Ihmiskeho tuottaa jatkuvasti valtavan määrän informaatiota. Sydän lyö, hengitys vaihtelee, silmät liikkuvat, ääni muuttuu, iho reagoi ja kehon liikkeissä tapahtuu pieniä muutoksia. Tekoäly (etenkin koneoppiminen ja -näkö, myös GenAI) on tuonut tähän jo tukea, mutta rooli vaikuttaa kasvavan nopeasti.
Terveydenhuollossa tekoälyn näkyvin käyttö on tähän asti liittynyt pitkälti hallinnollisten prosessien automatisointiin, dokumentointiin ja päätöksenteon tukemiseen. Samalla kehittyy toinen, mahdollisesti perustavanlaatuisempi(?) sovellusalue – tekoäly on alkanut tehdä ihmiskehon aiemmin vaikeasti havaittavista signaaleista mitattavia ja kliinisesti hyödynnettäviä.
Kyse ei ole yhdestä teknologiasta vaan useasta eri kehityskulusta. Sensorit muuttuvat halvemmiksi ja tarkemmiksi, mittaaminen siirtyy sairaalasta ihmisen arkeen ja koneoppimismallit pystyvät tunnistamaan datasta rakenteita, jotka eivät välttämättä ole ihmisen havaittavissa.
Tästä kehityksestä voidaan erottaa ainakin kolme erilaista teknologista muutosta.
1. Vanha signaali muuttuu uudeksi mittariksi
Ensimmäisessä muutoksessa jo aiemmin mitattavasta asiasta pystytään päättelemään uusia asioita.
Esimerkiksi verkkokalvokuvasta voidaan arvioida muutakin kuin silmäsairauksia, äänestä voidaan etsiä neurologisiin tai hengityselimistön sairauksiin liittyviä muutoksia, sydänäänistä voidaan koneoppimisen avulla tunnistaa rakenteita, joita ihminen ei kuule, ja EKG:stä tunnistetaan sydänsairauksia joita ihmissilmä ei erota.
2. Aiemmin vaikeasti mitattava signaali tulee näkyväksi
Toinen muutos täysin uusiin mitattaviin asioihin. Keho ”tuottaa” valtavasti informaatiota, jota tavalliset mittausmenetelmät eivät ole pystyneet keräämään jatkuvasti tai helposti.
Hengitysilman haihtuvat orgaaniset yhdisteet voivat muodostaa sairaudelle ominaisen kemiallisen profiilin. Hiki sisältää muun muassa glukoosia, laktaattia, kortisolia ja muita molekyylejä. Kehon tuottamat erittäin matalataajuiset äänet sisältävät informaatiota, jota tavallinen stetoskooppi ei tavoita.
Mittaus voi tapahtua myös ilman kosketusta. Kamerasta voidaan tunnistaa kasvojen ihon hyvin pieniä verenvirtauksen muutoksia. Radioaallot voivat puolestaan paljastaa hengityksen, liikkeen ja jopa kävelyn muutoksia ilman kameraa tai puettavaa laitetta.
3. Useammasta yksittäisestä signaalista luodaan uusi biomarkkeri
Kolmas muutos lienee pitkällä tähtäimellä merkittävin. Ihmisen terveydentilasta voidaan kerätä samanaikaisesti tietoa esimerkiksi sykkeestä, hengityksestä, unesta, puheesta, liikkumisesta ja ihon sähköisestä aktiivisuudesta. Yksittäin näissä signaaleissa tapahtuvat muutokset voivat olla lähes merkityksettömiä, mutta yhdessä ne voivat muodostaa kuvion, joka kertoo terveydentilan muutoksesta.
Tällöin uusi biomarkkeri ei välttämättä ole yksittäinen fysiologinen suure lainkaan. Se voi olla algoritmin muodostama tulkinta useiden jatkuvien datavirtojen suhteesta. Tuoreehko termi tästä puhuttaessa on digitaalinen biomarkkeri (Lieberwirth ym. 2026).
Kymmenen tapaa lukea kehoa uudella tavalla
1. Silmä kertoo muustakin kuin näkökyvystä
Verkkokalvon verisuonet tarjoavat poikkeuksellisen näkymän ihmisen verenkiertojärjestelmään. Tätä niin sanottua oculomics-ajattelua hyödynnetään jo esimerkiksi sydän- ja verisuonitautien, munuaissairauksien ja neurologisten sairauksien riskien arvioinnissa.
Esimerkiksi Mediwhale, Remidio ja Optain kehittävät tekoälypohjaisia ratkaisuja, joissa tavallisesta verkkokalvokuvasta etsitään merkkejä myös silmän ulkopuolisista sairauksista. Myös silmien liike voi olla biomarkkeri. Hyvin pienet muutokset katseessa ja silmänliikkeissä voivat kertoa esimerkiksi neurologisista tai kognitiivisista muutoksista.
2. Äänestä tulee biomarkkeri
Äänen korkeus, rytmi, hengityksen käyttö, tauot ja äänen laadun pienet vaihtelut voivat muuttua ihmisen fysiologisen tai psyykkisen tilan mukana.
Canary Speech, Sonde Health ja thymia ovat esimerkkejä yrityksistä, jotka kehittävät niin sanottuja vocal biomarkereita. Tutkimuksen kohteina ovat olleet esimerkiksi kognitiiviset häiriöt, mielenterveys, hengityssairaudet ja metaboliset sairaudet.
Lyhyt, puhelimeen puhuttu ääninäyte voi olla samalla terveydentilan mittaus.
3. Yskästä voidaan tunnistaa sairaus
Myös yskä on ääni, mutta hyvin erityinen sellainen. Yskän akustinen rakenne riippuu esimerkiksi hengitysteiden tilasta, limasta ja ilmavirtauksesta. Tekoälymalleilla voidaan yrittää erottaa toisistaan erilaisiin hengityselinsairauksiin liittyviä yskäprofiileja.
Resmonics ja Swaasa ovat esimerkkejä ratkaisuista, joissa älypuhelimella tallennettavaa yskää analysoidaan koneoppimisen avulla.
4. Sydänsähkökäyrään piiloutuu enemmän kuin olemme nähneet
AI-malli voi tunnistaa EKG:sta moniulotteisia rakenteita, joita ei ole tarkoituksenmukaista yrittää tulkita paljaalla silmällä.
Anumanan kaltaiset yritykset kehittävät malleja, joissa EKG:tä käytetään sairauksien seulontaan jo ennen niiden tavanomaista diagnoosia. AliveCor puolestaan yhdistää kannettavia EKG-laitteita automaattiseen rytmien ja muiden poikkeavuuksien tulkintaan.
5. Sydämen ja keuhkojen äänet muuttuvat koneellisesti tulkittaviksi
Stetoskooppi teki aikanaan kehon sisäiset äänet lääkärin kuultaviksi. Nyt tekoäly mahdollistaa aivan uusia tulkintoja kehon äänistä.
Eko Health yhdistää digitaalisen stetoskoopin, EKG:n ja AI-analyysin. Sanolla puolestaan mittaa erittäin matalataajuisia infraääniä, joita ihmiskorva ei normaalisti kuule.
6. Tavallinen kamera voi muuttua terveydentilan sensoriksi
Ihmisen kasvojen väri muuttuu hieman jokaisen sydämenlyönnin mukana. Muutos on niin pieni, ettei sitä tavallisesti huomaa, mutta kameran ja signaalinkäsittelyn avulla siitä voidaan muodostaa fotopletysmografinen signaali.
NuraLogix ja Binah.ai kehittävät teknologioita, joissa tavallisella kameralla voidaan arvioida muun muassa sykettä, hengitystä ja muita fysiologisia parametreja.
7. Liikkumisesta tulee neurologinen biomarkkeri
Ihmisen kävely, tasapaino ja liikkeiden rytmi voivat muuttua hyvin varhaisessa vaiheessa esimerkiksi Parkinsonin taudissa ja muissa neurologisissa sairauksissa. Älypuhelimen sensoreista tai tavallisesta videosta voidaan koneoppimisen avulla tunnistaa pieniä muutoksia kävelynopeudessa, askelpituudessa, vapinassa tai liikkeiden symmetriassa.
Celestra Healthin ja Arplon kaltaiset ratkaisut pyrkivät muuttamaan nämä muutokset digitaalisiksi biomarkkereiksi. Tällöin muutaman kerran vuodessa tapahtuvan vastaanottokäynnin sijasta toimintakykyä voidaan periaatteessa seurata jatkuvasti ihmisen normaalissa ympäristössä.
8. Radioaallot voivat seurata kehoa ilman kameraa
Kaikki kehon mittaaminen ei tarvitse edes puettavaa sensoria tai kameraa.
Emerald Innovations käyttää ympäristössä olevia radioaaltoja ja niiden heijastumista ihmiskehosta. Koneoppimisen avulla heijastuksista voidaan päätellä esimerkiksi liikkumista, hengitystä ja unta. Teknologiaa on tutkittu muun muassa Parkinsonin taudin etenemisen seuraamisessa.
9. Hengitys muuttuu kemialliseksi dataksi
Uloshengitys sisältää satoja haihtuvia orgaanisia yhdisteitä. Niiden koostumus muuttuu aineenvaihdunnan ja erilaisten sairauksien mukana.
Breathomix ja Owlstone Medical kehittävät teknologioita, joissa näistä yhdisteistä muodostetaan niin sanottuja hengityksen biomarkkereita.
Tekoäly voi auttaa tunnistamaan erittäin moniulotteisesta kemiallisesta profiilista sairaudelle ominaisia yhdistelmiä ja hengitysilma voisi tällöin toimia eräänlaisena jatkuvasti saatavilla olevana biologisena näytteenä.
10. Hiki kertoo kehon kemiasta reaaliajassa
Verikoe tarjoaa paljon informaatiota, mutta se on vain hetkellinen näyte. Hiki tarjoaa mahdollisuuden jatkuvalle seurannalle, ja ilman neulaa. Sensorit voivat mitata esimerkiksi laktaattia, glukoosia, elektrolyyttejä ja stressiin liittyviä molekyylejä.
EnLiSensen ja Onalabsin kaltaiset yritykset kehittävät puettavia ratkaisuja tällaiseen seurantaan.
No mites sosiaalihuolto?
Onhan tämä kehitys merkittävä myös sosiaalihuollossa, vaikka tavoite on osittain toinen. Kiinnostuksen kohteena ei välttämättä ole sairauden tunnistaminen vaan toimintakyvyn, arjen sujumisen ja tuen tarpeen muutosten havaitseminen. Esimerkiksi kävelyn hidastuminen, unirytmin muuttuminen, vähentynyt liikkuminen kotona tai poikkeamat päivittäisissä rutiineissa voivat yhdessä muodostaa signaalin siitä, että ikääntyneen ihmisen toimintakyky on heikkenemässä.
Puettavat sensorit, kodin ympäristösensorit ja tekoäly voisivat siten auttaa tunnistamaan kasvavan tuen tarpeen ennen kaatumista, sairaalahoitoa tai muuta selvää kriisiä. Tuoreessa katsauksessa tällaisia järjestelmiä kuvataan jo jatkuvan toimintakyvyn seurannan ja varhaisten riskihälytysten välineinä (Luo ym. 2026).
Samalla sosiaalihuollossa korostuvat erityisen voimakkaasti kysymykset yksityisyydestä, itsemääräämisoikeudesta ja siitä, milloin turvallisuutta lisäävä seuranta muuttuu valvonnaksi. Teknologian arvo ei myöskään synny siitä, että järjestelmä havaitsee muutoksen, vaan siitä, pystyykö palvelujärjestelmä reagoimaan siihen tarkoituksenmukaisesti – ja tämä on jo hyvän aikaa ollutkin tilanne, kun teknisesti mittaukset onnistuvat mutta tieto asiakkaan toiminnasta ja sen muutoksista ei välttämättä valu palveluiden järjestäjän toimintaan. Tämä on ehkä sosiaalihuollossa vähän haastavampi rasti kuin terveydenhuollossa. Ja tästä on paljon vähemmän näyttöä kuin teknologian mahdollisuuksia koskevasta keskustelusta.
Kohti ennakoivaa sosiaali- ja terveydenhuoltoa?
Teknologioita yhdistää yksi keskeinen ajatus – diagnoosia ei tarvitse odottaa siihen asti, että sairaus näkyy selvästi. Keho muuttuu jatkuvasti. Jos riittävän herkät sensorit ja algoritmit pystyvät tunnistamaan nämä muutokset aikaisemmin, terveydenhuolto voisi ainakin joidenkin sairauksien kohdalla siirtyä reaktiivisesta toiminnasta kohti aikaisempaa tunnistamista ja ennakointia.
On kuitenkin hyvä erottaa teknologinen mahdollisuus kliinisestä todellisuudesta. Kyky signaalin mittaamiseen ei vielä tarkoita, että siitä olisi hyötyä potilaalle. Todellisen arvon ratkaisevat etenkin mittauksen luotettavuus ja se, pystyykö terveydenhuolto tekemään löydetylle riskille jotakin.
Jatkuva mittaaminen voi myös tuoda haasteen poimiessaan jatkuvasti poikkeamia, joiden merkityksestä ei välttämättä ole tietoa. Joskus joku viisas sanoi, että koko kehon MRI-kuvaus löytäisi suuren määrän poikkeamia jokaiselta ihmiseltä. Tätähän jo nykyiset älysormukset ja -rannekkeetkin tekevät. Eli tärkeää on se, että mitkä näistä uusista signaaleista ovat niin merkityksellisiä, että niiden perusteella kannattaa toimia.
Teknologinen kehitys näyttää joka tapauksessa vievän entistä vahvemmin terveydenhuoltoa kohti tilannetta, jossa ihmiskehoa ei tarkastella enää vain vastaanotolla otettujen yksittäisten mittausten kautta. Sen sijaan katsellaan jatkuvaa datavirtaa.
Mikä on silloin julkisen soten rooli teknologioiden suhteen? Millaisia kyvykkyyksiä ja toimintamalleja tarvitaan, jotta teknologioiden avulla saadaan vaikuttavaa ja oikea-aikaista hoitoa aikaiseksi?
PS. Jo käytössä olevista terveysteknologioiden ratkaisuista löytyy hyvä kotimainen tietokanta, Wenla.
Lähteet ja iltalukemista
Yleislähteet: digitaaliset biomarkkerit ja kehon signaalit
Sameh, A., Rostami, M., Oussalah, M., Korpelainen, R. & Farrahi, V. (2025). Digital phenotypes and digital biomarkers for health and diseases: a systematic review of machine learning approaches utilizing passive non-invasive signals collected via wearable devices and smartphones. Artificial Intelligence Review, 58, 66. doi:10.1007/s10462-024-11009-5.
Lieberwirth, J. K., Mittermaier, M. & Stern, A. D. (2026). Challenges and potential of using digital biomarkers in healthcare and clinical trials. Communications Medicine, 6, 151. doi:10.1038/s43856-026-01450-8.
Evangelista, E. G., Bélisle-Pipon, J.-C., Naunheim, M. R., Powell, M., Gallois, H., Bridge2AI-Voice Consortium & Bensoussan, Y. (2024). Voice as a Biomarker in Health-Tech: Mapping the Evolving Landscape of Voice Biomarkers in the Start-Up World. Otolaryngology–Head and Neck Surgery, 171(2), 340–352. doi:10.1002/ohn.830.
Digital Medicine Society (DiMe). Library of Digital Measurement Products. Tietokanta validoiduista sensoripohjaisista mittausteknologioista ja digitaalisista kliinisistä mittareista.
Brozinsky, M. (2026). Reading the Body’s Signals: AI’s Ultimate Healthcare Opportunity. MedCity News, 28 August 2026.
Luo, J., Bai, K., Sun, J., Deng, Z., Guo, C. & Huang, W. (2026). Digital health platforms for intrinsic capacity monitoring in community-based integrated care for older adults: a scoping review. Frontiers in Public Health, 14, 1847814. doi:10.3389/fpubh.2026.1847814.
Teknologia- ja yritysesimerkit
Silmä ja verkkokalvo: Mediwhale, Remidio ja Optain. Remidio käyttää termiä oculomics kuvaamaan verkkokalvokuvista tehtävää muun muassa sydän-, munuais- ja neurologisten riskien arviointia.
Ääni: Canary Speech, Sonde Health ja thymia. Lisäksi Evangelista ym. (2024) kartoittavat 27 ääntä terveydellisenä biomarkkerina hyödyntävää startup-yritystä.
Yskä ja hengitysäänet: Resmonics ja Swaasa.
EKG: Anumana ja AliveCor. Anumanan FDA-cleared ECG-AI-sovelluksia ovat muun muassa matalan ejektiofraktion, keuhkoverenpainetaudin ja sydänamyloidoosin tunnistamista tukevat algoritmit.
Sydämen ja keuhkojen äänet: Eko Health ja Sanolla. Sanollan VoqX-järjestelmä mittaa myös alle ihmisen normaalin kuuloalueen jääviä matalataajuisia kehon ääniä.
Kamerapohjainen mittaaminen: NuraLogix ja Binah.ai.
Liike ja kävely: Celestra Health ja Arplo Health. Arplo muodostaa tavallisella älypuhelimen tai tabletin kameralla kuvatusta liikkeestä esimerkiksi kävelyä, tasapainoa ja liikkeiden symmetriaa kuvaavia digitaalisia mittareita.
Radioaalloilla tapahtuva passiivinen seuranta: Emerald Innovations.
Hengitysilman molekyylit: Breathomix ja Owlstone Medical.
Hiki ja biokemialliset sensorit: EnLiSense ja Onalabs.
EEG: Ceribell sekä sikiön EEG:n osalta Wavelet Medical.
Vastaa