen korpuslingvistiikka.<br />
Kirjassa: Kielentutkimuksen<br />
menetelmiä, s. 487–524, Toim.<br />
Luodonpää-Manni M, Hamunen<br />
M, Konstenius R, Miestamo M,<br />
Nikanne U, Sinnemäki K, Suomen<br />
kirjallisuuden seura, Helsinki 2020.<br />
DOI:org/10.2307/j.ctv1qp9hgb<br />
Lagus K, Pantzar M, Ruckenstein<br />
M, Ylisiurua M: Suomi 24 -<br />
muodonantoa aineistolle,<br />
Kuluttajatutkimuskeskus,<br />
Valtiotieteellisen tiedekunnan<br />
julkaisuja 10. Helsingin yliopisto,<br />
Helsinki, 2016<br />
Louhisalmi M, Alajärvi L,<br />
Martikainen J, Timonen J:<br />
Suomalaiset palauttavat lääkejätteen<br />
apteekkiin – kyselytutkimus<br />
käyttämättömien ja vanhentuneiden<br />
lääkkeiden hävityskäytännöistä<br />
aikuisväestölle. Dosis 36:<br />
384−397, 2020<br />
Lämsä E, Timonen J, Ahonen<br />
R: Information received and<br />
information needed on electronic<br />
prescriptions – Finnish pharmacy<br />
customers’ experiences during the<br />
nationwide implementation. Journal<br />
of Pharmaceutical Health Services<br />
Research 10: 81–89, 2019<br />
Media-alan tutkimussäätiö:<br />
Uutismedia verkossa <strong>2022</strong>.<br />
Reuters-instituutin Digital News<br />
Report Suomen maaraportti.<br />
Journalismin, viestinnän ja median<br />
tutkimuskeskus, Tampere <strong>2022</strong><br />
Mononen N, Airaksinen M, Hämeen-<br />
Anttila K, Helakorpi S, Pohjanoksa-<br />
Mäntylä M: Trends in the receipt<br />
of medicines information among<br />
Finnish adults in 1999–2014: A<br />
nationwide repeated cross-sectional<br />
survey. British Medical Journal open<br />
9(6): e026377, 2019. DOI:10.1136/<br />
bmjopen-2018–026377<br />
Nelimarkka M: Aihemallinnus<br />
sekä muut ohjaamattomat<br />
koneoppimismenetelmät<br />
yhteiskuntatieteellisessä<br />
tutkimuksessa: kriittisiä havaintoja.<br />
Politiikka 61: 6–33, 2019<br />
Ngai C, Singh R, Yao L: Impact of<br />
COVID-19 Vaccine Misinformation<br />
on Social Media Virality: Content<br />
Analysis of Message Themes and<br />
Writing Strategies. The Journal<br />
of Medical Internet Research<br />
6;24(7):e37806, <strong>2022</strong> doi:<br />
10.2196/37806<br />
Pirilä E, Lämsä E, Rainio R, Timonen<br />
J: Apteekin asiakkaiden kokemukset<br />
ja mielipiteet lääkevaihdosta,<br />
vaihtokelpoisista valmisteista ja<br />
hintaneuvonnasta. Dosis 35: 306–<br />
320, 2019<br />
Pohjanoksa-Mäntylä M, Saari<br />
J, Närhi U ym.: How and why do<br />
people with depression access and<br />
utilize online drug information: a<br />
qualitative study. Journal of Affective<br />
Disorders 114: 333–339, 2009<br />
Pohjanoksa-Mäntylä M ja Turunen<br />
J: Kyselytutkimus. Kirjassa:<br />
Yhteiskunnallinen lääketutkimus –<br />
ideasta näyttöön. s. 80–95. Toim.<br />
Hämeen-Anttila K ja Katajavuori N.<br />
Helsingin yliopisto, Helsinki 2021<br />
Sarnola K, Hämeen-Anttila K,<br />
Jyrkkä J: Lääkebarometri 2019 –<br />
Aineistonkeruu ja tutkimusseloste.<br />
Fimea kehittää, arvioi ja informoi<br />
-julkaisusarja 12. Lääkealan<br />
turvallisuus- ja kehittämiskeskus<br />
Fimea, 2019<br />
Silge J, Robinson D: Text Mining with<br />
R: A Tidy Approach. 1. painos. O’Reilly<br />
Media, Sebastopol 2017<br />
Silvennoinen E, Hämeen-<br />
Anttila K, Jauhonen H-M,<br />
Jyrkkä J: Lääkebarometri 2017 –<br />
Aineistonkeruu ja tutkimusseloste.<br />
Fimea kehittää, arvioi ja informoi<br />
-julkaisusarja 12. Lääkealan<br />
turvallisuus- ja kehittämiskeskus<br />
Fimea, 2018<br />
Sääskilahti M, Ahonen R, Timonen<br />
J: Pharmacy customers’ experiences<br />
of use, usability and sat-isfaction of<br />
a nationwide patient portal: survey<br />
study. Journal of Medical Internet<br />
Research 23(7):e25368, 2021<br />
Taloustutkimus Oy: Suomalaisten<br />
apteekkiasiointi 2018. Suomen<br />
Apteekkariliitto<br />
Taloustutkimus Oy: Suomalaisten<br />
apteekkiasiointi 2020. Suomen<br />
Apteekkariliitto<br />
Tiihonen M, Reivi O, Ahonen R,<br />
Timonen J: Mikä hormonaalisessa<br />
ehkäisyssä askarruttaa - tutkimus<br />
internetin keskustelupalstoilta. Dosis<br />
30: 12–22, 2014<br />
Toikka A: Aihemallinnuksen ja<br />
klusterianalyysin yhdistäminen<br />
aineiston esikäsittelyn ja mallinnuksen<br />
valintojen tutkimiseksi,<br />
Informaatiotutkimus 40: 142–162,<br />
2021. DOI:org/10.23978/inf.107879<br />
Tuomi J, Sarajärvi A: Laadullinen<br />
tutkimus ja sisällön analyysi,<br />
Kustannusosakeyhtiö Tammi,<br />
Helsinki 2018<br />
Lin J, Alho J: Social Media Toolbox<br />
Suomi24 User Guide 3.0. Helsingin<br />
Yliopisto, Helsinki 2020<br />
450 Dosis Vol. 38 4/<strong>2022</strong> © Suomen Farmasialiitto ry Suomen Farmasialiitto ry © 4/<strong>2022</strong> Vol. 38 Dosis 451
Wawrzuta D, Klejdysz J, Jaworski M,<br />
Gotlib J, Panczyk M: Attitudes toward<br />
COVID-19 Vaccination on Social<br />
Media: A Cross-Platform Analysis.<br />
Vaccines (Basel). 10(8):1190, <strong>2022</strong>.<br />
DOI: 10.3390/vaccines10081190<br />
Yu D, Vydiswaran V: An Assessment<br />
of Mentions of Adverse Drug Events<br />
on Social Media With Natural<br />
Language Processing: Model<br />
Development and Analysis. JMIR<br />
Medical Informatics 10(9):e38140,<br />
<strong>2022</strong>. DOI: 10.2196/38140<br />
Pylkkö E, Tolppanen A-M, Timonen J, Lin J: Kvantitatiiviset tutkimusmenetelmät sosiaalisen median tekstipohjaisten<br />
aineistojen tutkimuksen tukena – Apteekeista käytävän verkkokeskustelun aihemal-linnus Suomi24-<br />
keskustelupalstasta. Dosis 38: 434–452, <strong>2022</strong><br />
452 Dosis Vol. 38 4/<strong>2022</strong> © Suomen Farmasialiitto ry Suomen Farmasialiitto ry © 4/<strong>2022</strong> Vol. 38 Dosis 453
Tiivistelmä<br />
Rakenteettoman<br />
tiedon hyödyntäminen<br />
terveydenhuollossa<br />
– pilottitutkimus<br />
erikoissairaanhoidosta<br />
Johdanto<br />
Terveydenhuollossa rekistereihin kertyy valtavia määriä dataa, josta suuri osa on rakenteettomassa<br />
muodossa. Rakenteettoman tiedon hyödyntäminen nykyisillä menetelmillä on haastavaa.<br />
Tämän tutkimuksen tavoitteena oli kehittää natural language processing (NLP) -menetelmä, jonka<br />
avulla lääkehoitoihin liittyvää tietoa (lääkenimiä, vaikuttavan aineen nimiä) on mahdollista louhia<br />
ja kategorisoida ATC-koodien mukaisesti rakenteettomasta datasta. Lisäksi haluttiin testata<br />
NLP-menetelmän kyvykkyyttä rakenteettoman tiedon luokittelussa.<br />
Aineistot ja menetelmät<br />
Tutkimuksessa hyödynnettiin Oulun yliopistollisessa sairaalasta vuosina 2007–2020 tehtyjä lääkehoidon<br />
HaiPro-ilmoituksia (n = 14 971). Tutkimus toteutettiin yhteistyössä Oulun yliopiston,<br />
Oulun yliopistollisen sairaalan ja SAS Institute Oy:n kanssa. Menetelmä kehitettiin SAS Viya -alustaa<br />
hyödyntäen. Tutkimusta varten kaikki HaiPro-ilmoituksissa esiintyneet tunnistetiedot poistettiin<br />
osana menetelmän anonymisoinnin kehittämistä. Lääkkeisiin ja HaiPro-ilmoitusten sisältöön<br />
liittyvä louhiminen toteutettiin SAS Viya -alustan tekstianalytiikkatoimintoja hyödyntäen.<br />
Outi Laatikainen*<br />
Proviisori, FT<br />
Tutkijatohtori<br />
Biolääketieteen tutkimusyksikkö<br />
Oulun yliopisto<br />
Tutkija<br />
MRC Oulu ja Oulun yliopistollinen sairaala<br />
outi.laatikainen@oulu.fi<br />
Sami Sneck<br />
sh/RN<br />
Arviointiylihoitaja<br />
Oulun yliopistollinen sairaala<br />
Antti Heino<br />
FM<br />
Principal Advisor on AI & Cloud<br />
SAS Institute Oy<br />
Ville Huikari<br />
FM<br />
Lead Data Scientist<br />
Loihde Analytics Oy<br />
Miia Turpeinen<br />
LL<br />
Kliinisen farmakologian professori<br />
Biolääketieteen tutkimusyksikkö<br />
Oulun yliopisto<br />
Yliopistosairaalan johtaja<br />
Oulun yliopistollinen sairaala<br />
* Kirjeenvaihto<br />
Tulokset<br />
Proof-of-Concept (PoC) -hankkeen tuloksena kehitettiin menetelmä, joka kykeni ATC-luokkien<br />
osittaisesta päällekkäisyydestä huolimatta luokittelemaan kaikki HaiPro-ilmoituksissa esiintyneet<br />
lääkenimet ja vaikuttavien aineiden nimet pilottitutkimuksen tavoitteissa asetetulla tarkkuudella.<br />
HaiPro-ilmotuksista saatavaa tietoa lääkityspoikkeamiin liittyvistä virhetilanteista<br />
kyettiin syventämään tekstinlouhinnalla muodostettujen uusien luokkamuuttujien avulla. Kehitysvaiheessa<br />
suoritetun HaiPro-ilmoitusten tekstin oikoluvun perusteella menetelmä kykeni<br />
autonomisesti muodostamaan sanayhdistelmistä järjestyviä kategorioita, jotka kuvailivat ilmoituksissa<br />
esiintyviä teemoja. Menetelmällä kyettiin luomaan pohja lääketieteellisen tekstin hyödyntämiseen<br />
edistyneempiä koneoppimismenetelmiä hyödyntämällä.<br />
Johtopäätökset<br />
Farmakologisen tiedon louhiminen lääketieteellisestä tekstistä luo mahdollisuuksia terveydenhuollosta<br />
saatavan tiedon entistä tehokkaampaan hyödyntämiseen. Tulevaisuudessa tietoa pyritään<br />
käyttämään entistä tehokkaammin ennaltaehkäiseviin toimiin sekä terveydenhuollon kehittämisessä<br />
että potilaiden hoidossa.<br />
Avainsanat: koneoppiminen, natural language processing (NLP), HaiPro, lääkitysturvallisuus<br />
Laatikainen O, Sneck S, Heino A, Huikari V, Turpeinen M: Rakenteettoman tiedon hyödyntäminen<br />
terveydenhuollossa – pilottitutkimus erikoissairaanhoidosta. Dosis 38: 454–469, <strong>2022</strong><br />
454 Dosis Vol. 38 4/<strong>2022</strong> © Suomen Farmasialiitto ry<br />
Suomen Farmasialiitto ry © 4/<strong>2022</strong> Vol. 38 Dosis 455
Johdanto<br />
Viime vuosikymmenten nopea kehitys informaatioteknologiassa<br />
ja terveydenhuollon<br />
kapasiteetissa tuottaa lääketieteellistä tietoa<br />
potilasrekisterien avulla on luonut kasvavan<br />
tarpeen tehokkaille menetelmille tiedon käsittelyssä<br />
ja analysoinnissa (Alsherhi ym. 2017,<br />
Torkamani ym. 2017). Kasvavat potilasrekisterit<br />
ja niiden hyödyntäminen ovat viime vuosina<br />
nousseet keskeiseen rooliin terveydenhuollon<br />
toimintojen kehittämisessä ja tiedolla<br />
johtamisessa (Ngiam ja Khor 2019, Chen ym.<br />
2020, Tecklenborg ym. 2020). Kasvavien tietomäärien<br />
seurauksena myös koneoppimisen<br />
saralla on nähty nopeita kehitysharppauksia.<br />
Nykyisellään tekoälymenetelmiä ei enää nähdä<br />
työkaluna, jonka avulla automatisoidaan yksittäisiä<br />
manuaalisesti kontrolloituja tehtäviä,<br />
vaan tapana mullistaa nykylääketiede erilaisten<br />
ilmiöiden seurannassa, havainnoinnissa, analysoinnissa<br />
ja jopa ennustamisessa tilanteissa,<br />
joissa se muutoin olisi tiedon suuren määrän ja<br />
monimuotoisuuden vuoksi mahdotonta (Obermeyer<br />
ja Emanuel 2016). Tämä on edelleen luonut<br />
uudenlaisia mahdollisuuksia lääketieteen<br />
eri osa-alueilla, kuten lääkehoitojen tehon ja<br />
turvallisuuden seurannassa. Tekoälymenetelmät<br />
ovatkin olleet osaltaan vahvistamassa siirtymistä<br />
lääketieteessä orastavaan ”neljän P:n”<br />
ajatteluun, jossa korostetaan potilaan hoidon<br />
kannalta neljää kulmakiveä: hoidon personoiminen<br />
(Personalization), ennaltaehkäisevyys<br />
(Preventative), ennakoivuus (Predictive)<br />
ja osallistavuus (Participative). Näiden myötä<br />
lääketiedettä pyritään kehittämään pois perinteisestä<br />
ajattelusta, jossa terveysongelmiin<br />
reagoidaan vasta niiden ilmaantuessa (Vogt<br />
ym. 2016).<br />
Vaikka tekoälymenetelmät ovat osoittaneet<br />
useissa eri asetelmissa kyvykkyyttään monimuotoisen<br />
tiedon tehokkaaseen hallintaan ja<br />
analysoimiseen, asettaa terveydenhuollossa<br />
kertyvä data omat haasteensa ja erityisvaatimuksensa<br />
kehitettäville menetelmille (Wong<br />
ym. 2018, Doupe ym. 2019). Lääketieteelliselle<br />
tiedolle on tyypillistä se, että kertyvä tieto on<br />
monimuotoista: rakenteista tai rakenteetonta,<br />
ilmentyen useissa eri dataformaateissa (Wong<br />
ym. 2018). Lääketieteellisen tiedon kategorisoimista<br />
hankaloittavat lääketieteellisiin kategorioihin<br />
liittyvä päällekkäisyys, kategorioiden<br />
jatkuva muutos ja usein tapauskohtainen hierarkia,<br />
mikä monimutkaistaa tiedon käsittelyä<br />
(Mehta ja Pandit 2018). Hyvä esimerkki tällaisesta<br />
on farmakologisen tiedon eristäminen ja<br />
kategorisoiminen vapaasta lääketieteellisestä<br />
tekstistä, kuten HaiPro-ilmoituksista, jossa<br />
lääketiedon suodattaminen ja kategorisoiminen<br />
ilmoitusten tekstiosasta vaatii huomattavan<br />
määrän luokittelevia termejä (kaikki lääkenimet<br />
ja vaikuttavan aineen nimet). Mikäli<br />
lääkkeet jaotellaan edelleen ATC-koodien<br />
mukaan, on huomioitava useiden lääkeaineiden<br />
rinnakkainen esiintyminen eri ATC-luokituksen<br />
pääryhmissä. Lääketiedon hallinnoimiseen<br />
liittyvien haasteiden selättäminen on kuitenkin<br />
tärkeä askel terveydenhuollon tekoälymenetelmien<br />
kehittämisessä, sillä lääkehoito ja<br />
siihen liittyvät tekijät ovat nykylääketieteessä<br />
keskeinen osa potilaan hoitoa.<br />
Aikaisemmissa tutkimuksissa, joissa analysoimme<br />
kansallista HaiPro-aineistoa, kehitimme<br />
manuaalisen menetelmän lääketiedon<br />
kategorisoimiseen ilmoitusten narratiivisesta<br />
tekstiosasta (Laatikainen 2020, Laatikainen<br />
ym. 2020). Hakumenetelmällä kyettiin tunnistamaan<br />
kaikki lääkkeiden kauppanimet ja<br />
vaikuttavien aineiden nimet eri taivutusmuodoissaan<br />
sekä jaottelemaan ne ATC-luokkien<br />
mukaisesti. Tämän pilottitutkimuksen ja<br />
Proof-of-Concept (PoC) -hankkeen tarkoituksena<br />
oli jatkokehittää ja automatisoida lääkkeiden<br />
luokittelumenetelmää niin, että sitä<br />
voitaisiin käyttää entistä suurempiin tietomääriin<br />
koko Oulun yliopistollisen sairaalan<br />
tasolla. Tutkimuksen pääasiallisena tavoitteena<br />
oli selvittää edellytyksiä luonnollisen<br />
kielen käsittelyjärjestelmän (natural language<br />
processing, NLP) hyödyntämiseen lääkenimien<br />
tunnistamisessa ja ATC-koodijärjestelmän<br />
mukaisessa luokittelussa lääketieteellisestä<br />
tekstistä. Selvitystyön tuloksena projektissa<br />
kehitettiin menetelmä, joka kykenee tunnistamaan<br />
ja luokittelemaan kaikki lääkenimet<br />
ja vaikuttavan aineen nimet Haipro-ilmoituksista<br />
lääkehaittoihin liittyvän tiedon tehokasta<br />
hyödyntämistä varten. PoC-projektiin varatun<br />
ajan ja resurssin rajallisuudesta johtuen tutkimuksessa<br />
ei ensisijaisesti tavoiteltu kvantitatiivisia<br />
kuvauksia aineistosta, vaan keskityttiin<br />
deskriptiivisen tiedon tuottamiseen siitä,<br />
minkälaisia aineistoon liittyviä toimenpiteitä<br />
kategorisointi ja menetelmäkehitys prosessina<br />
vaativat.<br />
Aineisto ja menetelmät<br />
Tämä pilottitutkimus toteutettiin PoC-hankkeena<br />
yhteistyössä Oulu DigiHealthHubin,<br />
Oulun yliopiston, Oulun yliopistollisen sairaalan<br />
ja SAS instituutin kanssa. Tutkimuksessa<br />
käytettiin Pohjois-Pohjanmaan sairaanhoitopiirin<br />
yksiköistä vuosina 2007–2020 kerättyjä<br />
lääkehoidon HaiPro-ilmoituksia (n = 14<br />
971). HaiPro-ilmoitukset koostuvat rakenteisesta<br />
osasta (tietoja mm. tapahtumapaikasta,<br />
ilmoittajan ammattiryhmästä ja tapahtuman<br />
riskiluokasta) ja rakenteettomasta osasta, joka<br />
pitää sisällään haittatapahtuman kuvauksen<br />
vapaan tekstin muodossa. Tässä tutkimuksessa<br />
NLP-menetelmän kehittämisessä hyödynnettiin<br />
pääasiallisesti HaiPro-ilmoitusten<br />
rakenteetonta osaa. Kaikki NLP-menetelmän<br />
kehittämisessä käytetyt HaiPro-ilmoitukset<br />
anonymisoitiin osana menetelmän kehitysprosessia.<br />
Aineiston käsittely tapahtui tietoturvallisessa<br />
ympäristössä OYS TestLabissa.<br />
Tutkimusluvan myönsi Oulun yliopistollisen<br />
sairaalan johtajaylilääkäri.<br />
Kuvassa 1 on esitetty kaaviomaisesti tutkimuksen<br />
kokonaiskuva. Tutkimuksen ensimmäisessä<br />
vaiheessa kehitetiin anonymisointimenetelmä,<br />
jolla ilmoituksista poistettiin<br />
kaikki tunnistetiedot (nimet, sosiaaliturvatunnukset,<br />
puhelinnumerot ja sähköpostit).<br />
Anonymisoinnin jälkeen tutkimuksen toisessa<br />
vaiheessa HaiPro-ilmoitusten teksti<br />
perusmuotoistettiin monivaiheisessa prosessissa,<br />
joka sisälsi muun muassa tokenisoinnin<br />
ja lemmatisoinnin, sanaluokkien koodittamisen<br />
(part of speech tagging) sekä lauseiden<br />
rakentaistamisen (sentence boundary disambiguation).<br />
Tokenisoinnissa merkkijonot pilkottiin<br />
yksittäisiksi lauseiksi, sanoiksi tai morfeemeiksi,<br />
joita kyettiin edelleen käyttämään<br />
sanaluokkien koodittamisessa (part of speech<br />
tagging). Lemmatisoinnissa yksittäiset sanat<br />
muutettiin perusmuotoon, mikä helpottaa<br />
tekstin sisällön jatkoanalyysia. Sanaluokkien<br />
koodittamisessa sanat luokitellaan kielioppiperusteisesti<br />
sanojen merkityksen ja kontekstin<br />
mukaisesti. Lauseiden rakenteistaminen<br />
on osa lauseiden alku- ja loppuosion havaitsemista<br />
ja merkitsemistä.<br />
Kolmannessa vaiheessa HaiPro-ilmoitusten<br />
teksti kategorisoitiin lääkkeiden nimistä<br />
ja vaikuttavien aineiden nimistä rakennetun<br />
ja ATC-koodien mukaan järjestetyn hakutermistön<br />
sekä valikoitujen HaiPro-ilmoitusten<br />
sisältöä kuvaavien luokkien avulla. (ATC-luokkiin<br />
liittyvä hierarkia on esitetty Kuvassa 2A.)<br />
Viimeisessä vaiheessa menetelmään kehitettiin<br />
tulosten visualisoimista mahdollistavia toimintoja,<br />
joiden avulla käytössä olevaa aineistoa<br />
voitiin kokonaisuudessaan tarkastella ja<br />
suodattaa haluttujen muuttujien perusteella.<br />
NLP-menetelmän kehittäminen toteutettiin<br />
yhteistyössä SAS instituutin kanssa hyödyntäen<br />
SAS Viya -alustaa aineiston esikäsittelyssä<br />
(mm. anonymisointi), tekstianalytiikassa<br />
(tekstin perusmuotoistaminen) ja visualisoinnissa.<br />
Menetelmän kehittäminen toteutettiin<br />
SAS Viya -alustan NLP ja tekstianalytiikkaominaisuuksia<br />
hyödyntäen. Tutkimuksessa<br />
käytetty lääkenimien ja vaikuttavien aineiden<br />
nimien luokittelumalli sisälsi yli 11 000 luokittelevaa<br />
termiä, ja se kehitettiin käyttäen kielitieteen<br />
sääntöjen mallinnukseen tarkoitettua<br />
”CompileCategory” funktiota. Vastaava luokittelumalli<br />
kehitettiin HaiPro-ilmoitusten sisällön<br />
luokitteluja varten.<br />
PoC-pilottitutkimuksessa kehitetyn menetelmän<br />
validoinnissa hyödynnettiin sekä tutkimusryhmän<br />
omia aiempia tutkimustuloksia<br />
että laajemmin kerättyä tietoa lääkityspoikkeamista,<br />
niiden laadusta ja esiintyvyydestä<br />
erikoissairaanhoidossa. Lääkenimien<br />
(vaikuttavan aineen nimi tai lääkevalmisteen<br />
nimi) osalta hakumenetelmän ulkopuolelle<br />
arvioitiin aiempien tutkimusten perusteella<br />
jäävän 8 % kaikista ilmoituksista (Laatikainen<br />
ym. 2020). Syitä lääkehaun ulkopuolelle jäämiseen<br />
ovat useimmiten ilmoituksen tekstiosasta<br />
tai rakenteisesta osasta puuttuva tieto tapahtumaan<br />
liittyvistä lääkeaineista (Laatikainen<br />
2020, Laatikainen ym. 2020). Tämän PoC-tutkimuksen<br />
ensisijaisena tavoitteena oli testata<br />
automatisoidun tekstianalytiikan ja tekoälymentelmien<br />
käyttökelpoisuutta lääketieteellisen<br />
rakenteettoman tiedon analysoinnissa,<br />
minkä vuoksi tämän pilottitutkimuksen tuloksille<br />
ei tehty syvällistä kvantitatiivista analyysia.<br />
456 Dosis Vol. 38 4/<strong>2022</strong> © Suomen Farmasialiitto ry Suomen Farmasialiitto ry © 4/<strong>2022</strong> Vol. 38 Dosis 457
→<br />
→ →<br />
Tulokset<br />
Tekstin perusmuotoistaminen ja<br />
HaiPro-ilmoitusten anonymisointi<br />
Vaikka HaiPro-ilmoitukset ovat pääasiallisesti<br />
valmiiksi anonyymeja, on osassa ilmoituksista<br />
esitetty tapahtumaan liittyvien henkilöiden<br />
nimiä, henkilötunnuksia, sähköpostiosoitteita<br />
ja puhelinnumeroja. Tästä johtuen<br />
HaiPro-aineiston laajempi käsittely edellyttää<br />
mahdollisten tunnistetietojen havaitsemista<br />
ja poistamista ilmoituksista. Tässä tutkimuksessa<br />
tunnistetiedot poistettiin käyttäen<br />
”Prxchange”-funktiota. Funktion avulla<br />
kyettiin havaitsemaan ja poistamaan yli 100<br />
000 etu- ja sukunimeä eri taivutusmuodoissaan<br />
vapaan tekstin joukosta, pois lukien nimet<br />
”Esko” ja ”Antti”, jotka ovat Oulun yliopistollisessa<br />
sairaalassa käytettävän potilastietojärjestelmän<br />
osien nimiä.<br />
Menetelmäosaaminen<br />
SAS Analytics ® Oy<br />
Aihepiiristä saadut<br />
aikaisemmat<br />
tutkimustulokset<br />
Nimitietojen poistaminen pohjautui datalle<br />
tyypillisten, monimuotoisten tekstissä esiintyvien<br />
säännönmukaisuuksien ja kaavojen<br />
esiintymiseen. Anonymisointi validoitiin iteratiivisesti<br />
ristiinvertaamalla pientä otosta<br />
ilmoituksista, joissa anonymisointi oli suoritettu,<br />
ilmoituksiin, jotka eivät olleet edellyttäneet<br />
anonymisointia. Ristiinvertaamiskierroksia<br />
toistettiin eri otoksilla toistuvasti, kunnes<br />
ilmoituksista ei enää ristiinvertailussa löydetty<br />
poistettavia tietoja. Onnistuneen anonymisoinnin<br />
lisäehtona pidettiin sitä, että ilmoitusten<br />
teksti säilyi anonymisoinnista huolimatta<br />
riittävän laadukkaana jatkoanalyysin<br />
kannalta. Projektin lopussa anonymisoinnin<br />
vaikutusta tekstin luettavuuteen ja kategorisointiin<br />
tarkasteltiin vielä vertaamalla HaiProilmoituksista<br />
muodostetusta otoksesta löytyvien<br />
ATC-koodien mukaan luokiteltujen lääkenimien<br />
määriä ennen ja jälkeen anonymisoin-<br />
Lääkehoidon<br />
Haipro-ilmoitukset<br />
2007-2020 (OYS)<br />
nin. Vertailussa ATC-luokiteltujen lääkkeiden<br />
määrät pysyivät muuttumattomina.<br />
Lääkenimien luokittelu<br />
Lääkenimien luokittelussa HaiPro-ilmoituksissa<br />
osallisina olleet lääkkeet jaoteltiin lääkevalmisteiden<br />
nimien ja vaikuttavien aineiden<br />
nimien mukaisesti ATC-koodiluokkien mukaisesti.<br />
Lääkenimihaku sisälsi kaikki tutkimuksen<br />
tekohetkellä Suomessa markkinoilla olevien<br />
lääkkeiden kauppanimet ja vaikuttavien<br />
aineiden nimet taivutusmuotoineen. Lisäksi<br />
hakutermeinä käytettiin erikoissairaanhoidossa<br />
tunnistettuja lääkevalmisteiden niin<br />
sanottuja ammattislanginimiä. Tällaisia lääkehakuun<br />
lisättyjä termejä olivat muun muassa<br />
”DXM” (deksametasoni), EPI5 ja EPI7 (epiduraalipuudutteet),<br />
mini-asa (asetyylisalisyylihappo)<br />
ja targinig (Targiniq-valmisteen yleisin<br />
kirjoitusvirhe). Kehitetyllä lääkehaulla kyettiin<br />
tunnistamaan yli 35 000 valmistenimeä ja vaikuttavan<br />
aineen nimeä tutkimukseen käytetyistä<br />
HaiPro-ilmoituksista (n = 14 971).<br />
ATC-järjestelmässä moni erikoissairaanhoidossa<br />
yleisesti käytetyistä lääkkeistä on<br />
luokiteltu useampaan kuin yhteen ATC-järjestelmän<br />
pääryhmään, mikä monimutkaistaa<br />
lääkkeiden automaattista luokittelua. Esimerkkinä<br />
eri ATC-pääryhmiin luokittuvasta lääkkeestä<br />
on esitetty metronidatsoli, joka valmisteesta<br />
riippuen voidaan luokitella pääluokkiin<br />
A (ruuansulatuselinten sairauksien ja aineenvaihduntasairauksien<br />
lääkkeet), D (ihotautilääkkeet),<br />
J (systeemisesti vaikuttavat infektiolääkkeet),<br />
P (loisten ja hyönteisten häätöön<br />
tarkoitetut valmisteet) tai G (sukupuoli- ja<br />
virtsaelinten sairauksien lääkkeet, sukupuolihormonit)<br />
(Kuva 2B). Luokitteluvirheiden välttämiseksi<br />
kaikki päällekkäin luokittuvat lääkevalmisteet<br />
ja vaikuttavat aineet selvitettiin<br />
ATC-kategorisointia varten. Näiden valmistenimien<br />
ja vaikuttavien aineiden oikea luokittelu<br />
varmistettiin hakumenetelmässä liittämällä<br />
lääkehakuun näiden valmisteiden kohdalle<br />
poikkeussääntöjä. Poikkeusäännöt luotiin<br />
valmistekohtaisesti, ja ne saattoivat sisältää<br />
täsmentäviä termejä, jotka liittyivät esimerkiksi<br />
valmisteen antoreittiin tai lääkemuotoon.<br />
Metronidatsoliin liitetyt poikkeussäännöt on<br />
esitetty kuvassa 2B. Kauppanimien perusteella<br />
poikkeusääntöjä vaati 88 lääkevalmistetta. Vaikuttavien<br />
aineiden nimien joukosta poikkeus-<br />
→<br />
A. B.<br />
1. Aineiston<br />
anonymisointi<br />
OYS TestLab<br />
’Sandbox’<br />
NLP-pohjaisen<br />
tekstinlouhinta- ja<br />
analyysimenetelmän<br />
kehittäminen<br />
2. Lääkenimien<br />
louhiminen ja luokittelu<br />
ATC-koodeittain<br />
→<br />
→<br />
3. Haipro-ilmoitusten<br />
sisällön louhiminen ja<br />
luokittelu<br />
M 01 A E 01<br />
Kemiallinen yhdiste:<br />
Ibuprofeeni<br />
Kemiallinen alluokka:<br />
Propionihappojohdokset<br />
Farmaseuttinen alaluokka:<br />
Tulehduskipu- ja reumalääkkeet<br />
Terapeuttinen alaluokka:<br />
Tulehduskipu- ja<br />
reumalääkkeet<br />
ATC Pääluokka:<br />
Tuki- ja liikuntaelinten<br />
sairauksien lääkkeet<br />
G01AF01:<br />
Sukupuoli- ja virtsaelinten<br />
sairauksien lääkkeet,<br />
sukupuolihormonit;<br />
Gynekologiset mikrobilääkkeet ja<br />
antiseptit;<br />
Mikrobilääkkeet lukuunottamatta<br />
yhdistelmävalmisteita<br />
kortikosteroidien kanssa →<br />
”emätingeeli”, ”emätinpuikko”<br />
→<br />
P01AB01:<br />
Loisten ja hyönteisten<br />
häätöön tarkoitetut<br />
valmisteet;<br />
Alkueläimiin vaikuttavat<br />
lääkeaineet;<br />
Amebiaasin hoitoon<br />
tarkoitetut lääkeaineet;<br />
Nitroimidatsolijohdokset<br />
→ ”tabletti”,”p.o.”<br />
Metronidatsoli<br />
→<br />
→<br />
J01XD01:<br />
Systeemisesti vaikuttavat<br />
infektiolääkkeet;<br />
Systeemiset<br />
bakteerilääkkeet;<br />
Muut bakteerilääkkeet;<br />
Imidatsolijohdokset<br />
→”i.v.”, ”infuusio”, ”injektio”<br />
A02BD03:<br />
Ruuansulatuselinten sairauksien ja<br />
aineenvaihduntasairauksien lääkkeet;<br />
Liikahappoisuuden hoitoon tarkoitetut<br />
valmisteet;<br />
Maha- ja pohjukkaissuolihaavan sekä<br />
refluksitaudin hoitoon tarkoitetut<br />
valmisteet;<br />
Helicobacter pylorin häätöön tarkoitetut<br />
yhdistelmäpakkaukset<br />
→ ”helikobakteeri”, ”häätöhoito”<br />
→<br />
→<br />
D06BX01:<br />
Ihotautilääkkeet;<br />
Paikallisantibiootit ja<br />
kemoterapia-aineet;<br />
Paikallisesti käytettävät<br />
kemoterapia-aineet;<br />
Muut kemoterapia-aineet<br />
→ ”emulsiovoide”, ”emulsio”,<br />
”voide”<br />
Kuva 1. Kaaviomainen esitys tutkimuksen eri osista ja etenemisvaiheista (NLP, natural language<br />
processing).<br />
Kuva 2A. ATC-luokittelu. 2B. Metronidatsolin ATC-luokittelu ja PoC-projektissa käytetyt ATC-luokittelun<br />
poikkeussäännöt.<br />
458 Dosis Vol. 38 4/<strong>2022</strong> © Suomen Farmasialiitto ry Suomen Farmasialiitto ry © 4/<strong>2022</strong> Vol. 38 Dosis 459
HaiPro-ilmoitusten sisällönanalyysi<br />
HaiPro-ilmoitusten syvällisempää analyysia<br />
varten ilmoituksissa esiintyvä rakenteeton,<br />
tekstimuotoinen tieto analysoitiin ennalta<br />
valittujen muuttujien perusteella tekstinanalyysia<br />
hyödyntäen. Tässä tutkimuksessa tekstin<br />
sisällönanalyysin teemoiksi valittiin henkilöstön<br />
vireystila, potilastietojärjestelmään liittyvät<br />
ongelmat, look alike, sound alike -lääkkeisiin<br />
liittyvät virhetilanteet, lääkityspoikkeaman<br />
lopputulema sekä lääkkeiden annostelureitti.<br />
Teemat valittiin tutkimuksissa yleisesti<br />
esiintyvistä, lääkitysturvallisuuteen kiinteästi<br />
liittyvistä tunnetuista ongelmista, jotta tuloksääntöjä<br />
tarvittiin 2002 vaikuttavalle aineelle.<br />
ATC-luokkien päällekkäisyyksien lisäksi poikkeussääntöjä<br />
vaativat erilaiset yhdistelmävalmisteet,<br />
joiden luokitteluongelmat ratkaistiin<br />
vastaavilla poikkeussäännöillä. Yhdistelmävalmisteiden<br />
poikkeussäännöissä huomioitiin<br />
valmistekohtaisesti joko annostelureitti, valmistemuoto<br />
tai vaikuttavien aineiden kombinaatio.<br />
Lääkehaussa käytettyjä hakutermejä iteroitiin<br />
ja muutettiin porrastetusti useassa<br />
syklissä, kunnes hakumenetelmällä saavutettiin<br />
haluttu tarkkuustaso. Tässä tutkimuksessa<br />
lääkehaun riittäväksi tarkkuudeksi asetettiin<br />
aiempiin tutkimuksiin perustuen 8 %<br />
osuus ilmoituksia, joita ei kyetä luokittelemaan<br />
hakumenetelmällä (Laatikainen ym.<br />
2020). Hakumenetelmän arviointi toteutettiin<br />
analysoimalla hakutarkkuutta aineiston pienemmistä<br />
otoksista. Hakumenetelmän validoinnissa<br />
huomiota kiinnitettiin erityisesti<br />
niihin lääkevalmisteisiin tai vaikuttaviin aineisiin,<br />
joilla esiintyi päällekkäisiä luokitteluja eri<br />
ATC-pääryhmissä. Lopuksi hakumenetelmällä<br />
löydettyjen lääkkeiden ATC-ryhmien kokonaisjakauman<br />
oikeellisuutta arvioitiin vertaamalla<br />
sitä aiempien tutkimusten vastaaviin<br />
tuloksiin (Laatikainen ym. 2020). Aiempia<br />
tutkimuksia vastaten tutkimusaineistossa<br />
yleisimmin esiintyviksi lääkevalmisteiksi nousivat<br />
ATC-kategorian N (hermostoon vaikuttavat<br />
lääkeaineet), J (systeemisesti vaikuttavat<br />
infektiolääkkeet), C (sydän- ja verisuonitautien<br />
lääkkeet), A (ruuansulatuselinten sairauksien<br />
ja aineenvaihduntasairauksien lääkkeet) ja B<br />
(veritautien lääkkeet) valmisteet.<br />
ATC-koodien mukaisesti tapahtuva lääkkeiden<br />
jaottelu HaiPro-ilmoituksissa rikasti<br />
ilmoitusten sisältämää tietoa tavalla, joka<br />
mahdollisti ilmoitusten nopean lääkekohtaisen<br />
analysoinnin minkä tahansa ATC-luokan<br />
mukaisesti. Sen lisäksi, että ilmoituksista saa-<br />
tiin eristettyä eri lääkkeiden esiintyvyys haittatapahtumissa,<br />
voitiin lääketieto yhdistää<br />
minkä tahansa muun ilmoituksissa esiintyvän<br />
kategorisen muuttujan mukaisesti: lääketieto<br />
voitiin yhdistää esimerkiksi ilmoitusten<br />
tapahtumatyyppiin (Kuva 3A) tai haittatapahtumaan<br />
liittyvän riskin tai haitan vakavuuteen<br />
(Kuva 3B). Lisäksi menetelmä mahdollisti<br />
yksittäiseen lääkevalmisteeseen liittyvien<br />
tapahtumien yksityiskohtaisen kuvaamisen<br />
(esim. tapahtumatyyppi, haittariski, ilmoittajan<br />
ammatti) koko seuranta-ajalla tai valitulla<br />
ajanhetkellä. Yksittäisten lääkkeiden lisäksi<br />
suodatuksia kyettiin muodostamaan kaikilla<br />
ATC-luokituksen tasoilla. Lääkeluokkiin kohdentuvan<br />
tiedon poimiminen ja mahdollisuus<br />
nopeiden visualisointien muodostamiseen<br />
lisäsivät HaiPro-ilmoitusten käyttöarvoa merkittävästi.<br />
A.<br />
Hakutermi<br />
Prednisoloni<br />
Arcoxia<br />
Rituksumabi<br />
Bevasitsumabi<br />
Lamotrigiini<br />
Hierarkia<br />
Lookalike, Soundalike<br />
Vireystila<br />
Hakuosumat<br />
Hakuosumat<br />
Hakuosumat<br />
Potilastietojärjestelmä<br />
Hakuosumat<br />
Hakuosumat<br />
B.<br />
ATC-jakauma, Lookalike, Soundalike<br />
ATC-jakauma, potilastietojärjestelmä<br />
ATC-jakauma, vireystila<br />
N<br />
C<br />
A<br />
J<br />
R<br />
L<br />
H<br />
S<br />
D<br />
V<br />
B<br />
G<br />
N<br />
C<br />
J<br />
A<br />
B<br />
S<br />
B<br />
M<br />
J<br />
C<br />
H<br />
S<br />
R<br />
H<br />
M<br />
L<br />
D<br />
V<br />
L<br />
D<br />
G<br />
V<br />
Hakuosumat P<br />
Hakuosumat<br />
R<br />
G<br />
Hakuosumat Kuva 4. Tutkimuksessa kehitetyn lääkehaun tunnistamat valmiste- ja vaikuttavien aineiden nimet<br />
Kuva 3A. Oulun yliopistollisessa sairaalasta vuosina 2007–2020 tehtyjä lääkehoidon HaiPro-ilmoituksia<br />
(n = 14 971) jaottelu ATC-luokituksen ja ilmoituksissa raportoidun tapahtumatyypin mukaisesti.<br />
Kuva 3B. PoC-projektissa muodostettu ATC-luokittelu yhdistettynä ilmoitusten riskiluokituksen ja<br />
haitan vakavuuden mukaan.<br />
N<br />
A<br />
(n = 35000) Oulun yliopistollisessa sairaalasta vuosina 2007–2020 tehtyjä lääkehoidon HaiProilmoituksista<br />
(n = 14 971)<br />
A. ATC-luokiteltuina sekä lääkkeiden kokonaisjakauma sekä sisällönanalyysissa muodostettujen<br />
luokkien (Lookalike, Soundalike -lääkkeet, vireystila, potilastietojärjestelmä) jakaumat.<br />
B. ATC-luokittelun jakauma yhdistettynä Lookalike, Soundalike -lääkkeiden luokitteluun,<br />
potilastietojärjestelmä-luokkaan sekä vireystila-luokkaan.<br />
460 Dosis Vol. 38 4/<strong>2022</strong> © Suomen Farmasialiitto ry Suomen Farmasialiitto ry © 4/<strong>2022</strong> Vol. 38 Dosis 461
sia kyettäisiin peilaamaan aiempaan tutkimustietoon<br />
(Alshehri ym. 2017, Laatikainen ym.<br />
2017, Laatikainen ym. 2018, Wong ym. 2018,<br />
Laatikainen 2020 Laatikainen ym. 2020).<br />
Ilmoitusten teemojen mukainen jaottelu<br />
perustui tekstihakuihin, jotka muodostettiin<br />
tapahtumatyypille spesifien, perusmuotoistettujen<br />
sanojen mukaisesti. Hakujen muodostamisessa<br />
luokitteleviin sanoihin yhdistettiin<br />
lauserakenteisiin, sanaetäisyyksiin tai liitännäissanoihin<br />
liittyviä ehtoja, joiden avulla haut<br />
onnistuttiin kohdentamaan haluttujen tapahtumatyyppien<br />
tai annostelureittien tunnistamiseen<br />
tekstistä. Annostelureittien tunnistamisessa<br />
käytettiin myös hyväksi synonyymisanastoja,<br />
joilla erilaiset, samaa annostelureittiä<br />
merkitsevät termit (esim. i.m., lihaksensisäinen,<br />
intramuskulaarinen) niputettiin saman<br />
hakulausekkeen alle. Kaikki muodostetut<br />
hakulausekkeet ja niiden muodostamat kategoriat<br />
validoitiin manuaalisesti tarkastelemalla<br />
hakulausekkeilla aikaansaatujen ryhmien osumia<br />
ja iteroimalla hakulausekkeita tarpeen<br />
mukaan. Tällä menetelmällä hakulausekkeet<br />
kyettiin tarkastelemaan väärien positiivisten<br />
tulosten osalta. Hakumenetelmiä ei tarkasteltu<br />
väärien negatiivisten tulosten varalta,<br />
sillä hakumenetelmien yksityiskohtainen ja<br />
lopullinen hiominen ei kuulunut pilottitutkimuksen<br />
tavoitteisiin.<br />
Analyysimenetelmällä kyettiini tunnistamaan<br />
ja luokittelemaan valikoidut teemat<br />
HaiPro-ilmoitusten vapaasta tekstistä. Otoksen<br />
HaiPro-ilmoituksissa LASA-lääkkeet mainittiin<br />
134 ilmoituksessa, vireystila 135 ilmoituksessa<br />
ja potilastietojärjestelmä 10 733<br />
ilmoituksessa (Kuva 4A). Tapahtumia luokittelevat<br />
kategoriat kyettiin edelleen yhdistämään<br />
ATC-kategorioihin, mikä mahdollisti tapahtumien<br />
lääkekohtaisen analysoinnin. Kategorioita<br />
yhdistelemällä havaittiin hermostoon vaikuttavat<br />
lääkkeiden (N luokka) olevan yleisimpiä<br />
kaikkiin valittuihin tapahtumatyyppeihin<br />
(Kuva 4B). LASA-lääkkeisiin yleisesti liittyviä<br />
Kuva 5. Kategorisoinnissa käytetty SAS ohjelmisto muodosti tekstin oikoluvun kautta itsenäisiä<br />
Topiceja sanoista, jotka esiintyivät tyypillisesti toistensa yhteydessä. Topicien pohjalta voidaan<br />
laajentaa sisällönanalyysia ja kehittää entistä kehittyneempiä keinoja HaiPro-ilmoituksissa esitettyjen<br />
tapahtumien kuvaamiseen.<br />
lääkeryhmiä olivat lisäksi ATC-luokat C (kardiovaskulaarilääkkeet)<br />
ja A (ruuansulatuselinten<br />
ja ruuansulatuselinsairauksien lääkkeet).<br />
Potilastietojärjestelmään liittyvissä HaiProilmoituksissa<br />
ilmenivät lisäksi ATC-ryhmät C<br />
ja J (systeemiset infektiolääkkeet), ja vireystilaan<br />
liittyvissä ilmoituksissa ryhmät A ja D<br />
(ihotautien lääkkeet).<br />
Uusien kategorioiden muodostaminen<br />
vapaasta tekstistä rikasti HaiPro-ilmoituksista<br />
saatavaa tietoa, sillä se rakenteisti ja siten<br />
mahdollisti muutoin tavoittamattomissa olevan<br />
tiedon analysoinnin suuresta ilmoitusmassasta.<br />
Uusilla kategorioilla HaiPro-ilmoituksissa<br />
raportoiduista tapahtumista kyettiin<br />
saamaan selvästi syvällisempää ja kohdennetumpaa<br />
tietoa yksittäisistä tapahtumista,<br />
mutta lisäksi kuvaamaan tarkkoja ja kokonaisvaltaisia<br />
kuvauksia koko aineistoa koskien.<br />
Tietoa voitiin suodattaa ja yhdistellä olemassa<br />
oleviin kategorioihin ja uusiin, vapaasta<br />
tekstistä luotuihin kategorioihin rajoituksitta.<br />
Koska vapaan tekstin analysoiminen vaati<br />
ilmoituksissa esiintyvän termistön kartoittamista,<br />
tuotti menetelmä lisäarvoa muodostamalla<br />
kuvauksia ilmoituksissa esiintyvistä<br />
termiklustereista. Nämä järjestelmän itsenäisesti<br />
tuottamat, oikolukuperusteiset kategoriat<br />
kykenevät toimimaan jatkoprojekteissa pohjana<br />
edistyksellisempien NLP- ja koneoppimisen<br />
menetelmien kehittämisessä lääketieteellisen<br />
tekstin analysoimiseen (Kuva 5). Menetelmän<br />
muodostamien aiheiden (Topic) laatu ja<br />
tarkkuus on riippuvainen analysoitavan aineiston<br />
määrästä ja laadusta, minkä vuoksi niiden<br />
merkitys korostuu aineistomäärien kasvaessa.<br />
Pohdinta<br />
Terveydenhuollon digitalisaatio on muuttanut<br />
farmakoepidemiologisen tutkimuksen luonnetta<br />
pysyvästi: siinä missä tutkimusta ennen<br />
leimasivat tiedon saannin hitaus ja työläys,<br />
tuotetaan sitä nykyisin entistä suuremmassa<br />
laajuudessa jokaisessa terveydenhuollon yksikössä<br />
kautta maan (Obermeyer ja Emanuel<br />
2016, Bi ym. 2019, Grothen ym. 2020). Tiedon<br />
saannin mahdollisuudet ovat muuttaneet myös<br />
lääkehoitoihin liittyvien toimintojen ja tiedon<br />
hyödyntämisen näkökulmia. Jo pitkään farmakoepidemiologialla<br />
on ollut vankka asema<br />
tutkimus- ja viranomaistyössä, jossa tietoa on<br />
hyödynnetty lääkehoitojen tehon, turvallisuuden<br />
ja vaikuttavuuden arvioinnissa ja hoitosuositusten<br />
muodostamisessa (Arora ym. 2019,<br />
Tecklenborg ym. 2020). Viime vuosina erilaisten<br />
potilasrekisterien sisältämä tieto sairauksien<br />
ilmenemisestä, kehittymisestä sekä niihin<br />
jo käytettävissä olevista hoidoista ja niiden<br />
vaikuttavuudesta on kuitenkin herättänyt<br />
kasvavaa kiinnostusta myös lääkekehityksen<br />
osa-alueella (Obermeyer ja Emanuel 2016, Vogt<br />
ym. 2016). Potilasrekisterejä hyödyntämällä<br />
uusia lääkehoitoja voidaan kohdentaa entistä<br />
tarkemmin vastaamaan potilaiden todelliseen<br />
tarpeeseen vähentäen samalla kehitystyöhön ja<br />
lääkkeen myyntiluvan myöntämiseen liittyviä<br />
riskejä. Tämän lisäksi lääkekehityksessä tapetille<br />
ovat nousseet jo markkinoilla olevien lääkkeiden<br />
tehovertailut uusiin, kehitteillä oleviin<br />
lääkkeisiin rekisteritiedon perusteella muodostettujen<br />
virtuaalisten hoitolinjojen avulla.<br />
Kaikessa päämäärä tuntuu kuitenkin olevan<br />
sama: lääkehoidon toteutuminen entistä<br />
tehokkaammin ja turvallisemmin, resursseja<br />
säästäen (Mehta ja Pandit 2018).<br />
Tässä PoC-tutkimuksessa kehitettiin<br />
menetelmä lääketiedon ja lääkityspoikkeamien<br />
eristämiseen ja luokitteluun rakenteettomasta<br />
lääketieteellisestä tekstistä. Menetelmän<br />
avulla lääkkeet onnistuttiin luokittelemaan<br />
ATC-koodien mukaisesti luokkien osittaisen<br />
päällekkäisyyden asettamista haasteista<br />
huolimatta. Lääkityspoikkeamien kuvauksista<br />
luodut uudet kategoriat rikastivat HaiProilmoituksista<br />
saatavaa kategorista dataa tuottaen<br />
uutta, entistä syvällisempää tietoa lääkityspoikkeaman<br />
aiheuttaneista virhetilanteista.<br />
Tätä tietoa, joka voidaan myös ajatella HaiProilmoitusten<br />
ydintietona, ei kyetä muilla keinoilla<br />
keräämään ilmoituksista. Sen lisäksi,<br />
että menetelmän avulla tutkimuksessa käytetyn<br />
noin 15 000 ilmoituksen analysointi onnistui<br />
nopeasti, saatiin analyyseista välittömästi<br />
muodostettua havainnollisia visualisointeja.<br />
Koska menetelmän kehitykseen kuului kaiken<br />
rakenteettoman tekstin oikoluku ja kategorisointi,<br />
saatiin tuloksissa myös viite tulevista<br />
jatkokehitysmahdollisuuksista menetelmän<br />
muodostaessa tekstissä ilmenevien sanojen<br />
yhdistelmistä omia, uusia kategorioita. Tämä<br />
olisikin jo askel kohti edistyneempää, koneop-<br />
462 Dosis Vol. 38 4/<strong>2022</strong> © Suomen Farmasialiitto ry Suomen Farmasialiitto ry © 4/<strong>2022</strong> Vol. 38 Dosis 463
pimisen algoritmeja laajemmin hyödyntävää<br />
analyysimenetelmää.<br />
Vaikka HaiPro-ilmoitukset tuottavat tietoa<br />
takautuvasti jo tapahtuneista lääkityspoikkeamista,<br />
mahdollistaa tässä PoC-tutkimuksessa<br />
kehitetty menetelmä tiedon reaaliaikaisen hyödyntämisen.<br />
Integroituna mihin tahansa tietoa<br />
tuottavaan rekisteriin, menetelmällä kyetään<br />
tuottamaan analyyseja halutuin suodatuksin.<br />
HaiPro-ilmoitusten kohdalla tämä voisi tarkoittaa<br />
esimerkiksi sitä, että tietoa kyettäisiin<br />
hyödyntämään jo ennen kuin HaiPro-ilmoitukselle<br />
on tehty prosessiin kuuluva ilmoituksen<br />
tietojen täydentäminen (riskin arvio,<br />
vakavuuden arvio) ilmoituksen käsittelijän toimesta,<br />
mikä nopeuttaisi lääkityspoikkeamista<br />
saatavien tietojen käyttöä tiedolla johtamisen<br />
tarpeisiin. Edelleen laajennettuna vastaavalle<br />
menetelmälle voidaan löytää käyttöaiheita<br />
lääkehoitojen vaikuttavuuden ja turvallisuuden<br />
jatkuvassa arvioinnissa. Jo tämän lyhyen<br />
PoC-projektin tuloksista saimme innostavia<br />
viitteitä siitä, että automatisoitu luokittelu<br />
on mahdollista toteuttaa hyvällä tarkkuudella<br />
siten, että paitsi nopeutamme olemassa olevien<br />
suurien HaiPro-ilmoitusmäärien käsittelyä,<br />
myös syvennämme niistä saatavaa tietoa<br />
aineistoa rikastamalla.<br />
Tämän PoC-tutkimuksen tuloksiin liittyy<br />
useita rajoitteita ja mahdollisia virhelähteitä.<br />
Suurin tulosten epävarmuutta lisäävä tekijä on<br />
raportoitujen tietojen deskriptiivisyys. Projektin<br />
tuloksissa keskityttiin kehitetyn menetelmän<br />
mahdollisuuksien kartoittamiseen, minkä<br />
vuoksi kvalitatiiviset tulokset jäivät vähäisiksi.<br />
Pääasiallisena tarkoituksena oli nähdä,<br />
onko lukuisia päällekkäisyyksiä ja erityispiirteitä<br />
sisältävän ATC-koodiluokituksen automatisointi<br />
narratiivisesta tekstistä mahdollista.<br />
Vaikka menetelmän toteutus onnistui,<br />
oli lääkkeiden luokittelun oikeellisuuden varmistaminen<br />
merkittävästi työläämpää kuin<br />
mihin projektissa oli varauduttu. Pääasiallisena<br />
tuloksena saatiinkin menetelmän runko,<br />
jonka jatkokehittäminen ja luokittelutuloksen<br />
oikeellisuuden varmistaminen vaatii vielä<br />
työtä. Tutkimuksen seuraavassa vaiheessa<br />
menetelmän tarkempi validointi ja pilotointi<br />
suuremmilla aineistomassoilla ovatkin ensisijaisessa<br />
asemassa.<br />
Tulevaisuudessa lääketiede ja muut terveystieteiden<br />
osa-alueet tulevat nojaamaan<br />
entistä enemmän tekoälymenetelmien hyödyntämiseen<br />
kasvavien datamäärien käytössä<br />
sekä lääkehoitojen että diagnostiikan saralla<br />
(Torkmani ym. 2017, Wong ym. 2018). Menetelmien<br />
kehityksellä terveydenhuoltoa ohjataan<br />
entistä vahvemmin reaktiivisesta sairaanhoidosta<br />
kohti preventiivistä terveydenhoitoa<br />
(Vogt ym. 2016). Nämä askeleet vaativat kuitenkin<br />
vankan pohjan tiedon louhimisessa ja<br />
luokittelussa. Tulevaisuuden lääketiede asuu<br />
datassa, joka sitoo tulevaisuudessa lääkehoitojen<br />
tutkimuksen, kehityksen ja valvonnan<br />
entistä tiukemmin yhteen. Tiedon hyödyntämisen<br />
tehostamiseksi uusien, aiempaa<br />
tarkempien ja tehokkaampien menetelmien<br />
kehittäminen vaatii entistä tiiviimpää yhteistyötä<br />
lääketieteen ja informaatioteknologian<br />
ammattilaisten kesken.<br />
Johtopäätökset<br />
Suuri osa terveydenhuollon tuottamasta tiedosta<br />
on rakenteettomassa muodossa vapaana<br />
tekstinä. Farmakologisen tiedon louhiminen<br />
lääketieteellisestä tekstistä luo uusia mahdollisuuksia<br />
farmakoepidemiologisen tiedon<br />
hyödyntämiseen olemassa olevien lääkkeiden<br />
tehon, turvallisuuden ja kustannusvaikuttavuuden<br />
arvioinnille mutta myös kehitteillä olevien<br />
lääkkeiden tarpeen kartoittamiseen. NLPmenetelmät<br />
ovat nopea ja kustannustehokas<br />
keino lääketieteellisen, tekstimuotoisen tiedon<br />
luokitteluun ja analysointiin. Lääketieteellisen<br />
tiedon monimuotoisuuden ja tiedon sisältöön<br />
liittyvien erityisvaatimusten vuosi NLP-menetelmien<br />
kehittäminen vaatii laajaa yhteistyötä<br />
sekä lääketieteen että informaatioteknologian<br />
osa-alueilta. Koska lääketieteellisille luokitteluille<br />
on tyypillistä luokkien päällekkäisyys,<br />
jatkuva kehittyminen sekä tapauskohtainen<br />
hierarkia, on kaikkien kehitettyjen menetelmien<br />
validoinnin oltava perusteellista sekä<br />
menetelmän kehitysvaiheessa että käyttöönoton<br />
jälkeen. Farmakologinen tieto on nykyaikaisen<br />
lääketieteen keskiössä. Niinpä farmakologisen<br />
tiedon tunnistaminen ja luokittelu luo<br />
pohjan edistyneempien tekoälymenetelmien<br />
kehittämiselle sekä tutkimus-, teollisuus-,<br />
että viranomaistarpeisiin. Älykkäiden menetelmien<br />
avulla lääketiedettä pyritään entistä<br />
voimakkaammin kehittämään reaktiivisesta<br />
sairaanhoidosta kohti ennaltaehkäisevää terveydenhoitoa.<br />
464 Dosis Vol. 38 4/<strong>2022</strong> © Suomen Farmasialiitto ry Suomen Farmasialiitto ry © 4/<strong>2022</strong> Vol. 38 Dosis 465
Summary<br />
Building foundations for the<br />
utilization of pharmacological big<br />
data in health care – A case report<br />
from specialized care<br />
Outi Laatikainen*<br />
MSC. Pharm, PhD<br />
Post-doc researcher<br />
Research Unit of Biomedicine<br />
University of Oulu<br />
Researcher<br />
MRC Oulu and Oulu University Hospital<br />
outi.laatikainen@oulu.fi<br />
Sami Sneck<br />
MSc., Health sciences, PhD<br />
Director of nursing excellence<br />
Oulu University Hospital<br />
Antti Heino<br />
MSc<br />
Principal Advisor on AI & Cloud<br />
SAS Institute Oy<br />
Ville Huikari<br />
MSc<br />
Lead Data Scientist<br />
Loihde Analytics Oy<br />
Miia Turpeinen<br />
MD<br />
Prof in clinical pharmacology<br />
Biomedical research unit<br />
University of Oulu<br />
University hospital director<br />
Oulu University hospital<br />
* Correspondence<br />
Objective<br />
Health care produces growing amounts of electronic<br />
data, large proportion of which is stored<br />
in an unstructured format. Manual utilization<br />
of unstructured medical data is time-consuming<br />
and laborious. The main objective of this<br />
study was to develop a NLP-based method that<br />
is able to mine and categorize pharmaceutical<br />
data from an unstructured data set. Secondary<br />
aim was to test the capabilities of NLP-based<br />
methods in content analysis of medical data.<br />
Materials and methods<br />
In this study, medication error reports collected<br />
from Oulu university hospital during<br />
2007-2020 were utilized in method development<br />
( = 14 971). The research was conducted<br />
as a collaboration proof-of-concept project<br />
between Oulu university hospital, University<br />
of Oulu, and SAS Analytics. The method development<br />
was executed in the SAS Viya platform.<br />
Before analysis, all personal data was removed<br />
from the HaiPro-reports as part of the development<br />
of automated anonymization. The categorization<br />
of medication error reports and<br />
pharmaceutical data was conducted utilizing<br />
SAS Viya text analytics.<br />
Results<br />
As a result of this Proof-of-concept -study,<br />
we were able to develop a method that was<br />
capable of detecting and categorizing all drug<br />
names and active substance names according<br />
to the sensitivity level set for this project.<br />
The new categories formed of the medication<br />
error report content created novel information<br />
concerning the cause of the error event. As part<br />
of the development process, the method was<br />
forced to proof-red all medication error report<br />
text was thus able to autonomously form new<br />
content categories according to word clusters.<br />
Thus, the developed method formed a basis for<br />
the development of more advanced machine<br />
learning methods for the utilization of medical<br />
data.<br />
Conclusions<br />
Categorizing pharmaceutical data from health<br />
care registers is important in more effective<br />
utilization of unstructured medical data. In the<br />
future, this information is needed in the development<br />
of effective methods for adverse event<br />
prevention and safer and efficient pharmaceutical<br />
care.<br />
Keywords: machine learning,<br />
natural language processing (NLP),<br />
HaiPro, medication safety<br />
Sidonnaisuudet<br />
Tämä POC-hanke toteutettiin yhteistyössä<br />
Oulun yliopiston, Oulun yliopistollisen sairaalan<br />
ja SAS Institute Oy:n kesken. SAS Analytics<br />
Oy vastasi työn teknisestä toteutuksesta, ja<br />
heidän osallisuutensa rahoitettiin Oulu Digi-<br />
HealthHubin kautta saadulla tutkimusrahoituksella.<br />
Tutkimusryhmän jäsenet tai SAS<br />
Analytics Oy eivät saa työn tuloksista rahallista<br />
hyötyä.<br />
Kiitokset<br />
Kiitämme prof. Maritta Perälä-Heapea ja Timo<br />
Kolehmaista heidän osallisuudestaan pilottitutkimuksen<br />
edistämisessä ja hallinnoimisessa<br />
sekä tämän PoC-hankkeen tutkimusrahoituksen<br />
järjestämisessä.<br />
466 Dosis Vol. 38 4/<strong>2022</strong> © Suomen Farmasialiitto ry Suomen Farmasialiitto ry © 4/<strong>2022</strong> Vol. 38 Dosis 467
Kirjallisuus<br />
Alshehri GH, Keers R, Ashcroft DM:<br />
Frequency and Nature of Medication<br />
Errors and Adverse Drug Events in<br />
Mental Health Hospitals:<br />
A Systematic Review.<br />
Drug Safety 40: 871–886, 2017.<br />
DOI: 10.1007/s40264-017-0557-7<br />
Arora P, Boyne D, Slater JJ ym.:<br />
Bayesian Networks for Risk<br />
Prediction Using Real-World Data: A<br />
Tool for Precision Medicine. Value in<br />
Health 22: 439–445, 2019.<br />
DOI: 10.1016/j.jval.2019.01.006<br />
Bi Q, Goodman KE, Kaminsky J ym.:<br />
What Is Machine Learning? A Primer<br />
for the Epidemiologist. American<br />
Journal of Epidemiology 188: 2222–<br />
2239, 2019. DOI: 10.1093/aje/kwz189.<br />
Chen Y, Chirikov VV, Marston XL<br />
ym.: Machine Learning for Precision<br />
Health Economics and Outcomes<br />
Research (P-HEOR): Conceptual<br />
Review of Applications and next<br />
Steps. Journal of Health Economics<br />
and Outcomes Research 7: 35–42,<br />
2020<br />
Doupe P, Faghmous J, Basu S:<br />
Machine Learning for Health Services<br />
Researchers. Value in Health: The<br />
Journal of the International Society<br />
for Pharmacoeconomics and<br />
Outcomes Research 22: 808–815,<br />
2019. DOI: 10.1016/J.JVAL.2019.02.012<br />
Grothen AE, Tennant B, Wang<br />
C ym.: Application of Artificial<br />
Intelligence Methods to Pharmacy<br />
Data for Cancer Surveillance and<br />
Epidemiology Research: A Systematic<br />
Review. JCO Clinical Cancer<br />
Informatics 4: 1051–58, 2020.<br />
DOI: 10.1200/CCI.20.00101<br />
Laatikainen O: Lääkkeisiin<br />
Liittyvät Haittatapahtumat<br />
Terveydenhuollossa.<br />
Dosis 36: 216–229, 2020.<br />
Laatikainen O, Miettunen J, Sneck S<br />
ym.: The Prevalence of Medication-<br />
Related Adverse Events in<br />
Inpatients—a Systematic Review and<br />
Meta-Analysis. European Journal of<br />
Clinical Pharmacology 73(12), 2017.<br />
DOI: 10.1007/s00228-017-2330-3<br />
Laatikainen O, Sneck S, Turpeinen<br />
M: Näköisnimisten Lääkkeiden<br />
Kartoitus Oulun Yliopistollisessa<br />
Sairaalassa. Dosis 34: 32–43, 2018<br />
Laatikainen O, Sneck S, Turpeinen M:<br />
The Risks and Outcomes Resulting<br />
from Medication Errors Reported<br />
in the Finnish Tertiary Care Units:<br />
A Cross-Sectional Retrospective<br />
Register Study. Frontiers in<br />
Pharmacology 10, 2020.<br />
DOI: 10.3389/fphar.2019.01571<br />
Mehta N, Pandit A: Concurrence of<br />
Big Data Analytics and Healthcare:<br />
A Systematic Review. International<br />
Journal of Medical Informatics 114:<br />
57–65, 2018<br />
Ngiam KY, Khor IW: Big Data and<br />
Machine Learning Algorithms for<br />
Health-Care Delivery. The Lancet<br />
Oncology 20(5): e262–73, 2019<br />
Obermeyer Z, Emanuel EJ: Predicting<br />
the Future — Big Data, Machine<br />
Learning, and Clinical Medicine.<br />
New England Journal of Medicine<br />
375(13):1216–19, 2016.<br />
DOI: 10.1056/nejmp1606181.<br />
Tecklenborg S, Byrne C, Cahir C ym.:<br />
Interventions to Reduce Adverse<br />
Drug Event-Related Outcomes in<br />
Older Adults: A Systematic Review<br />
and Meta-Analysis. Drugs and Aging<br />
37: 91–98, 2020<br />
Torkamani A, Andersen KG,<br />
Steinhubl SR ym.: High-Definition<br />
Medicine. Cell 170: 828–843, 2017<br />
Vogt H, Hofmann B, Getz L: The New<br />
Holism: P4 Systems Medicine and<br />
the Medicalization of Health and<br />
Life Itself. Medicine, Health Care<br />
and Philosophy 19: 307–323, 2016.<br />
DOI: 10.1007/S11019-016-9683-8/<br />
FIGURES/2<br />
Wong A, Plasek JM, Montecalvo SP<br />
ym.: Natural Language Processing<br />
and Its Implications for the Future<br />
of Medication Safety: A Narrative<br />
Review of Recent Advances and<br />
Challenges. Pharmacotherapy 38:<br />
822–841, 2018.<br />
DOI: 10.1002/PHAR.2151<br />
Laatikainen O, Sneck S, Heino A, Huikari V, Turpeinen M: Rakenteettoman tiedon hyödyntäminen<br />
terveydenhuollossa – pilottitutkimus erikoissairaanhoidosta. Dosis 38: 454–469, <strong>2022</strong><br />
468 Dosis Vol. 38 4/<strong>2022</strong> © Suomen Farmasialiitto ry Suomen Farmasialiitto ry © 4/<strong>2022</strong> Vol. 38 Dosis 469
Kohti katkeamatonta<br />
lääkehoitoprosessia<br />
– Sairaala-apteekkareiden<br />
näkemykset ja tulevaisuuden<br />
visiot lääkehuollon automaatiosta<br />
ja integraatioista<br />
Tiivistelmä<br />
Johdanto: Sairaala-apteekkien automaation käyttöönoton tavoitteena on potilas- ja lääkitysturvallisuuden<br />
parantaminen HIMSS (Healthcare Information and Management Systems<br />
Society) -luokitusten mukaisesti. Katkeamaton lääkehoitoprosessi muodostuu saumattomasta<br />
lääkehoidosta, onnistuneesta lääkelogistiikasta ja tietojärjestelmien tiedonhallinnasta. Ylimmän<br />
HIMSS-tason saavuttaminen vaatii sairaala-apteekin toiminnanohjausjärjestelmän ja<br />
potilastietojärjestelmän integraation, ja se on sairaaloiden lääkehuollon automaation suurin<br />
haaste. Tutkimuksen päätavoitteena oli tutkia sairaala-apteekkarien näkemyksiä lääkehuollon<br />
tulevaisuuden kehitysvisioista lääkitysturvallisuuden kannalta. Lisäksi haluttiin tutkia, millä<br />
keinoilla katkeamattoman lääkehoitoprosessin toteutumista voidaan edistää ja mitä uudistuksia<br />
siihen liittyen tullaan toteuttamaan vuoteen 2030 mennessä. Tutkimuksessa selvitettiin<br />
myös, mitä automaatioratkaisuja sairaaloiden lääkehuollossa on tarkoitus ottaa käyttöön lähivuosina.<br />
Tatiana Kaplina*<br />
Proviisori<br />
Yliopisto-opettaja<br />
Farmasian laitos, Sosiaalifarmasia<br />
Terveystieteiden tiedekunta<br />
Itä-Suomen yliopisto<br />
tatjana.kaplina@uef.fi<br />
Marja Jaurakkajärvi<br />
Proviisori, ekonomi<br />
Affiliaatio tutkimuksen teon aikana<br />
Liiketoiminnan kehitysjohtaja<br />
NewIcon Oy<br />
Hanna Kauppinen<br />
FaT<br />
Opetusproviisori<br />
Farmasian laitos / Itä-Suomen yliopiston<br />
apteekki<br />
Terveystieteiden tiedekunta<br />
Itä-Suomen yliopisto<br />
Reeta Heikkilä<br />
FaT<br />
Yliopistonlehtori<br />
Farmasian laitos<br />
Terveystieteiden tiedekunta<br />
Itä-Suomen yliopisto<br />
Aineisto ja menetelmät: Tutkimus koostuu kahdesta osatutkimuksesta. Sairaala-apteekkareille<br />
suunnattu sähköinen kysely ja teemahaastattelu toteutettiin vuonna 2020. Kyselyaineisto<br />
analysoitiin frekvensseinä. Teemahaastattelut nauhoitettiin, litteroitiin ja analysoitiin sisällönanalyysillä.<br />
Tulokset: Yksitoista sairaala-apteekkaria vastasi kyselyyn ja kymmenen osallistui haastatteluun.<br />
Vuonna 2020 sairaaloissa käytetyimpiä lääkehuollon automaatiolaitteita olivat älylääkekaapit<br />
(n = 8), putkipostit lääkekuljetuksessa (n = 6) ja keräilyvarastorobotit (n = 5). Haastatteluista<br />
nousi viisi yläluokkaa: sairaaloissa ja sairaala-apteekeissa käytössä olevat automaatiolaitteet<br />
ja -järjestelmät; prosessin katkeamiskohdat, suunnittelu ja edistäminen, prosessin<br />
haasteet sekä visio vuoteen 2030 mennessä.<br />
Haastateltavat kertoivat, että katkeamaton lääkehoitoprosessi ei toteudu suomalaisissa sairaaloissa<br />
täydellisesti ja lääkehoitoprosessi katkeaa aina tiedon manuaalisessa siirtämisessä. Päätöksenteontuki,<br />
potilaan ja lääkkeen sähköinen tunnistaminen sekä mobiilikirjaus eivät toteudu<br />
kaikissa sairaaloissa. Uusien automaatiolaitteiden hankinnat ovat useiden sairaala-apteekkien<br />
suunnitelmissa. Laitteiden käyttöönottoon vaikuttavat sairaalan toimintavolyymit, sairaanhoitopiirin<br />
taloudelliset resurssit, laitteiden laadulliset ominaisuudet ja kustannukset. Automaation<br />
käyttöönottoa rajoittavat apteekin tai sairaalan tilat ja integraatio-ongelmat.<br />
* Kirjeenvaihto<br />
Johtopäätökset: Suurin osa tutkimukseen osallistuneista sairaaloista pyrkii katkeamattomaan<br />
lääkehoitoprosessiin. Sairaalat suunnittelevat ja toteuttavat integraatiota potilastietoja<br />
toiminnanohjausjärjestelmän välillä lääkitysturvallisuuden parantamiseksi. Parhaassa<br />
tapauk sessa sairaalan integroidut automaatiojärjestelmät tulevat muodostamaan yhtenäisen<br />
toiminnallisen kokonaisuuden. Suurimmassa osassa sairaaloista lääkehoitoprosessi sisältää<br />
lähitulevaisuudessakin manuaalisia vaiheita ja korkein HIMSS-taso jää saavuttamatta.<br />
Avainsanat: automaatio, katkeamaton lääkehoitoprosessi, lääkehuolto, sairaala-apteekki<br />
Kaplina T, Jaurakkajärvi M, Kauppinen H, Heikkilä R: Kohti katkeamatonta lääkehoitoprosessia – Sairaala-apteekkareiden<br />
näkemykset ja tulevaisuuden visiot lääkehuollon automaatiosta ja integ-raatioista. Dosis 38: 470–489, <strong>2022</strong><br />
470 Dosis Vol. 38 4/<strong>2022</strong> © Suomen Farmasialiitto ry<br />
Suomen Farmasialiitto ry © 4/<strong>2022</strong> Vol. 38 Dosis 471
Johdanto<br />
Sairaaloissa käytettävien automaatiolaitteiden<br />
ja -järjestelmien tavoitteena on parantaa potilasturvallisuutta<br />
ja sujuvoittaa lääkehoitoprosessia<br />
(Pedersen ym. 2015, Metsämuuronen ym.<br />
2018, Schneider ym. 2018, Mikkola ym. 2021).<br />
Katkeamaton lääkehoitoprosessi on yksi keskeisimmistä<br />
potilas- ja lääkitysturvallisuutta<br />
parantavista keinoista sairaaloissa, koska sen<br />
tavoitteena on vähentää muun muassa lääkemääräys-,<br />
tiedonsiirto-, lääkejako- ja annosteluvirheitä<br />
(Franklin ym. 2007, Milliorn 2016,<br />
Fanning ym. 2016, Austin ym. 2018, Schepel ja<br />
Kuitunen 2020). Jotta katkeamatonta lääkehoitoprosessia<br />
voidaan toteuttaa, pitää koko lääkejakeluketjun<br />
olla sähköisessä muodossa tiedon<br />
reaaliaikaisuuden toteutumiseksi. Automaatiolaitteiden<br />
integraatio sairaalan tietojärjestelmiin<br />
mahdollistaisi lääkehoitoprosessia<br />
koskevan informaation siirtymisen potilasjärjestelmissä<br />
sekä reaaliaikaisen tiedonkulun<br />
toimintayksikön ja sairaala-apteekkien tai<br />
hoito-organisaatioiden välillä (Niiranen 2017).<br />
Automaatiolaitteiden ja erilaisten tietojärjestelmien<br />
keskinäinen integraatio on osoittautunut<br />
keskeiseksi haasteeksi katkeamattoman<br />
lääkehoitoprosessin toteutuksessa (Burkoski<br />
ym. 2019, Ikäheimo ym. 2020).<br />
Sairaaloissa hyödynnetään automaatiota ja<br />
digitalisaatiota HIMSS (Healthcare Information<br />
and Management Systems Society) -luokitusten<br />
mukaisesti (Furukawa ja Pollack 2020).<br />
HIMSS on terveydenhuollon organisaatioiden<br />
käyttämä mittari, jonka avulla organisaatiot<br />
voivat arvioida ja kehittää toimintaansa. Katkeamaton<br />
lääkehoitoprosessi vaatii korkeimman<br />
HIMSS-tason saavuttamisen, eli se edellyttää<br />
digitalisoitujen potilastieto-, laboratorio-<br />
ja kuvantamisjärjestelmien lisäksi sairaala-apteekin<br />
toiminnanohjausjärjestelmän<br />
ja potilastietojärjestelmän täydellistä integraatiota<br />
(Electronic Medical Record Adoption<br />
Model 2017, Furukawa ja Pollack 2020). Suomalaisten<br />
sairaaloiden visio eli tavoitetila tähtää<br />
potilasturvallisuuden parantamiseen, lääkehuollon<br />
kehittämiseen ja automaation käyttöön<br />
osana katkeamatonta lääkehoitoprosessia<br />
(Metsämuuronen ym. 2018, Torniainen 2018).<br />
Suomessa on 25 sairaala-apteekkia (Lääkealan<br />
turvallisuus- ja kehittämiskeskus Fimea<br />
2021). Niissä suunnitellaan, rakennetaan ja<br />
toteutetaan lääkehoitoprosesseja ottamalla<br />
käyttöön erilaisia automaatiolaitteita ja -järjestelmiä<br />
(Metsämuuronen ym. 2018). Tiettävästi<br />
yksikään sairaala Suomessa ei yllä korkeimmalle<br />
HIMSS-tasolle. Julkaistua tutkimustietoa<br />
sairaaloiden lääkehuollon automaatiosta<br />
ja sen merkityksestä katkeamattomassa<br />
lääkehoitoprosessissa on vähän (Metsämuuronen<br />
ym. 2018, Mikkola ym. 2021).<br />
Tutkimuksen päätavoitteena oli tutkia sairaala-apteekkarien<br />
näkemyksiä lääkehuollon<br />
tulevaisuuden kehitysvisioista lääkitysturvallisuuden<br />
kannalta sekä selvittää, millä keinoilla<br />
katkeamattoman lääkehoitoprosessin toteutumista<br />
voidaan edistää ja mitä uudistuksia siihen<br />
liittyen tullaan toteuttamaan vuoteen 2030<br />
mennessä. Lisäksi kartoitettiin, mitä automaatioratkaisuja<br />
sairaaloiden lääkehuollossa on<br />
tarkoitus ottaa käyttöön lähivuosina.<br />
Aineisto ja menetelmät<br />
Aineisto koostui kahdesta sairaala-apteekkareille<br />
(myöhemmin apteekkari) suunnatusta<br />
osatutkimuksesta. Kesällä 2020 toteutettiin<br />
kyselytutkimus, jonka perusteella suunniteltiin<br />
ja toteutettiin haastattelututkimus syksyllä<br />
2020.<br />
Kyselytutkimus sairaaloiden<br />
lääkehuollon automaatiosta<br />
Kyselyssä oli 54 strukturoitua kysymystä, jotka<br />
liittyivät käytössä olevien automaatiolaitteiden<br />
määrään, merkkeihin, käyttöönottovuosiin,<br />
integraatioon, kapasiteettiin, ominaisuuksiin<br />
ja katkeamattomaan lääkehoitoprosessiin.<br />
Avoimet ja strukturoidut kysymykset<br />
oli ryhmitelty automaatiosovelluksittain. Tutkimuslomakkeen<br />
suunnittelussa hyödynnettiin<br />
vuonna 2017 toteutettua kyselyä (Metsämuuronen<br />
2019).<br />
Tutkimukseen kutsuttiin samat sairaalaapteekit<br />
(n = 22), jotka olivat osallistuneet<br />
vuonna 2017 toteutettuun kyselytutkimukseen<br />
(Metsämuuronen ym. 2018). Vastausaikaa<br />
oli viisi viikkoa, jonka aikana lähetettiin kaksi<br />
muistutuskirjettä. Aineisto kerättiin sähköisesti<br />
(E-lomake versio 3.1 Eduix Oy), koska se<br />
on postikyselyyn verrattuna nopea, edullinen<br />
ja vastaukset tallentuvat suoraan sähköiseen<br />
muotoon analyysin nopeuttamiseksi ja helpottamiseksi<br />
(Hirsjärvi ja Hurme 2015a). Aineisto<br />
analysoitiin deskriptiivisesti ja tulokset esitettiin<br />
frekvensseinä siten, ettei yksittäistä sairaalaa<br />
pysty tunnistamaan.<br />
Haastattelututkimus lääkehuollon<br />
tulevaisuudesta<br />
Apteekkarien näkemyksiä lääkehuollon tulevaisuuden<br />
kehitysvisioista tutkittiin teemahaastattelulla.<br />
Se sopii tutkimusmenetelmäksi<br />
silloin, kun aihetta on tutkittu vähän (Hämeen-<br />
Anttila ja Katajavuori 2021). Haastattelututkimukseen<br />
valittiin erikokoisia sairaaloita<br />
kyselytutkimukseen pyydettyjen 22 sairaalaapteekin<br />
joukosta. Apteekkareille lähetettiin<br />
tutkimustiedote, jossa kerrottiin tutkimuksen<br />
tarkoituksesta, toteuttamisesta ja osallistumisen<br />
vapaaehtoisuudesta. Haastattelun<br />
ajankohta sovittiin tutkimuksesta kiinnostuneiden<br />
apteekkarien kanssa sähköpostilla tai<br />
puhelimitse.<br />
Teemahaastattelussa käytettiin haastattelurunkoa,<br />
jossa oli viisi teemaa (Liite 1). Haastatteluteemat<br />
olivat: 1. katkeamaton lääkehoitoprosessi;<br />
2. lääkehoitoprosessin katkeaminen;<br />
3. kaupallisten automaatiojärjestelmien<br />
käyttöönotto 10 vuoden sisällä; 4. nykyiset<br />
integraatiohaasteet ja 5. sairaalan visiot katkeamattoman<br />
lääkehoitoprosessin rakentamisessa<br />
vuoteen 2030 mennessä. Pääkysymysten<br />
lisäksi haastateltaville esitettiin tarvittaessa<br />
tarkentavia kysymyksiä, ja heillä oli myös<br />
mahdollisuus palata aikaisemmin käsiteltyyn<br />
teemaan. Keskustelun herätteenä käytettiin<br />
kuvaa lääkehuollon prosessikaaviosta (Kuva 1).<br />
Haastattelurunko pilotoitiin kahdella apteekkarilla.<br />
Pilottihaastattelut liitettiin aineistoon,<br />
koska haastattelukysymyksiin ei tehty muutoksia<br />
(Hämeen-Anttila ja Katajavuori 2021).<br />
Haastattelut teki yksi tutkija (TK) Microsoft<br />
Teams tai Zoom-videoneuvottelusovelluksella.<br />
Haastattelut tallennettiin haastateltavien<br />
luvalla, ja ne kestivät 30–80 minuuttia.<br />
Automaatioprosessit<br />
Prosessin eteneminen<br />
Digitaalisen informaation siirto<br />
Kuva 1. Haastattelujen alussa käytetty herätekuva, johon on teemahaastatteluiden perusteella lisätty<br />
lääkehoitoprosessin katkeamiskohdat punaisilla rasteilla.<br />
472 Dosis Vol. 38 4/<strong>2022</strong> © Suomen Farmasialiitto ry Suomen Farmasialiitto ry © 4/<strong>2022</strong> Vol. 38 Dosis 473
Taulukko 1. Automaatiosovellusten hyödyntäminen sairaaloiden (n = 11) lääkehuollossa<br />
sairaala-apteekkareiden mukaan.<br />
Taulukko 2. Viivakoodin hyödyntäminen sairaaloiden (n = 11) lääkehuollossa sairaala-apteekkareiden<br />
mukaan.<br />
Käytössä oleva automaatiosovellus<br />
n<br />
Viivakoodin käyttö lääkehoitoprosessin eri vaiheissa<br />
n<br />
Älylääkekaapit 8<br />
Putkiposti lääkkeiden kuljetuksessa 6<br />
Keräilyvarastorobotti 5<br />
Mobiilikirjaus 4<br />
Annosjakelulaite 3<br />
Antibioottirobotti 2<br />
Älylääkekärryt 2<br />
Vihivaunut 2<br />
Infuusioliuosten purkuautomaatti 1<br />
Lääkkeiden yksikköpakkaamislaite 0<br />
Lääkkeiden manuaalinen toimitus<br />
Käytössä 10<br />
Suunnitelmissa* 0<br />
Lääkkeiden manuaalinen keräily<br />
Käytössä 8<br />
Suunnitelmissa* 2<br />
Lääkkeenanto<br />
Käytössä 2<br />
Suunnitelmissa* 2<br />
Aineisto katsottiin riittäväksi, kun haastatteluissa<br />
ei tutkimustavoitteiden kannalta tullut<br />
enää esille uusia näkemyksiä (Hämeen-Anttila<br />
ja Katajavuori 2021). Tallenteet litteroitiin<br />
(TK) Microsoft Word -tekstinkäsittelyohjelmalla.<br />
Aineisto analysoitiin sekä teorialähtöisellä<br />
että aineistolähtöisellä analyysilla<br />
(Hirsjärvi ja Hurme 2015b). Litteroidusta tekstistä<br />
etsittiin sanoja, lauseita tai lausejoukkoja,<br />
jotka jaoteltiin teorialähtöisesti pääteemoihin.<br />
Tämän jälkeen aineisto pelkistettiin ja samankaltaiset<br />
pelkistykset koottiin yhteen ja niistä<br />
muodostettiin alaluokkia aineistolähtöisesti.<br />
Tämän jälkeen samankaltaiset alaluokat yhdistettiin<br />
yläluokiksi. Sairaala-apteekkareiden<br />
visiot analysoitiin sisällönanalyysillä ja lisäksi<br />
ne luokiteltiin automaatiolaitteiden ja -sovellusten<br />
mukaisesti huomioiden niiden merkitys<br />
visiossa ja potilasturvallisuudessa. Aineiston<br />
analyysin teki yksi tutkija (TK), mutta analyysistä<br />
käytiin keskustelua tutkimusryhmän<br />
kesken.<br />
Tutkimuksen eettisyys<br />
Tämä tutkimus ei kuulu niihin ei-lääketieteellisiin<br />
ihmisiin kohdistuviin tutkimuksiin,<br />
joilta edellytetään eettinen ennakkoarviointi<br />
Suomessa (Tutkimuseettinen neuvottelukunta<br />
2019). Kyselyyn vastattiin nimettömänä<br />
ja jokaiselta haastatteluun osallistuneelta pyydettiin<br />
ja saatiin suostumus tutkimukseen<br />
osallistumisesta ja haastattelun tallentamisesta.<br />
Itä-Suomen yliopiston tutkimuseettisen<br />
toimikunnan ohjeiden mukaan tutkimus<br />
ei edellyttänyt toimikunnan lausuntoa (Itä-<br />
Suomen yliopisto 2021).<br />
Tulokset<br />
Kyselytutkimus sairaala-apteekkareille<br />
Kyselyyn vastasi 50 % (n = 11) tutkimukseen<br />
pyydetyistä sairaala-apteekkareista<br />
(Taulukko 1). Kahdeksan heistä ilmoitti sairaalan<br />
tavoittelevan katkeamattoman lääkehoitoprosessin<br />
toteutumista.<br />
Tutkimuksessa älylääkekaappien määrä<br />
tutkimukseen osallistuneiden sairaaloiden<br />
kohdalla vaihteli välillä 1–69 (Md = 4). Käytössä<br />
olevia älylääkekaappeja ei oltu integroitu<br />
potilastietojärjestelmiin, mutta kuusi sairaalaa<br />
suunnitteli integrointia viiden vuoden sisällä.<br />
Lisäksi yksi sairaala-apteekki suunnitteli käy-<br />
Lääkkeiden manuaalinen valmistus<br />
Käytössä 1<br />
Suunnitelmissa* 4<br />
*= viiden vuoden sisällä<br />
tössä olevan annosjakelulaitteen ja toinen antibioottirobotin<br />
integraatiota potilastietojärjestelmään.<br />
Älylääkekärryjä oli käytössä kahdessa<br />
sairaalassa, joista toisessa kärryt oli integroitu<br />
potilastietojärjestelmään ja toisessa integraatio<br />
oli suunnitteilla.<br />
Sähköisesti luettavan koodin käyttö (esim.<br />
viivakoodin) on katkeamattoman lääkehoitoprosessin<br />
edellytys (Rodriguez-Gonzalez ym.<br />
2019). Vuonna 2020 viivakoodi oli laajasti käytössä<br />
lääkkeiden manuaalisessa keräilyssä ja<br />
toimituksessa tutkimukseen osallistuneissa<br />
sairaaloissa (Taulukko 2). Osalla sairaaloista oli<br />
suunnitelmissa käyttää viivakoodia lääkkeiden<br />
manuaalisessa valmistuksessa ja lääkkeenannossa<br />
viiden vuoden sisällä.<br />
Haastattelututkimus<br />
sairaala-apteekkareille<br />
Haastatteluun osallistui 10 sairaala-apteekkaria.<br />
Haastatteluaineistosta muodostui viisi yläluokkaa<br />
(Taulukko 3), jotka käsittelivät sairaaloissa<br />
ja sairaala-apteekeissa käytössä olevia<br />
automaatiolaitteita ja -järjestelmiä, prosessin<br />
katkeamiskohtia, suunnittelua ja edistämistä,<br />
prosessin haasteita ja visiota vuoteen 2030<br />
mennessä. Apteekkareiden tulevaisuuden visiot<br />
automaatiolaitteiden ja -sovellusten merkityksestä<br />
2030-visiossa ja potilasturvallisuudessa<br />
on esitetty tuloskappaleen ”Visio vuoteen 2030<br />
mennessä”-yläluokan yhteydessä (Taulukot 3<br />
ja 4).<br />
Sairaaloissa ja sairaala-apteekeissa käytössä<br />
olevat automaatiolaitteet ja -järjestelmät<br />
474 Dosis Vol. 38 4/<strong>2022</strong> © Suomen Farmasialiitto ry Suomen Farmasialiitto ry © 4/<strong>2022</strong> Vol. 38 Dosis 475
Taulukko 3. Sairaala-apteekkareiden (n = 10) näkemyksiä katkeamattoman lääkehoitoprosessin<br />
toteutumisesta sairaalassa sekä sen haasteista, kehittämisestä ja visiosta.<br />
Yläluokka<br />
1. Sairaaloissa ja sairaalaapteekeissa<br />
käytössä olevat<br />
automaatiolaitteet ja -<br />
järjestelmät<br />
2. Lääkehoitoprosessin<br />
katkeamiskohdat<br />
3. Suunnittelu ja<br />
edistäminen<br />
4. Lääkehoitoprosessin<br />
haasteet<br />
5. Visio vuoteen 2030<br />
mennessä<br />
Alaluokka<br />
1.1 Sairaala-apteekissa käytössä olevat<br />
automaatiolaitteet<br />
1.2 Osastolla käytössä olevat automaatiolaitteet<br />
ja -järjestelmät<br />
1.3 Toiminnanohjaus- ja Opaali*-järjestelmät<br />
1.4 Potilastietojärjestelmät ja mobiilikirjaussovellus<br />
2.1 Sairaala-apteekista puuttuvat automaatiolaitteet<br />
2.2 Osastoilta puuttuvat automaatiolaitteet<br />
2.3 Sairaala-apteekissa osa tuotteista säilytetään<br />
keräilyvarastorobotin ulkopuolella<br />
2.4 Potilastietojärjestelmät eivät mahdollistaneet<br />
katkeamatonta lääkitystietojen siirtymistä,<br />
lääkemääräystä ja päätöksentekoa<br />
2.5 Potilastietojärjestelmien ja toiminnanohjausjärjestelmän<br />
integraatio-ongelmat<br />
2.6 Lääkehoitoprosessin manuaaliset vaiheet<br />
2.7 Lääkkeen reittiä sairaala-apteekista potilaaseen<br />
ei pysty varmentamaan<br />
3.1 Sairaaloiden uusien tilojen käyttöönotto<br />
3.2 Sairaala-apteekissa käyttöönotettavat<br />
automaatiolaitteet<br />
3.3 Osastoilla käyttöönotettavat automaatiolaitteet<br />
3.4 Automaatiolaitteisiin toivotaan uusia ominaisuuksia<br />
3.5 Potilastietojärjestelmien ja toiminnanohjausjärjestelmän<br />
integraation edistäminen<br />
3.6 Sähköisesti luettavien koodien käyttöönotto<br />
osastoilla ja sairaala-apteekeissa<br />
3.7 Mobiilikirjauksen käyttöönotto osastoilla<br />
4.1 Laitteiden hinta ja budjetti<br />
4.2 Aika- ja henkilöstöresurssipula<br />
4.3 Katkeamattoman lääkehoitoprosessin<br />
ymmärtäminen<br />
*Opaali on toiminnanohjausjärjestelmän sovellus, jonka avulla yksiköt<br />
voivat hallinnoida lääkevarastoaan<br />
5.1 Lääkehoitoprosessin katkeamattomuuden<br />
edistäminen<br />
5.2 Automaation käyttöönottoprosessit muutamien<br />
vuosien sisällä<br />
5.3 Osa lääkehoitoprosessia on manuaalista jatkossakin<br />
5.4 Potilasturvallisuuden edistäminen<br />
5.5 Kliinisen farmasian kehittäminen<br />
Haastateltavien (n = 10) mukaan keräilyvarastorobotteja<br />
oli käytössä useammassa<br />
sairaala-apteekissa. Osa lääkkeiden manuaalisesta<br />
keräilystä tapahtui kannettavan keräilypäätteen<br />
avulla. Antibioottirobotti ja annosjakeluautomaatti<br />
olivat harvemmin käytettyjä<br />
automaatiolaitteita. Suuremmalla osalla tutkimukseen<br />
osallistuneiden sairaaloiden osastoista<br />
oli käytössä älylääkekaappeja, mutta vain<br />
pieni osa niistä oli integroitu sekä potilastietoettä<br />
toiminnanohjausjärjestelmään. Tutkimusajankohtana,<br />
vuonna 2020, potilastietojärjestelmään<br />
integroituja älylääkekärryjä alettiin<br />
ottaa käyttöön.<br />
Kaikissa tutkimukseen osallistuneissa sairaala-apteekeissa<br />
oli käytössä sama toiminnanohjausjärjestelmä,<br />
jonka koettiin olevan<br />
kankea, aikaavievä ja kallis. Jossain sairaaloissa<br />
oli käytössä myös Opaali-järjestelmä.<br />
Se on toiminnanohjausjärjestelmän sovellus,<br />
joka ei kommunikoi potilastietojärjestelmän<br />
kanssa, mutta sen avulla yksiköt voivat hallinnoida<br />
lääkevarastoaan.<br />
Integraatio toiminnanohjaus- ja potilastietojärjestelmien<br />
välillä ja antokirjauksen varmentaminen<br />
potilastietojärjestelmän kautta<br />
toimivat vain harvoin. Lääkkeiden tunnistamisessa<br />
käytettiin apuna Terveysportin lääketietokantaa,<br />
mutta osassa sairaaloista myös<br />
sähköisesti luettavia viiva- ja 2D-matriisikoodeja.<br />
Mobiilikirjaussovelluksia ja -laitteita oli<br />
käytössä suuremmassa osassa tutkimukseen<br />
osallistuneista sairaaloista.<br />
Lääkehoitoprosessin katkeamiskohdat<br />
Haastateltavat (n = 10) toivat esille useita lääkehoitoprosessin<br />
aikana tapahtuvia katkoksia<br />
(Kuva 1). Sairaala-apteekin automaattinen toimintaprosessi<br />
katkeaa, jos apteekista puuttuu<br />
jokin automaatiolaite. Esimerkiksi keräilyvarastorobotin<br />
puuttuessa prosessi sisältää paljon<br />
manuaalisia vaiheita ja tällöin lääkkeiden<br />
aitouden manuaalinen varmennus vie paljon<br />
työaikaa. Haastateltavat kertoivat, että sairaala-apteekeissa<br />
osa valmisteista jää automaatioprosessien<br />
ulkopuolelle. Vaikka keräilyvarastorobotteja<br />
oli käytössä monessa tutkimukseen<br />
osallistuneessa sairaalassa ja<br />
varastointikapasiteettia pidettiin riittävänä,<br />
tuotteita ei otettu keräilyvarastoautomaattiin<br />
esimerkiksi pakkauksen koon, muodon tai painon<br />
takia. Kylmäsäilytettäviä tuotteita ei säilytetty<br />
varastorobotissa, koska sairaala ei ollut<br />
hankkinut robottiin kylmäsäilytysosaa. Robotissa<br />
ei säilytetty myöskään huumausaineita,<br />
solunsalpaajia, infuusionesteitä eikä niitä edes<br />
suunniteltu otettavaksi automaatiokeräilyn<br />
piiriin. Robotissa ei myöskään säilytetty sellaisia<br />
erityislupavalmisteita, joiden sähköistä<br />
tunnistekoodia robotti ei pystynyt lukemaan.<br />
Haastateltavien mukaan sairaala-apteekkeihin<br />
tarvitaan myös lääkkeiden annosjakelu- ja<br />
yksikköpakkaamislaitteita sekä antibiootti- ja<br />
solusalpaajarobotteja. Vastaavasti osastoilta<br />
puuttui älylääkekaappeja ja älylääkekärryjä.<br />
Potilastietojärjestelmät eivät tukeneet katkeamatonta<br />
lääkehoitoprosessia. Haastateltavien<br />
mielestä lääkitystiedon manuaalinen siirtäminen<br />
järjestelmästä toiseen aiheuttaa aina<br />
katkon lääkehoitoprosessiin (Kuva 1). Lääkitystiedon<br />
katkoksia voi tapahtua esimerkiksi<br />
potilaan lääkitystiedon tarkastuksessa sairaalaan<br />
tulovaiheessa, siirryttäessä erikoissairaanhoidon<br />
ja perusterveydenhuollon välillä<br />
tai osastolta toiselle. Sairaaloissa ja sairaanhoitopiireissä<br />
on käytössä samanaikaisesti<br />
useampia sähköisiä potilastietojärjestelmiä,<br />
ja tiedon siirtyminen niiden välillä ei sujunut<br />
ongelmitta. Koska ajantasaista lääkitystietoa ei<br />
aina ole saatavilla Reseptikeskuksesta, oli hoitopäätöksiä<br />
tehty väärän tai puutteellisen lääkitystiedon<br />
pohjalta. Mobiilikirjaussovelluksen<br />
hyödyntäminen oli haastavaa, koska kaikki<br />
potilaalle potilastietojärjestelmässä määrätyt<br />
lääkkeet eivät näkyneet sovelluksessa.<br />
Katkoksia tulee lääkkeen määräämisessä<br />
(Kuva 1), mikäli lääkemääräystä ei ole toteutettu<br />
toimintayksikön ohjeiden mukaisesti.<br />
Potilastietojärjestelmien hälytyksiin, kuten<br />
lääkeinteraktioihin tai potilaan riskitietoihin<br />
reagoiminen lääkkeen määräämisen yhteydessä,<br />
ei ollut pakollista. Rakenteinen lääkemääräys<br />
oli mahdollinen monessa potilastietojärjestelmässä,<br />
mutta osa järjestelmistä<br />
kuitenkin salli lääkemääräyksen teon<br />
sekä rakenteisessa muodossa että ilman sitä.<br />
Terveysportin lääkeinteraktiot ja haitat -tietokanta<br />
sekä potilastietojärjestelmien omat<br />
interaktiovaroitukset olivat laajasti käytössä,<br />
mutta päätöksenteontuki todettiin varsin heikoksi.<br />
Potilastietojärjestelmissä olevat potilastiedot<br />
oli luokiteltu epäselvästi, joten niiden<br />
476 Dosis Vol. 38 4/<strong>2022</strong> © Suomen Farmasialiitto ry Suomen Farmasialiitto ry © 4/<strong>2022</strong> Vol. 38 Dosis 477
hyödyntäminen päätöksenteossa ei onnistunut.<br />
Suurin osa potilastietojärjestelmistä ei tukenut<br />
lääkityksen tarkastusta rakenteisen lääkkeenmääräyksen<br />
yhteydessä eikä ohjannut ennalta<br />
sovittuja riskilääkkeitä farmaseuttiseen kaksoistarkastukseen.<br />
Haastateltavat (n = 10) kertoivat, että prosessien<br />
epätäydellisyys näkyy sairaaloiden<br />
HaiPro-järjestelmän ilmoituksissa. Esimerkiksi<br />
osastojen erilaiset lääkkeiden antoajat<br />
lisäävät antovirheiden mahdollisuutta ja tulostettujen<br />
lääkityslistojen käyttö lisää lääkityspoikkeamia,<br />
mikäli lääkityslistat eivät ole ajan<br />
tasalla. Myös omien lääkeantolistojen pitäminen<br />
eri lääkemuodoille heikentää lääkitysturvallisuutta.<br />
Tutkimukseen osallistuneiden sairaalaapteekkareiden<br />
mukaan integraation puute<br />
toiminnanohjaus- ja potilastietojärjestelmien<br />
välillä on rajoittanut uusien automaatiolaitteiden<br />
käyttöönottoa (Taulukko 3). Lisäksi<br />
älylääkekaappien integraatio potilastieto- tai<br />
toiminnanohjausjärjestelmiin koettiin puutteelliseksi.<br />
Kaikki potilastietojärjestelmät<br />
eivät mahdollista potilaskohtaista annosjakelua<br />
automaation avulla, ja joissakin sairaaloissa<br />
potilastietojärjestelmä ei tue sähköisesti<br />
tunnistettavien koodien luentaa. Haastateltavat<br />
toivat esille, että sairaala-apteekkeihin tarvitaan<br />
joko uusi toiminnanohjausjärjestelmä<br />
tai nykyinen järjestelmä pitäisi saada käyttäjäystävällisemmäksi.<br />
Järjestelmän vaihtaminen<br />
koettiin väistämättömänä asiana, vaikka<br />
toiminnanohjausjärjestelmien markkinat tiedettiin<br />
pieniksi ja vaihtamisen riskit isoiksi.<br />
Toiminnanohjausjärjestelmän integroiminen<br />
potilastietojärjestelmään nähdään haasteena<br />
kaikissa sairaaloissa, myös niissä, joissa ei vielä<br />
edes ollut kokemusta integraatiosta.<br />
Monessa tutkimukseen osallistuneessa sairaalassa<br />
katkeamaton lääkehoitoprosessi ei<br />
toteudu, koska tarvittavat automaatiolaitteet<br />
puuttuvat. Esimerkiksi lääkkeenjako tehdään<br />
edelleen manuaalisesti (Kuva 1, Taulukko 3).<br />
Haastateltavien mukaan lääkkeen tunnistaminen<br />
sähköisesti luettavan koodin avulla toteutuu<br />
sairaaloissa harvemmin, ja siksi manuaalinen<br />
kaksoistarkastus on laajasti käytössä.<br />
Solunsalpaajavalmistus ja -tunnistaminen oli<br />
suurimmassa osassa sairaaloista manuaalista.<br />
Esimerkiksi sairaala-apteekkien valmistamissa<br />
solusalpaaja-annoksissa oli viivakoodi, mutta<br />
osastoilla ei ollut välineitä sen hyödyntämiseen.<br />
Haastateltavat (n = 10) kertoivat, että katkos<br />
lääkehoitoprosessiin voi tapahtua lääkkeiden<br />
toimittamisen jälkeen, kun ei ole varmaa<br />
tietoa siitä, mitä niille tämän jälkeen tapahtuu<br />
(Kuva 1). Sairaala-apteekissa lääkkeiden<br />
manuaalisessa keräilyssä voi tapahtua inhimillisiä<br />
virheitä. Lisäksi lääkkeen aitouden<br />
manuaalisessa varmennuksessa ja erätietojen<br />
kirjaamisessa jää puuttumaan tieto siitä,<br />
kenelle lääke oli toimitettu. Osastoilla lääkehoidon<br />
toteutuksessa tapahtuu katkoksia, sillä<br />
lääkkeitä saattaa esimerkiksi jäädä jakamatta<br />
tai antamatta tai lääke saatetaan antaa väärälle<br />
potilaalle. Haastateltavien mielestä lääkkeenannon<br />
mobiilikirjaus kannettavan laitteen tai<br />
älylääkekaapin avulla ei toteudu vielä kaikissa<br />
sairaaloissa. Potilaan tunnistaminen lääkkeenannon<br />
yhteydessä on haasteellista erityisesti<br />
niissä sairaaloissa, jossa sähköinen tunnistaminen<br />
ei ole vielä käytössä. Lääkkeenantokirjaukset<br />
voivat jäädä tekemättä tai niitä tehdään<br />
puutteellisesti. Lisäksi lääke-erää ei pystytä<br />
varmentamaan antokirjauksen yhteydessä.<br />
Suunnittelu ja edistäminen<br />
Tutkimukseen osallistuneet sairaala-apteekkarit<br />
(n = 10) toivat esille, että sairaala-apteekkitiloissa<br />
tapahtuvia prosesseja edistetään<br />
jatkossakin keräilyvarastorobottien avulla<br />
(Taulukko 3). Robotit lukevat lääkepakettien<br />
2D-matriisikoodit, mikä vähentää erätietojen<br />
tallentamisvirheitä ja manuaalisia vaiheita.<br />
Automaatioprosesseja täydennetään lähitulevaisuudessa<br />
ottamalla käyttöön lisää antibioottirobotteja<br />
ja myös solunsalpaajarobottien<br />
hankkimista harkitaan, koska laitteiden käyttö<br />
säästää työaikaa, vähentää kontaminaatioriskejä<br />
ja henkilökunnan altistumista. Haastateltavien<br />
mukaan putkipostia tullaan hyödyntämään<br />
lääkekuljetuksessa enemmän. Lisäksi<br />
uusia automaatiolaitteita otetaan usein käyttöön<br />
sairaalan tai sen osan rakentamisen yhteydessä,<br />
sillä järjestelmien kehittäminen vanhoihin<br />
tiloihin koetaan haasteelliseksi.<br />
Haastateltavien mukaan lääkitysturvallisuutta<br />
pyritään parantamaan ottamalla käyttöön<br />
lääkkeiden yksikköpakkaamislaitteita<br />
(Taulukko 3), joiden valmistamia sähköisesti<br />
tunnistettavia pakkauksia voidaan käyttää<br />
potilaskohtaisissa lääkeannoksissa. Yhdessä<br />
sairaala-apteekissa oli jo menossa laitteen<br />
lääkemuotovalidointi. Toisaalta osa sairaalaapteekeista<br />
suunnittelee annosjakelulaitteiden<br />
käyttöönottoa ja pohtii mahdollisuuksia<br />
toteuttaa yksikköpakkaamista niiden avulla.<br />
Osa haastateltavista totesi, että potilaskohtainen<br />
annosjakelu ei sovi esimerkiksi akuuttiosaston<br />
toimintaan jatkuvien lääkitysmuutosten,<br />
lyhyen hoitoajan, suurentuneen lääkehävikin<br />
ja laitteiden hitauden takia. Muutos<br />
asiakaskunnan määrässä vaikuttaa annosjakeluprosessin<br />
toteuttamiseen. Katkoksia lääkehoitoprosessissa<br />
pyritään estämään myös<br />
käyttämällä kumppanuussairaalan antibioottija<br />
lääkkeiden yksikköpakkaamisrobotteja.<br />
Haastateltavat kertoivat, että lääkehoitoprosessin<br />
katkeamattomuutta parannetaan<br />
uusien älylääkekaappien käyttöönotolla<br />
ja lisähankinnoilla (Taulukko 3). Läpiantavat<br />
älylääkekaapit on koettu hyväksi uudistukseksi<br />
ja niitä on harkittu hankittavan lisää teho- ja<br />
leikkausosastoille. Lisäksi velvoitevarastoitavat<br />
lääkkeet hajautetaan osastoille älylääkekaappien<br />
avulla. Älylääkekärryjen hankinta edistää<br />
potilasturvallisuutta ja reaaliaikaisen tiedon<br />
saamista, vaikka sairaalat arvioivat taloudellisen<br />
investoinnin älylääkekärryihin suureksi.<br />
Apteekkareiden mukaan sairaaloissa pohditaan<br />
älylääkekärryjen käyttömahdollisuuksia, esimerkiksi<br />
lääkeannospussien säilyttämistä ja<br />
kuljettamista potilaille.<br />
Automaatiolaitteisiin toivotaan uusia ominaisuuksia<br />
ja parannuksia (Taulukko 3). Tutkimukseen<br />
osallistuneiden sairaala-apteekkareiden<br />
mukaan esimerkiksi antibioottirobotti<br />
ei toimi täysin itsenäisesti, koska robotin<br />
valmistamiin ruiskuihin pitää kiinnittää<br />
korkit manuaalisesti. Lääkkeiden käyttökuntoon<br />
saattamiseen liittyen sairaala-apteekkarit<br />
toivoivat, että antibioottirobottiin validoidaan<br />
useampia antibiootteja. Haastateltavien<br />
mukaan markkinoilla olevat solunsalpaajarobotit<br />
ovat liian hitaita. Tämän vuoksi olisi<br />
tarvetta joko tehokkaalle, nopealle ja helposti<br />
puhdistettavalle solunsalpaajarobotille tai lääketehtaiden<br />
käyttövalmiille lääkeannoksille.<br />
Lisäksi apteekkarit toivoivat valmiiksi potilastietojärjestelmään<br />
integroituja älylääkekärryjä<br />
sekä eritasoisia logistiikkaratkaisuja<br />
pieniin yksiköihin ja sairaaloihin.<br />
Tutkimukseen osallistuneiden sairaalaapteekkareiden<br />
mukaan muutaman vuoden<br />
sisällä on pyrkimyksenä ottaa käyttöön yhteinen<br />
potilastietojärjestelmä koko sairaanhoitopiirin<br />
alueella siten, että sama potilastieto on<br />
käytettävissä sekä erikoissairaanhoidossa että<br />
perusterveydenhuollossa (Taulukko 3). Näin<br />
manuaalinen tiedonsiirto vähenee. Sairaaloissa<br />
oli menossa potilastieto- ja toiminnanohjausjärjestelmän<br />
integraatiohankkeita rakenteisen<br />
kirjaamisen ja lääkitysturvallisuuden edistämiseksi.<br />
Monessa sairaalassa otetaan käyttöön<br />
uusi potilastietojärjestelmä, jossa on riskikohdista<br />
hälyttävä päätöksenteontuki. Järjestelmiä<br />
toivottiin lisäksi kehitettäväksi niin, että kaikki<br />
lääkemääräykset saa vietyä niiden kautta toiminnanohjausjärjestelmään<br />
ja kaikki antokirjaukset<br />
varmennettua. Jatkossakin kehitetään<br />
integraatiota potilastietojärjestelmän, toiminnanohjausjärjestelmän<br />
ja automaatiolaitteiden<br />
väillä. Koneellinen annosjakelu voidaan toteuttaa,<br />
kun tieto potilaiden lääkityksistä siirtyy<br />
suoraan potilastietojärjestelmästä annosjakelulaitteeseen.<br />
Muutamassa sairaalassa ollaan<br />
ottamassa käyttöön Opaali-järjestelmä.<br />
Haastateltavien mukaan osassa sairaaloista<br />
oli meneillään integraatioprosesseja. Älylääkekaappien<br />
integrointi toiminnanohjaus- ja<br />
potilastietojärjestelmään todettiin välttämättömäksi<br />
kokonaisohjauksen ja varastonvalvonnan<br />
kannalta. Kaikissa sairaaloissa integraatiota<br />
ei kuitenkaan ole pystytty toteuttamaan.<br />
Huumausainekirjanpidon sähköistä<br />
prosessia kehitetään potilastietojärjestelmän<br />
ja toiminnanohjausjärjestelmän integraation<br />
avulla tai kehittämällä älylääkekaappien sähköistä<br />
kulutuskorttia. Älylääkekärryjen integraatio<br />
toiminnanohjausjärjestelmään koettiin<br />
riskialttiiksi, vaikeaksi ja kalliiksi prosessiksi.<br />
Haastateltavat arvioivat, että älylääkekärryjen<br />
integroiminen potilastietojärjestelmään oli<br />
riittävää, mutta senkin toteuttaminen oli haasteellista<br />
ja aikaavievää. Automaatiolaitteiden<br />
integraatiossa ongelmalliseksi nähtiin tiedonsiirto<br />
toiminnanohjausjärjestelmän ja potilastietojärjestelmän<br />
välillä. Myös tietosuojavaatimukset<br />
aiheuttivat haasteita.<br />
Haastateltavat kertoivat, että lääkehoitoprosessin<br />
katkeamattomuutta ja potilasturvallisuutta<br />
edistetään ottamalla käyttöön sähköisiä<br />
lukulaitteita lääkkeen tunnistamisessa<br />
478 Dosis Vol. 38 4/<strong>2022</strong> © Suomen Farmasialiitto ry Suomen Farmasialiitto ry © 4/<strong>2022</strong> Vol. 38 Dosis 479
prosessin eri vaiheissa (Taulukko 3). Tulevaisuudessa<br />
niitä käytetään laajemmin esimerkiksi<br />
lääkkeiden kaksoistarkastuksessa, joten<br />
manuaalisesta tiedonsiirrosta johtuvat lääkityspoikkeamat<br />
vähenevät. Potilaan ja annettavan<br />
lääkkeen tunnistamiseen tullaan jatkossakin<br />
käyttämään mobiilikirjaussovellusta.<br />
Haastateltavat pitivät tärkeänä, että sovellus<br />
hälyttäisi niistä lääkkeistä, joita potilas ei ole<br />
saanut tai joita hänelle ei ole tarkoitus antaa.<br />
Lääkehoitoprosessin haasteet<br />
Haastateltavien (n = 10) mukaan automaatiolaitteiden<br />
käyttöönottoon vaikuttavat sairaaloiden<br />
toimintavolyymit ja sairaanhoitopiirien<br />
taloudelliset resurssit sekä laitteiden laadulliset<br />
ominaisuudet ja niiden korkeat hinnat<br />
ja käyttökustannukset (Taulukko 3). Esimerkiksi<br />
sairaala-apteekkiin voidaan rakentamisen<br />
yhteydessä tehdä tilavaraus automaatiolaitetta<br />
varten ja jättää uudistus odottamaan potilastietojärjestelmän<br />
integraation toteutumista.<br />
Osa haastateltavista kertoi, että logistiikkaprosessien<br />
manuaaliset vaiheet vievät paljon aikaa<br />
ja se heijastuu muuhun toimintaan. Tähän liittyvät<br />
haasteet lisääväät halukkuutta automaatiolaitteiden<br />
hankintaan. Lisäksi haastateltavat<br />
toivat esille, että lääkehoitoprosessin kehittämiselle<br />
varattu aika oli vähäistä. Monessa sairaanhoitopiirissä<br />
tai terveydenhuollon yksikössä<br />
vakanssit oli jäädytetty, vaikka farmaseuttiselle<br />
henkilökunnalle olisi tarvetta.<br />
Lisäksi koronaviruspandemian on arvioitu vievän<br />
aikaa katkeamattoman lääkehoitoprosessin<br />
kehittämiseltä.<br />
Osa tutkimukseen osallistuneista sairaalaapteekkareista<br />
arvioi, että sairaala-apteekkien<br />
aukioloajat tulevat muuttumaan ja farmaseuttisen<br />
henkilökunnan määrä lisääntyy.<br />
Lisäksi automaatiolaitteiden ja -järjestelmien<br />
käyttöönotto tulee muuttamaan eri ammattiryhmien<br />
työnkuvia. Haastateltavat korostivat,<br />
että käyttöönotto vaatii aina sitoutumista ja<br />
moniammatillisen toimintakulttuurin omaksumista.<br />
Lisäksi kaikkien katkeamattoman lääkehoitoprosessin<br />
kehittämiseen osallistuvien<br />
tahojen, kuten järjestelmäkehittäjien ja laitetoimittajien,<br />
tulee ymmärtää prosessin kokonaisuus.<br />
Haastateltavat kertoivat, että potilastietojärjestelmän<br />
kehittäminen käyttäjän<br />
näkökulmasta on haastavaa, koska järjestelmän<br />
kehittäjät ovat ulkopuolisia tahoja. Lisäksi<br />
laitevalmistajilla voi olla erilaisia käsityksiä<br />
GMP-vaatimuksista, mikä aiheuttaa haasteita<br />
esimerkiksi solusalpaajarobotin käyttöönottoprosessissa.<br />
Visio vuoteen 2030 mennessä<br />
Osa haastateltavista kertoi, että katkeamaton<br />
lääkehoitoprosessi ei toteudu sairaaloissa täydellisesti,<br />
mutta sairaalat ovat menossa kohti<br />
katkeamattoman lääkehoitoprosessin perusajatusta.<br />
Osassa sairaaloista on jo automaatiolaitteita<br />
ja -ratkaisuja katkeamattoman lääkehoitoprosessin<br />
toteuttamiseen ja lisää laitteita<br />
tullaan ottamaan käyttöön (Taulukko 3). Osa<br />
haastateltavista arvioi, että integraatio potilastietojärjestelmien<br />
ja toiminnanohjausjärjestelmän<br />
välillä toteutuu tulevaisuudessa paremmin<br />
(Taulukot 3 ja 4). Lääkkeen seurantatieto<br />
apteekista antokirjausvaiheeseen on jatkossa<br />
helpompaa sähköisesti luettavan koodin avulla.<br />
Esimerkiksi tuotevirhe-epäilyssä tiedetään,<br />
ketkä potilaat ovat saaneet kyseitä lääkettä. Osa<br />
sairaanhoitopiireistä pyrkii hankkimaan koko<br />
alueelle saman potilastietojärjestelmän. Lisäksi<br />
osa haastateltavista arvioi, että lääkemääräys<br />
toteutuu jatkossa aina rakenteisessa muodossa<br />
ja riskitietojen tarkistus toteutuu potilastietojärjestelmän<br />
kautta.<br />
Toisaalta osa haastateltavista toi esille, että<br />
monessa sairaalassa katkeamattoman lääkehoitoprosessin<br />
tavoittelu on vielä alkutekijöissään.<br />
Osassa sairaala-apteekkeja ei ole käytössä<br />
automaatiolaitteita, jolloin niillä ei ole<br />
mahdollisuutta nousta korkeimmalle HIMSStasolle.<br />
Integraation toteutuminen voi kestää<br />
vuosia, varsinkin jos sairaalassa on otettu<br />
käyttöön laitteita, joita ei ole ollut muualla<br />
Suomessa vielä käytössä. Osa haastateltavista<br />
totesi, että ne sairaala-apteekit, jotka toteuttavat<br />
uuden laiteintegraation ensimmäisinä,<br />
kokevat enemmän haasteita kuin ne, jotka<br />
ottavat saman automaation käyttöön myöhemmin.<br />
Osa apteekkareista kuitenkin arvioi,<br />
että muutaman vuoden aikajänteellä kynnys<br />
ottaa käyttöön uusia automaatioratkaisuja<br />
madaltuu, koska moni sairaanhoitopiiri voi<br />
hyödyntää samoja rajapintoja järjestelmien<br />
välillä. Toisaalta haastatteluissa tuli esille,<br />
että kaikkia laitteita ei ole tarkoitus integroida<br />
potilastietojärjestelmään tai ottaa välttämättä<br />
käyttöön kaikissa sairaaloissa (Taulukko 4).<br />
Taulukko 4. Sairaala-apteekkareiden (n = 10) näkemykset sairaaloiden automaatiolaitteiden ja<br />
-sovellusten käytön visioista vuoteen 2030 mennessä.<br />
Älylääkekaappi<br />
(n = 6)<br />
Annosjakelulaite*<br />
(n = 6)<br />
Tutkimuksen visiokohdassa<br />
esiin nousseet<br />
automaatiolaitteet/-sovellukset<br />
Keräilyvarastorobotti<br />
(n = 5)<br />
Älylääkekärryt<br />
(n = 5)<br />
Antibioottirobotti<br />
(n = 4)<br />
Solunsalpaajarobotti<br />
(n = 4)<br />
Opaali-järjestelmä<br />
(n = 3)<br />
Lääkkeiden<br />
yksikköpakkaamislaite**<br />
(n = 2)<br />
Merkitys visiossa<br />
Älylääkekaappi on ensisijainen lääkkeiden<br />
säilytyspaikka toimintayksikössä. Velvoitevarasto<br />
hajautetaan toimintayksiköiden<br />
älylääkekaappeihin. Älylääkekaapit pystyvät<br />
käsittelemään myös lääkeyksikköpakkauksia.<br />
Potilaskohtaiset lääkeannospussit sijoitetaan<br />
suoraan älylääkekärryyn tai lääketarjottimelle.<br />
Manuaalinen lääkkeenjako<br />
tapahtuu toimintayksiköissä vain päivystyspotilaille.<br />
Keräilyvarastorobotti on käytössä sairaalaapteekeissa.<br />
Keräilyvarastorobotissa onnistuu<br />
tulevaisuudessa yksikköpakattujen lääke-erien<br />
säilytys ja käsittely.<br />
Älylääkekärryissä voidaan säilyttää sekä<br />
potilaskohtaisia lääkkeitä että tarvittaessa<br />
käytettäviä lääkkeitä. Ei suunnitella integraatiota<br />
toiminnanohjausjärjestelmään.<br />
Yleisesti käytetyt antibiootit saatetaan<br />
käyttökuntoon keskitetysti ja automatisoidusti<br />
puhdastiloissa. Osa antibiooteista<br />
saatetaan toimintayksikössä manuaalisesti<br />
käyttökuntoon jatkossakin.<br />
Lähes kaikki solunsalpaaja-annokset saatetaan<br />
käyttökuntoon keskitetysti ja automatisoidusti<br />
puhdastiloissa tai käytetään lääketehtaiden<br />
käyttövalmiita lääkeannoksia.<br />
Toimii vaihtoehtona älylääkekaapille rajoitetussa<br />
budjetissa. Velvoitevarasto hajautetaan<br />
toimintayksiköiden lääkekaappeihin.<br />
Potilaan henkilökohtainen annos kerätään<br />
yksikköpakatuista lääkkeistä toimintayksiköissä.<br />
Manuaalinen lääkkeiden jako toimintayksiköissä<br />
vähenee.<br />
*=pakkaa potilaan säännöllisesti käyttämät lääkkeet kerta-annoksiin jaettuna,<br />
**=pakkaa lääkkeet yksikköpakkauksiksi<br />
Merkitys<br />
potilasturvallisuudessa<br />
Reaaliaikaisen tiedon saatavuus<br />
ja lääke-erätietojen seuranta<br />
onnistuvat. Lääkityspoikkeamat<br />
vähenevät.<br />
Lääkehoidon toteutusprosessin<br />
tehostuminen ja keskittäminen<br />
toteutuvat. Lääkityspoikkeamat<br />
vähenevät.<br />
Reaaliaikaisen tiedon saatavuus<br />
paranee. Virheet lääkkeiden<br />
keräilyssä vähenevät.<br />
Tieto annetuista lääkkeistä<br />
on reaaliaikaisesti saatavilla.<br />
Lääkityspoikkeamat vähenevät.<br />
Lääkehoidon toteutusprosessi<br />
tehostuu.<br />
Kontaminaatioriski ja altistuminen<br />
vähenevät. Lääkehoidon<br />
toteutusprosessi tehostuu.<br />
Massaerävalmistus toteutuu.<br />
Ei suunnitella integraatiota<br />
potilastietojärjestelmään.<br />
Kontaminaatioriski ja altistuminen<br />
minimoituvat. Lääkityspoikkeamat<br />
vähenevät. Käytetään validoituja<br />
potilaskohtaisia annoksia.<br />
Ei vaikuta potilasturvallisuuteen,<br />
koska ei ole integroitu<br />
potilastietojärjestelmiin.<br />
Lääkehoidon toteutusprosessin<br />
tehostuminen ja keskittäminen.<br />
Lääkityspoikkeamat vähenevät.<br />
Lääkeyksiköiden reaaliaikainen<br />
seuranta varastopaikasta<br />
riippumatta mahdollistuu.<br />
480 Dosis Vol. 38 4/<strong>2022</strong> © Suomen Farmasialiitto ry Suomen Farmasialiitto ry © 4/<strong>2022</strong> Vol. 38 Dosis 481
Esimerkiksi antibioottirobotteja ei ole tarkoitus<br />
integroida potilastietojärjestelmään. Tämä<br />
johtuu suurista kerralla käyttökuntoon saatettavista<br />
määristä.<br />
Osa haastateltavista kertoi, että aikaisemmin<br />
sairaala-apteekkien kehittämistyössä<br />
keskityttiin usein logistiikkaan, mutta nykyisin<br />
kiinnitetään enemmän huomiota potilaiden<br />
lääkitysturvallisuuteen (Taulukko 3). Sairaala-apteekkarit<br />
toivoivat ajantasaista lääketietokantaa<br />
potilastietojärjestelmiin. Muutama<br />
apteekkari kertoi, että sairaala on panostanut<br />
kliinisen farmasian kehittämiseen esimerkiksi<br />
pitämällä farmaseuttista vastaanottoa<br />
(Taulukko 3). Osastonfarmaseuttien keskittyminen<br />
kliiniseen työhön on tukenut kliinistä<br />
farmasiaa osastoilla. Lisäksi farmaseuttinen<br />
kaksoistarkastus tullaan ottamaan laajemmin<br />
käyttöön. Haastateltavat arvioivat, että farmaseuttinen<br />
henkilökunta osallistuu tulevaisuudessa<br />
yhä enemmän lääkehoidon ohjaukseen<br />
ja neuvontaan. Haastatteluissa todettiin, että<br />
farmaseuttinen lääkityksen selvitys on laadukasta<br />
ja luotettavaa, mutta kansallista lääkityslistaa<br />
odotetaan kliinisen työn helpottamiseksi<br />
ja lääkitysturvallisuuden parantamiseksi. Jatkossakin<br />
lääkitystiedon tarkastuksessa, hoidon<br />
tarpeen arvioinnissa ja lääkkeen määräämisessä<br />
hyödynnetään potilastietojärjestelmiä.<br />
Sairaala-apteekkarit toivoivat, että henkilöstötilanne<br />
olisi tulevaisuudessa sellainen, että<br />
toimintavolyymeja pystyttäisiin lisäämään ja<br />
kohdentamaan enemmän vakansseja kliiniseen<br />
työhön.<br />
Pohdinta<br />
Tutkimukseen osallistuneet sairaalat ovat<br />
menossa kohti katkeamatonta lääkehoitoprosessia<br />
lääkitysturvallisuuden parantamiseksi.<br />
Muutosprosessi on kuitenkin pitkä, ja<br />
se sisältää useita haasteita liittyen esimerkiksi<br />
järjestelmien ja laitteistojen integraatioon.<br />
Katkeamatonta lääkehoitoprosessia edistäviä<br />
automaatiolaitteita ja -järjestelmiä hyödynnetään<br />
sairaaloissa monipuolisesti. Tämä<br />
on linjassa aikaisemman tutkimuksen kanssa<br />
(Metsämuuronen ym. 2018). Tutkimuksemme<br />
mukaan kuitenkin vain pieni osa käytössä olevista<br />
automaatiolaitteista on integroitu potilastieto-<br />
ja toiminnanohjausjärjestelmään.<br />
Esimerkiksi käytettävissä olevat taloudelliset<br />
resurssit voivat hidastaa automaatiolaitteiden<br />
käyttöönottoa ja integraation edistämistä. Näin<br />
ollen lääkehoitoprosessin katkeamattomuus ei<br />
tule toteutumaan lähivuosina kaikissa sairaaloissa.<br />
Tämän tutkimuksen mukaan integraatioiden<br />
puute oli keskeinen haaste katkeamattoman<br />
lääkehoitoprosessin edistämisessä. Kun<br />
tieto ei siirry automaatiolaitteiden ja -järjestelmien<br />
välillä, joudutaan sitä siirtämään manuaalisesti,<br />
mikä heikentää merkittävästä potilasturvallisuutta.<br />
Tämä on linjassa aikaisempien<br />
tutkimusten kanssa (Härkänen ym. 2013,<br />
Ahtiainen ym. 2021).<br />
Sairaala-apteekkarit näkivät automaatiolaitteiden<br />
ja potilastietojärjestelmien välisen<br />
integraation kehittyvän ja parantavan<br />
lääkitysturvallisuutta tulevaisuudessa. Heidän<br />
mukaansa suurin osa sairaaloista haluaa<br />
parantaa potilasturvallisuutta pyrkimällä katkeamattomaan<br />
lääkehoitoprosessiin ja tavoittelemalla<br />
nykyistä korkeampaa HIMSS-tasoa.<br />
Osalla sairaaloista on hyvät valmiudet katkeamattoman<br />
lääkehoitoprosessin toteuttamiseen<br />
vuoteen 2030 mennessä. Automaatiolaitteita<br />
ja -sovelluksia tullaan ottamaan käyttöön<br />
nykyistä laajemmin lähitulevaisuudessa.<br />
Tämä kehityssuunta on ollut nähtävissä myös<br />
aikaisemmassa tutkimuksessa (Metsämuuronen<br />
ym. 2018). Monessa sairaalassa lääkehoitoprosessi<br />
sisältää jatkossakin manuaalisia<br />
vaiheita, joten se vaatii tarkkaa ohjeistusta<br />
ja suojauksia (Billstein-Leber ym. 2018). Lääkehoitoprosessiin<br />
liittyvien käytäntöjen yhtenäistäminen<br />
sairaalan tai jopa sairaanhoitopiirin<br />
sisällä voisi mahdollisesti parantaa lääkitysturvallisuutta.<br />
Katkeamattoman lääkehoitoprosessin<br />
vaikutuksista potilasturvallisuuteen<br />
ja käytännön sairaalatyöhön tarvitaan lisätutkimuksia.<br />
Kyselytutkimuksen vastausprosentti oli 50<br />
%. Tutkimuksen tulokset olivat samansuuntaisia<br />
kuin aikaisemmassa sairaaloiden automaatiota<br />
selvittäneessä tutkimuksessa (Metsämuuronen<br />
ym. 2018). Yksityiskohtaisempaa<br />
vertailua tutkimusten välillä vaikeuttaa se, että<br />
tässä tutkimuksessa vastauksia ei saatu kaikista<br />
niistä organisaatioista, jotka osallistuivat<br />
aikaisempaan tutkimukseen. Vastausaktiivisuuteen<br />
saattoi vaikuttaa se, että koronapan-<br />
demia aiheutti lisätyötä sairaala-apteekeissa<br />
eikä sairaala-apteekkareilla välttämättä ollut<br />
mahdollisuutta osallistua tutkimukseen.<br />
Haastateltavat edustivat erikokoisten sairaaloiden<br />
sairaala-apteekkeja, ja heillä oli<br />
kokemusta lääkehuollon automaatioprosesseista.<br />
Aineisto muodostui laajaksi ja yksityiskohtaiseksi,<br />
koska apteekkarit tunsivat hyvin<br />
lääkehoitoprosessin ja siihen liittyvät erityispiirteet.<br />
Haastattelut toteutettiin etäyhteydellä,<br />
ja ne teki yksi tutkija. Toteutustapa etäyhteydellä<br />
on voinut vaikuttaa haastattelun kulkuun,<br />
koska haastattelijalla ei ollut mahdollisuutta<br />
tulkita sanatonta viestintää ja siten reagoida<br />
esimerkiksi haastateltavan ilmeisiin tai eleisiin<br />
(Hämeen-Anttila ym. 2021).<br />
Johtopäätökset<br />
Lääkitysturvallisuutta pyritään parantamaan<br />
suomalaisissa sairaaloissa tehostamalla lääkehuoltoprosesseja.<br />
Tähän pyritään ottamalla<br />
käyttöön automaatiolaitteita ja integroimalla<br />
niitä tietojärjestelmiin. Lääkehoitoprosessin<br />
katkeamattomuutta voidaan edistää poistamalla<br />
manuaalisia työvaiheita. Osalla sairaaloista<br />
on edellytykset katkeamattoman lääkehoitoprosessin<br />
toteuttamiseen vuoteen 2030<br />
mennessä. Tutkimuksen tuloksia voidaan hyödyntää<br />
katkeamattoman lääkehoitoprosessin<br />
kehittämisessä suomalaisissa sairaaloissa.<br />
482 Dosis Vol. 38 4/<strong>2022</strong> © Suomen Farmasialiitto ry Suomen Farmasialiitto ry © 4/<strong>2022</strong> Vol. 38 Dosis 483
Summary<br />
Towards closed loop medication<br />
process – Hospital chief<br />
pharmacists' views and future visions<br />
of automation and integration<br />
Tatiana Kaplina*<br />
MSc (Pharm)<br />
University teacher<br />
School of Pharmacy<br />
Faculty of Health Sciences<br />
University of Eastern Finland<br />
tatjana.kaplina@uef.fi<br />
Marja Jaurakkajärvi<br />
MSc (Pharm), MSc (Econ)<br />
Affiliation during research<br />
Business Development Director<br />
NewIcon Ltd.<br />
Hanna Kauppinen<br />
PhD (Pharm)<br />
Teaching pharmacist<br />
School of Pharmacy<br />
Faculty of Health Sciences<br />
University of Eastern Finland<br />
Reeta Heikkilä<br />
PhD (Pharm)<br />
University lecturer<br />
School of Pharmacy<br />
Faculty of Health Sciences<br />
University of Eastern Finland<br />
* Correspondence<br />
Background<br />
The objective of the implementation of automating<br />
hospital pharmacies is to improve<br />
patient and medication safety in accordance<br />
with the HIMSS classifications. The closed loop<br />
medication (CLMA) process consists of seamless<br />
drug therapy, successful pharmaceutical<br />
logistics and information systems information<br />
management. Achieving the highest HIMSS<br />
level requires the integration of hospital pharmacy<br />
automation equipment into the hospital’s<br />
patient information system. The biggest challenge<br />
in the automation of medical care in hospitals<br />
is the integration of information systems.<br />
The main objective of the study was to examine<br />
the views of hospital chief pharmacists on the<br />
future development visions of pharmaceutical<br />
care in terms of medication safety and how can<br />
CLMA process be promoted and what innovations<br />
will be implemented until 2030. In addition,<br />
the thesis looked at what automation solutions<br />
are planned to be introduced in hospital<br />
pharmaceutical care in the next few years and<br />
how the situation has changed since 2017.<br />
Methods<br />
The study consists of two sub-studies. An electronic<br />
survey and thematic interview for hospital<br />
chief pharmacists was conducted in 2020.<br />
The survey data were analyzed in terms of frequencies.<br />
Thematic interviews were recorded,<br />
transcribed, and analyzed by content analysis.<br />
Results<br />
Eleven hospital chief pharmacists responded to<br />
the survey and ten chief pharmacists participated<br />
in the interview. In 2020, the most used<br />
medicine care automation devices in hospitals<br />
were automated dispensing cabinets (n =<br />
8), pneumatic mails in medicine transport (n<br />
= 6) and automated dispensing systems (n =<br />
5). Five upper classes emerged from the interviews:<br />
automation devices and systems used<br />
in hospitals and hospital pharmacies; process<br />
breakpoints, planning and advancing, and process<br />
challenges and a vision for 2030.<br />
According to the interviewees the CLMA<br />
process was not implemented perfectly in<br />
Finnish hospitals. The medication administration<br />
process was always interrupted by<br />
manual data transfer. Clinical decision support,<br />
electronic patient and drug identification,<br />
and mobile recording of drugs were not<br />
implemented in all the hospitals. Several hospital<br />
pharmacies had plans for acquiring new<br />
automation equipment. The deployment of the<br />
equipment is influenced by the volumes of the<br />
hospital's operations, the financial resources of<br />
the hospital district, the qualitative characteristics<br />
of the equipment and the costs. Deployment<br />
of automation was limited by pharmacy<br />
or hospital facilities and integration problems.<br />
Conclusions<br />
Most hospitals that participated in the study<br />
strive for a higher level of HIMSS, that is,<br />
for a CLMA process and better patient safety<br />
through automation. Hospitals plan and implement<br />
integration between the patient information<br />
and ERP system. Ideally, the hospital's<br />
integrated automation systems will form<br />
a unified functional entity that operates as part<br />
of a CLMA process, but in most hospitals, the<br />
drug therapy process will continue to include<br />
manual steps in the near futureand the highest<br />
HIMSS level cannot be reached.<br />
Keywords: automation, CLMA, hospital<br />
pharmacy, hospital pharmaceutical service<br />
Sidonnaisuudet<br />
Ei sidonnaisuuksia.<br />
Kiitokset<br />
Kiitämme kaikkia tutkimukseen osallistuneita<br />
sairaala-apteekkareita. Lisäksi haluamme<br />
kiittää yliopistonlehtori (FaT) Riikka<br />
Metsämuurosta, proviisori Minna Kurttilaa ja<br />
dosentti (FaT) Toivo Naaranlahtea mahdollisuudesta<br />
käyttää kyselylomakkeen pohjana<br />
vuonna 2017 toteutetun tutkimuksen kyselylomaketta<br />
ja tutkimussihteeri Paula Räsästä<br />
sähköisen kyselylomakkeen työstämisestä.<br />
484 Dosis Vol. 38 4/<strong>2022</strong> © Suomen Farmasialiitto ry Suomen Farmasialiitto ry © 4/<strong>2022</strong> Vol. 38 Dosis 485
Kirjallisuus<br />
Austin J, Smith I, Tariq A: The impact<br />
of closed-loop electronic medication<br />
management on time to first dose:<br />
A comparative study between paper<br />
and digital hospital environments.<br />
The International Journal of<br />
Pharmacy Practice 26: 526–533, 2018<br />
Ahtiainen H, Vanhalakka T,<br />
Holmström A-R, Laaksonen R,<br />
Airaksinen M: Keskitetyn lääkkeiden<br />
jakelumallin kehittäminen sairaalan<br />
sisätautiosastolla: kokemuksia<br />
pilottihankkeesta. Dosis 37: 56–69,<br />
2021<br />
Billstein-Leber M, Carillo CJD,<br />
Cassano AT, ym.: ASHP guidelines<br />
on preventing medication errors in<br />
hospitals. Am J Health Syst Pharm 75:<br />
1493–517, 2018.<br />
Burkoski V, Yoon J, Solomon S ym.:<br />
Closed-loop medication system:<br />
Leveraging technology to elevate<br />
safety. Nurs Leadersh (Tor Ont) 32:<br />
16–28, 2019<br />
Electronic Medical Record Adoption<br />
Model, Healthcare Information and<br />
Management Systems Society, Inc.<br />
(HIMSS) (viitattu 28.4.<strong>2022</strong>).<br />
www.himssanalytics.org/emram<br />
Fanning L, Jones N, Manias E: Impact<br />
of automated dispensing cabinets on<br />
medication selection and preparation<br />
error rates in an emergency<br />
department: A prospective and direct<br />
observational before-and-after<br />
study. J Eval Clin Pract 22: 156–163,<br />
2016<br />
Franklin BD, O'Grady K, Donyai P,<br />
Jacklin A, Barber N: The impact of a<br />
closed-loop electronic prescribing<br />
and administration system on<br />
prescribing errors, administration<br />
errors and staff time: A before-andafter<br />
study. Quality & safety in health<br />
care 16: 279–284, 2007<br />
Lääkealan turvallisuus- ja<br />
kehittämiskeskus Fimea: Lista<br />
sairaala-apteekeista. Lääkealan<br />
turvallisuus- ja kehittämiskeskus<br />
Fimea, 2021 (viitattu 19.1.2021).<br />
https://www.fimea.fi/apteekit/sairaalaapteekit_ja_laakekeskukset/lista_<br />
sairaala-apteekeista<br />
Furukawa M, Pollack E: Achieving<br />
HIMSS stage 7 designation for<br />
EMR adoption. Nurs Manage 51:<br />
10–12, 2020. DOI: 10.1097/01.<br />
NUMA.0000617044.5.7943.e1<br />
Hirsjärvi S, Hurme H:<br />
Tutkimushaastattelu:<br />
Teemahaastattelun teoria ja<br />
käytäntö. s. 35–37. Gaudeamus,<br />
Helsinki 2015a<br />
Hirsjärvi S, Hurme H:<br />
Tutkimushaastattelu,<br />
Teemahaastattelun teoria ja<br />
käytäntö. s. 143–152. Yliopistopaino,<br />
Helsinki 2015b<br />
Hämeen-Anttila K, Katajavuori<br />
N: Haastattelututkimus. Kirjassa:<br />
Yhteiskunnallinen lääketutkimus –<br />
ideasta näyttöön. s. 117–132. Toim.<br />
Hämeen-Anttila K, Katajavuori N,<br />
Aaltonen K, Helsingin yliopisto,<br />
Helsinki 2021<br />
Härkänen M, Turunen H, Saano S,<br />
Vehviläinen-Julkunen K: Medication<br />
errors: What hospital reports reveal<br />
about staff views. Nurs Manag<br />
(Harrow) 19: 32–37, 2013<br />
Ikäheimo R, Uusitalo M, Kallio M,<br />
Vuokko R, Palojoki S: Katkeamaton<br />
lääkehoito: Työryhmämuistio<br />
toimintamalleista sairaalassa.<br />
Sosiaali- ja terveysministeriö,<br />
Helsinki, 2020. http://urn.fi/<br />
URN:ISBN:978-952-00-5433-5<br />
Itä-Suomen yliopisto: Yliopiston<br />
tutkimuseettisen toimikunnan<br />
ohjeet. Itä-Suomen yliopisto,<br />
Kuopio, 2021 (viitattu 12.9.2021).<br />
www.uef.fi/fi/tutkimusetiikka<br />
Metsämuuronen R: Lääkehuollon<br />
automaatio yliopistollisessa<br />
sairaalassa: Tutkimus henkilökunnan<br />
ja potilasturvallisuuden<br />
näkökulmasta. Väitöskirja. Itä-<br />
Suomen yliopisto, Kuopio 2019<br />
Metsämuuronen R, Kurttila M,<br />
Naaranlahti T: Automaation<br />
hyödyntäminen sairaaloiden<br />
lääkehuollossa nyt ja tulevaisuudessa.<br />
Dosis 34: 108–118, 2018<br />
Milliorn K: 5 trends in pharmacy<br />
automation. Hospitals & Health<br />
Networks 90: 39–40,42, 2016<br />
Niiranen K: Turvallista lääkehoitoa<br />
sairaaloissa uudistuvan<br />
lääkehoitoprosessin, suljetun<br />
lääkekierron ja tietotekniikan avulla.<br />
Dosis 33: 210–215, 2017<br />
Mikkola T, Järvenpää M, Aronpuro<br />
K, Laaksonen R: Älylääkekaappien<br />
käyttöönotto tehohoidossa,<br />
tehovalvontahoidossa ja sydäntutkimusyksikössä<br />
– lääkehoitoprosessien<br />
kehittäminen yhteistyössä<br />
sairaala-apteekin ja hoitajien<br />
kesken. Dosis 37: 70–99, 2021<br />
Pedersen CA, Schneider PJ,<br />
Scheckelhoff DJ: ASHP national<br />
survey of pharmacy practice in<br />
hospital settings: Dispensing and<br />
administration--2014. Am J Health<br />
Syst Pharm 72: 1119–1137, 2015<br />
Rodriguez-Gonzalez CG, Herranz-<br />
Alonso A, Escudero-Vilaplana V, Ais-<br />
Larisgoitia MA, Iglesias-Peinado I,<br />
Sanjurjo-Saez M: Robotic dispensing<br />
improves patient safety, inventory<br />
management, and staff satisfaction<br />
in an outpatient hospital pharmacy.<br />
J Eval Clin Pract 25: 28–35, 2019<br />
486 Dosis Vol. 38 4/<strong>2022</strong> © Suomen Farmasialiitto ry Suomen Farmasialiitto ry © 4/<strong>2022</strong> Vol. 38 Dosis 487
Liite 1.Teemahaastattelun kysymykset<br />
Schepel L, Kuitunen S:<br />
Lääkitysturvallisuus sairaalassa.<br />
Duodecim 136: 212–222, 2020<br />
Schneider PJ, Pedersen CA,<br />
Scheckelhoff DJ: ASHP national<br />
survey of pharmacy practice in<br />
hospital settings: Dispensing and<br />
administration-2017. Am J Health<br />
Syst Pharm 75: 1203–1226, 2018<br />
Torniainen K: Esiselvitys: Sairaalaapteekkitoiminta<br />
sote-rakenteissa.<br />
Sosiaali- ja terveysministeriö.<br />
13.03.2018. h<br />
ttp://urn.fi/URN:ISBN:978-952-00-3913-4<br />
Tutkimuseettinen neuvottelukunta:<br />
Ihmiseen kohdistuvan tutkimuksen<br />
eettiset periaatteet ja ihmistieteiden<br />
eettinen ennakkoarviointi Suomessa.<br />
Tutkimuseettinen neuvottelukunta,<br />
Helsinki, 2019.<br />
https://tenk.fi/fi/ohjeet-ja-aineistot<br />
1. Miten sairaalassa katkeamaton lääkehoitoprosessi toteutuu, ja mitkä automaatiolaitteet tai<br />
järjestelmät tukevat katkeamattoman lääkehoitoprosessin toteuttamista tällä hetkellä?<br />
2. Missä kohdassa ja mistä syystä lääkehoitoprosessi katkeaa? Mitkä laitteet tai järjestelmät<br />
puuttuvat?<br />
3. Miten kaupallisesti eli nykyisin saatavissa olevat automaatiojärjestelmät tulevat<br />
ratkaisemaan sairaalan lääkehoitoprosessin kehitystarpeita 10 vuoden sisällä? Tarvitaanko<br />
automaatiojärjestelmiä, joita ei löydy vielä markkinoilta?<br />
4. Mitkä ovat integraatiohaasteet tällä hetkellä?<br />
5. Mitkä ovat sairaalan visiot katkeamattoman lääkehoitoprosessin rakentamisessa?<br />
Kaplina T, Jaurakkajärvi M, Kauppinen H, Heikkilä R: Kohti katkeamatonta lääkehoitoprosessia – Sairaala-apteekkareiden<br />
näkemykset ja tulevaisuuden visiot lääkehuollon automaatiosta ja integ-raatioista. Dosis 38: 470–489, <strong>2022</strong><br />
488 Dosis Vol. 38 4/<strong>2022</strong> © Suomen Farmasialiitto ry Suomen Farmasialiitto ry © 4/<strong>2022</strong> Vol. 38 Dosis 489
Virtuaalitodellisuusko<br />
uudeksi opetusmenetelmäksi<br />
farmasian opetukseen?<br />
Karmen Kapp*<br />
FaT<br />
yliopistonlehtori<br />
Farmaseuttisten biotieteiden osasto<br />
Farmasian tiedekunta<br />
Helsingin yliopisto<br />
karmen.kapp@helsinki.fi<br />
Matti Luukkainen<br />
FT<br />
yliopistonlehtori<br />
Tietojenkäsittelytieteen osasto<br />
Matemaattis-luonnontieteellinen tiedekunta<br />
Helsingin yliopisto<br />
matti.luukkainen@helsinki.fi<br />
Mia Sivén<br />
FaT, dosentti<br />
vanhempi yliopistonlehtori, varadekaani<br />
Farmaseuttisen kemian ja teknologian osasto<br />
Farmasian tiedekunta<br />
Helsingin yliopisto,<br />
mia.siven@helsinki.fi<br />
* Kirjeenvaihto<br />
Tiivistelmä<br />
Helsingin yliopiston farmasian digiloikassa on etsitty uuden tyyppisiä, mielekkäällä tavalla oppimista<br />
tukevia ja opiskelijoita innostavia tapoja opettaa. Digitaalisuus avaa uusia mahdollisuuksia<br />
farmasian opetukseen, etenkin laboratorio-opetuksen tueksi. Virtuaalisuus voi avata pääsyn<br />
tiloihin, jotka todellisuudessa voivat olla vaikeita saavuttaa, ja tarjota mielenkiintoisen mahdollisuuden<br />
harjoitella laboratoriotyöprosesseja työ- ja ympäristöturvallisesti sekä resursseja säästäen.<br />
Virtuaalisuus mahdollistaa erilaisia tapoja harjoitella työprosesseja, joiden toteuttaminen<br />
tosielämässä olisi rajallista, mikä tukee mielekkäällä tavalla myös koulutusohjelmaa opetuksen<br />
toteutuksessa.<br />
Farmasian digiloikassa on kehitetty yhdessä tietojenkäsittelytieteen opiskelijoiden kanssa virtuaalitodellisuus<br />
oppimisympäristö (VR-oppimisympäristö, virtual reality), jonka kolmiulotteinen<br />
virtuaaliympäristö jäljentää tarkasti farmasian tiedekunnan opetuslaboratorion aseptista tilaa.<br />
Opiskelijoilla on opintojensa aikana rajoitettu mahdollisuus työskennellä todellisissa laboratorioympäristöissä<br />
ja kokea odottamattomia tilanteita laboratoriotyössä. VR-oppimisympäristössä<br />
opiskelija voi harjoitella virtuaalisesti puhdastilatyöskentelyä ja virtuaaliympäristö mahdollistaa<br />
toimintatapojen korjaamisen ja yrittämisen uudelleen palautteen perusteella.<br />
Farmasian digiloikkahankeen kokemukset virtuaalitodellisuuden kehittämisestä laboratorioopetuksen<br />
rinnalle ovat olleet toistaiseksi lupaavia. Käyttäjäkokemustutkimus on nostanut esiin<br />
opiskelijoiden positiivisen suhtautumisen, joskin myös kehittämiskohteita on esitetty. Rajoitteena<br />
VR-harjoittelussa on muun muassa luonnollisen käsituntuman puuttuminen, eikä VR-ohjaimien<br />
kanssa pysty vielä harjoittelemaan kaikkia työvaiheita. Opiskelijoiden oman arvion mukaan VRharjoittelu<br />
kuitenkin tukee tärkeällä tavalla harjaantumista tosielämän puhdastilatyöskentelyyn.<br />
Seuraava askel on laajentaa pedagogista tutkimusta oppimisen laadun arvioimiseksi. Tämän<br />
tieteellisen kommentin tarkoituksena on tutustuttaa virtuaalitodellisuuden käsitteeseen ja kuvata<br />
virtuaalitodellisuuden ensiaskeleita farmasian laboratorio-opetuksen tukena.<br />
Avainsanat: virtuaaliympäristö, opetusteknologia, lääkevalmistus, aseptiikka, käyttökokemus<br />
Kapp K, Luukkainen M, Sivén M: Virtuaalitodellisuusko uudeksi<br />
opetusmenetelmäksi farmasian opetukseen? Dosis 38: 490–504, <strong>2022</strong><br />
490 Dosis Vol. 38 4/<strong>2022</strong> © Suomen Farmasialiitto ry<br />
Suomen Farmasialiitto ry © 4/<strong>2022</strong> Vol. 38 Dosis 491
Johdanto<br />
Farmasian laboratorio-opetukseen etsitään<br />
digitaalisuuden mahdollistamia uuden tyyppisiä,<br />
mielekkäällä tavalla oppimista tukevia<br />
ja opiskelijoita innostavia tapoja opettaa. Virtuaalitodellisuus<br />
voisi tarjota mielenkiintoisen<br />
mahdollisuuden harjoitella laboratoriotyöprosesseja,<br />
työ- ja ympäristöturvallisesti<br />
sekä resursseja säästäen. Virtuaalisuus avaa<br />
pääsyn tiloihin, jotka todellisuudessa voivat<br />
olla vaikeita saavuttaa. Työskentelyä voi harjoitella<br />
lukuisia kertoja virtuaalitilassa ennen<br />
tosielämän tilanteita, kunkin oppijan tarpeiden<br />
mukaan. Virtuaaliympäristön mahdollistama<br />
välitön palaute työn kulusta tukee oppimista.<br />
Farmasian digiloikkahankkeessa (2019–2020)<br />
tartuttiin haasteeseen ja lähdettiin kehittämään<br />
puhdastilatyöskentelyn VR-oppimisympäristöä<br />
yhdessä tietojenkäsittelytieteen<br />
kanssa. Tämän kirjoituksen tarkoituksena on<br />
tutustuttaa virtuaalitodellisuuden käsitteeseen<br />
ja kuvata virtuaalitodellisuuden ensiaskeleita<br />
farmasian laboratorio-opetuksen tukena.<br />
Virtuaalitodellisuus osana<br />
laajennettua todellisuutta<br />
Laajennettu todellisuus, XR, (engl. extended<br />
reality) on kattokäsite todellisuuden rikastamiselle<br />
sisältäen mitkä tahansa yhdistelmät<br />
todellisesta ja virtuaalisesta maailmasta<br />
(Takemoto ym. 2019). Laajennetun todellisuuden<br />
kuvaamiseen liittyviä termejä käyttäessä<br />
on huomioitava, etteivät termien määritelmät<br />
ole vielä täysin vakiintuneet ja termien<br />
käytössä voi esiintyä merkityseroja. Kuvassa 1<br />
on esitetty laajennetun todellisuuden terminologiaa.<br />
Virtuaalitodellisuus, VR, (engl. virtual reality)<br />
on Kielitoimiston (2021) mukaan tietokonesimulaation<br />
tuottamien aistimusten avulla<br />
luotu keinotekoinen ympäristö, keino-/lume-/<br />
tekotodellisuus. Tutkijoiden mielestä virtuaalitodellisuudelle<br />
ei ole kuitenkaan täysin yksiselitteistä<br />
määritelmää johtuen kahden termin,<br />
virtuaaliympäristö (eng. virtual environment)<br />
ja virtuaalimaailma (eng. virtual world)<br />
limittäisyydestä (Wohlgenannt ym. 2020). Vir-<br />
Kuva 1. Todellisuuden rikastamisen eri menetelmät esimerkkeineen. Taulukon vasemmalla puolella<br />
menetelmät, jotka noudattavat todellisuuden lainalaisuuksia. Taulukon oikealla puolella menetelmät,<br />
joissa voidaan hyödyntää myös todellisuudessa mahdottomia tapahtumia. (mukaillen Farshid ym. 2018)<br />
tuaaliympäristö sisältää ohjelmiston tuottamia<br />
todellisia tai kuvitteellisia esineitä tai tapahtumia,<br />
joiden kanssa ihmisen ja tietokoneen<br />
liittymä on vuorovaikutuksessa (Barfield ym.<br />
1995). Virtuaalimaailmalla toisaalta tarkoitetaan<br />
virtuaaliympäristöä, joka tarjoaa jaettuja<br />
simuloituja tiloja, joita virtuaalihahmot asuttavat<br />
ja muokkaavat (Girvan ym. 2018).<br />
Lukuisista virtuaalitodellisuuden määritelmistä<br />
nousee esille kuitenkin kolme VR:ää<br />
kuvaavaa ominaisuutta: (etä-)läsnäolo,<br />
immersio ja vuorovaikutteisuus (Walsh ja Pavlovski<br />
2002). Yhdistelemällä näitä elementtejä<br />
tietotekniikan avulla voidaan luoda keinotekoinen<br />
maailma, jossa ihminen kokee olevansa<br />
aidosti läsnä (Manetta ja Blade 1995). Mahdollisimman<br />
aito tunne läsnäolosta eli immersio<br />
tai uppoutuminen saavutetaan, kun virtuaalitodellisuuslasien<br />
kautta nähtävä maailma<br />
näkyy ihmiselle luonnollisen kolmiulotteisena.<br />
Kyky olla vuorovaikutuksessa ympärillä olevien<br />
esineiden tai tapahtumien kanssa muun<br />
muassa käsissä pidettävien liikeohjaimien välityksellä<br />
lisää entisestään todentuntua.<br />
Virtuaalitodellisuuden teknologia<br />
Tietokoneisiin perustuva virtuaalitodellisuuden<br />
kehittäminen alkoi 1980-luvulla (Ventola<br />
2019). Termi ”virtuaalitodellisuus” otettiin<br />
käyttöön vuonna 1989, ja ensimmäiset laajemmalle<br />
käyttäjäkunnalle tarkoitetut VR-laitteet<br />
tulivat markkinoille 1990-luvulla, jolloin<br />
videopelien kehittämiseen keskittynyt SEGA<br />
esitteli pelikonsolin prototyyppilasit. Nykyaikaisista<br />
VR-laitteista voidaan puhua kuitenkin<br />
vasta vuodesta 2010, jolloin valmistui ensimmäinen<br />
Oculus Rift 3D -lasien prototyyppi. Liikeohjaimet<br />
ja tukiasemat sisältävä virtuaalitodellisuusjärjestelmä<br />
kehitettiin HTC:n ja Valve<br />
Corporation yhteistyössä vuonna 2015 (Martirosov<br />
ja Kopecek, 2017).<br />
Virtuaalitodellisuuden tarkoituksena on<br />
saada käyttäjänsä uppoutumaan virtuaalimaailmaan<br />
täydellisesti (Ventola 2019). Teknologiassa<br />
käyttäjän asentoa ja liikkeitä voidaan<br />
seurata eri menetelmiin joko kolmeen tai<br />
kuuteen suuntaan. Käyttäjän kiertoliikkeitä<br />
seuratessa liikettä seurataan kolmeen suuntaan,<br />
esimerkiksi älypuhelimien sisältämillä<br />
tekniikoilla, kuten gyroskoopilla, magnetometrilla<br />
ja kiihtyvyysmittarilla. Kuuden eri liikesuunnan<br />
seuraaminen vaatii enemmän teknologiaa,<br />
jolloin käytetään esimerkiksi laseria<br />
vaativia tai magneettista seurantaa. Liikkeen<br />
seuranta tekee käyttökokemuksesta aidon<br />
tuntuisen ja on siten tärkeä immersion luomisessa<br />
(Coyne ym. 2019). Virtuaalitodellisuuden<br />
lasit (VR-lasit) jaetaan kahteen luokkaan:<br />
langattomiin sekä tietokone- tai pelikonsoliyhteyden<br />
vaativiin. Langattomat VR-lasit<br />
voivat olla älypuhelinta hyödyntäviä, ainoastaan<br />
optiikkaa sisältäviä tai suorituskyvyltään<br />
tehokkaampia ja enemmän tietotekniikkaa<br />
sisältävä itsenäisiä virtuaalitodellisuuslaseja<br />
(Lindner ym. 2017).<br />
Älypuhelimeen perustuvissa VR-laseissa<br />
puhelimen näytön näkymä on jaettu kahteen<br />
osaan, jotka toistavat samaa kuvaa hieman eri<br />
kuvakulmista. Kaksiulotteiset näköhavainnot<br />
yhdistyvät aivoissa kolmiulotteiseksi, syvyyttä<br />
ja esineiden etäisyyttä mittaavaksi havaintokokemukseksi<br />
(Ray ja Deb 2016). Kuvan prosessoinnin<br />
lisäksi älypuhelimen kiihtyvyysanturi<br />
ja gyroskooppi tunnistavat pään liikkeitä säätäen<br />
kuvan niiden mukaisesti ja lisäten immersion<br />
tuntua (Tolle ym. 2015). Itsenäisissä VRlaseissa<br />
gyroskooppi ja kiihtyvyysanturi ovat<br />
sisäänrakennettuina. Tietokoneeseen tai pelikonsoliin<br />
liitetyissä VR-laseissa kuva ja ääni<br />
siirtyvät kaapelin kautta laseihin, jotka sisältävät<br />
kahden näytön lisäksi optiikkaa yhdistettynä<br />
sensoreihin sekä kuulokkeet. Näytöt toistavat<br />
virtuaalitodellisuuden näkymää eri kuvakulmista,<br />
jotta aivot pystyvät muodostamaan<br />
kolmiulotteisen havaintokokemuksen (Häkkinen<br />
ja Nyman 1998). VR-laseilla nähtävä kuva<br />
voidaan myös heijastaa erilliselle näytölle, jotta<br />
muut voivat seurata, mitä virtuaalitodellisuudessa<br />
tapahtuu. Käden liikkeiden imitoimiseen<br />
käytetään käsissä pidettäviä, liikkeentunnistimilla<br />
varustettuja peliohjaimia (Anthes ym.<br />
2016).<br />
Virtuaalitodellisuus<br />
farmasian opetuksessa<br />
Virtuaalitodellisuudesta odotetaan vaikuttavaa<br />
opetusmenetelmää. Tutkimukset ovat<br />
osoittaneet opiskelijoiden muistavan paremmin<br />
virtuaalitodellisuudessa näkemänsä kuin<br />
laboratoriopohjaisessa harjoittelussa näkemänsä<br />
(Cochrane 2016). Käytännöllinen harjoittelu,<br />
joka useimmiten sisältää erikoistyö-<br />
492 Dosis Vol. 38 4/<strong>2022</strong> © Suomen Farmasialiitto ry Suomen Farmasialiitto ry © 4/<strong>2022</strong> Vol. 38 Dosis 493
välineiden käyttöä, tulee suorittaa ohjaajan<br />
valvonnan alla. Siksi opiskelijoilla on rajoitettu<br />
mahdollisuus työskennellä laboratorioympäristössä<br />
ja kokea odottamattomia tilanteita<br />
laboratoriotyössä (Kamińska ym. 2019).<br />
Harjoittelu virtuaalitodellisuudessa mahdollistaa<br />
virheiden tekemisen sekä toimintatapojen<br />
korjaamisen ja uudelleen yrittämisen<br />
palautteen perusteella. Tämä voi olla erityisen<br />
hyödyllistä farmasian opiskelijoille heidän<br />
tutustuessaan opittaviin sisältöihin kuten<br />
potilasturvallisuuteen, tehohoitoon ja lääkitysvirheisiin<br />
(Coyne ym. 2019).<br />
Opiskelu virtuaalitodellisuuden avulla lisää<br />
interaktiivisuutta opiskeluprosessiin (Shawaqfeh,<br />
2015). Opiskelijat voivat esimerkiksi harjoitella<br />
vaikuttavien aineiden rakennekaavojen<br />
opiskelua VR-pelin avulla (Abuhammad<br />
ym. 2021). Virtuaalitodellisuus tarjoaa opiskelijoille<br />
mahdollisuuden harjoitella viestintää<br />
virtuaalipotilaalla, joka reagoi jokaisen opiskelijan<br />
valintaan kun potilaan lääkehoitoprosessia<br />
käydään läpi (Ryall ym. 2016). Opiskelija<br />
voi asettua potilaan asemaan, esimerkiksi<br />
dementiapotilaaksi, mikä voi edesauttaa<br />
ymmärtämään ja lisäämään empatiaa potilaita<br />
kohtaan (Wijma ym. 2018). Monilla opiskelijoilla<br />
on vaikeuksia ymmärtää opittavia tietoja<br />
johtuen opittavan asian teknisestä monimutkaisuudesta,<br />
abstraktin ajattelun välttämättömyydestä<br />
ja siitä, etteivät opittavat käsitteet<br />
ole täysin käsin kosketeltavia (Yager, 2000).<br />
Vaikeasti hahmotettavat käsitteet voivat olla<br />
helpommin omaksuttavissa VR:n avulla, esimerkkinä<br />
farmakokinetiikan opiskelu seuraamalla<br />
lääkkeiden kulkeutumista läpi ihmiskehon.<br />
Virtuaalitodellisuus laajentaa myös etäopiskelun<br />
mahdollisuuksia simulaatioskenaarioiden<br />
avulla, mikä voi olla erityisen arvokasta<br />
opiskelukaupungista kaukana asuville opiskelijoille<br />
(Gustafsson ym. 2017).<br />
Virtuaalitodellisuuden<br />
käytön haasteet<br />
Suurin osa tämänhetkisestä virtuaalitodellisuuden<br />
teknologiasta perustuu VR-laseihin,<br />
joiden tarkoituksena on tarjota käyttäjälle täydellinen<br />
immersio. VR:n laajemman käytön<br />
yksi keskeisin rajoite on kuitenkin vuorovaikutuksen<br />
sekä visuaalisen realismin ja käyttäjädynamiikan<br />
vähäisyys (Kamińska ym. 2019).<br />
Esimerkiksi käyttäjän eleiden tunnistuksen tai<br />
kosketuksellisen palautteen puute voi heikentää<br />
yleistä käyttäjäkokemusta (Kavanagh ym.<br />
2017). On huomioitava, että ihmisaivot kykenevät<br />
havaitsemaan pienenkin epärealistisen<br />
yksityiskohdan, joka voi helposti rikkoa<br />
uppoutumisen virtuaalimaailmassa. Virtuaalitodellisuuden<br />
luomisessa onkin jatkuvana vaikeutena<br />
todellisen maailman ja sen maiseman<br />
mahdollisimman hyvä matkiminen (Kamińska<br />
ym. 2019).<br />
Todenmukaisen virtuaalimaailman kokemus<br />
vaatii myös pystyvää teknologiaa.<br />
Yhdessä tietokoneen kanssa käytettävät, vahvan<br />
immersion luovat virtuaalitodellisuuslasit<br />
ovat edelleen varsin hintavia, vaikka niiden<br />
hinta on laskenut vuosien aikana (Coyne ym.<br />
2019). Jokaiselle opiskelijalle hankittavat ensiluokkaisen<br />
virtuaalitodellisuuden luovat virtuaalitodellisuuslasit<br />
sekä yhteensopivat tietokoneet<br />
tulisivat koulutusyksikölle kalliiksi.<br />
Lisävarusteet, kuten käsien liikkeet tunnistavat<br />
laitteet, nostavat hintaa entisestään (Anthes<br />
ym. 2016). Virtuaaliympäristöjen kehittäminen<br />
on kallista, ja opettajien voi olla vaikeaa<br />
ottaa virtuaalitodellisuus osaksi opetustaan,<br />
koska virtuaaliympäristöjen luominen tai<br />
siihen perustuva opetus on aiheeseen perehtymättömille<br />
vaativaa. Lisäksi opettajien ja opiskelijoiden<br />
asenteet voivat estää virtuaalitodellisuuden<br />
käyttöönoton.<br />
Virtuaalitodellisuuslasien käytön yleinen<br />
haitta on liikkeestä aiheutuva disorientaatio<br />
japahoinvointi (Coyne ym. 2019). Tutkimukset<br />
viittaavat myös siihen, että virtuaalitodellisuuden<br />
käyttö voi aiheuttaa ei-toivottuja sivuvaikutuksia<br />
kuten ahdistusta, stressiä, riippuvuutta,<br />
eristyneisyyttä ja mielialan muutoksia<br />
(Costello, 1997). Virtuaalitodellisuuden runsaalla<br />
käytöllä voi olla vahingoittavia vaikutuksia<br />
ihmisen sosiaalisille taidoille, joilla on<br />
tärkeä rooli terveysalan työelämässä (Coyne<br />
ym. 2019). Kommunikointi reaalimaailmassa<br />
voidaan kokea hankalana, jos sosiaalista vuorovaikutusta<br />
harjoitetaan vain virtuaalitodellisuuden<br />
avulla (Johnsen ym. 2005). Pitkäaikainen<br />
virtuaalitodellisuuslasien käyttö voi<br />
tuntua epämukavalta johtuen lasien painosta,<br />
lämmönmuodostumisesta ja silmien väsymisestä<br />
(Chessa ym. 2016). Virtuaalitodellisuuslasien<br />
käytön perusedellytyksenä on myös<br />
toimiva näkökyky, mikä voi asettaa vaikeasta<br />
näkörajoitteesta kärsivät käyttäjät epäoikeudenmukaiseen<br />
asemaan. Silmälaseja käyttävien<br />
tulee mitoittaa virtuaalilasit niihin sopiviksi,<br />
jotta lasien optiikka ei häiritse näkökykyä<br />
tai aiheuta pahoinvointia (Helsingin Insinöörit<br />
HI Ry, 2017).<br />
Silmälääkkeen annosjakelu<br />
Työvälineiden valinta<br />
valmisteluhuoneessa<br />
Työvälineiden siirtäminen<br />
läpiantokaapin kautta<br />
puhdastilaan<br />
Työvälineiden siirtäminen LIVkaappiin<br />
Lääkepullon septumin<br />
puhdistaminen<br />
Lääkkeen annostelu ruiskuun<br />
neulan avulla<br />
Lääkkeen annostelu ruiskuihin<br />
luerlockin avulla<br />
Annosruiskujen sijoittelu<br />
jakelupussiin<br />
LIV-kaapin puhdistus<br />
Tutoriaali pelin työvälineistä<br />
sekä ohjaimien käytöstä<br />
Ohjeet työvaiheista ja<br />
pisteiden kerääminen pelin<br />
aikana<br />
Työvälineiden valinnan<br />
tarkastus ja palaute välineiden<br />
puhtaudesta<br />
Palaute työvälineiden<br />
sijoittelusta ja puhtaudesta<br />
LIV-kaapissa<br />
Infoikkunassa vinkit<br />
tarvittavista merkinnöistä tai<br />
näytemääristä<br />
Palaute oikean määrän<br />
annostelusta<br />
Muistutus pumpun jäteletkun<br />
liittämisestä<br />
Huomautus<br />
skalpellipakkauksen<br />
avamisesta leikkausterän<br />
puolisesta päädystä<br />
Tieto sormenpäämaljojen<br />
näytteenoton ajasta<br />
Palaute jätteiden<br />
asianmukaisesta lajittelusta<br />
Yhteenveto pelissä tehtyistä<br />
virheistä ja lopulliset pisteet<br />
Farmasian VR-oppimisympäristön<br />
kuvaus<br />
Helsingin yliopistossa aloitettiin strategiakaudella<br />
2017–2020 digiloikka, jonka tarkoitus<br />
on tukea digitalisaation hyödyntämistä opetuksessa<br />
ja oppimisessa pedagogisesti mielekkäällä<br />
tavalla (Helsingin yliopisto, 2016).<br />
Silmälääkkeen<br />
mikrobiologisen puhtauden<br />
tarkastus<br />
Työvälineiden valinta<br />
valmisteluhuoneessa<br />
Työvälineiden siirtäminen<br />
läpiantokaapin kautta<br />
puhdastilaan<br />
Työvälineiden siirtäminen LIVkaappiin<br />
Laskeuma- ja<br />
sormenpäämaljojen sekä<br />
näytepullojen merkintä<br />
Ravintoalustojen annostelu<br />
näytepulloihin<br />
Kalvosuodatuspumpun<br />
kokaminen ja lääkkeen<br />
suodatus<br />
Kalvon halkaisu ja sijoittelu<br />
näytepulloihin<br />
Laskeumamaljojen sulkeminen<br />
ja sormenpäämaljojen<br />
näytteenotto<br />
LIV-kaapin puhdistus<br />
Kuva 2. Farmasian VR-oppimisympäristön kaksi peliskenaariota sekä pelissä olevat ominaisuudet<br />
ohjeistuksesta ja palautteesta.<br />
494 Dosis Vol. 38 4/<strong>2022</strong> © Suomen Farmasialiitto ry Suomen Farmasialiitto ry © 4/<strong>2022</strong> Vol. 38 Dosis 495
Farmasian tiedekunnan digiloikkahankkeen<br />
(2019–2020) tavoitteena oli kehittää ja käyttöönottaa<br />
myös laajennetun todellisuuden<br />
menetelmiä korkeakouluopetuksessa. Hankkeen<br />
yksi päämäärä oli kehittää virtuaalitodellisuuden<br />
oppimispeli, jossa opiskelijat pystyvät<br />
harjoittelemaan aseptisia työskentelytapoja<br />
sekä lääkkeen annosjakelua aseptisessa tilassa.<br />
Kyseinen peliskenaario valikoitui, koska perusopintojen<br />
aikana on tarjolla vain vähän mahdollisuuksia<br />
harjoitella aseptista työskentelyä.<br />
Lisäksi työskentely aseptisessa tilassa on<br />
osoittautunut monelle opiskelijalle jännittäväksi<br />
tilanteen uutuuden, tarkkuutta vaativien<br />
työtapojen ja aikataulun tuomien rajoitusten<br />
vuoksi. Aseptinen työskentely virtuaalitodellisuudessa<br />
tarjoaa rajattoman harjoittelumahdollisuuden<br />
ennen käytännön työskentelyä<br />
aseptisessa tilassa ja säästää myös todellisessa<br />
maailmassa kuluvia työvälineitä.<br />
Farmasian VR-oppimisympäristö toteutettiin<br />
yhteistyössä Helsingin yliopiston tietojenkäsittelytieteen<br />
ohjelmistotuotantoprojektin<br />
opiskelijoiden sekä Metropolian ammattikorkeakoulun<br />
3D-animoinnin ja -visualisoinnin<br />
tiimin kanssa. Metropolian opiskelijat<br />
olivat pääsääntöisesti vastuussa pelin ympäristön<br />
sekä objektien mallintamisesta ja tietojenkäsittelytieteen<br />
opiskelijat koodasivat virtuaalitodellisuuden<br />
pelin Unity-pelimoottorille.<br />
Farmasian digiloikkahankeen jäsenet<br />
kehittivät tieteenalan sisältöä ilmentävän<br />
peliskenaarion. Lääkkeen käyttökuntoon<br />
saattamisen peliskenaario valmistui keväällä<br />
2020. Suunnitelmaan sisältyi myös annosjaettun<br />
lääkkeen mikrobiologisen puhtauden<br />
määritys kalvosuodatusmenetelmällä sekä<br />
puhtauden määrittämisen aseptisen työskentelyn<br />
laadun tarkistus laskeuma- ja sormenpäämaljojen<br />
avulla. Tämä skenaario toteutettiin<br />
keväällä <strong>2022</strong>.<br />
Farmasian VR-oppimisympäristön sisältö ja<br />
ominaisuudet on esitetty Kuvassa 2. Molemmat<br />
peliskenaariot toistavat työvaiheita ja aseptisia<br />
työtapoja, joita opiskelijat joutuisivat tekemään<br />
todellisessa maailmassa. Silmätippojen<br />
mikrobiologisen puhtauden määritys tehdään<br />
VR-oppimisympäristössä tarkalleen harjoitustyökurssilla<br />
suoritettavan ohjeen mukaisesti.<br />
Farmasian VR-oppimisympäristöön sisältyy<br />
myös tutoriaali, johon on tarkoitus perehtyä<br />
ennen peliskenaarioiden pelaamista. Tutoriaalin<br />
virtuaaliympäristössä voi tutustua ohjaimien<br />
käyttöön ja harjoitella pelissä esiintyvien<br />
työvälineiden käyttöä. Tutoriaalissa voi myös<br />
katsoa silmätippojen puhtausmäärityksestä<br />
kertovan videon, jossa opastetaan esimerkiksi<br />
oikeasta työvälineiden sijoittelusta LIV-kaapissa.<br />
Opastus on mukana myös peliskenaarioissa.<br />
Pelaamisen aikana opiskelijalla on näkökentässä<br />
ohjeet työvaiheista, lisäksi opiskelija<br />
saa palautetta työvälineiden valinnasta sekä<br />
aseptisesta puhtaudesta, pipetoitavien määrien<br />
oikeasta määrästä ja työturvallisuudesta<br />
kuten jätteiden oikeasta hävityksestä. Opiskelijan<br />
käytettävissä on infoikkunat, jossa on<br />
vinkkejä oikeista työtavoista pelissä tapahtuvaa<br />
edistymistä varten. Pelien tavoin myös<br />
Farmasian VR-oppimisympäristössä kerätään<br />
pisteitä työvaiheiden oikeasta suorittamisesta.<br />
Pelin päättyessä opiskelija saa näkökenttäänsä<br />
lopulliset pisteet sekä yhteenvedon oikeista ja<br />
virheellisistä työvaiheista.<br />
VR-oppimisympäristön virtuaaliympäristö<br />
jäljentää Farmasian tiedekunnan opetuslaboratorion<br />
aseptista tilaa, ja se sisältää<br />
välineiden valmisteluhuoneen ja puhdastilan<br />
(Kuva 3) sekä niiden välisen läpiantokaapin.<br />
VR-oppimisympäristössä olevat huonekalut<br />
on 3D-mallinnettu ja sijoitettu mahdollisimman<br />
aidosti tukemaan opiskelijan tutustumista<br />
aseptiseen tilaan. Myös työvälineet,<br />
kuten ruiskut, neulat, lasipullot, pipetit, agarmaljat<br />
ja kalvosuodatuspumppu, on mallinnettu<br />
todellisten opetuslaboratorion välineiden<br />
perusteella. Peliin on toteutettu yksityiskohtia,<br />
jotka ovat oleellisia täydellisen pelikokemuksen<br />
ja uppoutumisen saavuttamiseksi.<br />
Pelistä löytyy esimerkiksi työvälineiden puhdistukseen<br />
tarkoitettu 70 % etanoli-vesiliuos,<br />
jota käytetään todentuntuisesti sumutuksen<br />
äänen kera. VR-oppimisympäristöön on rakennettu<br />
lisäksi kello laskeumamaljojen avaamisen<br />
ja sulkemiseen aikojen merkintää varten.<br />
Kello seuraa reaaliaikaa, ja peli tarkistaa kellonaikoja<br />
agarmaljojen merkitsemisen aikana.<br />
Huomiota on kiinnitetty myös agarmaljojen ja<br />
liuosten aitoon väriin. Puhdastilassa pelaajalle<br />
on taustaäänenä laminaari-ilmavirtauskaapin<br />
(LIV-kaapin) humina, ja kalvosuodatuspumpun<br />
suodatusääni on tallennettu autenttisesta<br />
pumpusta. Nämä yksityiskohdat tukevat virtu-<br />
aalimaailmassa työskentelyyn uppoutumista ja<br />
toden tuntua.<br />
Farmasian VR-oppimisympäristön<br />
käyttäjäkokemus ja kehitysideat<br />
Farmasian VR-oppimisympäristöä ovat koekäyttäneet<br />
toistaiseksi farmaseuttivaiheen<br />
opiskelijat, ja tutkimus on meneillään laajemman<br />
aineiston keräämiseksi. Koepelaajien<br />
määrä on ollut rajallinen johtuen koronarajoituksista<br />
ja toisen peliskenaarion hiljattaisesta<br />
valmistumisesta. Opiskelijoiden suhtautumista<br />
tutkittiin ennen (PRE) ja jälkeen (POST) kokeilun<br />
sekä selvitettiin opiskelijoiden kokemaa<br />
jännitystä (ANX, eng. anxiety) VR-teknologian<br />
käyttöä kohtaan ja minäpystyvyyttä teknologian<br />
käyttöön (TSE, eng. technology self-efficacy)<br />
(Bellini ym. 2016). Lisäksi opiskelijoilta<br />
kerättiin avoimilla kysymyksillä palautetta<br />
käytettävyydestä.<br />
Jännittyneisyyteen liittyvissä väittämissä<br />
nähdään positiivinen muutos lähes kaikkien<br />
POST-vastausten kohdalla (Kuva 4). Valtaosalla<br />
opiskelijoista hermostuneisuus VRlaitteiston<br />
käyttöön vähentyi, samaten epämukavuus<br />
VR-teknologian tulosta opetukseen<br />
ja huolestuneisuus VR-laitteiston väärästä<br />
käytöstä. Tuloksista näkyy opiskelijoiden<br />
motivaation ja minäpystyvyyden lisääntyminen<br />
VR-oppimisympäristön käyttöön kokeilun<br />
jälkeen. Yleisesti opiskelijat kokivat saavansa<br />
riittävästi ohjeita VR-teknologian käyttöstä.<br />
Väittämässä ”Osaan käyttää VR-systeemin<br />
toiminnollisuuksia tarkoituksenmukaisesti”<br />
yksimielisyyttä osoittavien vastausten määrä<br />
kuitenkin väheni pelaamisen jälkeen. Tulos<br />
voi johtua koepelaamisesta pelin kehitysvaiheessa,<br />
jolloin kaikki ominaisuudet eivät olleet<br />
vielä toiminnassa.<br />
Opiskelijat kokivat virtuaaliympäristön<br />
hämmästyttävän yksityiskohtaiseksi ja aidoksi.<br />
He esittivät pelin käyttöönottoa opetuksen<br />
lisämateriaaliksi ennen varsinaista työskentelyä<br />
aseptisessa tilassa. VR on osoittautunut erityisen<br />
hyödylliseksi monimutkaisten taitojen<br />
ja erikoistiedon opetuksessa (Zhao ym. 2020).<br />
VR tarjoaa opittavan aiheen yksityiskohtaisen<br />
realistisen visualisoinnin, jota ei aina voi tarjota<br />
perinteisten opetusmateriaalien avulla.<br />
Lisäksi VR kuuluu digitaaliseen maailmaan,<br />
jossa nuoret sukupolvet tuntevat olonsa tutuksi<br />
ja mukavaksi (Kamińska ym. 2019). VR-kokemus<br />
on herättänyt tyytyväisyyttä oppimiseen<br />
ja tiedon hankkimiseen (Yammine ja Vialoto<br />
2015). Opiskelijoiden mielestä VR paransi heidän<br />
tietämystään reaaliaikaisen palautteen ja<br />
havainnollisen kolmiulotteisuuden ansiosta.<br />
Käytännön laboratoriotyöskentelyn korvaamista<br />
virtuaalipelillä opiskelijat eivät kuitenkaan<br />
kannattaneet, koska luonnollisen<br />
käsituntuman puuttumisesta johtuen VRlasien<br />
ohjaimien kanssa ei pysty vielä harjoittelemaan<br />
kaikkia työvaiheita. Tällaisia ovat<br />
esimerkiksi pipetointi ja sormien painaminen<br />
agarmaljoille. Esille nousivat myös syvyyden ja<br />
etäisyyksien tuntemuksen puute, jotka olisivat<br />
oleellisia LIV-kaapissa työskennellessä. Lähes<br />
kaikkien opiskelijoiden palautteessa mainittiin<br />
VR-lasien painavuus pitkäaikaisen käytön<br />
aikana.<br />
Kuva 3. Farmasian VR-oppimisympäristön näkymät välineiden valmisteluhuoneesta (vasemmalla) ja<br />
puhdastilasta (oikealla).<br />
496 Dosis Vol. 38 4/<strong>2022</strong> © Suomen Farmasialiitto ry Suomen Farmasialiitto ry © 4/<strong>2022</strong> Vol. 38 Dosis 497
Suurimmalle osalle opiskelijoista virtuaaliympäristössä<br />
toimiminen on varsin uusi<br />
opiskelutapa, eivätkä opiskelijat vielä toivoneet<br />
perinteisten paperiohjeiden tai opetusvideoiden<br />
korvaamista VR-oppimisympäristöllä.<br />
VR:n yksi suurimmista haasteista on<br />
joustavuuden puute. Perinteisen opetuksen<br />
aikana opiskelijoilla on mahdollisuus esittää<br />
kysymyksiä ja osallistua keskusteluun opettajan<br />
kanssa. Opettaja toimii myös hankittavan<br />
tiedon suodattimena ja välittäjänä, kun arvioidaan<br />
saatavan tiedon validiteettia ja merkitystä<br />
oppimistavoitteisiin nähden. Virtuaalitodellisuudessa<br />
opiskelijoiden on noudatettava<br />
tiettyä etukäteen suunniteltua tapahtumien<br />
sarjaa (Kamińska ym. 2019). Kaikki<br />
opiskelijat kommentoivat tärkeäksi aseptisten<br />
työtapojen vieläkin isomman painottamisen<br />
VR-ympäristössä. Oppimisympäristöön<br />
esitettiin lisäksi eri vaikeustasojen rakentamista<br />
harjoittelumahdollisuuden ja pelillisyyden<br />
lisäämiseksi.<br />
Kehitysideat on otettu huomioon tulevissa<br />
ohjelmistotuotantoprojekteissa, joissa farmasian<br />
VR-oppimisympäristöä laajennettiin jälleen<br />
kesällä <strong>2022</strong>. Tällä hetkellä terveyshaitat<br />
(kuten kyberpahoinvointi), hinta, opetusmateriaalin<br />
pieni määrä ja tieteellisten tutkimustulosten<br />
vähäisyys hidastavat virtuaalitodellisuuden<br />
laajempaa käyttöönottoa opetuksessa.<br />
Virtuaalitodellisuuden käytön ja siihen liittyvän<br />
tutkimuksen voidaan kuitenkin odottaa lisääntyvän,<br />
kun teknologian kehittyminen mahdollistaa<br />
virtuaalitodellisuuslasien ja niiden lisävarusteiden<br />
kehittymisen.<br />
Lopuksi<br />
Farmasian digiloikkahankeen kokemukset virtuaalitodellisuuden<br />
kehittämisestä laborato-<br />
rio-opetuksen rinnalle ovat olleet toistaiseksi<br />
lupaavia. Pedagoginen tutkimus tulee arvioimaan<br />
uuden keinon vaikuttavuutta oppimisen<br />
laadun kannalta. Opiskelijoiden palautetta lainaten<br />
voidaan myös todeta, että ”VR-oppiminen<br />
on innostavaa ja hauskaa”. Tähän samaan<br />
voivat yhtyä opetuksen kehittämishankkeessa<br />
työskennelleet opettajat ja opiskelijat, sillä<br />
opetuksen yhteisöllinen kehittäminen on ollut<br />
antoisaa. Tällä hetkellä on meneillään laajempi<br />
aineistonkeruu uuden oppimisteknologian<br />
pedagogisen arvon osoittamiseksi.<br />
yy , tää minun että käyttää täytyy VR-laitteistoa. minun täytyy käyttää VR-laitteistoa. täytyy käyttää ANX käyttää VR-laitteistoa. ANX VR-laitteistoa. ANX ANX ANX<br />
Olen huolissani siitä, että minun<br />
täytyy käyttää VR-laitteistoa<br />
ta ää e tulee inun käyttää VR-teknologiaa. uutta tulee käyttää VR-teknologiaa. uutta käyttää uutta ANX uutta ANX VR-teknologiaa. ANX ANX ANX<br />
Olen hermostunut siitä, että minun<br />
tulee käyttää uutta VR-teknogoliaa<br />
ä a uutta tätä opiskelussani. uutta opiskelussani. VR-teknologiaa ANXopiskelussani. opiskelussani. ANX ANX<br />
En pidä tunteesta, että minun täytyy käyttää<br />
tätä uutta VR-teknologiaa opiskelussani<br />
tän uol sani, len käytän issani, lhuol aitetta että issani, että käytän l aitetta väärin. käytän että l aitetta väärin. ANX käytän l aitetta väärin. ANX l aitetta väärin. ANX väärin. ANX ANX<br />
Olet huolissani, että<br />
käytän laitetta väärin<br />
ää a tä käyttää t ulevaisuudessa. tätä teknologiaa teknologiaa ttätä ulevaisuudessa. teknologiaa t ANX t tANX<br />
ulevaisuudessa. ANX1ANX<br />
ANX 1<br />
Kyseenalaistan, miksi minun tulee käyttää<br />
tätä teknologiaa tulevaisuudessa<br />
on della äyttöön n lossa opinnoissamme. tulossa on käyttöön tulossa opinnoissamme. käyttöön käyttöön TSE<br />
TSE opinnoissamme. TSE TSE TSE<br />
Minusta tuntuu epämukavalta, että VR-teknologia<br />
todella on tulossa käyttöön opinnoissamme<br />
ttyvää ä hen ta VR-laitetta ja liittyvää siihen teknologiaa. ja siihen liittyvää ja teknologiaa. siihen liittyvää TSE<br />
liittyvää teknologiaa. 0TSE<br />
teknologiaa. 0 TSE TSE 0 0TSE<br />
0<br />
0 1<br />
0<br />
01<br />
Osaan käyttää VR-laitetta ja siihen<br />
liittyvää teknologiaa<br />
a toiminnallisuuksia isuuksia tarkoituksenmukaisesti. TSE<br />
0TSE<br />
0 TSE1TSE<br />
0<br />
0TSE<br />
1<br />
Osaan käyttää VR-systeemin toiminnallisuuksia<br />
tarkoituksenmukaisesti<br />
hjeita n uuden käyttöön teknologian uuden teknologian käyttöön liittyen. teknologian käyttöön liittyen. TSE käyttöön 0liittyen. käyttöön TSEliittyen. 0<br />
liittyen. TSE<br />
0<br />
0TSE<br />
Sain riittävästi ohjeita uuden teknologian<br />
0<br />
0<br />
0käyttöön 0 liittyen<br />
02<br />
hän s teen tutustumaan uuteen tähän teknologiaan. tähän uuteen teknologiaan. tähän uuteen TSE uuteen 0TSEteknologiaan. 0<br />
0<br />
0TSE<br />
0<br />
0<br />
0<br />
Olen utelias tutustumaan tähän<br />
uuteen teknologiaan<br />
0<br />
0<br />
että sä ä saan käyttää VR:ssä olevia osaan käyttää VR:ssä olevia työkaluja. käyttää VR:ssä työkaluja. olevia VR:ssä TSE olevia työkaluja. 0TSE<br />
olevia työkaluja. 0 työkaluja. TSE TSE<br />
0<br />
0TSE<br />
1<br />
1<br />
Olen luottavainen sen suhteen, että<br />
osaan käyttää VR:ssä olevia työkaluja<br />
tustumaan teen t itunut tutustumaan uuteen teknologiaan. tutustumaan uuteen teknologiaan. uuteen TSE uuteen 0TSEteknologiaan. TSE1TSE<br />
0TSE<br />
0<br />
0<br />
0<br />
0<br />
02<br />
0 1<br />
02<br />
1<br />
Olen motivoitunut 0<br />
0<br />
tutustumaan<br />
1 1<br />
uuteen teknologiaan<br />
1<br />
0 1<br />
0<br />
0<br />
0<br />
0<br />
1<br />
2<br />
1<br />
1<br />
2<br />
2<br />
1<br />
1<br />
3<br />
3<br />
3<br />
1<br />
3<br />
2<br />
1<br />
1<br />
3<br />
3<br />
2<br />
1<br />
1<br />
3<br />
2<br />
Kuva 4. VR-pelin käyttäjäkokemus. Opiskelijoiden (n = 7) tuntemukset VR-oppimisympäristöä kohtaan<br />
ennen pelin pelaamista (PRE, väitteen ylempi pylväs) ja pelaamisen jälkeen (POST, alempi pylväs).<br />
Tuntemuksia arvioitiin viiden pisteen skaalalla, jossa arvot keksipistettä (3) ylempänä viittaavat<br />
yksimielisyyteen väittämän kanssa ja arvot keskipistettä alempana erimielisyyteen. Vastauksien määrä<br />
jokaiselle viiden pisteen skaalan arvolle on esitetty pylväässä.<br />
3<br />
3<br />
3<br />
3<br />
2<br />
2<br />
3<br />
3<br />
2<br />
3<br />
4<br />
4<br />
2<br />
2<br />
2<br />
2<br />
2<br />
3<br />
3<br />
3<br />
3<br />
3<br />
3<br />
3<br />
4<br />
4<br />
3<br />
3<br />
3<br />
3<br />
2<br />
3<br />
3<br />
2<br />
3<br />
3<br />
3<br />
3<br />
5<br />
3<br />
5<br />
3<br />
5<br />
5<br />
3<br />
3<br />
3<br />
3<br />
4<br />
4<br />
2<br />
2<br />
4<br />
4<br />
5<br />
5<br />
2<br />
3<br />
5<br />
5<br />
2<br />
3<br />
4<br />
4<br />
6<br />
5<br />
6<br />
2<br />
2<br />
5<br />
3<br />
5<br />
5<br />
2<br />
2<br />
3<br />
6<br />
5<br />
5<br />
6<br />
2<br />
3<br />
5<br />
5<br />
2<br />
3<br />
5<br />
5<br />
5<br />
6<br />
3<br />
5<br />
in ieltä eri Täysin mieltä Täysin eri Jokseekin Täysin mieltä eri mieltä eri Jokseekin eri eri mieltä mieltä Jokseekin eri Jokseenkin Jokseekin mieltä Jokseekin eri Ei mieltä eri samaa mieltä Ei eri samaa eikä mieltä Ei eri samaa eikä mieltä Ei samaa eri eikä eikä Ei mieltä eri samaa eikä mieltä eri Jokseenkin mieltä eri eikä mieltä Jokseenkin eri mieltä samaa Jokseenkin samaa Jokseenkin mieltä mieltä Jokseenkin mieltä samaa samaa Täysin mieltä samaa mieltä Täysin samaa mieltä samaa Täysin mieltä Täysin samaa mieltä Täysin samaa mieltä samaa mieltä mieltä<br />
0 0 0 0 01 1 1 1 12 2 2 2 23 3 3 3 34 4 4 4 45 5 5 5 56 6 6 6 67<br />
7 7 7 7<br />
6<br />
2<br />
5<br />
2<br />
3<br />
6<br />
5<br />
6<br />
2<br />
2<br />
6<br />
6<br />
2<br />
2<br />
5<br />
5<br />
3<br />
3<br />
5<br />
3<br />
1<br />
5<br />
3<br />
3<br />
3<br />
1<br />
5<br />
2<br />
2<br />
3<br />
4<br />
1<br />
4<br />
4<br />
4<br />
5<br />
4<br />
4<br />
3<br />
3<br />
2<br />
2<br />
3<br />
4<br />
3<br />
3<br />
1<br />
4<br />
4<br />
4<br />
5<br />
4<br />
4<br />
3<br />
2<br />
3<br />
4<br />
3<br />
1<br />
3<br />
3<br />
1<br />
3<br />
2<br />
1<br />
4<br />
4<br />
4<br />
5<br />
4<br />
3<br />
4<br />
2<br />
3<br />
2<br />
4<br />
1<br />
4<br />
3<br />
1<br />
3<br />
4<br />
4<br />
4<br />
3<br />
4<br />
2<br />
3<br />
20<br />
4<br />
0<br />
0 1<br />
2<br />
2<br />
4<br />
3<br />
2<br />
4<br />
4<br />
4<br />
1<br />
3<br />
3<br />
4<br />
3<br />
0<br />
10<br />
0<br />
2<br />
2<br />
3<br />
2<br />
1<br />
3<br />
3<br />
3<br />
1<br />
1 0<br />
1<br />
1<br />
1 0<br />
1<br />
0<br />
1<br />
2<br />
1<br />
3<br />
2<br />
1<br />
3<br />
3<br />
2<br />
1<br />
01<br />
1<br />
1<br />
0<br />
01<br />
1<br />
1<br />
2<br />
1<br />
2<br />
2<br />
1<br />
0<br />
1<br />
0<br />
1<br />
0 1<br />
0 1<br />
0<br />
0<br />
1<br />
0<br />
1<br />
0 1<br />
2<br />
0<br />
0 1<br />
2<br />
20<br />
0<br />
1<br />
1<br />
0<br />
1<br />
1<br />
0<br />
0<br />
1<br />
0<br />
0<br />
1<br />
10<br />
0<br />
1<br />
0<br />
1<br />
0<br />
0<br />
0<br />
1<br />
0<br />
1<br />
0<br />
1 0<br />
1<br />
0<br />
1<br />
0<br />
0<br />
1 0<br />
1 0<br />
1<br />
0<br />
0<br />
1<br />
0<br />
1<br />
0<br />
0<br />
0<br />
0<br />
0<br />
0<br />
0<br />
0<br />
0<br />
0<br />
0<br />
0<br />
0<br />
0<br />
0<br />
0<br />
0<br />
0<br />
0<br />
0<br />
0<br />
0<br />
0<br />
0<br />
0<br />
0<br />
498 Dosis Vol. 38 4/<strong>2022</strong> © Suomen Farmasialiitto ry Suomen Farmasialiitto ry © 4/<strong>2022</strong> Vol. 38 Dosis 499
Summary<br />
Virtual reality as a new<br />
teaching method in pharmacy<br />
education?<br />
Karmen Kapp*<br />
PhD (Pharm)<br />
University lecturer<br />
Division of Pharmaceutical Biosciences<br />
Faculty of Pharmacy<br />
University of Helsinki<br />
karmen.kapp@helsinki.fi<br />
Matti Luukkanen<br />
PhD (Computer science)<br />
University lecturer<br />
Department of Computer Science<br />
Faculty of Science<br />
University of Helsinki<br />
matti.luukkanen@helsinki.fi<br />
Mia Sivén<br />
PhD (Pharm), Docent<br />
Senior university lecturer,<br />
Vice-dean<br />
Division of Pharmaceutical<br />
Chemistry and Technology<br />
Faculty of Pharmacy<br />
University of Helsinki<br />
mia.siven@helsinki.fi<br />
* Correspondence<br />
Pharmacy Digileap project in the University of<br />
Helsinki has been aiming to find innovative,<br />
inspirational and meaningful teaching practices<br />
that would support the teaching process.<br />
Digitalization provides new possibilities for<br />
pharmacy education, especially for laboratory<br />
education. Virtuality can give access to learning<br />
environments that in real life could be difficult<br />
to achieve. It also enables to practice laboratory<br />
work safely and environment-friendly by<br />
saving resources. Virtuality enables practicing<br />
the working processes that in real life would be<br />
limited, thus supporting the study program in<br />
the implementation of teaching.<br />
Pharmacy Digileap and the students of<br />
computer science have developed a Pharmacy<br />
VR learning environment where the threedimensional<br />
virtual environment mimics the<br />
aseptic room located in the Faculty of Pharmacy<br />
teaching laboratory. During the studies,<br />
students have limited possibilities to practice<br />
in real laboratory environment and experience<br />
unexpected situations in laboratory work. In<br />
the educational Pharmacy VR environment,<br />
student can train working in the aseptic room<br />
while the virtual environment gives the possibility<br />
to alter the working manners and repeat<br />
the working process based on the feedback. So<br />
far, the experience of developing virtual reality<br />
tools to support laboratory teaching has<br />
been promising. Based on the VR user experience<br />
data, students’ attitude has been positive<br />
and feedback of further development ideas<br />
have been raised.<br />
The limit of VR based training is the lack<br />
of haptic hand feedback. Also, yet not all the<br />
working steps can be practiced in virtual environment.<br />
Nevertheless, according to students`<br />
own assessment the training in virtual environment<br />
supports greatly the preparedness for<br />
aseptic work.<br />
The next step is to broaden the pedagogical<br />
research regarding Pharmacy VR learning<br />
environment to evaluate its support in the<br />
learning process. The aim of this scientific<br />
comment is to familiarize the reader with the<br />
concept of virtual reality and describe the first<br />
steps of VR in the laboratory teaching of pharmacy<br />
education.<br />
Keywords: virtual environment, teaching<br />
technology, drug formulation, asepsis,<br />
user experience<br />
Sidonnaisuudet<br />
Mia Sivén Lääketietokeskus 2021, <strong>2022</strong>; International<br />
Pharmaceutical Federation (FIP) 2021,<br />
<strong>2022</strong>; Farmasian oppimiskeskus <strong>2022</strong> (asiantuntijaluentoja,<br />
virtuaalitodellisuus farmasian<br />
opetuksessa). Karmen Kapp ja Matti Luukkanen:<br />
Ei sidonnaisuuksia.<br />
Kiitokset<br />
Farmasian tiedekunta kiittää tietojenkäsittelytieteen<br />
ohjelmistotuotantoprojektin sekä Metropolian<br />
Ammattikorkeakoulun 3D animoinnin<br />
ja visualisoinnin opiskelijoita sekä opettajia<br />
VR-oppimisympäristön kehittämisestä.<br />
Artikkelin kirjoittajat kiittävät opiskelija Jaakko<br />
Lapinkankaan lopputyöstä ”Virtuaalitodellisuuden<br />
hyödyntäminen lääkkeenvalmistuksen<br />
opetuksessa” ja Amanda Repon pro gradusta<br />
”Laajennetun todellisuuden käyttökohteet farmasian<br />
opetuksessa ja lääkevalmistuksen työkaluna”,<br />
joita tämän tieteellisen kommentin<br />
kirjoittamisessa on käytetty.<br />
500 Dosis Vol. 38 4/<strong>2022</strong> © Suomen Farmasialiitto ry Suomen Farmasialiitto ry © 4/<strong>2022</strong> Vol. 38 Dosis 501
Kirjallisuus<br />
Abuhammad A, Falah J, Alfalah,<br />
SFM ym.: A Virtual Reality Game<br />
to Enhance Medicinal Chemistry<br />
Education. Multimodal Technol<br />
Interact 5: 10, 2021<br />
Anthes C, García Hernández RJ ym.:<br />
State of the Art of Virtual Reality<br />
Technologies. 2016 IEEE Aerospace<br />
Conference At: Big Sky, Montana,<br />
United States, 2016. DOI: 10.1109/<br />
AERO.2016.7500674.<br />
Barfield W, Zeltzer D, Sheridan T,<br />
Slater M: Presence and performance<br />
within virtual environments.<br />
Kirjassa: Virtual environments and<br />
advanced interface design. s. 473–<br />
513. Toim. Barfield W ja, Furness TA<br />
III, Oxford University Press, New<br />
York 1995<br />
Bellini CGB, Isoni Filho M, de Moura<br />
Jr P ym.: Self-efficacy and anxiety of<br />
digital natives in face of compulsory<br />
computer-mediated tasks: A study<br />
about digital capabilities and<br />
limitations. Comput Hum Behav 59:<br />
49–57, 2016<br />
Chessa M, Balocchi G, Busi M ym.:<br />
An Oculus Rift based exergame<br />
to improve awareness in disabled<br />
people. Proceedings of the 11th Joint<br />
Conference on Computer Vision,<br />
Imaging and Computer Graphics<br />
Theory and Applications 4: 770–777,<br />
2016.<br />
Cochrane T: Mobile VR in education:<br />
From the fringe to the mainstream.<br />
Int J Mob Blended Learn 8: 44–60,<br />
2016<br />
Costello PJ: Health and safety issues<br />
associated with virtual reality: A<br />
review of current literature. Advisory<br />
Group on Computer Graphics,<br />
Loughborough, UK, 1997<br />
Coyne L, Merritt TA, Parmentier BL<br />
ym.: The past, present, and future of<br />
virtual reality in pharmacy education.<br />
Am J Pharm Educ 83: 7456, 2019<br />
Farshid M, Paschen J, Eriksson T ym.:<br />
Go boldly! Explore augmented reality<br />
(AR), virtual reality (VR), and mixed<br />
reality (MR) for business. Bus Horiz<br />
6: 657–663, 2018<br />
Girvan C: What is a virtual world?<br />
Definition and classification. Edu<br />
Technol Res Dev 66: 1087–1100, 2018<br />
Gustafsson M, Englund C, Gallego<br />
G: The description and evaluation of<br />
virtual worlds in clinical pharmacy<br />
education in Northern Sweden. Curr<br />
Pharm Teach Learn 9: 887–892, 2017<br />
Helsingin Insinöörit HI Ry:<br />
Todellisuutta virtuaalilasien takana<br />
2017 (viitattu 24.4.<strong>2022</strong>).<br />
www.helins.fi/artikkelit/todellisuutta_<br />
virtuaalilasien_takana/<br />
Helsingin yliopisto: Opetuksen<br />
toteutuksen digiloikka 2017–2020.<br />
Digiloikka opiskelussa, opetuksessa<br />
& opintohallinnossa -blogi 2016<br />
(viitattu 30.4.<strong>2022</strong>).<br />
https://blogs.helsinki.fi/digiloikka/projekti/<br />
Häkkinen J, Nyman G: Ihmisen<br />
kolmiulotteisen stereohavaitsemisen<br />
mekanismit. Psykologia 33: 293–310,<br />
1998<br />
Johnsen K, Dickerson R, Raij A ym.:<br />
Experiences in using immersive<br />
virtual characters to educate medical<br />
communication skills. Proc IEEE:<br />
179–186, 2005<br />
Kamińska D, Sapiński T, Wiak S ym.:<br />
Virtual reality and its applications in<br />
education: survey. Inf 10: 318, 2019<br />
Kavanagh S, Luxton-Reilly A,<br />
Wuensche B ym.: A systematic<br />
review of virtual reality in education.<br />
Themes in Science and Technology<br />
Education 10: 85–119, 2017<br />
Kielitoimiston sanakirja:<br />
Virtuaalitodellisuus. Kotimaisten<br />
kielten keskus ja Kielikone Oy 2021<br />
(viitattu 26.4.<strong>2022</strong>).<br />
www.kielitoimistonsanakirja.fi/#/virtuaalit<br />
odellisuus?searchMode=all<br />
Lindner P, Miloff A, Hamilton W<br />
ym.: Creating state of the art, nextgeneration<br />
virtual reality exposure<br />
therapies for anxiety disorders using<br />
consumer hardware platforms:<br />
design considerations and future<br />
directions. Cogn Behav Therap 46:<br />
404–420, 2017<br />
Manetta C, Blade RA: Glossary of<br />
Virtual Reality Terminology. Int J of<br />
Virtual Real 1: 35–39, 1995<br />
Martirosov, S, Kopecek, P: Virtual<br />
reality and its influence on training<br />
and education - Literature review.<br />
Proceedings of the 28th DAAAM<br />
International Symposium 0708–<br />
0717, 2017<br />
Ray AB, Deb S: Smartphone based<br />
virtual reality systems in classroom<br />
teaching — A study on the effects of<br />
learning outcome. Proc - IEEE 8th Int<br />
Conf Technol Educ 68–71, 2016<br />
Ryall T, Judd BK, Gordon CJ:<br />
Simulation-based assessments<br />
in health professional education:<br />
a systematic review. J Multidiscip<br />
Healthc 9: 69–82, 2016<br />
Shawaqfeh MS: Gamification as<br />
a learning method in pharmacy<br />
education. J Pharma Care Health Sys<br />
s2–004, 2015<br />
502 Dosis Vol. 38 4/<strong>2022</strong> © Suomen Farmasialiitto ry Suomen Farmasialiitto ry © 4/<strong>2022</strong> Vol. 38 Dosis 503
Takemoto JK, Bratelli RA, Parmentier<br />
BL ym.: Extended reality in patient<br />
care and pharmacy practice: A<br />
viewpoint. Contemp Pharm Pract 66:<br />
33–38, 2019<br />
Tolle H, Pinandito A, Adams<br />
Jonemaro E ym.: Virtual reality<br />
game controlled with user's head<br />
and body movement detection using<br />
smartphone sensors. J Eng Appl Sci<br />
10: 9776-9782, 2015<br />
Wijma EM, Veerbeek MA, Prins M<br />
ym.: A virtual reality intervention<br />
to improve the understanding and<br />
empathy for people with dementia in<br />
informal caregivers: results of a pilot<br />
study. Aging Ment Health 22: 1115–<br />
1123, 2018<br />
Wohlgenannt I, Simons A, Stieglitz:<br />
Virtual reality. Bus Inf Syst Eng 62:<br />
445–461, 2020<br />
Ventola CL: Virtual reality in<br />
pharmacy: opportunies for<br />
clinical, research, and educational<br />
applications. Pharmacy and<br />
Therapeutics 44: 267–276, 2019<br />
Yager RE: A vision for what science<br />
education should be like for the first<br />
25 years of a new millennium. Sch Sci<br />
Math 100: 327–341, 2000<br />
Yammine K, Violato C. A metaanalysis<br />
of the educational<br />
effectiveness of three-dimensional<br />
visualization technologies in<br />
teaching anatomy. Anat Sci Educ<br />
2015;8:525–38.<br />
Zhao G, Fan M, Yan Y ym.: The<br />
comparison of teaching efficiency<br />
between virtual reality and<br />
traditional education in medical<br />
education: a systematic review and<br />
meta-analysis. Ann Transl Med 9:<br />
252, 2020<br />
Walsh KR, Pawlowski SD: Virtual<br />
reality: a technology in need of IS<br />
research. Commun Assoc Inf Syst 8:<br />
297–313, 2002<br />
Kapp K, Luukkainen M, Sivén M: Virtuaalitodellisuusko uudeksi<br />
opetusmenetelmäksi farmasian opetukseen? Dosis 38: 490–504, <strong>2022</strong><br />
504 Dosis Vol. 38 4/<strong>2022</strong> © Suomen Farmasialiitto ry Suomen Farmasialiitto ry © 4/<strong>2022</strong> Vol. 38 Dosis 505
Virtuaalisilmä – kolmiulotteinen<br />
farmakokineettinen mallinnus<br />
silmälääketutkimuksen ja<br />
-kehityksen työkaluna<br />
Marko Lamminsalo<br />
Lääketaloustieteilijä, FaT, FM (matematiikka)<br />
Lääkealan turvallisuus- ja kehittämiskeskus Fimea<br />
marko.lamminsalo@fimea.fi<br />
Marko Lamminsalon väitöskirja 3D pharmacokinetic modelling as a tool for ocular drug research and development<br />
tarkastettiin Itä-Suomen yliopistossa terveystieteiden tiedekunnassa 26.8.<strong>2022</strong>. Vastaväittäjänä toimi<br />
tohtori Antonello Caruso (F. Hoffmann-La Roche) ja kustoksena professori, FaT Arto Urtti (Itä-Suomen<br />
yliopisto). Väitöskirja on julkaistu sähköisesti Itä-Suomen yliopiston avoimien aineistojen palvelussa (eRepo):<br />
http://urn.fi/URN:ISBN:978-952-61-4582-2<br />
Väitöskirja perustuu osajulkaisuihin:<br />
I Lamminsalo M, Taskinen E, Karvinen T, Subrizi A, Murtomäki L, Urtti A, Ranta V-P: Extended pharmacokinetic<br />
model of the rabbit eye for intravitreal and intracameral injections of macromolecules: quantitative analysis of<br />
anterior and posterior elimination pathways. Pharm Res 35: 153, 2018 doi.org/10.1007/s11095-018-2435-0<br />
II Lamminsalo M, Karvinen T, Subrizi A, Urtti A, Ranta VP. Extended pharmacokinetic model of the intravitreal<br />
injections of macromolecules in rabbits. Part 2: parameter estimation based on concentration dynamics in the<br />
vitreous, retina, and aqueous humor. Pharm Res 37: 226, 2020 doi.org/10.1007/s11095-020-02946-1<br />
III Lamminsalo M, Urtti A, Ranta V-P. Quantitative pharmacokinetic analyses of anterior and posterior<br />
elimination routes of intravitreal anti-VEGF macromolecules using published human and rabbit data.<br />
Exp Eye Res 222: 109162, <strong>2022</strong> doi.org/10.1016/j.exer.<strong>2022</strong>.109162<br />
Tiivistelmä<br />
Johdanto<br />
Lääkkeiden kehittäminen silmän takaosan sairauksiin, kuten verkkokalvon ikärappeumaan ja<br />
diabeettiseen retinopatiaan, on haastavaa johtuen silmää suojaavista fysiologisista esteistä. Lääkekehityksen<br />
nopeuttamiseksi, eläinkokeiden vähentämiseksi ja kvantitatiivisen ymmärryksen<br />
lisäämiseksi silmää on mallinnettu erilaisilla laskennallisilla menetelmillä. Tämän väitöskirjatutkimuksen<br />
tavoitteena oli tuottaa anatomisesti tarkkaa kolmiulotteista mallinnusta hyödyntäviä<br />
laskennallisia työkaluja silmälääketutkimuksen ja -kehityksen tueksi.<br />
Aineisto ja menetelmät<br />
Väitöskirjatutkimuksessa parannettiin Misselin (2012) julkaisemaa kolmiulotteista kaninsilmämallia<br />
makromolekyylien lasiais- ja etukammioinjektioille lisäämällä malliin silmän osien lämpötilaero,<br />
lämmönsiirto ja painovoima. Parannettua kaninsilmämallia käytettiin haasteelliseen<br />
parametrien estimointiin käyttäen makromolekyylien pitoisuuksia samanaikaisesti useasta eri<br />
silmäkudoksesta. Lopuksi käytettiin kolmea farmakokineettistä yhtälöä, joiden avulla arvioitiin<br />
etukautta tapahtuvan eliminaation osuutta lasiaiseen pistetyille anti-VEGF makromolekyyleille<br />
(aflibersepti, bevasitsumabi, pegaptanibi ja ranibitsumabi) käyttäen ihmiselle ja kanille julkaistuja<br />
tuloksia kirjallisuudesta.<br />
Tulokset<br />
Parannetulla kaninsilmämallilla saatiin hyaluronihappojen (molekyylimassa 18–4000 kilodaltonia,<br />
kDa) etukammiopistoksen eliminaation puoliintumisajoiksi 62–100 min, jotka ovat lähellä<br />
kokeellisia arvoja sekä teoreettista hyvin sekoitetun etukammion arvoa (57 min). Lasiaiseen pistettyjen<br />
FITC-dekstraanien (10–157 kDa) kokeellisten ja simuloitujen pitoisuuksien välille saatiin<br />
hyvä vastaavuus, kun etukautta tapahtuvan eliminaation osuus oli yli 80 %. Parannetulla kaninsilmämallilla<br />
ennustettiin IgG:n (150 kDa) diffuusiokertoimet neuraalisessa verkkokalvossa (36,8<br />
× 10 -9 cm 2 s -1 ) ja yhdistetyssä verkkokalvon pigmenttiepiteeli-suonikalvossa (4,11 × 10 -9 cm 2 s -1 ),<br />
jolloin etukautta eliminoitui 76 % annoksesta. Farmakokineettisiä yhtälöitä käytettäessä havaittiin<br />
useimmissa tutkimuksissa makromolekyylien annoksesta ainakin 51 %:n eliminoituvan etukautta,<br />
joten suurin osa lasiaispistoksen annoksesta eliminoituu etukautta. Kliininen aineisto oli<br />
kuitenkin vähäistä ja laadultaan vaihtelevaa.<br />
Johtopäätökset<br />
Kehitetty kolmiulotteinen kaninsilmämalli, tutkimustulosten analysointi ja esitetyt farmakokineettiset<br />
yhtälöt soveltuvat biologisten lääkeaineiden eliminaatioreittien kvantitatiiviseen analysointiin.<br />
Työn tuloksia ja kehitettyjä menetelmiä voidaan hyödyntää uusien silmälääkkeiden<br />
kehityksessä.<br />
Avainsanat: farmakokinetiikka, kani, lasiaispistos, biologiset lääkeaineet, mallintaminen,<br />
silmä, silmätaudit, verkkokalvo<br />
Lamminsalo M: Virtuaalisilmä – kolmiulotteinen farmakokineettinen mallinnus<br />
silmälääketutkimuksen ja -kehityksen työkaluna. Dosis 38: 506–520, <strong>2022</strong><br />
506 Dosis Vol. 38 4/<strong>2022</strong> © Suomen Farmasialiitto ry<br />
Suomen Farmasialiitto ry © 4/<strong>2022</strong> Vol. 38 Dosis 507
Ydinasiat<br />
• Silmän kolmiulotteisella mallinnuksella<br />
voidaan mallintaa lääkeaineen<br />
käyttäytymistä huomattavasti aiempaa<br />
tarkemmin.<br />
• Menetelmä yhdistää fysikaaliset ilmiöt<br />
biologiseen dataan ja molekyylien<br />
ominaisuuksiin.<br />
• Käytettävien mallien tulee olla validoituja,<br />
jotta voidaan varmistua mallinnusten<br />
oikeellisuudesta.<br />
• Kolmiulotteisten silmämallien kehittäminen<br />
ja validoiminen vie aikaa ja vaatii spesifistä<br />
mallinnusosaamista sekä hyvälaatuista<br />
kokeellista dataa.<br />
• Validoitujen silmämallien avulla voidaan<br />
nopeuttaa silmälääkekehitystä, vähentää<br />
eläinkokeita ja lisätä kvantitatiivista<br />
ymmärrystä.<br />
Johdanto<br />
Näköä pidetään usein ihmisen tärkeimpänä<br />
aistina (Hutmacher 2019). Se liittyy jokapäiväisiin<br />
toimintoihin, kuten oppimiseen, liikkumiseen<br />
ja itsestä huolehtimiseen, ja näkökyvyn<br />
menetys on yhteydessä alentuneeseen<br />
sosioekonomiseen asemaan, heikentyneisiin<br />
työmahdollisuuksiin ja kasvaneeseen kuoleman<br />
riskiin (Chuvarayan ym. 2020, Ehrlich<br />
ym. 2021). Vuonna 2019 yli 2,2 miljardia<br />
ihmistä kärsi jonkin asteisesta näönalenemasta<br />
ja kymmenillä miljoonilla oli vakava näköä heikentävä<br />
silmänpohjan sairaus (World report on<br />
vision 2019). Verkkokalvon vakavien sairauksien<br />
ennustetaan edelleen yleistyvän maailmanlaajuisesti<br />
väestön kasvaessa ja ikääntyessä<br />
sekä elintapojen muuttuessa (Flaxman<br />
ym. 2017, World report on vision 2019): esimerkiksi<br />
silmäpohjan ikärappeumasta kärsivien<br />
potilaiden määrän on arvioitu kasvavan<br />
288 miljoonaan vuoteen 2040 mennessä<br />
(Wong ym. 2014). Tämä aiheuttaa valtavan<br />
kuormituksen terveydenhuollon järjestelmille.<br />
Vakavien silmän takaosan sairauksien (esimerkiksi<br />
silmänpohjan ikärappeuma, diabeettinen<br />
silmäsairaus) hoitaminen on erityisen<br />
haasteellista silmää suojaavista fysiologisista<br />
rakenteista johtuen. Silmän pinnalle annetut<br />
lääkkeet (silmätipat, silmävoiteet) eivät saavuta<br />
vaikutuskohdettaan silmän takaosassa eivätkä<br />
systeemisen verenkierron kautta annetut lääkkeet<br />
(tabletit, laskimopistokset) pääse läpäisemään<br />
tiivistä veri-verkkokalvoestettä, mutta<br />
voivat aiheuttaa haittavaikutuksia muualla elimistössä<br />
(Maurice ja Mishima 1984). Lasiaispistokset<br />
ja -implantit ovat tehokkaita, kun lääkehoitoa<br />
kohdennetaan verkkokalvolle ja suonikalvolle,<br />
mutta ne ovat kajoavia ja työläitä terveydenhuollon<br />
henkilökunnalle (del Amo ym.<br />
2017). Esimerkiksi silmänpohjan ikärappeuman<br />
lääkinnässä käytettävien biologisten lääkkeiden<br />
puoliintumisaika on ihmissilmässä 5–10 päivää,<br />
jolloin lasiaispistos täytyy uusia kuukausittain<br />
tai joka toinen kuukausi riittävän lääkeainepitoisuuden<br />
ylläpitämiseksi (del Amo ym. 2017,<br />
Caruso ym. 2020). Näin ollen silmän takaosan<br />
lääkinnässä on suuri tarve uusille lääkkeenantokeinoille<br />
ja lääkkeen vaikutusaikaa pidentäville<br />
lääkemuodoille.<br />
Silmälääkekehitys on hidasta ja työlästä,<br />
sillä suuri määrä koe-eläimiä täytyy uhrata<br />
useissa aikapisteissä silmäkudosten pitoisuus-aika-profiilien<br />
määrittämiseksi. Eniten<br />
tutkittu koe-eläin on kani, mikä johtuu sen saatavuudesta,<br />
helposta käsittelystä sekä hyvästä<br />
vastaavuudesta ihmissilmän kanssa (Maurice<br />
ja Mishima 1984, del Amo ja Urtti 2015). Lääkekehitystä<br />
voidaan nopeuttaa ennustamalla lääkeaineiden<br />
käyttäytymistä silmässä laskennallisten<br />
menetelmien avulla (Kuva 1). Yksittäisten<br />
farmakokineettisten yhtälöiden lisäksi voidaan<br />
käyttää mekanistisia tilamalleja, jossa jokainen<br />
silmän osa (kuten kovakalvo, suonikalvo,<br />
lasiainen) kuvataan omana tasaisen lääkeainepitoisuuden<br />
omaavana tilana. Tämä ei kuitenkaan<br />
vastaa todellisuutta, sillä esimerkiksi<br />
lasiaisessa lääkeaine ei ole tasaisesti jakautunut.<br />
Luotettavamman arvion saamiseksi tarvitaan<br />
virtauslaskentaan (CFD, computational<br />
fluid dynamics) perustuva kolmiulotteinen silmämalli,<br />
joka koostuu anatomisesti relevanttista<br />
geometriasta ja fysiikan ilmiöistä – konvektio,<br />
diffuusio ja lämmönsiirto – yhdistettynä<br />
lääkeaineen ominaisuuksiin.<br />
t<br />
t<br />
1/2,kani<br />
1/2,ihminen<br />
a<br />
=1,06 × r<br />
=1,94 × r<br />
C /C = V / f × k<br />
A<br />
= f x AUC<br />
b<br />
plasma plasma<br />
takakammio<br />
etukammio<br />
etukammio<br />
lasiainen lasiainen<br />
c<br />
plasma<br />
kyynelneste<br />
sarveiskalvo<br />
etukammio<br />
etu-<br />
linssi<br />
H<br />
H<br />
a v v v<br />
TM<br />
→<br />
a<br />
b<br />
c<br />
→<br />
a<br />
→<br />
lasiainen<br />
lasiainen<br />
→<br />
<br />
<br />
<br />
Kolmiulotteisessa virtuaalisessa silmämallissa<br />
anatomiset rakenteet jaetaan tuhansiin<br />
pieniin tiloihin, joissa lääkeaineen pitoisuutta<br />
voidaan tarkastella paikallisesti. Tietokoneiden<br />
laskentatehon kehittyessä käytetyt<br />
mallit ja niiden geometriat ovat alati tarkentuneet<br />
ja monimutkaistuneet (Kuva 2). Tämä<br />
on mahdollistanut merkittävästi aiempaa tarkempien<br />
paikallisten lääkeainepitoisuuksien<br />
ennustamisen silmässä. Paikallisten lääkeainepitoisuuksien<br />
avulla on voitu edelleen arvioida<br />
lääkkeen vaikutusta sekä tehoa ja turvallisuutta.<br />
Virtauslaskentaan perustuvia malleja<br />
on hyödynnetty lasiaispistosten jälkeisten lääkepitoisuusprofiilien<br />
kuvaamiseen ja ennustamiseen<br />
jo 1990-luvulta lähtien (Tojo ja Ohtori<br />
1994, Tojo 2004, Park ym. 2005, Missel 2012,<br />
Zhang ym. 2018). Toistaiseksi koko silmän kattavaa<br />
kolmiulotteista silmämallia ei kuitenkaan<br />
ole validoitu kunnolla eikä sellaista ole pystytty<br />
täysin hyödyntämään käytännössä.<br />
Tämän väitöstutkimuksen tavoitteena oli<br />
rakentaa ja validoida kolmiulotteinen silmämalli,<br />
jolla pystytään ennustamaan aiempaa<br />
tarkemmin silmän takaosan sairauksien lääkinnässä<br />
käytettävien biologisten lääkeaineiden<br />
käyttäytymistä silmässä lasiaispistoksen<br />
jälkeen. Lisäksi tavoitteena oli tutkia biologisten<br />
Kuva 1. Erilaisia silmälääkekehityksessä käytettyjä farmakokineettisiä menetelmiä.<br />
(a) Makromolekyyleille käytettyjä eliminaationopeutta ja -reittiä arvioivia yhtälöitä (muokattu Caruso<br />
ym. 2020, Maurice ja Mishima 1984). (b) Yksinkertainen tilamalli, jossa nuolet kuvaavat lääkeaineen<br />
liikettä (muokattu Maurice ja Mishima 1984). (c) Monimutkaisempi tilamalli, jossa sallitaan lääkeaineen<br />
edestakainen liike tilojen välillä (muokattu Maurice ja Mishima 1984). (d) MRI-kuvantamiseen perustuva<br />
anatomisesti tarkka kolmiulotteinen kaninsilmämalli, joka koostuu kymmenistä tuhansista tiloista<br />
(muokattu Missel 2012).<br />
d<br />
d<br />
508 Dosis Vol. 38 4/<strong>2022</strong> © Suomen Farmasialiitto ry Suomen Farmasialiitto ry © 4/<strong>2022</strong> Vol. 38 Dosis 509
lääkeaineiden eliminaatioreittien kvantitatiiviseen<br />
analysointiin esitettyjen farmakokineettisten<br />
yhtälöiden käyttökelpoisuutta. Väitöstutkimus<br />
on osa suurempaa silmälääkintää tutkivaa<br />
hanketta, johon kuuluvat professori Arto Urtin<br />
johtamat tutkimusryhmät Itä-Suomen yliopistosta<br />
Kuopiosta ja Helsingin yliopistosta.<br />
Aineisto ja menetelmät<br />
Tutkimuksen kolmiulotteinen farmakokineettinen<br />
kaninsilmämalli rakennettiin elementtimenetelmään<br />
(FEM, finite element method)<br />
perustuvalla COMSOL Multiphysics -ohjelmistolla<br />
(versio 5.3, COMSOL AB, Tukholma,<br />
Ruotsi). Malli (Kuva 3) perustui geometrian ja<br />
fysikaalisten ilmiöiden osalta Misselin (2012)<br />
lasiaisantoa käsittelevään kattavaan julkaisuun,<br />
jossa hän rakensi MRI-kuvantamiseen<br />
perustuen anatomisesti tarkan kolmiulotteisen<br />
mallin kanille, apinalle ja ihmiselle ja validoi<br />
kanimallin käyttäen kuudelle molekyylille<br />
(0,3–157 kDa) julkaistua in vivo -dataa. Mallissa<br />
käytettiin laskennan yksinkertaistamiseksi<br />
kaksiulotteista aksisymmetristä geometriaa,<br />
josta saatiin symmetrinen kolmiulotteinen<br />
silmä pyöräyttämällä se symmetria-akselin<br />
ympäri.<br />
Kuva 2. Kaninsilmän farmakokineettisessä mallinnuksessa on käytetty muun muassa (a) sylinterimaista<br />
(muokattu Tojo ja Ohtori 1994), (b) fysiologiaan perustuvaa kaksiulotteista (muokattu Park ym. 2005),<br />
(c) pallomaista (muokattu Tojo 2004) sekä (d) MRI-kuvantamiseen perustuvaa aksisymmetristä<br />
kolmiulotteista geometriaa (muokattu Missel 2012).<br />
Kuva 3. Kaksiulotteinen aksisymmetrinen kaninsilmän geometria (muokattu Missel 2012). Symmetrinen<br />
kolmiulotteinen silmä saatiin pyöräyttämällä geometria symmetria-akselin ympäri. (a) MRIkuvantamiseen<br />
perustuva kaninsilmän geometria, johon on merkitty lasiaispistoksen levinneisyys<br />
välittömästi lääkkeenannon jälkeen. (b) Lasiaispistoksena annetun lääkeaineen eliminaatio etukautta<br />
(yhtenäinen nuoli) kammionesteen mukana etukammiosta tai takakautta (katkonuolet) verkkokalvon<br />
kapillaarien ja verkkokalvon pigmenttiepiteelin läpi.<br />
510 Dosis Vol. 38 4/<strong>2022</strong> © Suomen Farmasialiitto ry Suomen Farmasialiitto ry © 4/<strong>2022</strong> Vol. 38 Dosis 511
Misselin (2012) julkaisemaa kolmiulotteista<br />
kaninsilmämallia parannettiin lisäämällä malliin<br />
silmän osien lämpötilaero, lämmönsiirto ja<br />
painovoima. Näin saatu malli validoitiin kirjallisuudessa<br />
saatavilla olevan in vivo -datan<br />
avulla hyaluronihappojen etukammiopistoksille<br />
(Laurent ja Fraser 1983) ja FITC-dekstraanien<br />
lasiaispistoksille (Johnson ja Maurice<br />
1984, Araie 1985).<br />
Parannettua kaninsilmämallia käytettiin<br />
haasteelliseen parametrien estimointiin käyttäen<br />
makromolekyylien IgG (150 kDa) ja Fab<br />
(50 kDa) pitoisuuksia samanaikaisesti useasta<br />
eri silmäkudoksesta (lasiainen, verkkokalvo,<br />
etukammio) kirjallisuusdataan pohjautuen<br />
(Gadkar ym. 2015, Hutton-Smith ym. 2017).<br />
Mallin geometriaa muokattiin huomioimaan<br />
neuraalinen verkkokalvo (verkkokalvo Kuvassa<br />
3) sekä verkkokalvon pigmenttiepiteelistä ja<br />
suonikalvosta yhdistetty silmäkudos (suonikalvo<br />
Kuvassa 3), mikä mahdollisti diffuusiokerrointen<br />
estimoinnin kyseisissä kudoksissa<br />
pienimmän neliösumman menetelmää käyttämällä.<br />
Etukautta tapahtuvan eliminaation osuutta<br />
(Kuva 3b)lasiaiseen pistetyille anti-VEGF<br />
makromolekyyleille (aflibersepti, bevasitsumabi,<br />
pegaptanibi ja ranibitsumabi) arvioitiin<br />
soveltamalla kolmea farmakokineettista<br />
yhtälöä (Kuva 1a) kirjallisuudesta löytyneeseen<br />
ihmisen ja kanin pitoisuusdataan.<br />
Tulokset<br />
Paranneltu Misselin (2012) silmämalli<br />
Lämpötilaeron, lämmönsiirron ja painovoiman<br />
lisääminen malliin tehosti huomattavasti<br />
kammionesteen sekoitusta etukammiossa<br />
(Kuva 4a). Virtauskuvio oli samanlainen<br />
silmänpaineilla 10,1 Torr ja 20 Torr. Etukammioon<br />
yhtenäisesti annosteltujen hyaluronihappojen<br />
(18–4000 kDa) eliminaation puoliintumisajat<br />
parannetulla mallilla (62–100 min)<br />
erosivat huomattavasti alkuperäisellä mallilla<br />
saaduista (256–482 min) ja olivat lähellä<br />
kokeellisia arvoja (62–83 min) sekä teoreettista<br />
hyvin sekoitetun etukammion arvoa (57<br />
min).<br />
Lasiaiseen pistettyjen FITC-dekstraanien<br />
(10–157 kDa) kokeellisten ja simuloitujen<br />
pitoisuuksien välille saatiin hyvä vastaavuus,<br />
kun etukautta tapahtuvan eliminaation osuus<br />
oli yli 80 %. Etukammion ja lasiaisen pitoisuuksien<br />
suhde (C a /C v ) vakiintui 200 tunnin<br />
kohdalla.<br />
Parametriestimointi virtuaalisilmällä<br />
Muokatulla parannetulla kaninsilmämallilla<br />
ennustettiin IgG:n (150 kDa) diffuusiokertoimet<br />
neuraalisessa verkkokalvossa (36,8<br />
× 10 -9 cm 2 s -1 ) ja yhdistetyssä verkkokalvon<br />
pigmentti epiteeli-suonikalvossa (4,11 × 10 -9<br />
cm 2 s -1 ), jolloin etukautta eliminoitui 76 %<br />
annoksesta. Estimoiduilla parametreilla saatiin<br />
hyvä vastaavuus kokeellisten keskimääräisten<br />
pitoisuusarvojen kanssa eri silmäkudoksissa<br />
(Kuva 4b). Ensimmäisten aikapisteiden<br />
kohdalla havaittiin hyvä vastaavuus, kun<br />
lasiaispistoksen levinneisyydeksi alussa oletettiin<br />
400 µl.<br />
Lasiaisinjektion eliminaatio etukautta<br />
Kirjallisuushaulla löytyneistä 21 tutkimuksesta<br />
(kani n = 12, ihminen n = 9) kolmasosa jouduttiin<br />
hylkäämään, sillä ne eivät täyttäneet<br />
asetettuja hyvin suoritetun kokeen farmakokineettisiä<br />
kriteereitä. Eliminaatioreittien analyysiin<br />
päätyi lopulta 14 tutkimusta (kani n = 9,<br />
ihminen n = 5), joista löytyi 15 pitoisuus-aikaprofiilia.<br />
Kokeelliset puoliintumisajan arvot<br />
lasiaisessa ja kammionesteessä olivat hyvin<br />
lähellä laskennallisia arvoja, jotka olivat afliberseptillä<br />
(5,5 päivää kanilla; 10,1 päivää<br />
ihmisellä), bevasitsumabilla (5,5 päivää; 10,1<br />
päivää), ranibitsumabilla (3,0 päivää; 5,4 päivää)<br />
ja pegaptanibilla (7,7 päivää; 14,2 päivää)<br />
(Kuva 4c). Farmakokineettisiä yhtälöitä käytettäessä<br />
havaittiin useimmissa tutkimuksissa<br />
makromolekyylien annoksesta ainakin 51 %:n<br />
eliminoituvan etukautta, joten suurin osa lasiaispistoksen<br />
annoksesta eliminoituu etukautta.<br />
Kliininen aineisto oli kuitenkin vähäistä ja laadultaan<br />
vaihtelevaa.<br />
Pohdinta<br />
Tässä tutkimuksessa parannettiin Misselin<br />
(2012) julkaisemaa kaninsilmämallia ja käytettiin<br />
sitä etukammioon ja lasiaiseen pistettyjen<br />
makromolekyylien pitoisuus-aika-profiilien<br />
simuloimiseen. Keskeisimmät uudet<br />
ominaisuudet olivat parannettu sekoitus etu-<br />
Kuva 4. Väitöskirjatutkimuksen keskeisiä tuloksia. (a) Kammionesteen nopeus (m s -1 ) ja virtauskuvio<br />
etukammiossa ilman lämpötilaeroa, lämmönsiirtoa ja painovoimaa (vasemmalla) sekä niiden kanssa<br />
(oikealla). (b) Pienimmän neliösumman menetelmällä lasketut lasiaispistoksen jälkeiset IgG:n<br />
keskimääräiset pitoisuudet silmäkudoksissa (viivat) sekä kokeellinen data (mustat pisteet, muokattu<br />
Gadkar ym. 2015). (c) Anti-VEGF-makromolekyylien eliminaation puoliintumisaika lasiaisesta (Las.) ja<br />
kammionesteestä (Kam.) määritettynä kanin (vasemmalla) ja ihmisen silmässä (oikealla). Kuvassa on<br />
esitetty teoreettiset ( ), tutkimuksessa raportoidut ( ) ja niiden puuttuessa tutkimusdatan pohjalta<br />
lasketut ( ) puoliintumisajat.<br />
512 Dosis Vol. 38 4/<strong>2022</strong> © Suomen Farmasialiitto ry Suomen Farmasialiitto ry © 4/<strong>2022</strong> Vol. 38 Dosis 513
kammiossa ja makromolekyylien eliminaatioreittien<br />
kvantitatiivinen analysointi in vivo<br />
dataan perustuen. Jo aiemmin huomatun (Yablonski<br />
ym. 1987) kanin etukammion tehokkaan<br />
sekoittumisen ansiosta mallilla saatiin hyvä<br />
vastaavuus etukammioon pistettyjen hyaluronihappojen<br />
pitoisuuksien kanssa (Laurent ja<br />
Fraser 1983). Etukammion sekoitus on oleellinen<br />
ominaisuus varsinkin topikaalisesti annettujen<br />
lääkkeiden pitoisuusprofiilien ennustamisessa.<br />
Lasiaiseen pistettyjen makromolekyylien<br />
tapauksessa parannetun mallin vaikutus<br />
oli vähäinen, sillä diffuusio lasiaisessa on<br />
rajoittava tekijä etukautta tapahtuvassa eliminaatiossa<br />
(Maurice ja Mishima 1984, Hutton-<br />
Smith ym. 2017). Eliminaatioreittejä on aiemmin<br />
analysoitu teoreettisesti virtauslaskennan<br />
menetelmin (mm. Park ym. 2005) ilman<br />
suoraa vertailua kokeelliseen dataan. Tässä<br />
esitetty parannettu malli validoitiin etukammio-<br />
ja lasiaisdatan avulla (Laurent ja Fraser<br />
1983, Johnson ja Maurice 1984, Araie 1985), ja<br />
diffuusio verkkokalvon läpi perustui aiemmin<br />
julkaistuun permeabiliteettidataan (Pitkänen<br />
ym. 2005).<br />
Lääkeainepitoisuuksiin perustuva parametriestimointi<br />
on oleellinen osa farmakokineettistä<br />
mallinnusta, mutta kolmiulotteisia<br />
silmämalleja on vain harvoin käytetty tähän<br />
tarkoitukseen. Haghjou ym. (2013) estimoivat<br />
pienimmän neliösumman menetelmällä<br />
lasiaispitoisuuteen perustuen 32:n lääkeaineen<br />
permeabiliteetin yhdistetyssä verkkokalvo-suonikalvo-kovakalvossa<br />
ja Zhang ym.<br />
(2018) neljän lääkeaineen lasiaispistoksen ja<br />
suonikalvopistoksen jälkeistä puhdistumaa<br />
haarukoimalla mallin parametreja ja vertaamalla<br />
saatuja lääkepitoisuusprofiileja kokeelliseen<br />
dataan. Nämä mallit kuitenkin rajoittuivat<br />
pelkästään silmän takaosan geometriaan<br />
eivätkä siten huomioineet realistisesti<br />
lääkeaineiden eliminaatiota etukautta. Tämä<br />
on tiettävästi ensimmäinen tutkimus, jossa<br />
parametriestimointi suoritetaan koko silmän<br />
kattavalla geometrialla ja estimoinnissa käytetään<br />
yhtäaikaisesti lääkepitoisuuksia kolmesta<br />
eri kudoksesta. Saatu tulos oli linjassa<br />
aiempien tutkimusten kanssa (Pitkänen ym.<br />
2005, del Amo ym. 2017). Estimoinnissa käytettyä<br />
dataa on aiemmin käytetty parametriestimointiin<br />
kolmetilamallilla (Hutton-Smith et<br />
al. 2017). Vaikka molemmilla malleilla saatiin<br />
hyvä sovitus ja lääkeaineen eliminaatio etukautta<br />
sekä kokonaisläpäisevyys silmän takaosan<br />
kerrosten läpi oli samansuuruista, paikalliset<br />
pitoisuusprofiilit silmän takaosan kerroksissa<br />
(verkkokalvo, suonikalvo) olivat melko<br />
erilaisia. Virtauslaskentaan perustuvat mallit<br />
ovat tilamalleja monimutkaisempia, mutta ne<br />
perustuvat anatomiaan ja fysikaalisiin ilmiöihin,<br />
mikä mahdollistaa fysiologisiin periaatteisiin<br />
nojautuvan tarkemman farmakokineettisten<br />
parametrien estimoinnin erityisesti<br />
ohuissa, vaikeasti saavutettavissa silmäkudoksissa.<br />
Vaikka lasiaiseen pistettyjen makromolekyylien<br />
eliminaatioreittien ymmärtäminen on<br />
silmän farmakokinetiikan kannalta tärkeää,<br />
asiaa on tutkittu erittäin vähän. Ei ole olemassa<br />
suoraa menetelmää, toisin kuin esimerkiksi<br />
systeemisesti annettujen lääkkeiden puhdistumiselle<br />
maksan tai munuaisten kautta, vaan<br />
ainoa järkevä keino on silmäkudosten lääkeainepitoisuuksien<br />
farmakokineettinen analysointi.<br />
Del Amo ym. (2017) esiin tuomista<br />
kirjallisuuden ristiriitaisista tuloksista huolimatta<br />
kvantitatiivinen data ja useat farmakokineettiset<br />
analyysit viittaavat makromolekyylien<br />
eliminoituvan lasiaispistoksen jälkeen<br />
pääasiassa etukautta (del Amo ym. 2017, Hutton-Smith<br />
ym. 2017, Caruso ym. 2020). Tämä<br />
on ensimmäinen kerta, kun asiaa on tutkittu<br />
systemaattisesti arvioimalla kaikki julkaistu<br />
kirjallisuus ihmis- ja kaninsilmän lasiaiseen<br />
pistetyille anti-VEGF makromolekyyleille<br />
(aflibersepti, bevasitsumabi, pegaptanibi ja<br />
ranibitsumabi). Saatujen tulosten perusteella<br />
eliminaatio tapahtuu molemmilla lajeilla pääasiassa<br />
etukautta. Analyysin yhteydessä noin<br />
kolmannes tutkimuksista jouduttiin hylkäämään,<br />
koska ne eivät täyttäneet hyvin toteutetun<br />
farmakokineettisen tutkimuksen kriteereitä.<br />
Merkityksellisten tulosten saamiseksi ja<br />
vaihtelun vähentämiseksi kokeiden suunnitteluun<br />
ja toteuttamiseen tulee kiinnittää huomiota:<br />
mittauksia tulee olla sopiva määrä todellisen<br />
farmakokineettisen profiilin tavoittamiseksi,<br />
lasiaspistos tulee suorittaa taidokkaasti<br />
ilman hävikkiä ja biologisen lääkeaineen analyysimenetelmä<br />
tulee olla tarkka riittävän laajalla<br />
pitoisuusalueella. Tässä esitetyt farmakokineettiset<br />
kriteerit ovat linjassa del Amon ja<br />
Urtin (2015) aiemmin esittämien kattavampien<br />
kriteerien kanssa luotettavien farmakokineettisten<br />
profiilien ja parametrinarvojen saamiseksi.<br />
Tässä yhteydessä on tärkeää todeta, että<br />
vaikka lääke eliminoituu pääosin etukautta, se<br />
ei tarkoita, etteikö sillä olisi kliinistä vaikuttavuutta.<br />
Lääkemolekyylin vaikutus riippuu<br />
nimittäin vaikutuspaikassa olevasta paikallisesta<br />
pitoisuudesta eikä siitä, kuinka paljon<br />
annoksesta eliminoituu takakautta verkkokalvon<br />
kudosten läpi. Terapeuttinen pitoisuus<br />
verkkokalvolla ja suonikalvolla voidaan saavuttaa,<br />
vaikka eliminaatio takakautta olisi<br />
minimaalista etukautta tapahtuvaan verrattuna<br />
(del Amo ym. 2017).<br />
Tässä väitöskirjatutkimuksessa kehitettyä<br />
ja validoitua kaninsilmämallia voidaan edelleen<br />
tarkentaa vastaamaan paremmin silmän hienovaraisia<br />
rakenteita ja huomioimaan fysiologisia<br />
muutoksia, kuten silmänpaineen muutosta<br />
tai tautien vaikutusta kudosten läpäisevyyteen.<br />
Malli ei rajoitu vain tässä tutkimuksessa<br />
esitettyihin makromolekyyleihin, vaan<br />
sitä voidaan soveltaa myös tulevaisuudessa<br />
kehitettäviin makromolekyyleihin. Validoimalla<br />
malli myös pienille lääkemolekyyleille<br />
pystytään simuloimaan entistä tarkemmin<br />
lääkeainepitoisuuksia tärkeissä kudoksissa,<br />
kuten sarveiskalvossa, värikalvossa, sädekehässä<br />
tai verkkokalvon pigmenttiepiteelissä,<br />
sekä huomioimaan lääkeaineen sitoutuminen<br />
silmän kudoksiin kuten melaniiniin. Kehitetty<br />
silmämalli mahdollistaa myös säädellysti lääkettä<br />
vapauttavien lääkkeensaattojärjestelmien<br />
simuloimisen, jolloin lääkeannon väliä voidaan<br />
huomattavasti pidentää.<br />
Silmän kolmiulotteinen farmakokineettinen<br />
malli perustuu fysikaalisiin ilmiöihin,<br />
biologiseen dataan ja molekyylien ominaisuuksiin.<br />
Sen takia sen soveltaminen muille<br />
prekliinisissä tutkimuksissa käytetyille lajeille<br />
(rotta, apina, nauta, sika) tai ihmiseen onnistuu<br />
periaatteessa yksinkertaisesti mallin biologista<br />
dataa vaihtamalla. Käytännössä kuitenkin<br />
eräs keskeinen mallinnuksen rajoite on<br />
hyvänlaatuisen datan saatavuus mallin validoinnissa.<br />
Tekniset haasteet ohuiden verkkokalvon<br />
kudosten puhtaassa erottelussa ilman<br />
jäämiä lasiaisesta tai suonikalvosta, tuntematon<br />
kammionesteen muodostumisnopeus tai<br />
virtaus lasiaisessa sekä kliinisen datan suuri<br />
vaihtelevuus tai jopa suoranainen puute hankaloittavat<br />
lajien välistä vertailua. Epävarmuus<br />
kokeellisessa datassa siirtyy mallinnukseen<br />
muun muassa pienimmän neliösumman<br />
sovittamisen vaikeutena tai parametrien epävarmuutena.<br />
Osa teknisistä haasteista voidaan<br />
kuitenkin selvittää mallinnuksen menetelmin,<br />
kuten datan skaalaamisella, painottamisella ja<br />
sopivan mallinnusyhtälön valinnalla (Motulsky<br />
ja Ransnas 1987).<br />
Kaupallisia virtauslaskennan ohjelmia<br />
on ollut saatavilla jo 1980-luvulta lähtien, ja<br />
nykyään niitä käytetään lähes kaikilla insinöörialoilla<br />
(Versteeg ja Malalasekera 2007). Tämä<br />
väitöstutkimus osoittaa, että virtauslaskenta<br />
on käyttökelpoinen vaihtoehto myös silmälääkemallinnuksessa.<br />
Yleisesti ottaen mallinnusmenetelmät<br />
ovat kehittyneet valtavasti viimeisen<br />
30 vuoden aikana (Gieschke ja Steimer<br />
2000, Schuck ym. 2015). Farmakokinetiikkaa ja<br />
farmakodynamiikkaa yhdistelevien virtauslaskennan<br />
mallien ennustetaan tulevaisuudessa<br />
tulevan osaksi rutiinitoimintaa ja laajemmin<br />
saataville lääkekehityksessä ja terveydenhuollossa<br />
upotettujen ja helppokäyttöisten applikaatioiden<br />
avulla. Näissä lääkkeen ja mallin<br />
parametreja voidaan vaihtaa ja nähdä välittömästi<br />
muutokset lääkeaineiden pitoisuusprofiileissa<br />
(Runchal ja Rao 2020). Parhaimmillaan<br />
tämä mahdollistaa tarkan tehon ja turvallisuuden<br />
arvioinnin osana yksilöllistä lääkehoitoa,<br />
jossa lääkehoito voidaan räätälöidä potilaan<br />
silmän anatomian ja fysiologian, taudin vaiheen<br />
ja lääkkeensaattojärjestelmän mukaan.<br />
Johtopäätökset<br />
Väitöskirjatutkimuksessa parannettiin Misselin<br />
(2012) julkaisemaa kolmiulotteista kaninsilmämallia<br />
lisäämällä malliin silmän osien<br />
lämpötilaero, lämmönsiirto ja painovoima.<br />
Validointi osoitti etukammion kammionesteen<br />
ja diffuusion keskeisen roolin makromolekyylien<br />
kulkeutumisessa. Parannetulla mallilla<br />
suoritettiin ensimmäinen vaativa parametriestimointi<br />
kolmiulotteisella silmällä. Tämä<br />
osoitti kolmiulotteisten silmämallien käyttökelpoisuuden<br />
vaikeasti saavutettavien silmäkudosten<br />
läpäisevyyden estimoinnissa. Kolmea<br />
farmakokineettistä yhtälöä sovellettiin kirjal-<br />
514 Dosis Vol. 38 4/<strong>2022</strong> © Suomen Farmasialiitto ry Suomen Farmasialiitto ry © 4/<strong>2022</strong> Vol. 38 Dosis 515
lisuudessa saatavilla olevaan ihmisen ja kanin<br />
lääkeainepitoisuusdataan lasiaiseen pistettyjen<br />
makromolekyylien pääeliminaatioreitin selvittämiseksi.<br />
Tulosten perusteella suurin osa eliminaatiosta<br />
tapahtuu molemmilla lajeilla etukautta.<br />
Käytetyt yhtälöt antavat kvantitatiivista<br />
ymmärrystä lasiaiseen pistettyjen makromolekyylien<br />
eliminaatioprosessista. Kaiken kaikkiaan<br />
kolmiulotteinen farmakokineettinen mallintaminen<br />
tulee olemaan tärkeä työkalu tulevaisuuden<br />
silmälääketutkimuksessa ja -kehityksessä,<br />
kun vaativakin mallintaminen tulee<br />
realistisemmaksi tietokoneiden laskentatehon<br />
kasvaessa.<br />
Summary<br />
Virtual eye – 3D pharmacokinetic<br />
modelling as a tool for ocular drug<br />
research and development<br />
Marko Lamminsalo<br />
Pharmacoeconomist, Ph.D. (Pharm.), M.Sc. (Math.)<br />
Finnish Medicines Agency Fimea<br />
marko.lamminsalo@fimea.fi<br />
Marko Lamminsalo’s doctoral thesis 3D pharmacokinetic<br />
modelling as a tool for ocular drug<br />
research and development was inspected in the<br />
University of Eastern Finland, Faculty of Health<br />
Sciences on 26th of August <strong>2022</strong>. Dr. Antonello<br />
Caruso acted as the opponent (F. Hoffmann-La<br />
Roche) and Professor, Ph.D. Arto Urtti as the<br />
custos (University of Eastern Finland). The<br />
doctoral thesis can be found from the open<br />
access materials repository of the University<br />
of Eastern Finland (eRepo): http://urn.fi/<br />
URN:ISBN:978-952-61-4582-2<br />
Introduction<br />
Drug development for ocular diseases affecting<br />
the back of the eye (such as age-related macular<br />
degeneration and diabetic retinopathy) is<br />
challenging due to the barriers protecting the<br />
eye. In order to speed up drug development,<br />
reduce the number of animal experiments and<br />
gain quantitative understanding of ocular barriers,<br />
various computational modelling methods<br />
have been used to model the eye. The aim<br />
of this thesis was to provide tools utilizing anatomically<br />
accurate 3D pharmacokinetic modelling<br />
for ocular drug research and development.<br />
Materials and methods<br />
In this thesis work, the 3D rabbit eye model<br />
developed by Missel (2012) was extended for<br />
intravitreal and intracameral injections of<br />
macromolecules by adding a thermal gradient,<br />
heat transfer and gravity into the model. The<br />
extended rabbit eye model was used for challenging<br />
parameter estimation tasks simultaneously<br />
using macromolecule concentration<br />
data from several ocular tissues. Lastly, three<br />
pharmacokinetic equations were used to evaluate<br />
the contribution of the anterior elimination<br />
route for four anti-vascular endothelial<br />
growth factor molecules (aflibercept, bevacizumab,<br />
pegaptanib and ranibizumab) after<br />
intravitreal injection using published human<br />
and rabbit data.<br />
Results<br />
With the extended rabbit eye model, the elimination<br />
half-lives of hyaluronic acids (18-4000<br />
kDa) after intracameral injection ranged from<br />
62 to 100 min, values that are similar to the<br />
in vivo data and close to the theoretical value<br />
for a well-stirred anterior chamber (57 min).<br />
In intravitreal injections of FITC-dextrans<br />
(10-157 kDa), a good match between simulations<br />
and in vivo data was obtained when the<br />
percentage of the anterior elimination pathway<br />
was over 80 %. The extended 3D rabbit<br />
eye model was used to estimate the diffusion<br />
coefficients of IgG in neural retina (36,8 × 10 -9<br />
cm 2 s -1 ) and combined retinal pigment epithelium-choroid<br />
(4,11 × 10 -9 cm 2 s -1 ) while 76 % of<br />
the dose was eliminated via the anterior chamber.<br />
Applying the three pharmacokinetic equations,<br />
in most studies the percentage of anterior<br />
elimination obtained for macromolecules<br />
was at least 51% suggesting that the anterior<br />
route dominates. However, the clinical data are<br />
sparse, and variability is extensive.<br />
Conclusions<br />
The developed 3D pharmacokinetic rabbit eye<br />
model, data analysis protocol and presented<br />
three pharmacokinetic equations provide tools<br />
for the quantitative analysis of anterior and<br />
posterior elimination pathways for biologics.<br />
The methods devised in this study may be used<br />
in research and development of novels macromolecule<br />
drugs for ophthalmic use.<br />
Keywords: Pharmacokinetics, rabbits,<br />
intravitreal injections, macromolecules,<br />
computer simulation, eye, eye diseases,<br />
retina<br />
Sidonnaisuudet<br />
Ei sidonnaisuuksia.<br />
Kiitokset<br />
Lämpimät kiitokset väitöskirjani<br />
ohjaajille, professori, FaT Arto Urtille<br />
ja farmakokinetiikan lehtori, FaT Veli-<br />
Pekka Rannalle sekä käsikirjoitusten<br />
kanssakirjoittajille. Erityisesti TkT Timo<br />
Karvisen tekninen apu mallinnuksessa on ollut<br />
korvaamatonta. Kiitos myös tutkimustani<br />
rahoittaneille tahoille: Itä-Suomen yliopiston<br />
tohtorikoulu, Suomen farmaseuttinen<br />
yhdistys, Sokeain ystävät ry, Emil Aaltosen<br />
säätiö ja Silmä- ja kudospankkisäätiö.<br />
516 Dosis Vol. 38 4/<strong>2022</strong> © Suomen Farmasialiitto ry Suomen Farmasialiitto ry © 4/<strong>2022</strong> Vol. 38 Dosis 517
Kirjallisuus<br />
Araie M: Time change of rabbit<br />
aqueous flow under influence of<br />
adrenergic drugs. Exp Eye Res 41:<br />
391–403, 1985<br />
Caruso A, Füth M, Alvarez-Sánchez<br />
R ym.: Ocular half-life of Intravitreal<br />
biologics in humans and other<br />
species: meta-analysis and modelbased<br />
prediction. Mol Pharm 17:<br />
695–709, 2020<br />
Chuvarayan Y, Finger RP, Köberlein-<br />
Neu J: Economic burden of blindness<br />
and visual impairment in Germany<br />
from a societal perspective: a costof-illness<br />
study. Eur J Health Econ 21:<br />
115–127, 2020<br />
del Amo EM, Urtti A: Rabbit as<br />
an animal model for intravitreal<br />
pharmacokinetics: Clinical<br />
predictability and quality of the<br />
published data. Exp Eye Res 137: 111–<br />
124, 2015<br />
del Amo EM, Rimpelä AK, Heikkinen<br />
E ym.: Pharmacokinetic aspects of<br />
retinal drug delivery. Prog Retin Eye<br />
Res 57: 134–185, 2017<br />
Ehrlich JR, Ramke J, Macleod D<br />
ym.: Association between vision<br />
impairment and mortality: a<br />
systematic review and metaanalysis.<br />
Lancet Glob Health 9(4):<br />
e418–e430, 2021<br />
Flaxman SR, Bourne RRA, Resnikoff<br />
S ym.: Global causes of blindness and<br />
distance vision impairment 1990–<br />
2020: a systematic review and metaanalysis.<br />
Lancet Glob Health 5(12):<br />
e1221–e1234, 2017<br />
Gadkar K, Pastuskovas CV, Le Couter<br />
JE ym.: Design and pharmacokinetic<br />
characterization of novel antibody<br />
formats for ocular therapeutics.<br />
Invest Ophthalmol Vis Sci 56: 5390–<br />
5400, 2015<br />
Gieschke R, Steimer JL:<br />
Pharmacometrics: modelling and<br />
simulation tools to improve decision<br />
making in clinical drug development.<br />
Eur J Drug Metab Pharmacokinet 25:<br />
49–58, 2000<br />
Haghjou N, Abdekhodaie MJ,<br />
Cheng Y: Retina-choroid-sclera<br />
permeability for ophthalmic drugs<br />
in the vitreous to blood direction:<br />
quantitative assessment. Pharm Res<br />
30: 41–59, 2013<br />
Hutmacher F: Why is there so much<br />
more research on vision than on<br />
any other sensory modality? Front<br />
Psychol 10: 2246, 2019<br />
Hutton-Smith LA, Gaffney EA,<br />
Byrne HM, Maini PK, Gadkar K,<br />
Mazer NA: Ocular pharmacokinetics<br />
of therapeutic antibodies given by<br />
intravitreal injection: estimation<br />
of retinal permeabilities using a<br />
3-compartment semi-mechanistic<br />
model. Mol Pharm 14: 2690–2696,<br />
2017<br />
Johnson F, Maurice D: A simple<br />
method of measuring aqueous humor<br />
flow with intravitreal fluoresceinated<br />
dextrans. Exp Eye Res 39: 791–805,<br />