Evaluace a optimalizace telefonního triaže pomocí umělé inteligence (AI) pro detekci požadavků na časově závislou patologii na Koordinačním centru pro urgentní a neodkladnou péči (CCUE). (TrIAje Project)

Středisko pro koordinaci pohotovostní a urgentní péče v Andalusii (CCUE) přijímá denně tisíce hovorů, během nichž musí být každý případ klasifikován podle stupně závažnosti na základě informací poskytnutých telefonicky. Podmínky, pro které občané žádají o pomoc, zahrnují širokou škálu – od drobných onemocnění až po zástavu srdce. Tento projekt řeší výzvu telefonické triáže u mimonemocničních pohotovostních stavů pro několik častých důvodů žádostí o péči, které mohou naznačovat naléhavé a potenciálně život ohrožující zdravotní stavy: bezvědomí/zástava srdce, dušnost, netraumatická bolest na hrudi a cévní mozková příhoda.

Cílem je zlepšit přesnost a efektivitu telefonické triáže pomocí pokročilých technik umělé inteligence (AI) – jak symbolických, tak generativních – včetně strojového učení (ML) a zpracování přirozeného jazyka (NLP). To umožní operátorům CCUE CES-061 Andalusie činit rychlejší a informovanější rozhodnutí pro poskytnutí včasné a vhodné péče.

Výzkumníci shromáždí anonymizovaná historická data z hovorů souvisejících s těmito čtyřmi kategoriemi žádostí o péči, extrahovaná z relačních databázových systémů Síťových koordinačních center (CCR) a Mobilního digitálního zdravotního záznamu (HCDM) CES-061 Andalusie. Analýza zahrne jak strukturovaná data (předdefinovaná pole se specifickými formáty, včetně triážních otázek položených během hovoru), tak nestrukturovaná data (volný text a další formáty) generovaná během řízení poptávky, zahrnující aspekty koordinace a poskytování péče.

Výzkumníci implementují hybridní přístup, který integruje klasické techniky AI (supervidované a hluboké učení pro klasifikaci) s generativní AI (velké jazykové modely pro analýzu a extrakci cenných poznatků z nestrukturovaných dat). K sestavení nejpřesnějšího prediktivního modelu budou testovány různé klasifikační algoritmy – jako rozhodovací stromy, náhodné lesy, SVM, XGBoost, ensemble metody a neuronové sítě.

Prostřednictvím analýzy důležitosti příznaků identifikujeme nejprediktivnější otázky a proměnné a navrhneme úpravy stávajících triážních otázek pro zvýšení přesnosti predikce.

Model bude hodnocen pomocí více metrik (včetně přesnosti, senzitivity, specificity, pozitivního a negativního poměru věrohodnosti, míry falešně pozitivních [selhání alarmu], míry falešně negativních [selhání opomenutí], plochy pod ROC křivkou a F1-skóre). Tyto metriky pomohou posoudit schopnost modelu správně předpovídat konečné diagnózy – maximalizovat detekci skutečně urgentních případů (vysoká senzitivita, vysoký pozitivní poměr věrohodnosti a nízká míra falešně negativních) při vyhýbání se nadměrným falešně pozitivním (vysoká specificita, nízká míra falešně pozitivních a nízký negativní poměr věrohodnosti).

Cílem tohoto projektu je posoudit účinnost současného modelu telefonické triáže CCUE a vyvinout nový model založený na AI pro jeho zlepšení. Usilujeme o poskytnutí solidního základu pro budoucí implementaci vylepšeného modelu v rámci CCUE, což pomůže personálu rychle identifikovat a upřednostnit nejzávažnější případy, což nakonec sníží doby odezvy a zlepší zdravotní výsledky.