Tulevan sote-uudistuksen keskeisiä käsitteitä on kapitaatio. Määritelmän mukaan ”kapitaatiosumma on vakuutettujen pääluvun ja heidän keskimääräisen tai jollakin tavalla painotetun euromääräisen hyvinvointiriskinsä tulo”.
Koska ihmiset sairastavat eri tavalla, heidän hoitonsa hinta vaihtelee. Ilman terveysriskin pisteyttämistä yksikään sote-palvelujen järjestäjä tuskin huolisi potilaaksi vaikkapa minua, 60-vuotiasta aivoverenvuodon saanutta, monesti leikattua eläkeläistä, jonka sairaushistoriasta vielä löytyy vuosikausia kestänyt vakava syömishäiriö.
Kapitaatiossa kuitenkin maksetaan riskin kantamisesta, ei potilaan hoitamisesta. Nykyisen sote-mallin kriitikkona tunnettu emeritusprofessori Martti Kekomäki kirjoitti Duodecim-lehdessä, että kapitaatiota voi verrata entisaikojen huutolaisjärjestelmään: mitä vähemmän huutolaislasta syötti, sitä enemmän isännälle tai emännälle jäi tuloja käteen. Osmo Soininvaara taas arvioi blogissaan, että mallissa kannattaa hoitaa terveitä hyvin ja sairaita huonosti.
Mikä hulluinta, kenellekään ei tässä vaiheessa tunnu olevan selvää, kuinka kapitaatiopisteet lasketaan. Yhtenä mittarina on väläytetty Kelan erikoiskorvattavien lääkkeiden määrää. Se kuitenkin kertoo vain, että henkilöllä on kroonisia sairauksia, joita hoidetaan lääkkeillä. Riskialttiimpaa hoidon järjestäjän kannalta on, jos ihminen ei edes käy lääkärissä saadakseen diagnoosin ja reseptejä.
Sosiaali- ja terveysministeri Annika Saarikko on vakuuttanut, ettei mallissa käytetä yksittäisen kansalaisen terveystietoja tavalla, joka mahdollistaa tunnistamisen eli profiloinnin. Tietosuojavaltuutettu Reijo Aarnio taas katsoo, että kansalaisten sote-pisteytys täyttää yksiselitteisesti profiloinnin tunnusmerkit ja on juridisesti epäilyttävää.
Tosiasiassa profilointia tapahtuu koko ajan. Hiljattain (18.4.) Helsingin Sanomat kertoi, että Eläketurvakeskuksen koekäyttämä tietokone osasi ennustaa 78 prosentin tarkkuudella, joutuuko henkilö työkyvyttömyyseläkkeelle, kun sille syötettiin sopivat taustatiedot.
Kyseessä on kokeilu, jossa varsinaisia terveys- tai sosiaalitietoja ei käytetty. Eläketurvakeskuksen matemaatikko Jarno Varis kuitenkin arvelee, että niitä lisäämällä kone pystyisi tekemään ennusteita oikeista ihmisistä. Julkinen terveydenhuolto tai työeläkeyhtiöt taas voisivat olla kiinnostuneita rakentamaan tällaista ennustajaa.
Tulevaisuudessa tekoäly kenties laskee, oletko työmarkkinoilla käyttökelpoista ainesta vai pelkkää sekundaa. Ikävä kyllä ennusteesta tulee helposti itsensä toteuttava. Jos koneen mukaan joka tapauksessa joudut työkyvyttömyyseläkkeelle viiden vuoden sisällä, miksi sinua kannattaisi kuntouttaa, työllistämisestä puhumattakaan?
Työkyvyttömyyttä ennustivat parhaiten korkea ikä, sairaus- ja kuntoutusrahan runsas käyttö, pienet ansiotulot, matala koulutustaso, työttömyys ja naimattomuus. Suunnittelijoiden mukaan malli palvelisi kansanterveyttä, koska koneen avulla riskistapaukset voitaisiin tunnistaa ja työkyvyttömyyttä ennaltaehkäistä.
Haluaisin vain nähdä, miten lääketieteen keinoin ehkäistään ikääntymistä, pienituloisuutta, matalaa koulutustasoa, työttömyyttä ja yksinelämistä. Ehkä oppinut superkone joskus laskee meille senkin.
Merja Minkkinen
Kirjoittaja on yhteiskuntatieteiden tohtori ja sairauseläkkeellä oleva tiedotusopin lehtori. Häntä kiinnostavat fyysiset ja psyykkiset riippuvuudet sekä niiden hoitojen historia.
