Tekoäly hoivakotiin
Tekoäly muuttaa hoitotyön tietotyöksi
Ennakoi asiakkaiden terveydentilan ja hyvinvoinnin muutokset
Tekoäly seuraa asukkaiden vointia ja auttaa hoitotyön tekijöitä ennakoimaan siinä tapahtuvia muutoksia.
Tekoäly kykenee löytämään heikkoja signaaleja asiakkaan voinnin muutoksista ja niiden avulla ennustamaan tulevia poikkeamia. Varhainen poikkeamiin puuttuminen lisää asiakkaiden hyvinvointia ja vähentää hoitotyön tarvetta.
Hyödyt
Auttaa tunnistamaan asiakkaat, jotka kulloinkin tarvitsevat tukea.
Auttaa parantamaan asukkaiden elämänlaatua.
Ajantasainen ja objektiivinen tapa vertailla ympärivuorokautisen palveluasumisen yksiköitä toisiinsa.
Lisää asukkaiden ja omaisten tyytyväisyyttä palveluasumiseen.
Analysoi tekoälyn avulla asiakkaan hyvinvointia ajantasaisesti käyttäen asiakkaasta tehtyjä vapaamuotoisia hoitokirjauksia, mittaustuloksia ja potilastietoja.
Hälyttää poikkemista asiakkaan hyvinvoinnissa.
Oppii 2-3 viikossa, mikä on normaalia kullekin asiakkaalle. Ei hälytä turhaan poikkeamista, jotka ovat tyypillisiä jollekin asiakkaalle.
Järjestää asiakkaat poikkeamien vakavuuden mukaiseen järjestykseen. Voit tarkastella asiakkaita esim. masennus- tai kipuasteen mukaisessa järjestyksessä.
Arvioi asiakkaiden elämänlaatua ja arvio, voisiko sitä parantaa.
Ratkaisu vertailee tiimejä ja ehdottaa toimenpiteitä asiakkaiden hyvinvoinnin ja elämänlaadun parantamiseksi.
Tiiminvetäjät näkevät yhteenvedon tiimin asiakaspoikkeamista ja raportin hoitajien reaktiosta poikkeamiin.
Ratkaisun käyttökohde
hoitokotien asiakkaat.
Noin 0.5 - 1% väestöstä.
Hoitokotien asiakkailla ei ole edellytyksiä asua enää omassa kodissaan. Ratkaisulla ennakoidaan asiakkaiden fyysisen toimintakyvyn, kognition ja sosiaalinen toimintakyvyn muutoksia sekä ikäihmisille tyypillisten sairauksia.
Ratkaisu parantaa asiakkaan elämänlaatua ja nopeuttaa terveyteen ja hyvinvointiin liittyvien poikkeamien havaitsemista.
Hoitokotien dataa on analysoitu tekoälyn avulla muutamissa pilottiprojekteissa, mutta laajassa tuotantokäytössä kilpailevia ratkaisuja ei vielä ole.
Eri maissa asiakkaiden hyvinvoinnin seurantaan käytetään erilaisia menetelmiä ja standardeja. Näitä ovat muun muassa interRAI, RAVA, Omaha Systems ja IFSIII. Standardit ovat kuitenkin hyvin lähellä toisiaan ja erot liittyvät lähinnä arviointtiprosessiin ja -frekvenssiin. Ratkaisu soveltuu käytettäväksi kaikkien näiden standardien kanssa.
Ratkaisun käyttöönotosta päättää hoitoyksikkö, joka voi olla esim. hyvinvointialue tai hoitopalveluita tarjoava yritys.
Ratkaisulla CE-merkintä (2017/745/EU) tiettyihin lääkinnällisistä laitteista kerättyjen tietojen visualisointiin ja analysointiin.
Kyse on pilvipalveluna toimivasta terveydenhuollon tekoälyalusta, joka integroituu olemassa oleviin terveydenhuollon ja hoidon tietojärjestelmiin. Ratkaisu kerää asiakkaasta tehdyt vapaamuotoiset tekstikirjaukset, mittaustiedot, lääkityksen sekä diagnoosit ja analysoi tiedot itseoppivaa tekoälyä käyttäen. Ratkaisu kykenee löytämään heikkoja signaaleja asiakkaan voinnin muutoksista ja niiden avulla ennustamaan tulevia poikkeamia. Varhainen poikkeamiin puuttuminen lisää asiakkaiden hyvinvointia ja vähentää hoitotyön tarvetta.
Ratkaisun kuvaus
Ratkaisu
- lisää senioreiden ja omaisten tyytyväisyyttä kotihoidon palveluketjuun
- lisää ennaltaehkäisevää terveydenhuoltoa
- helpottaa pitkän aikavälin voinnin ja terveyden muutosten seuraamista
- mahdollistaa suuntaa antava diagnostiikka (esimerkiksi rytmihäiriöiden ja merkittävien infektioiden varhainen tunnistaminen)
Päätöksen ratkaisun käyttöönotosta tekee yleensä hoitoyksikön johto.
Ratkaisua käyttävät hoitotyön tekijät, hoitotyön esimiehet, sairaanhoitajat, lääkärit sekä omaiset. Asiakkaat itse eivät yleensä käytä ratkaisua.
Ratkaisua käytetään hoitoyksikön kaikkien asiakkaiden tietojen analysointiin.
Ratkaisu on pilvipalvelu, johon asiakasorganisaatio tarvitsee käyttöoikeiden. Ratkaisun käyttö ei edellytä muita investointeja. Käyttöönotto toteutetaan projektina, johon asiakasorganisaation tulee resursoida tarvittavat henkilöt.
Asiakkaista kerätään seuraavat tiedot:
- hoitotyön kirjaukset
- diagnoosit
- lääkitys
- laboratoriotulokset
- mitta- ja turvalaitteiden keräämät tiedot
Tiedot kerätään potilaistietojärjestelmästä, toiminnanohjausjärjestelmästä ja laitteista.
Toimittaja kouluttaa pääkäyttäjät ja pääkäyttäjät kouluttavat hoitohenkilökunnan. Pääkäyttäjäkoulutus kestää 4-8 tuntia ja ryhmissä järjestettävä käyttäjäkoulutus 1-2 tuntia per ryhmä.
Asiakkaat eivät itse käytä ratkaisua, mutta omaiset voivat käyttää. Ratkaisun omaisnäkymä on helppokäyttöinen eikä yleensä edellytä erillistä kouluksen järjestämistä. Opastusta haluaville omaisille on tarjolla koulutusvideo.
Turvallisuus
Ratkaisu on turvallinen. Kyse on päätöksenteon tukijärjestelmästä, joka etsii datasta heikkoja signaaleja tuottaa informaatiota terveydenhuollon ammattilaisille.
FP ei yleensä johda ammattilaisen toimenpiteisiin ja siten ei näy asiakkaalle. FN johtaa siihen, että asiakkaan hyvinvoinnin tai terveyden poikkeamaa ei havaita ennakolta vaan vasta oireiden voimistuttua.
Kaikki data on kryptattu sekä tietokannassa että tiedonsiirron aikana.
Tietokanta ja palvelimet ovat Amazonin konesaleissa EU-alueella.
Kliininen vaikuttavuus
Ratkaisulla ei ole suoraa vaikutusta kuolleisuuteen. Ennakoiva analytiikka ja sen mahdollistama nopea reagointi terveyden ja hyvinvoinnin poikkeamiin auttaa terveydenhuollon ammattilaisia tunnistamaan tilanteet, joissa asiakas tarvitsee apua. Tietyissä kroonisissa sairauksissa hyvä hoitotasapaino pidentää asiakkaan elinikää ja heikkoja signaaleja hyödyntävä analytiikka puolestaan auttaa hoitotasapainon säilyttämisessä.
Tekoälyn pyrkii löytämään varhaisessa vaiheessa sellaisia poikkeamia, joita ammattilaiset eivät ole vielä havainneet. Tämä mahdollistaa aikaisen intervention, mikä yleensä vaikuttaa paremmin kuin myöhemmin tehty.
Asiakaskohderyhmänä on asiakkaat, jotka eivät kykene suoriutumaan itsenäisesti päivittäisistä askareista ja joilla usein on kroonisia sairauksia. Tällaisten asiakkaiden kyky huomata ja ymmärtää oman terveytensä ja hyvinvointinsa muutoksia on usein rajoittunut. Tekoäly adaptoituu ja oppii kunkin asiakkaan normaalin tason ja havaitsee poikkeamat siinä. Aikainen interventio terveyden ja hyvinvoinnin poikkeamiin parantaa merkittävästi elämän laatuun.
Ratkaisu seuraa hoitotasapainon toteutumista ja huomaa siihen liittyvät poikkeamat. Useissa kroonisissa sairauksissa kliinisen seurannan lisäksi potilaan vointi ja kokemukset vaikuttavat hoitotoimenpiteisiin. Esim. kipupotilaan kohdalla tekoäly seuraa kipukokemuksia, päivärytmiä sekä unta ja hälyttää poikkeamista niissä.
Tekoäly seuraa mm. asiakkaan kognitiota, kipukokemuksia, puheen tuottamista, puheen ymmärtämistä, hengitystä, pulssia, ruokailua, liikkumista ja hälyttää asiakkaalle epätyypillisistä havainnoista.
Tekoäly auttaa ammattilaisia huomaamaan muutokset asiakkaan voinnissa ja sopeuttamaan hoidon kulloiseenkin tarpeeseen. Tavoitteena on tukea hoitokodissa asuvia säilyttämään kyky itsenäiseen toimintaan ja elämään.
Tekoäly arvio ajantasaisesti asiakkaan toimintakyvyn (Activities of Daily Living, ADL) ja hälyttää siinä tapahtuvista muutoksista.
Tekoäly arvio ajantasaisesti asiakkaan elämänlaatua.
Kohteena ovat asiakkaat, jotka tarvitsevat apua päivittäisessä elämisessä. Tästä syystä asiakkaat eivät itse saa tekoälyn löydöksiä vaan ne ovat vain ammattilaisten käytettävissä. Osa asiakkaista kokee tekoälyn lisäävän turvallisuuden tunnetta.
Eräässä 2000 asiakkaan kotihoitoyksikössä osalta asiakkaista kysyttiin, olisivatko he valmiita antamaan tietonsa tekoälyn analysoitavaksi. N. 90% asiakkaista antoi luvan tietojensa analysointiin. Eräässä toisessa 400 asiakkaan kotihoitoyksikössä asiakkaiden omaisilta kysyttiin sama. Omaisista 100% suhtautui asiaan myönteisesti.
Tekoäly etsii poikkeamia, joihin lähtökohtaisesti on mahdollisuus puuttua. Ammattilainen voi kuitenkin deaktivoida asiakaskohtaisesti poikkeamat, joihin ei ole tarve puuttua. Esim. asiakkaiden ravitsemuksesta huolehtiminen ja poikkeamiin reagointi ovat yleensä tärkeitä, mutta palliatiivisessa hoidossa olevan asiakkaan kohdalla kyseinen seuranta ei välttämättä ole tarpeellista.
Ratkaisussa on satoja tekoälymalleja. Niiden tarkkuus vaihtelee jonkin verran, mutta tyypillisesti niiden ennustusvirhe on 2-3%. Täällä on lisää koneoppisen laadun arvioinnista https://en.wikipedia.org/wiki/Confusion_matrix. Tällä hetkellä AI-mallien keskimääräinen DOR on noin 8000. Se vaihteleen 400:sta äärettömään. AI-malli, jolla on alhaisin DOR-arvo, arvioi asiakkaan syömistä. Kotihoidon ja hoitokotiten asiakkaat eivät ole parhaita syöjiä ja vaikea arvioida, koska syöminen on hyväksyttävällä tasolla ja milloin ei. Kuitenkin pitkäaikaiset poikkeamat jopa syömisessä ovat luotettavaksi, vaikka yhden ruokailutapahtuman DOR on lähellä 400:aa.
Käytämme julkisesti saatavilla olevia, kaupallisia sekä omia tekoälyalgoritmeja. Kilpailutamme kaikki ennustettavat ilmiöt aina eri algoritmeilla ja käytämme kussakin analyysissa sitä, joka toimii parhaiten.
Olemme antaneet terveydenhuollon ammattilaisille arvioitavaksi ja luokiteltavaksi aineistoja ja verranneet tuloksia tekoälyn tuloksiin. Ero ammattilaisen ja tekoälyn tekemän luokittelun välillä on yleensä samaa luokkaa kuin kahden ammattilaisen tekemän luokitteluiden välillä. Syy tähän on analysoitavassa datassa, joka kuvaa yleensä asiakkaan terveyttä, hyvinvointia ja erilaisia arjen askareita. Poikkeamien havaitseminen tällaisesta datasta on aina jossain määrin subjektiivista.
Tavoitteenamme on, että vähintään joka toinen tekoälyn havaitsema poikkeama johtaisi ammattilaisten toimenpiteisiin. Sinällään tekoälyn FP/TP ja FN/FT ovat molemmat AI-mallista riippuen luokkaa 2-5% eli tekoälyn tekemät havainnot ovat usein oikeita. Siitä huolimatta ammattilaisen tehtävä on arvioida asiakkaan kokonaistilanne ja päättää johtaako yksittäinen tekoälyn havainto toimenpiteisiinvai ainoastaan tehostettuun seurantaan.
Ratkaisu ei käytä varsinaista kynnysarvoja vaan poikkeamissa seurataan niiden toistuvuutta. Esim. yksittäinen havainto asiakkaan päänsärystä ei ole merkittävä muutos asiakkaan terveydessä, mutta toistuvat kipukokemukset ovat. Toistuvuutta arvioitaessa tarkastellaan asiakkaan tilannetta yleensä edellisen viikon ja edellisen kuukauden aikana ja näistä muodostetaan kokonaiskuva. Mikäli asiakkaan tilanne on heikentynyt aiemmasta, tekoäly hälyttää poikkeamasta.
FP:t voivat johtaa tilanteeseen, jossa ammattilaiset kuittaavat hälytyksiä perehtymättä riittävästi asiakkaan kokonaistilanteeseen. Vastaavasti FN:t saattavat johtaa siihen, asiakas jää vaille tarvitsemaansa hoitoa, koska ammattilaiset tottuvat odottamaan tekoälyn hälytystä.
Tekoäly ei vähennä merkittävästi hoitokotien asiakkaiden sairaalapäivien määrää.
Hoitokotien ja kotihoidon asiakkaat ovat tyypillisesti samanlaisia hoitoyksiköistä ja kulttuurista riippumatta. Osa hoitokodeista voi olla erikoistunut tietynlaisiin asiakkaisiin, kuten esim. muistisairaisiin, mutta sillä ei ole tekoälyn kannalta suurta merkitystä. Suurimmat tekoälyn toimintaan vaikuttavat tekijät on käytettävissä oleva data ja prosessi, joka datan on tuottanut. Eri maiden ja myös hoitoyksiköiden välillä on eroja toimintatavoissa ja kirjaamiskäytännöissä. Tekoäly toimii parhaiten tilanteissa, joissa ammattilaiset mittaavat ja kirjaavat kaikki huomionsa sähköisesti aivan kuin tekoälyä ei olisi käytössä. Ennen ratkaisun käyttöönottoa tulee hoitoyksikön toimintatavat käydä läpi yhdessä toimittajan kanssa ja varmistaa toimittajalta, että ratkaisu soveltuu hoitoyksikölle.
Hyödyt: Ratkaisu löytää kotihoidon ja hoitokotien asiakkaiden hyvinvoinnin ja terveydenpoikkeamia ja muun muassa sellaisia pitkän aikavälin muutoksia, joita ammattilaisten eivät aina huomaa. Tämä mahdollistaa preventiiviset toimenpiteet, millä on merkittävä vaikutus potilaiden elämänlaatuun.
Haitat: Ratkaisun hyödyntäminen edellyttää muutoksia hoitoyksikön toimintatapoihin ja prosesseihin, jotta se kykenee reagoimaan varhaisiin poikkeamiin. Hoitohenkilöstön puutteellinen koulutus ja ohjeistus estävät tekoälyn tehokkaan hyödyntämisen.
Osa tekoälyn analysoimista ilmiöistä ei ole yksikäsitteisiä. Esimerkiksi ruokailu ja sen poikkeamat perustuvat havainnoijan kokemukseen ja siihen, miten hyvin havainnoija tuntee asiakkaan. Ratkaisu etsii kuitenkin trendeissä tapahtuvia muutoksia ja silloin yksittäiset havainnoijan virheet eivät vaikuta merkittävästi tuloksiin. Systemaattinen havainnointivirhe johtaa kuitenkin siihen, ettei tekoäly havaitse poikkeamia oikein. Esimerkiksi potilaan omainen saattaa kirjoittaa potilaasta havaintoja eri tavalla kuin ammattilainen. Tekoäly ei osaa arvottaa eri lähteistä saatua dataa eri tavoin vaan pitää omaisen huomioita yhtä merkittävinä kuin ammattilaisenkin.
Tekoäly löytää luotettavasti poikkeamia kotihoidon ja hoitokotien asiakkaiden hyvinvoinnissa ja terveydessä. Hoitohenkilöstöllä ei kuitenkaan ole aina riittävää osaamista reagoida havaittuihin poikkeamiin eikä toimintaohjeita. Esimerkiksi päivystyskäyntien ennakoinnista ei ole hyötyä, jollei hoitotyön tekijällä on ohjetta, miten toimia tällaisen poikkeaman kohdalla.
Tekoäly muodostaa luotettavan kokonaiskuvan asiakkaasta. Lisäksi lääkäri pystyy seuraamaan asiakkaan terveyden muutoksia pitkällä aikavälillä.
Kustannukset ja taloudellinen arviointi
Vuonna 2013 Tampereen kaupungin ympärivuorikautisen palveluasumisen keskimääräinen kustannus oli 118€/pv. Se sisältää palveluasumisen suorien kustannusten lisäksi kyseisten asiakkaiden sairaala- ja avohoidon kustannukset.
Kotihoidon asiakkailla odotettu kustannussäästö 1000-2000€/asiakas/vuosi riippuen siitä, miten asiakkaiden hoito on alunperin järjestetty. Erään asiakkaamme ulkopuolisella taholla teetämän selvityksen mukaan yksin vähentyneet päivystyskäynnit tuovat yli 300 euron säästön per asiakas per vuosi. Hoitokotiasiakkaiden osalta kustannussäästöä ei ole arvioitu.
Sovelluksella ei ole aloitusmaksua eikä siihen liity erillistä toimitusprojektia vaan kyse on pilvipalvelusta, joka on heti valmis käytettäväksi. Suosittelemme kuitenkin, että käyttöönotto organisaatiossa projektoidaan, erilliseksi 4-8 viikon käyttöönottoprojektiksi, minkä aikana sovellus konfiguroidaan ja integroidaan organisaation tietojärjestelmiin. Samalla muutokset hoitoprosesseihin suunnitellaan ja otetaan käyttöön sekä käyttäjät koulutetaan. Käyttöönottoprojektin kustannukset koostuvat yleensä organisaation työntekijöiden omasta työstä. Tarvittava työmäärä riippuu mm. organisaation koosta, mutta on tyypillisesti 3 henkilötyöpäivää - 2 henkilötyökuukautta.
Kustannusvaikutuksen arviointi osalle ratkaisun hyödyistä on vaikeaa. Esim. kotona asumisen pitkittyminen 1-3 kuukaudella tuo säästöjä, jos se vastavuoroisesti vähentäisi keskimääräistä ympärivuorokautinen palveluasuminen aikaa saman verran. Todennäköisesti osa pidemmästä kotona asumisesta näky kuitenkin pidentyneenä elinikänä, jota ei voi arvioida kustannussäästöjen kautta.
1. Toimittaja validoi jokaisen tekoälymallin ennen sen käyttöönottoa. Validointi toteutetaan niin, että tekoälymalli analysoi datan ja ammattilainen etsii aineistosta tekoälyn virheellisesti luokittelemat havainnot. Malli hyväksytään, jos ammattilaisen arvio tekoälymallista vastaa mallille automaattisesti laskettua DOR-lukua.
2. Ratkaisun käyttöönoton yhteydessä asiakasorganisaatio seuraa tekoälyn toimintaa alkuun muutaman viikon ja arvioi vastaako sen havainnot hoitohenkilöiden havaintoja. Usein tällaisen seurannan aikana löytyy asiakkaita, joissa työntekijöiden arvio asiakkaasta poikkeaa tekoälyn arviosta. Nämä asiakkaat käydään läpi ja syyt tekoälyn havainnoille etsitään asiakkaiden datasta.
Organisaatooriset näkökohdat
Perinteisesti hoitoatyö on etukäteen aikataulutettu ja tarvittaessa poikkeamiin reagointia. Tekoälyn myötä työ muuttuu adaptiiviseksi ja proaktiiviseksi. Tekoäly huomaa pieniä muutoksia asiakkaan arjessa ja pystyy ennustamaan niistä hoidon tarpeen. Tämä auttaa mitoittamaan hoitotyön aina asiakkaan todelliseen tarpeeseen ja kohdentamaan resurssit niille, jotka tukea tarvitsevat.
Tietojen kerääminen ei yleensä näy asiakkaille, koska näistä kerätään samat tiedot kuin aikaisemminkin. Joillekin asiakkaille saattaa tulla käyttöön digitaalisia turva- tai mittalaitteita, jos ammattilaiset haluavat kerätä aiempaa ajantasaisempaa tietoa asiakkaista. Tekoälyn havaitsemat poikkeamat näkyvät asiakkaille ennakoivina hoitotyön toimenpiteinä.
Hoito-organisaation tulee muuttaa prosessejaan niin, että se kykenee reagoimaan ennakoivan tekoälyn havaintoihin. Prosessit suunnitellaan ja käyttäjät koulutetaan ratkaisun käyttöönoton aikana. Ammattilaiset eivät yleensä kirjaudu ratkaisuun vaan se integroidaan osaksi nykyisiä tietojärjestelmiä.
Tekoälyn havaitsemiin terveyden ja hyvinvoinnin poikkeamiin tulisi reagoida 1-3 vuorokauden kuluessa havainnosta. Osa asiakasorganisaatioistamme on keksittänyt poikkeamien seurannan erilliseen koordinaatiokeskukseen ja osa hajauttanut sen hoitotyön tekijöille. Molemmat lähestymistavat ovat toimivia edellyttäen, että poikkeamia seuraavat työntekijät ovat saaneet asianmukaisen koulutuksen.
Tekoäly analysoi hoitoyksikön kaikkien asiakkaiden tiedot. Mahdollisten digitaalisten turva- ja mittalaitteiden käyttöönotosta päättävät hoitoyksikön työntekijät.
Tyypillisesti, suurin osa hoitajista suhtautuu tekoälyn hyödyntämiseen myönteisesti. Parhaiten tekoälyn käyttöönotto onnistuu silloin, kun hoitajat osallistetaan käyttöönottoon ja nämä kertovat kokemuksistaan kollegoilleen.
Oikeudelliset näkökohdat
Kyse on tekoälypohjaisesta päätöksenteon tukijärjestelmästä, joka tuottaa informaatio terveydenhuollon ja hoitoalan ammattilaisille. hoitoyksiköllä on lähtökohtaisesti lupa potilaan tietojen keräämiseen sekä käsittelyyn ja silloin tekoälyn käyttö datan analysoinnissa ei edellytä potilaan erillistä hyväksyntää.
Terveydenhuollon organisaatiolla eli rekisterinpitäjällä tulee aina olla peruste ja potilaan lupa tietojen keräämiseen ja tallentamiseen. Rekisterinpitäjän ei tarvitse pyytää potilaalta erikseen lupaa edellä mainittujen tietojen analysointiin tekoälyn avulla. Reskiterinpitäjän tulee kuitenkin huolehtia siitä, että sen rekisteriseloste on ajantasainen. Jos rekisteriselosteessa on kuvattu yksityiskohtaisesti henkilötietojen käsittely ja hyödyntäminen, siinä tulee mahdollisesti kuvata myös tekoälyn käyttö.
Joissain maissa on kansallisia ohjeita ja määräyksiä terveydenhuollon tietojärjestelmien integroitavuudesta toisiinsa. Ratkaisussa on avoin rajapinta, jonka avulla asiakasorganisaatio (rekisteripitäjä) voi liittää 3. osapuolen sovelluksia ratkaisuun.
Joissain maissa hoitoalan regulaatio perusttuu hoitajamitoituksista. Teknologian ja tekoälyn hyödyntäminen hoitoalalla saattaa tällöin johtaa siihen, että kahden eri hoitoyksikön asiakkaat saavat eritasoista hoitoa vaikka hoitajamitoitus yksiköissä olisi sama.
Ratkaisu on rekisteröity:
- Valviran ylläpitämään rekisteriin: (sosiaali- tai terveydenhuollon asiakastietojen sähköistä käsittelyä varten toteutetut ohjelmistot tai järjestelmät)
- MDD I -luokan ratkaisuksi
Toimittaja omistaa ratkaisun IPR:t eikä asiakkaan tarvitse maksaa lisenssi- tai muita maksuja 3. osapuolille.
Kyse on pilvipalvelusta ja toimittaja korjaa kaikki palvelussa havaitut merkittävät virheet ilman erillistä korvausta.
Tyypillisesti asiakkaamme tiedottavat tekoälyn hyödyntämisestä potilailleen, mutta lainsäädäntö ei tällaista yleensä edellytä.
Kyllä. Katso tarkemmin https://www.gillie.ai/fi/privacy/
Ei voi. Gillie ei omista asiakkaiden tietoja eikä voi myydä tai luovuta niitä kenelläkään.