Arviointi ja optimointi puhelinvalinnan triage-ohjelmiston käytössä tekoälymalleilla (AI) aikaherkkien patologioiden tunnistamiseksi hätä- ja kiireellishoidon koordinaatiokeskuksessa (CCUE). (TrIAje Project)

Andalusian hätä- ja kiirehoitokoordinaatiokeskus (CCUE) vastaanottaa tuhansia puheluita päivittäin, jolloin jokainen tapaus on luokiteltava vakavuusasteen mukaan puhelimitse annettujen tietojen perusteella. Kansalaisten apua hakevat tilanteet vaihtelevat laajasti - lievistä vaivoista sydänpysähdyksiin. Tämä projekti käsittelee puhelimitse tehtävän triage-haasteen sairaalan ulkopuolisissa hätätilanteissa useille yleisille hoitopyyntösyille, jotka voivat viitata hätätilaan ja mahdollisesti hengenvaarallisiin lääketieteellisiin tiloihin: tajuttomuus/sydänpysähdys, hengitysvaikeudet, ei-traumaattinen rintakipu ja aivohalvaus.

Tavoitteena on parantaa puhelimitse tehtävän triagen tarkkuutta ja tehokkuutta käyttämällä edistynyttä tekoälytekniikkaa (AI) - sekä symbolista että generatiivista - mukaan lukien koneoppiminen (ML) ja luonnollisen kielen käsittely (NLP). Tämä mahdollistaa CCUE CES-061 Andalusia -operaattoreiden tehdä nopeampia, paremmin perusteltuja päätöksiä tarjota ajallaan ja asianmukaista hoitoa.

Tutkijat keräävät anonymisoituja historiallisia tietoja näihin neljään hoitopyyntökategoriaan liittyvistä puheluista, jotka on poimittu Verkostoituneiden koordinaatiokeskusten (CCR) relaatiotietokantajärjestelmistä ja CES-061 Andalusia -liikkuvasta digitaalisesta terveystietorekisteristä (HCDM). Analyysi sisältää sekä jäsenneltyä dataa (ennakkoon määritellyt kentät tietyissä muodoissa, mukaan lukien triage-kysymykset puhelun aikana) että jäsentelemätöntä dataa (vapaateksti ja muut muodot), joka syntyy kysyntäjohtamisen aikana, kattaan koordinaatio- ja hoitotoiminnan näkökohdat.

Tutkijat toteuttavat hybridilähestymistavan, joka yhdistää perinteiset tekoälytekniikat (ohjattu ja syväoppiminen luokittelua varten) generatiivisen tekoälyn kanssa (suuret kielimallit analysoimaan ja poimimaan arvokkaita oivalluksia jäsentelemättömästä datasta). Eri luokittelualgoritmeja - kuten päätöspuut, satunnaismetsät, SVM, XGBoost, ensemble-menetelmät ja neuroverkot - testataan rakentaakseen tarkimman ennustemallin.

Ominaisuustärkeysanalyysin kautta tunnistamme ennakoivimmat kysymykset ja muuttujat, ehdottaen nykyisten triage-kysymysten muutoksia ennustustarkkuuden parantamiseksi.

Mallia arvioidaan useilla mittareilla (mukaan lukien tarkkuus, herkkyys, spesifisyys, positiiviset ja negatiiviset todennäköisyyssuhde, väärä positiivinen määrä [hälytysvirhe], väärä negatiivinen määrä [laiminlyöntivirhe], ROC-käyrän alapuoli ja F1-pistemäärä). Nämä mittarit auttavat arvioimaan mallin kykyä ennustaa oikein lopullisia diagnooseja - maksimoiden todella kiireellisten tapausten havaitsemisen (korkea herkkyys, korkea positiivinen todennäköisyyssuhde ja matala väärä negatiivinen määrä) samalla kun vältetään liiallisia vääriä positiivisia (korkea spesifisyys, matala väärä positiivinen määrä ja matala negatiivinen todennäköisyyssuhde).

Tämän projektin tavoitteena on arvioida nykyisen CCUE-puhelintriage-mallin tehokkuutta ja kehittää uusi tekoälyyn perustuva malli sen parantamiseksi. Pyrimme tarjoamaan vankan perustan parannetun mallin tulevalle toteutukselle CCUE-yksiköissä, auttaen henkilöstöä tunnistamaan nopeasti ja priorisoimaan vakavimmat tapaukset, mikä lopulta vähentää vastausaikoja ja parantaa terveystuloksia.