Zlepšení přesnosti triáže pomocí umělé inteligence v primární péči

Pracovníci ordinací praktických lékařů (GP) třídí pacienty, kteří je kontaktují, aby co nejlépe využili zdroje a zachovali bezpečnost pacientů. Většina ordinací GP využívá systémy online konzultací, které umožňují pacientům kontaktovat jejich ordinaci GP pomocí online formuláře. Ty mohou být odeslány bez rozhovoru s členem personálu, čímž se obchází obvyklý proces třídění. Systémy online konzultací mohou třídit pacienty pomocí 'umělé inteligence' (AI), přestože chybí výzkum jejich výkonnosti. My (University of Manchester; UoM) navrhujeme zaplnit tuto mezeru spoluprací s poskytovatelem systému online konzultací s volitelnou funkcí třídění pomocí AI (Patchs).

Výzkumné otázky Celková výzkumná otázka: je možné vyvinout modely AI, které mohou replikovat rozhodování kliniků o třídění?

1. S jakými výzvami se pacienti a ordinace GP setkávají při třídění pacientů v primární péči a jaké jsou jejich hnací síly?
2. Který model AI má nejlepší výkon pro třídění pacientů v primární péči?
3. Je výkonnost třídění pomocí AI zachována napříč různými geografickými regiony?
4. Je výkonnost třídění pomocí AI zachována v čase?
5. Jak se výkonnost třídění pomocí AI srovnává se současnou klinickou praxí?
6. Mění se výkonnost třídění pomocí AI při nasazení do klinické praxe?
7. Funguje třídění pomocí AI spravedlivě pro všechny pacienty? Metody Pracovní proud 1: Kvantifikace problému třídění. Budeme analyzovat anonymizovaná historická data z ordinací GP používajících Patchs s vypnutým tříděním pomocí AI. Tam, kde budou veřejně dostupná, budeme je srovnávat s daty na úrovni praxe z ordinací GP, které Patchs nepoužívají (kontrolní praxe). Provedeme popisné a inferenční analýzy, abychom pochopili potenciální problémy třídění a faktory, které je ovlivňují, jako jsou zpoždění v poskytování péče pacientům.

Pracovní proud 2: Vývoj AI. Použijeme anonymizovaná historická data z ordinací GP používajících Patchs k vytvoření nových verzí modelů třídění pomocí AI, které jsou aktuálně používány, se čtyřmi různými přístupy: logistická regrese, XGBoost, dlouhá krátkodobá paměť (LSTM) a velký jazykový model (LLM). Použijeme interně-externí křížovou validaci podle geografického regionu a porovnáme jejich výkonnost pomocí meta-analýzy náhodných efektů a analýz podskupin k posouzení spravedlnosti (např. napříč etniky). Jejich výkonnost porovnáme s aktuálně používanými modely třídění pomocí AI. Konečná verze nejvýkonnějších modelů AI bude vyvinuta pomocí celého datového souboru.

Pracovní proud 3: Prospektivní hodnocení na pozadí. Získáme predikce od nejvýkonnějších modelů AI na prospektivně shromážděných datech z ordinací GP používajících Patchs bez třídění pomocí AI spuštěním modelů na 'pozadí'. Provedeme analýzy podskupin k posouzení spravedlnosti, jak je popsáno výše.

Pracovní proud 4: Prospektivní hodnocení implementace. V souladu s běžnými aktualizacemi softwaru Patchs aktualizujeme modely AI v ordinacích GP, které již používají třídění pomocí AI, na nejvýkonnější verze. Prospektivně změříme, jak často personál ordinací GP a pacienti souhlasí s predikcemi třídění nových verzí, abychom otestovali, zda se jejich výkonnost přenáší do reálné péče o pacienty. Provedeme analýzy podskupin k posouzení spravedlnosti, jak je popsáno výše.

Očekávané přínosy Pomůžeme pochopit problémy, kterým v současnosti ordinace GP čelí během online konzultačního třídění. Pokud vyvineme vylepšené modely AI, mohlo by dojít ke zlepšení bezpečnosti pacientů (např. tím, že pacientům pomůžeme získat pomoc dříve) a snížení pracovní zátěže ordinací GP (např. automatizací procesu třídění). Ordinace GP a jejich pacienti v pracovním proudu 4 by měli okamžitý prospěch. Poskytneme důkazy pro ordinace GP, které v současnosti nepoužívají třídění pomocí AI, zda jej přijmout.