Tekoälyn triage-tarkkuuden parantaminen perusterveydenhuollossa
MIKSI TEEMME TÄTÄ? Kun potilaat ottavat yhteyttä terveyskeskukseensa, ensimmäinen vaihe on selvittää, minkälaista apua he tarvitsevat ja kuinka nopeasti sitä tarvitaan. Tätä kutsutaan 'triageksi' ja se on tärkeää potilasturvallisuuden kannalta.
Tekoäly (AI) voi auttaa tekemään triagesta nopeamman. Vaikka tekoälyä käytetäänkin jo NHS:ssä, emme tiedä kuinka tarkka se on tai kohtelevatko se kaikkia potilaita oikeudenmukaisesti.
MITÄ AIOMME TEHDÄ?
Keräämme anonymisoituja tietoja potilailta, jotka käyttävät Patchs-nimistä tekoälytriagejärjestelmä terveyskeskuksissa Englannissa. Hanke kestää neljä vuotta. Analysoimme tiedot neljässä vaiheessa:
- Tarkastelemme tietoja terveyskeskuksista, jotka käyttävät Patchsia ilman tekoälytriagea, nähdäkseen kuinka he tällä hetkellä triageavat potilaita ja mihin ongelmiin he törmäävät.
- Käytämme tietoja terveyskeskuksista, jotka käyttävät Patchsia (sekä tekoäly päällä että pois päältä) tehdäksemme tekoälytriagesta tarkemman.
- Tarkistamme tiedot terveyskeskuksista, jotka käyttävät Patchsia tekoälytriage pois päältä mitataksemme kuinka hyvin päivitetty tekoälyjärjestelmä toimii.
- Annamme parannetun tekoälytriagejärjestelmän terveyskeskuksille, jotka käyttävät jo tekoälyä.
Jokaisessa vaiheessa tarkistamme, kohtelevatko eri taustoista tulevia potilaita oikeudenmukaisesti.
KUINKA ANALYSOIMME TIEDOT? Käytämme tilastollisia menetelmiä vertaillaksemme tekoälyn tekemiä triagepäätöksiä kliinisen henkilökunnan tekemiin päätöksiin. Tätä analyysiä käytetään myös tarkistamaan, että tekoäly toimii oikeudenmukaisesti eri taustoista tuleville potilaille.
MILTÄ EROA AIOMME TEHDÄ? Tutkimuksemme osoittaa triageen liittyvät ongelmat ja selittää, kuinka parannettu tekoälyjärjestelmä voisi auttaa potilaita saamaan tarvitsemaansa hoitoa nopeammin.
Tutkimuksen yleiskatsaus
Tila
Ehdot
Interventio / Hoito
Yksityiskohtainen kuvaus
Tausta: Terveyskeskuslääkäreiden vastaanottohenkilökunta priorisoi heihin yhteyttä ottavia potilaita resurssien parhaan käytön ja potilasturvallisuuden ylläpitämiseksi. Useimmat terveyskeskuslääkäreiden vastaanotot käyttävät verkkokonsultaatiojärjestelmiä, joiden avulla potilaat voivat ottaa yhteyttä terveyskeskuslääkärinsä vastaanottoon verkkolomakkeen avulla. Niitä voidaan lähettää puhumatta henkilökunnan jäsenelle, kiertäen näin tavallisen priorisointiprosessin. Verkkokonsultaatiojärjestelmät voivat priorisoida potilaita käyttämällä 'tekoälyä' (AI), vaikka niiden suorituskyvystä onkin vähän tutkimusta. Me (Manchesterin yliopisto; UoM) ehdotamme täyttävämme tämän aukon yhteistyössä verkkokonsultaatiojärjestelmän tarjoajan kanssa, jolla on valinnaisen tekoälypriorisointitoiminto (Patchs).
Tutkimuskysymykset Yleinen tutkimuskysymys: onko mahdollista kehittää tekoälymalleja, jotka pystyvät jäljittelemään kliinikkojen priorisointipäätöksiä?
- Mitä haasteita potilaat ja terveyskeskuslääkäreiden vastaanotot kohtaavat potilaiden priorisoinnissa perusterveydenhuollossa, ja mitkä ovat niiden taustatekijät?
- Mikä on parhaiten suoriutuva tekoälymalli potilaiden priorisointiin perusterveydenhuollossa?
- Säilyykö tekoälypriorisoinnin suorituskyky eri maantieteellisillä alueilla?
- Säilyykö tekoälypriorisoinnin suorituskyky ajan myötä?
- Miten tekoälypriorisoinnin suorituskyky vertautuu nykyiseen kliiniseen käytäntöön?
- Muuttuuko tekoälypriorisoinnin suorituskyky, kun se otetaan käyttöön kliinisessä käytännössä?
- Toimiiko tekoälypriorisointi reilusti kaikille potilaille? Menetelmät Työsuunta 1: Priorisointiongelmien määrittely. Analysoimme anonymisoituja historiallisia tietoja terveyskeskuslääkäreiden vastaanotoilta, jotka käyttävät Patchsia tekoälypriorisointi pois käytöstä. Kun saatavilla, vertaamme tätä käytäntötason tietoihin terveyskeskuslääkäreiden vastaanotoilta, jotka eivät käytä Patchsia (vertailuryhmä). Suoritamme kuvailevia ja päätteleviä analyysejä ymmärtääksemme mahdolliset priorisointiongelmat ja niihin vaikuttavat tekijät, kuten viiveet potilashoidon tarjoamisessa.
Työsuunta 2: Tekoälyn kehitys. Käytämme anonymisoituja historiallisia tietoja terveyskeskuslääkäreiden vastaanotoilta, jotka käyttävät Patchsia, rakentaaksemme uusia versioita tällä hetkellä käytössä olevista tekoälypriorisointimalleista neljällä eri lähestymistavalla: logistinen regressio, XGBoost, pitkä lyhytaikainen muisti (LSTM) ja suuri kielimalli (LLM). Käytämme sisäistä-ulkoista ristiinvalidointia maantieteellisen alueen mukaan ja vertaamme niiden suorituskykyä käyttämällä satunnaisvaikutusten meta-analyysiä ja alaryhmäanalyysejä reiluuden arvioimiseksi (esim. eri etnisyysryhmittäin). Vertaaamme niiden suorituskykyä tällä hetkellä käytössä oleviin tekoälypriorisointimalleihin. Parhaiten suoriutuvien tekoälymallien lopullinen versio kehitetään käyttämällä koko aineistoa.
Työsuunta 3: Prospektiivinen tausta-arviointi. Saamme ennusteita parhaiten suoriutuvilta tekoälymalleilta prospektiivisesti kerätystä aineistosta terveyskeskuslääkäreiden vastaanotoilta, jotka käyttävät Patchsia ilman tekoälypriorisointia, suorittamalla mallit 'taustalla'. Suoritamme alaryhmäanalyysejä reiluuden arvioimiseksi kuten edellä kuvattu.
Työsuunta 4: Prospektiivinen toteutusarviointi. Patchs-ohjelmistopäivitysten tavallisen käytännön mukaisesti päivitämme tekoälymallit terveyskeskuslääkäreiden vastaanotoilla, jotka jo käyttävät tekoälypriorisointia, parhaiten suoriutuvin versioin. Mittaamme prospektiivisesti, kuinka usein terveyskeskuslääkäreiden vastaanottohenkilökunta ja potilaat ovat samaa mieltä uusien versioiden priorisointiennusteiden kanssa testataksemme, siirtyykö sen suorituskyky todelliseen potilashoitoon. Suoritamme alaryhmäanalyysejä reiluuden arvioimiseksi kuten edellä kuvattu.
Odotetut hyödyt Autamme ymmärtämään ongelmia, joita terveyskeskuslääkäreiden vastaanotot kohtaavat tällä hetkellä verkkokonsultaatioiden priorisoinnissa. Jos kehitämme parannettuja tekoälymalleja, saattaa potilasturvallisuus parantua (esim. auttamalla potilaita saamaan apua nopeammin) ja terveyskeskuslääkäreiden vastaanottojen työkuorma vähentyä (esim. automatisoimalla priorisointiprosessi). Terveyskeskuslääkäreiden vastaanotot ja niiden potilaat työsuunnassa 4 hyötyisivät välittömästi. Annamme todisteita terveyskeskuslääkäreiden vastaanotoille, jotka eivät tällä hetkellä käytä tekoälypriorisointia, siitä, pitäisikö sen ottaa käyttöön.
Opintotyyppi
Ilmoittautuminen (Arvioitu)
Vaihe
- Ei sovellettavissa
Yhteystiedot ja paikat
Opiskeluyhteys
- Nimi: Benjamin C Brown, MRCGP, PhD
- Puhelinnumero: +44 161 306 9966
- Sähköposti: benjamin.brown@manchester.ac.uk
Opiskelupaikat
-
-
-
London, Yhdistynyt kuningaskunta
- Rekrytointi
- NHS GP practices
-
-
Osallistumiskriteerit
Kelpoisuusvaatimukset
Opintokelpoiset iät
- Lapsi
- Aikuinen
- Vanhempi Aikuinen
Hyväksyy terveitä vapaaehtoisia
Kuvaus
Sisällyttämiskriteerit:
- Yleislääkäriasemat, jotka käyttävät Patchs-järjestelmää
Poissulkemiskriteerit:
- Ei sovellu
Opintosuunnitelma
Miten tutkimus on suunniteltu?
Suunnittelun yksityiskohdat
- Ensisijainen käyttötarkoitus: Terveyspalvelututkimus
- Jako: Ei satunnaistettu
- Inventiomalli: Rinnakkaistehtävä
- Naamiointi: Kolminkertaistaa
Aseet ja interventiot
Osallistujaryhmä / Arm |
Interventio / Hoito |
|---|---|
|
Kokeellinen: AI-triointi
Terveyskeskukset, jotka käyttävät tekoälyä triageen
|
Patchs AI automatisoi osia triage- ja työnkulkumenettelystä yleislääkäriasemilla, kun potilas käyttää Patchsin verkkokonsultointijärjestelmää.
Sen tarkoituksena on avustaa, ei korvata, ihmisen päätöksentekoa.
Patchs AI pyrkii vähentämään yleislääkäriaseman työmäärää minimoimalla manuaalisia tehtäviä ja parantamaan potilasturvallisuutta auttamalla potilaita saamaan asianmukaista hoitoa aiemmin.
Patchs AI käyttää potilasta ja heidän verkkokonsultointiaan koskevia tietoja ehdottaakseen kiireellisyyttä, kliinistä aihetta, henkilöstön roolia ja konsultoinnin toteutustapaa.
Näiden ehdotusten perusteella se voi tarjota potilaille asiaankuuluvaa terveystietoa, esittää kysymyksiä lisätietojen saamiseksi ja/tai neuvota heitä ottamaan yhteyttä vaihtoehtoisiin hoitopalveluntarjoajiin.
Yleislääkäriaseman henkilöstö ja potilaat voivat hyväksyä tai hylätä Patchs AI:n ehdotuksia, joita käytetään sen turvallisuuden seurantaan ja järjestelmän uudelleenkouluttamiseen.
|
|
Active Comparator: Ei tekoälyluokittelua
Terveyskeskukset, jotka eivät käytä tekoälypohjaista triagea
|
Patchs-järjestelmän käyttö ilman tekoälyluokittelua, eli vain manuaalista luokittelua
|
Mitä tutkimuksessa mitataan?
Ensisijaiset tulostoimenpiteet
Tulosmittaus |
Toimenpiteen kuvaus |
Aikaikkuna |
|---|---|---|
|
F1-pistemäärä
Aikaikkuna: Alkien rekrytoinnista tutkimuksen loppuun, jonka odotetaan kestävän 4 vuotta
|
Kunkin tekoälytriage-moduulin F1-pistemäärä (sen tarkkuuden ja herkkyyden harmoninen keskiarvo)
|
Alkien rekrytoinnista tutkimuksen loppuun, jonka odotetaan kestävän 4 vuotta
|
Yhteistyökumppanit ja tutkijat
Sponsori
Yhteistyökumppanit
Julkaisuja ja hyödyllisiä linkkejä
Hyödyllisiä linkkejä
Opintojen ennätyspäivät
Opi tärkeimmät päivämäärät
Opiskelun aloitus (Todellinen)
Ensisijainen valmistuminen (Arvioitu)
Opintojen valmistuminen (Arvioitu)
Opintoihin ilmoittautumispäivät
Ensimmäinen lähetetty
Ensimmäinen toimitettu, joka täytti QC-kriteerit
Ensimmäinen Lähetetty (Todellinen)
Tutkimustietojen päivitykset
Viimeisin päivitys julkaistu (Todellinen)
Viimeisin lähetetty päivitys, joka täytti QC-kriteerit
Viimeksi vahvistettu
Lisää tietoa
Tähän tutkimukseen liittyvät termit
Muut tutkimustunnusnumerot
- 340776
- 7hzfm (Muu tunniste: Open Science Framework)
Yksittäisten osallistujien tietojen suunnitelma (IPD)
Aiotko jakaa yksittäisten osallistujien tietoja (IPD)?
IPD-suunnitelman kuvaus
Lääke- ja laitetiedot, tutkimusasiakirjat
Tutkii yhdysvaltalaista FDA sääntelemää lääkevalmistetta
Tutkii yhdysvaltalaista FDA sääntelemää laitetuotetta
Nämä tiedot haettiin suoraan verkkosivustolta clinicaltrials.gov ilman muutoksia. Jos sinulla on pyyntöjä muuttaa, poistaa tai päivittää tutkimustietojasi, ota yhteyttä register@clinicaltrials.gov. Heti kun muutos on otettu käyttöön osoitteessa clinicaltrials.gov, se päivitetään automaattisesti myös verkkosivustollemme .