Guidelines International Networkin (GIN) kongressi järjestettiin Malesiassa 15.–18.9.2026. Tämänvuotinen teema oli vapaasti suomennettuna Hoitosuositukset kaikille: perinteet, teknologia ja vaikuttava hoito yhdessä. Käyvästä hoidosta kongressiin osallistuivat Raija Sipilä ja Ilona Mikkola. Mukana oli yli 350 hoitosuosituksista kiinnostunutta osallistujaa kymmenistä eri maista. Sijainnin vuoksi osallistujia oli erityisen paljon Aasiasta ja Australiasta. Yksittäisistä maista runsaimmin edustettuna oli Kiina. Tieteellinen ohjelma oli laaja: 248 suullista esitystä, 48 posteria, 11 työpajaa ja viisi keynote-luentoa.
Tekoäly oli odotetusti yksi kongressin keskeisistä teemoista. Hoitosuositusten laatijan näkökulmasta tekoäly on jo muuttanut työtapoja ja muuttaa niitä edelleen kiihtyvällä vauhdilla. Työtapoja kehitettäessä hoitosuositusorganisaatioiden kannattaa huomioida GIN:n kahdeksan periaatetta tekoälyn käytölle hoitosuositustyössä: avoimuus, suunnitelmallisuus, lisäarvo, uskottavuus, eettisyys, vastuullisuus, sääntelyn noudattaminen ja turvallisuus (Sousa-Pinto ym 2025). Tekoäly vaikuttaa tällä hetkellä hyödylliseltä erityisesti PICO-kysymysten muotoilussa sekä päätemuuttujien luonnostelussa.
Torstain keynote-luennossa gynekologian professori Ben Mol nosti esiin huolestuttavan ilmiön: merkittävä osa nykyisin julkaistavista satunnaistetuista kontrolloiduista tutkimuksista voi perustua tekaistuihin aineistoihin. Lukijan epäilyn tulee herätä esimerkiksi silloin, jos interventio- ja vertailuryhmät ovat ominaisuuksiltaan poikkeuksellisen samanlaisia tai erilaisia, tai jos sama tutkija julkaisee toistuvasti hyvin samankaltaisia tutkimuksia. Tiedeyhteisölle hyödyllinen työkalu on PubPeer-sivusto , jossa voi esittää huomioita artikkeleihin liittyvistä havainnoista ja tarkistaa, ovatko muut tutkijat jo kommentoineet samoja julkaisuja.
GRADE-menetelmistä huomionarvoinen nosto liittyi tulosten epätarkkuuden arviointiin. Perinteisesti 95 %:n luottamusvälin sisältäessä nollavaikutuksen on tilastotieteen näkökulmasta ajateltu, ettei vaikutusta ole. GRADE-ajattelussa tämä tulkitaan kuitenkin ensisijaisesti näytön epätarkkuudeksi: kyse voi olla enemmän näytön kuin vaikutuksen puutteesta. Epätarkkuuden vuoksi luottamusta näyttöön tulee yleensä laskea yhdellä tai kahdella tasolla. Lisää aiheesta löytyy Hoitosuositustyöryhmien käsikirjasta.
Kirjallisuutta:
Sousa-Pinto B, Marques-Cruz M, Neumann I ym. Guidelines International Network: Principles for Use of Artificial Intelligence in the Health Guideline Enterprise. Ann Intern Med 2025;178:408-15 PMID: 39869912