Evaluering og optimering af telefontriagering ved hjælp af kunstig intelligens (AI)-modeller til detektering af efterspørgsel efter tidsafhængig patologi på Center for Akutmedicin og Koordinering af Akuthjælp (CCUE). (TrIAje Project)

Nød- og akutbistandskoordineringscentret i Andalusien (CCUE) modtager tusindvis af opkald dagligt, hvor hver sag skal klassificeres efter sværhedsgrad baseret på de oplysninger, der gives over telefonen. De tilstande, som borgere søger hjælp for, spænder over et bredt spektrum - fra mindre lidelser til hjertestop. Dette projekt adresserer udfordringen ved telefonsortering i uden-for-hospital akutte situationer for flere hyppige årsager til behandlingsanmodninger, der kan indikere akutte og potentielt livstruende medicinske tilstande: bevidstløshed/hjertestop, åndedrætsbesvær, ikke-traumatisk brystsmerte og slagtilfælde.

Målet er at forbedre nøjagtigheden og effektiviteten af telefonsortering ved hjælp af avancerede kunstig intelligens (AI) teknikker - både symbolske og generative - herunder maskinlæring (ML) og naturlig sprogbehandling (NLP). Dette vil gøre det muligt for CCUE CES-061 Andalucía-operatører at træffe hurtigere, mere velinformeret beslutninger for at yde rettidig og passende behandling.

Forskerne vil indsamle anonymiseret historisk data fra opkald relateret til disse fire behandlingsanmodningskategorier, udtrukket fra de relationsdatabase-systemer, som de netværksbaserede koordineringscentre (CCR) og den mobile digitale sundhedsjournal (HCDM) for CES-061 Andalucía benytter. Analysen vil inkludere både struktureret data (foruddefinerede felter med specifikke formater, herunder sorteringsspørgsmål stillet under opkaldet) og ustruktureret data (fri tekst og andre formater) genereret under efterspørgselshåndteringen, som omfatter koordinerings- og behandlingsaspekter.

Forskerne vil implementere en hybrid tilgang, der integrerer klassiske AI-teknikker (overvåget og deep learning til klassifikation) med generativ AI (store sprogmodeller til at analysere og udtrække værdifulde indsigter fra ustruktureret data). Forskellige klassifikationsalgoritmer - såsom beslutningstræer, random forests, SVM, XGBoost, ensemble-metoder og neurale netværk - vil blive testet for at bygge den mest præcise prædiktive model.

Gennem analyse af funktionsvigtighed vil vi identificere de mest prædiktive spørgsmål og variable og foreslå ændringer til de nuværende sorteringsspørgsmål for at forbedre forudsigelsesnøjagtigheden.

Modellen vil blive evalueret ved hjælp af flere målinger (herunder nøjagtighed, sensitivitet, specificitet, positive og negative sandsynlighedsforhold, falsk positiv rate [alarmfejl], falsk negativ rate [undladelsesfejl], areal under ROC-kurven og F1-score). Disse målinger vil hjælpe med at vurdere modellens evne til korrekt at forudsige endelige diagnoser - maksimere detektion af virkelig akutte tilfælde (høj sensitivitet, højt positivt sandsynlighedsforhold og lav falsk negativ rate) samtidig med at undgå overdrevne falske positiver (høj specificitet, lav falsk positiv rate og lavt negativt sandsynlighedsforhold).

Formålet med dette projekt er at vurdere effektiviteten af den nuværende CCUE-telefonsorteringsmodel og udvikle en ny AI-baseret model til at forbedre den. Vi har til formål at give et solidt fundament for fremtidig implementering af den forbedrede model i CCUE'er, hvilket hjælper personale med hurtigt at identificere og prioritere de mest alvorlige tilfælde, hvilket i sidste ende reducerer responstider og forbedrer sundhedsresultater.