Evaluierung und Optimierung der Telefontriage unter Verwendung von Künstlicher Intelligenz (KI)-Modellen zur Erkennung von Anforderungen für zeitkritische Pathologien am Notfall- und Dringlichkeitskoordinationszentrum (CCUE). (TrIAje Project)

Das Notfall- und Dringlichkeitsversorgungs-Koordinationszentrum in Andalusien (CCUE) erhält täglich Tausende von Anrufen, bei denen jeder Fall anhand der telefonisch übermittelten Informationen nach Schweregrad klassifiziert werden muss. Die Beschwerden, bei denen Bürger Hilfe suchen, umfassen ein breites Spektrum – von leichten Beschwerden bis hin zu Herzstillstand. Dieses Projekt befasst sich mit der Herausforderung der Telefontriage bei außerklinischen Notfällen für mehrere häufige Gründe für Versorgungsanfragen, die auf medizinische Notfälle und potenziell lebensbedrohliche Zustände hinweisen können: Bewusstlosigkeit/Herzstillstand, Atemnot, nicht-traumatischer Brustschmerz und Schlaganfall.

Das Ziel ist es, die Genauigkeit und Effizienz der Telefontriage durch den Einsatz fortschrittlicher Künstlicher Intelligenz (KI)-Techniken – sowohl symbolischer als auch generativer – einschließlich maschinellem Lernen (ML) und natürlicher Sprachverarbeitung (NLP) zu verbessern. Dies wird es den Mitarbeitern des CCUE CES-061 Andalusien ermöglichen, schnellere und fundiertere Entscheidungen zu treffen, um zeitnahe und angemessene Versorgung zu gewährleisten.

Die Forscher werden anonymisierte historische Daten von Anrufen sammeln, die diese vier Kategorien von Versorgungsanfragen betreffen, extrahiert aus den relationalen Datenbanksystemen der vernetzten Koordinationszentren (CCR) und der mobilen digitalen Patientenakte (HCDM) des CES-061 Andalusien. Die Analyse wird sowohl strukturierte Daten (vordefinierte Felder mit spezifischen Formaten, einschließlich der während des Anrufs gestellten Triage-Fragen) als auch unstrukturierte Daten (Freitext und andere Formate) umfassen, die während des Anforderungsmanagements generiert wurden und Aspekte der Koordination und Versorgungsdurchführung abdecken.

Die Forscher werden einen hybriden Ansatz implementieren, der klassische KI-Techniken (überwachtes und tiefes Lernen zur Klassifizierung) mit generativer KI (große Sprachmodelle zur Analyse und Extraktion wertvoller Erkenntnisse aus unstrukturierten Daten) integriert. Verschiedene Klassifizierungsalgorithmen – wie Entscheidungsbäume, Random Forests, SVM, XGBoost, Ensemble-Methoden und neuronale Netze – werden getestet, um das genaueste Vorhersagemodell zu erstellen.

Durch die Analyse der Merkmalsbedeutung werden wir die prädiktivsten Fragen und Variablen identifizieren und Änderungen an den aktuellen Triage-Fragen vorschlagen, um die Vorhersagegenauigkeit zu verbessern.

Das Modell wird mit mehreren Metriken bewertet (einschließlich Genauigkeit, Sensitivität, Spezifität, positiver und negativer Likelihood-Quotienten, falsch-positive Rate [Alarmfehler], falsch-negative Rate [Auslassungsfehler], Fläche unter der ROC-Kurve und F1-Score). Diese Metriken helfen dabei, die Fähigkeit des Modells zu bewerten, endgültige Diagnosen korrekt vorherzusagen – die Erkennung wirklich dringender Fälle zu maximieren (hohe Sensitivität, hoher positiver Likelihood-Quotient und niedrige falsch-negative Rate) und gleichzeitig übermäßige falsch-positive Fälle zu vermeiden (hohe Spezifität, niedrige falsch-positive Rate und niedriger negativer Likelihood-Quotient).

Das Ziel dieses Projekts ist es, die Wirksamkeit des aktuellen CCUE-Telefontriage-Modells zu bewerten und ein neues KI-basiertes Modell zu entwickeln, um es zu verbessern. Wir streben an, eine solide Grundlage für die zukünftige Implementierung des verbesserten Modells in CCUEs zu schaffen, um dem Personal zu helfen, die schwerwiegendsten Fälle schnell zu identifizieren und zu priorisieren, was letztendlich die Reaktionszeiten verkürzt und die Gesundheitsergebnisse verbessert.