Mitä röntgenhoitajat tietävät tekoälystä – ja mitä he haluaisivat oppia?
Tekoäly muuttaa lääketieteellisen kuvantamisen arkea nopeasti, mutta millaisia valmiuksia röntgenhoitajilla on muutoksen kohtaamiseen? Radiography4Future-hanke etsii tähän kysymykseen vastauksia. Osana hanketta kehitettiin mittari, jonka avulla kartoitetaan eurooppalaisten röntgenhoitajien ja alan opiskelijoiden tekoälyyn liittyviä tietoja, taitoja, asenteita ja osaamistarpeita.
Röntgenhoitajat ovat lääketieteellisen kuvantamisen ja säteilynkäytön asiantuntijoita, jotka työskentelevät potilaiden ja teknologian rajapinnassa (Hardy & Harvey, 2020). Tekoälysovellukset ovat tulossa osaksi työnkulkua potilaan asettelusta aina löydösten tunnistamiseen (Crotty ym., 2024; Loi ym. 2025). Röntgenhoitajan rooli muuttuu merkittävällä tavalla, kun rutiiniomaiset tehtävät automatisoituvat ja työ painottuu yhä vahvemmin mm. laadunvarmistukseen ja teknologian kriittiseen arviointiin (Hardy & Harvey, 2020).
Osaamisen kehittäminen edellyttää lähtötilanteen sekä osaamistarpeiden tunnistamista (Hardy & Harvey 2020). Terveydenhuollon ammattilaisten digitaalisessa ja tekoälyosaamisessa on tutkimuksissa havaittu puutteita ja kirjallisuudesta nouseekin esiin selkeä tarve lisätä koulutusta ja tietoisuutta aiheesta (Coakley ym., 2022, Loi ym., 2025). Radiography4Future on osaltaan tarttunut haasteeseen.
Radiography4Future on EU-rahoitteinen hanke, jonka tavoitteena on tuottaa koulutusmateriaalia röntgenhoitajille tekoälystä. Koulutus toteutetaan pienten osaamiskokonaisuuksien (micro-credentials) muodossa. Hankkeeseen osallistuu viisi yhteistyötahoa eri maista: Suomesta, Norjasta, Tanskasta ja Espanjasta. Suomesta hankkeessa ovat mukana Varsinais-Suomen hyvinvointialue ja Turun ammattikorkeakoulu. (Radiography4Future, 2024, s. 3–5, 28)
Pohjana tekoälykoulutuksen moduulimalli
Turun ammattikorkeakoulun Master School -opinnäytetyössä kehitettiin hankkeen tarpeisiin röntgenhoitajille ja röntgenhoitajaopiskelijoille suunnattu englanninkielinen kysely. Opinnäytetyö kattaa kyselylomakkeen kehittämisen, sen validiteetin ja reliabiliteetin arvioinnin, asiantuntija-arvioinnin, pilotoinnin sekä käyttöönottosuunnitelman.
Kysely pohjautuu tutkimuskirjallisuuteen, ja sen perustana on erityisesti hyödynnetty Crottyn ym. (2024) kehittämää tekoälykoulutuksen moduulimallia. Mallia täydentää Loin ym. (2025) katsaus tekoälykoulutuksesta lääketieteellisen kuvantamisen alalla. Moduulimalli koostuu kuudesta eri tekoälyosaamisen alueesta, jotka voidaan integroida eri maiden olemassa oleviin röntgenhoitajatutkintoihin. Malli etenee progressiivisesti yleisluontoisemmista yksityiskohtaisempiin aiheisiin: tekoälyn peruskäsitteistä etiikan ja lainsäädännön kautta tekoälytyökalujen arviointiin ja niiden käyttöön lääketieteellisessä kuvantamisessa. (Crotty ym., 2024)
Tekoälyvalmiuksien neljä osa-aluetta
Radiography4Future asettaa röntgenhoitajien tekoälyosaamisen kehittämisen keskiöön neljä osa-aluetta:
- Tiedot
- Taidot
- Asenteet
- Osaamistarpeet
Opinnäytetyössä laaditun kyselyn tarkoituksena on selvittää, mitä röntgenhoitajat jo tietävät tekoälystä, millaista osaamista heillä on ja minkälaisia asenteita tekoälyyn liittyy. Kyselyssä kartoitetaan myös, millaista koulutusta röntgenhoitajat ovat aiemmin mahdollisesti saaneet, ja millaista he kokevat jatkossa tarvitsevansa.
Mittari muodostuu 28 kysymyskohdasta, joista osa sisältää useampia erillisiä väittämiä. Kysymykset ovat suurimmaksi osaksi viisiportaisia Likert-asteikollisia kysymyksiä sekä monivalintakysymyksiä. Kysely alkaa taustakysymyksillä, jonka jälkeen siirrytään neljää edellä mainittua osa-aluetta mittaaviin kysymyksiin. Kyselyn lopussa vastaajalla on mahdollisuus antaa vapaamuotoista palautetta kyselystä tai sen aihepiiristä.
Koulutusta muuttuvan työelämän tarpeisiin
Opinnäytetyön keskeisenä tuloksena syntyi uusi mittari Radiography4Future-hankkeeseen tekoälykoulutusmateriaalin suunnittelun tueksi. Mittarin avulla voidaan kartoittaa eurooppalaisten röntgenhoitajien ja alan opiskelijoiden tekoälyvalmiuksia neljän eri osa-alueen kautta. Kun tiedetään, mitä röntgenhoitajat jo osaavat, ja mitä he haluaisivat oppia, voidaan koulutusta kohdentaa tarkoituksenmukaisesti alan tarpeisiin.
Mittarin avulla koulutussisältöjä voidaan rakentaa vaiheittain eri lähtötasot ja kansalliset tarpeet huomioiden. Yhtenäinen mittari tukee myös kansainvälistä vertailua ja yhteisten osaamiskriteerien muodostamista eurooppalaisessa kontekstissa. Tavoitteena on tukea elinikäistä oppimista ja röntgenhoitajien mahdollisuuksia sopeutua digitalisaation ja tekoälyn mukanaan tuomiin työelämän muutoksiin.
Lähteet:
Coakley, S., Young, R., Moore, N., England, A., O’Mahony, A., O’Connor, O. J., Maher, M. & McEntee, M. F. (2022). Radiographers’ knowledge, attitudes and expectations of artificial intelligence in medical imaging. Radiography, 28(4), 943–948. Viitattu 4.5.2026. https://doi.org/10.1016/j.radi.2022.06.020
Crotty, E., Singh, A., Neligan, N., Chamunyonga, C. & Edwards, C. (2024). Artificial intelligence in medical imaging education: Recommendations for undergraduate curriculum development. Radiography, 30(2), 67–73. Viitattu 4.5.2026. https://doi.org/10.1016/j.radi.2024.10.008
Hardy, M. & Harvey, H. (2020). Artificial intelligence in diagnostic imaging: impact on the radiography profession. British Journal of Radiology, 93(1108). Viitattu 4.5.2026. https://doi:10.1259/bjr.20190840
Loi, S. J., Ng, W., Lai, C. & Chua, E. C-P. (2025). Artificial intelligence education in medical imaging: A scoping review. Journal of Medical Imaging and Radiation Sciences, 56(2).
Radiography4Future. (2024). Lifelong learning among radiographers on artificial intelligence (AI) – the development of an AI educational curriculum based on micro-credentials (across the European Union). Erasmus+. [Hankehakemus].
Kuva luotu ChatGPT:llä (OpenAI, GPT – 5.3, 1.5.2026).