Onnistunut asiakasvalinta lääkeannostelurobottien käytön kulmakivenä

Kirjoittajat: Iina Janhunen, Hanna Metsä-Mattila & Tuija Rinkinen

Robotiikka osana lääkehoitoa

Väestön ikääntymisen myötä iäkkäiden palvelujen vahvistaminen ja kotiin vietävien palveluiden kehittäminen ovat keskeisiä tavoitteita nykyisessä sosiaali- ja terveydenhuollossa (Sosiaali- ja terveysministeriö 2020). Kehittyvä teknologia tarjoaa erilaisia mahdollisuuksia tukea kotona asumista turvallisesti (Lähteenmäki ym. 2020, 20–23). Yksi keskeisimmistä teknologisista suuntauksista on robotiikan hyödyntäminen terveydenhuollossa (VTT 2024, 26). Erityisesti lääkehoidon tukemiseen kehitetyt automaatit ja robotit ovat nopeasti yleistyvä teknologinen ratkaisu terveydenhuollossa (Lähteenmäki ym. 2020, 23; Niemelä ym. 2023, 22). Lääkeannostelurobottien käyttö on lisääntynyt monilla hyvinvointialueilla. Niiden on osoitettu edistävän itsenäistä kotona asumista, lisäävän lääkehoidon turvallisuutta ja vähentävän hoidon kokonaiskustannuksia. (Niemelä ym. 2023; Sillanpää 2023, 8.)

Asiakasvalinnan haasteet onnistuneessa teknologian hyödyntämisessä

Vaikka lääkeannostelurobotin käyttö tarjoaa ratkaisuja terveydenhuollon haasteisiin, edellyttää sen käyttöönotto oikeiden asiakkaiden tunnistamista eli tarkkaa ja systemaattista asiakasvalintaa (Iqbal ym. 2021; Turjamaa ym. 2022). Harkitusti toteutetut asiakasvalinnat varmistavat, että asiakkaan tarpeisiin perustuvat tavoitteet ja odotetut hyödyt voidaan saavuttaa (Tiitola 2021, 2).

Teknologiasta hyötyvien asiakkaiden tunnistaminen on haastavaa (Anttila ym. 2023, 12, 44). Asiakasvalinta on monimutkainen prosessi, jossa yhdistyvät taustalla vaikuttavat tekijät, kuten suhtautuminen teknologiaan sekä asiakkaiden moninaisuus ja kriteerien vaihtelevuus (Janhunen & Metsä-Mattila 2025). Teknologian käyttöönottoon vaikuttavat sekä ammattilaisten että asiakkaiden ennakkoluulot ja asenteet (Pekkarinen ym. 2020). Hoitohenkilökunta voi epäillä teknologian hyödyllisyyttä (Vichitkraivin & Naenna 2019) tai kokea eettisesti ristiriitaisia tunteita teknologian käytöstä (Lampi & Sihto 2022). Negatiivinen asenne voi johtua esimerkiksi pelosta teknologiaa kohtaan tai perehdytyksen puutteesta. Asiakasvalinnan onnistumista varjostavat myös kiireinen työympäristö ja ajanpuute, jolloin ei aina ole aikaa tai motivaatiota miettiä potentiaalisia robotin käyttäjiä. (Janhunen & Metsä-Mattila 2025.)

Asiakkaiden, läheisten ja hoitajien suhtautumisella lääkeannostelurobotteja kohtaan on merkittävä vaikutus siihen, otetaanko annostelija käyttöön (Janhunen & Metsä-Mattila 2025, 59). Myös ikääntyneiden asenteet ja arvot sekä teknologiaan liittyvät luottamuksen ja yksityisyyden kysymykset ovat ratkaisevia tekijöitä. Lisäksi sosiaaliset verkostot, perheenjäsenten mielipiteet ja hoitohenkilöstön asenteet muokkaavat suhtautumista teknologian käyttöön ja sen hyväksymiseen. (Zander ym. 2021.) Positiiviset puheet lääkeannostelurobotista lisäävät asiakkaiden halukkuutta kokeilla laitetta, kun taas negatiivinen sävy voi vähentää asiakkaan kiinnostusta (Janhunen & Metsä-Mattila 2025, 60).

Lääkeannostelurobotin käyttäjät ovat hyvin heterogeeninen asiakasryhmä, ja jokaisella asiakkaalla on yksilölliset tarpeet, rajoitteet sekä valmiudet käyttää teknologiaa (Glomsås ym. 2021). Tämä tekee asiakasvalinnasta haastavaa, sillä kaikki asiakkaat eivät hyödy lääkeannostelurobotista samalla tavalla. Osa potentiaalisista lääkeannostelurobotin käyttäjistä jää tunnistamatta. (Mertens ym. 2018.) Monissa tapauksissa päätökset lääkeannostelurobotin käytöstä perustuvat ammattilaisten subjektiivisiin arvioihin, jotka voivat vaihdella suuresti (Janhunen & Metsä-Mattila 2025, 58).

Asiakasvalintamalli tukena lääkeannostelurobotin käyttäjän soveltuvuuden arvioinnissa

Janhunen ja Metsä-Mattila (2025) kehittivät asiakasvalintamallin sujuvoittamaan Evondos -lääkeannostelurobotin asiakasvalintaprosessia (kuva 1). Tavoitteena oli tehostaa sopivien lääkeannostelurobotin käyttäjien tunnistamista.

Kuva 1. Asiakasvalintamalli (Janhunen & Metsä-Mattila 2025)

Asiakasvalintamalli ohjaa ammattilaista niihin seikkoihin, jotka vaikuttavat asiakasvalinnan taustalla ja joihin on hyvä kiinnittää huomiota. Mallin avulla ammattilaiset voivat tehdä perusteltuja ja yhtenäisempiä päätöksiä sopivista lääkeannostelurobotin käyttäjistä, mikä voi parantaa asiakkaiden lääkehoidon turvallisuutta ja lisätä robottien hyödyntämistä terveydenhuollossa. Mallin avulla voidaan myös tunnistaa ne asiakkaat, jotka eivät hyödy lääkeannostelurobotista ja joiden lääkehoito voidaan hoitaa tehokkaammin muilla tavoin. Asiakasvalintamallin tarkoitus on toimia viitteellisenä tukena asiakasvalinnassa. (Janhunen & Metsä-Mattila 56–57.) Yhtenäisiä ja standardoituja kriteerejä, jotka sopisivat kaikille ja joka tilanteeseen, on mahdotonta kehittää (Mertens ym. 2018). Tämän vuoksi terveydenhuollon ammattilaisten asiakastuntemuksella ja taidolla arvioida asiakkaiden soveltuvuutta yksilöllisesti on myös suuri merkitys sopivien lääkeannostelurobotin käyttäjien valinnassa (Glomsås ym. 2020).

Lääkeannostelurobotin käyttäjäkriteerit ovat moninaiset. Laitteen soveltuvuuden arvioinnissa korostuu asiakkaan yksilöllinen tilanne, ja keskeisinä kriteereinä ovat asiakkaan psyykkinen hyvinvointi, fyysiset ominaisuudet sekä toimintakyky arjessa. Asiakkaan pelko laitetta kohtaan tai sen käytön aiheuttama ahdistus ja stressi voivat olla yksi käyttöä rajoittava tekijä. Myös mielenterveyden häiriöt ja erityisesti itsetuhoisuus voivat olla este laitteen käytölle. Laitteen käyttö edellyttää riittävää fyysistä ja kognitiivista toimintakykyä eli omatoimisuutta sekä muistitoimintojen tasoa. Lievät fyysiset rajoitteet tai muistisairaus itsessään eivät välttämättä estä laitteen käyttöä. Oleellista on, miten paljon rajoitteet vaikuttavat fyysisiin ja kognitiivisiin toimintoihin arjessa. Merkittävin käyttäjäkriteeri on kuitenkin asiakkaan kyky toimia ja käyttää lääkeannostelurobottia ohjeiden mukaisesti. (Janhunen ja Metsä-Mattila 2025, 61–63.) Myös Iqbalin ym. (2021) mukaan keskeinen tavoite on tunnistaa ne asiakkaat, joiden itsenäisyyttä ja toimintakykyä voidaan tukea laitteen käytöllä.

Lähteet

Anttila, H., Anttila, M., Koivisto, S., Niemelä, M., Kaartinen, J., Forsius, P., Kauppinen, S. & Luoma, M-L. 2023. Kotihoidon uudet ratkaisut. Kotona asumisen teknologiat ikäihmisille – KATI-ohjelman 2020–2023 loppuraportti. Helsinki: Terveyden ja hyvinvoinnin laitos. Raportti 9/2023. Helsinki. Viitattu 30.1.2025. Saatavissa https://urn.fi/URN:ISBN:978-952-408-202-0

Glomsås, HS., Knutsen, IR., Fossum, M. & Halvorsen, K. 2021. ’They just came with the medication dispenser’­ – a qualitative study of elderly service users’ involvement and welfare technology in public home care services. BMC Health Service Research. Vol. 21, 245. Viitattu 31.1.2025. Saatavissa https://doi.org/10.1186%2Fs12913-021-06243-4

Glomsås, HS., Knutsen, IR., Fossum M. & Halvorsen K. 2020. User involvement in the implementation of welfare technology in home care services: The experience of health professionals – A qualitative study. Journal of Clinical Nursing. Vol. 29, 4007–4019. Viitattu 1.2.2025. Saatavissa https://doi.org/10.1111/jocn.15424

Iqbal, S., Jokela, P., Hammar, T. & Nilsson, A.-L. 2021. Sustainable Healthcare Systems. A holistic perspective on the use and impact of medication management robots in home healthcare. Scandinavian Journal of Information Systems. 33 (2), 6. Viitattu 1.2.2025. Saatavissa https://aisel.aisnet.org/sjis/vol33/iss2/6

Janhunen, I. & Metsä-Mattila, H. 2025. Kohti sujuvaa Evondos lääkeannostelurobotin asiakasvalintaa. Asiakasvalintamalli käytännön työn tueksi. YAMK-opinnäytetyö. LAB-ammattikorkeakoulu. Viitattu 1.3.2025. Saatavissa https://urn.fi/URN:NBN:fi:amk-202502092557

Lampi, A. & Sihto, T. 2022. Kotihoidon työntekijöiden teknologiaan liittyvät tunteet. Työelämän tutkimus. 20 (3). Viitattu 31.1.2025. Saatavissa https://doi.org/10.37455/tt.114442

Lähteenmäki, J., Niemelä, M., Hammar, T., Alastalo, H., Noro, A., Pylsy, A., Arajärvi, M., Forsius, P., Pulli, K. & Anttila, H. 2020. Kotona asumista tukeva teknologia – kansallinen toimintamalli ja tietojärjestelmät (KATI-malli). VTT Technology. Nro. 373. Espoo: VTT Technical Research Centre of Finland. Viitattu 31.1.2025. Saatavissa https://doi.org/10.32040/2242-122X.2020.T373

Mertens, B. J., Kwint, H. F., van Marum, R. J. & Bouvy, M. L. 2018. Are multidose drug dispensing systems initiated for the appropriate patients? European journal of clinical pharmacology. 74 (9), 1159–1164. Viitattu 2.2.2025. Saatavissa https://doi.org/10.1007/s00228-018-2478-5

Niemelä, M., Kaartinen, J., Siira, T., Niskasaari, E., Anttila, H. & Vuokko, R. 2023. Kotona asumista tukevat teknologiat ikäihmisille: KATI-viitearkkitehtuuri. Helsinki: Sosiaali- ja terveysministeriö. Sosiaali- ja terveysministeriön raportteja ja muistioita 2023:32. Viitattu 31.1.2025. Saatavissa https://urn.fi/URN:ISBN:978-952-00-8664-0

Pekkarinen, S., Hennala, L., Tuisku, O., Gustafsson, C., Johansson-Pajala, R-M., Thommes, K., Hoppe, J.A. & Melkas, H. 2020. Embedding care robots into society and practice: Socio-technical considerations. Futures. Vol. 122, 102593. Viitattu 1.2.2025. Saatavissa https://doi.org/10.1016/j.futures.2020.102593

Sillanpää, V., Väyrynen, H., Paunu, A. & Korhonen, T. 2023. Kustannyshyötyanalyysimallin pilottitutkimus – Lääkeautomaattipalvelun vaikuttavuus kotihoidossa. Tampere: Tampereen yliopisto. Viitattu 31.1.2025. Saatavissa https://urn.fi/URN:ISBN:978-952-03-2893-1

Sosiaali- ja terveysministeriö. 2020. Kansallinen ikäohjelma vuoteen 2030. Tavoitteena ikäkyvykäs Suomi. Helsinki: Sosiaali- ja terveysminiteriö. Sosiaali- ja terveysministeriön julkaisuja 2020:31. Viitattu 31.1.2025. Saatavissa http://urn.fi/URN:ISBN:978-952-00-6865-3

Tiitola, V. 2021. Evondos vaikuttavuusanalyysi – SiunSote 01/2018–03/2020. Viitattu 1.2.2025. Saatavissa https://25504804.fs1.hubspotusercontent-eu1.net/hubfs/25504804/_FI%20Documents/FI%20Siun%20Soten%20Vaikuttavuustutkimus%20Vesa%20Tiitola.pdf?hsCtaTracking=7ff097bb-3656-401b-be79-6e278fbb3074%7C4cf79aca-f60c-41cf-9f27-c7e9f154d069

Turjamaa, R., Vaismoradi, M., Kajander-Unkuri, S. & Kangasniemi, M. 2022. Home care professionals’ experiences of successful implementation, use and competence needs of robot for medication management in Finland. Nursing open. 10 (4), 2088–2097. Viitattu 1.2.2025. Saatavissa https://doi.org/10.1002/nop2.1456

Vichitkraivin, P. & Naenna, T. 2019. The Simulation model of the resistance factors affecting the adoption of healthcare robot technology in Tertiary Care Center of Thailand. 2019 World Symposium on Smart Materials and Applications (WSSMA 2019). IOP Conference Series: Materials Science and Engineering. 649 (1), 012023. Viitattu 31.1.2025. Saatavissa https://iopscience.iop.org/article/10.1088/1757-899X/649/1/012023/pdf

VTT. 2024. Trendiraportti. Resilienssin aika. Viitattu 30.1.2025. Saatavissa https://www.vttresearch.com/sites/default/files/2024-02/FIN_VTT_TrendReport2024_Final%201.pdf

Zander, V., Gustafsson, C., Landerdahl Stridsberg, S. & Borg, J. 2021. Implementation of welfare technology: a systematic review of barriers and facilitators. Disability and Rehabilitation: Assistive Technology. 18 (6), 913–928. Viitattu 31.1.2025. Saatavissa https://doi.org/10.1080/17483107.2021.1938707

Kirjoittajat

Iina Janhunen ja Hanna Metsä-Mattila ovat valmistuneet LAB-ammattikorkeakoulusta Sosiaali- ja terveyspalvelujen digiasiantuntija (YAMK) -koulutuksesta.

Tuija Rinkinen työskentelee lehtorina LAB-ammattikorkeakoulussa hyvinvointiyksikössä.

Artikkelikuva:https://pixabay.com/illustrations/ai-generated-puzzle-pieces-dementia-8734690/ (Pixabay Licence)

Viittausohje

Janhunen, I., Metsä-Mattila, H. & Rinkinen, T. 2025. Onnistunut asiakasvalinta lääkeannostelurobottien käytön kulmakivenä. LAB Pro. Viitattu pvm. Saatavissa https://www.labopen.fi/lab-pro/onnistunut-asiakasvalinta-laakeannostelurobottien-kayton-kulmakivena/