Az elsődleges ellátásban alkalmazott mesterséges intelligencia triázs pontosságának javítása
MIÉRT VÉGEZZÜK EZT? Amikor a betegek kapcsolatba lépnek háziorvosukkal, az első lépés annak megállapítása, hogy milyen segítségre van szükségük és milyen gyorsan. Ezt nevezik 'triage'-nak, és ez fontos a betegbiztonság szempontjából.
A mesterséges intelligencia (MI) segíthet felgyorsítani a triage-t. Bár a MI-t már használják az NHS-ben, nem tudjuk, mennyire pontos, vagy hogy minden beteggel egyenlően bánik-e.
MIT FOGUNK TENNI?
Anonimizált adatokat gyűjtünk azoktól a betegektől, akik a Patchs nevű MI triage rendszert használják Anglia háziorvosi rendelőiben. A projekt négy évig tart. Az adatokat négy lépésben elemezzük:
- Megnézzük a Patchs-t használó háziorvosi rendelők adatait MI triage nélkül, hogy lássuk, jelenleg hogyan végeznek triage-t és milyen problémákkal néznek szembe.
- A Patchs-t használó háziorvosi rendelők adatait (mind MI bekapcsolással, mind kikapcsolással) felhasználjuk a MI triage pontosságának növelésére.
- Ellenőrizzük a Patchs-t használó háziorvosi rendelők adatait MI triage kikapcsolásával, hogy megmérjük a frissített MI rendszer hatékonyságát.
- Az továbbfejlesztett MI triage rendszert olyan háziorvosi rendelőknek adjuk át, amelyek már használnak MI-t.
Minden lépésnél ellenőrizzük, hogy a különböző hátterű betegekkel igazságosan bánnak-e.
HOGYAN ELEMEZZÜK AZ ADATOKAT? Statisztikai módszerekkel összehasonlítjuk a MI által hozott triage döntéseket a klinikai személyzet által hozottakkal. Ezt az elemzést arra is felhasználjuk, hogy ellenőrizzük, a MI igazságosan működik-e a különböző hátterű betegek esetében.
MI KÜLÖNBSÉGET FOGUNK ELÉRNI? Kutatásunk bemutatja a triage problémáit és megmagyarázza, hogyan segíthet egy továbbfejlesztett MI rendszer a betegeknek abban, hogy gyorsabban megkapják a szükséges ellátást.
A tanulmány áttekintése
Állapot
Körülmények
Beavatkozás / kezelés
Részletes leírás
A háttérben a háziorvosi rendelők személyzete triázsolja a betegeket, akik kapcsolatba lépnek velük, hogy a lehető legjobban kihasználják az erőforrásokat és fenntartsák a betegbiztonságot. A legtöbb háziorvosi rendelő online konzultációs rendszereket használ, amelyek lehetővé teszik a betegek számára, hogy online űrlap segítségével lépjenek kapcsolatba háziorvosi rendelőjükkel. Ezek beküldhetőek anélkül, hogy személyzeti taggal beszélnének, ezzel megkerülve a szokásos triázs folyamatát. Az online konzultációs rendszerek 'mesterséges intelligencia' (MI) segítségével triázsolhatják a betegeket, bár hiányzik a kutatás a teljesítményükről. Mi (A Manchesteri Egyetem; UoM) azt javasoljuk, hogy ezt a hiányt pótoljuk egy olyan online konzultációs rendszer szolgáltatóval való együttműködéssel, amelynek opcionális MI triázs funkciója van (Patchs).
Kutatási kérdések Átfogó kutatási kérdés: lehetséges-e olyan MI modelleket fejleszteni, amelyek képesek utánozni a klinikusok triázs döntéseit?
- Milyen kihívásokkal szembesülnek a betegek és a háziorvosi rendelők a betegek triázsolása során az elsődleges ellátásban, és mik azok az előmozdító tényezők?
- Melyik a legjobb teljesítményt nyújtó MI modell a betegek triázsolására az elsődleges ellátásban?
- Fennmarad-e az MI triázs teljesítménye a különböző földrajzi régiókban?
- Fennmarad-e az MI triázs teljesítménye az idő múlásával?
- Hogyan viszonyul az MI triázs teljesítménye a jelenlegi klinikai gyakorlathoz?
- Változik-e az MI triázs teljesítménye, amikor bevezetik a klinikai gyakorlatba?
- Működik-e az MI triázs igazságosan minden beteg számára? Módszertan Munkafolyamat 1: Triázs probléma kvantifikálása. Elemzni fogjuk a háziorvosi rendelők anonimizált történelmi adatait, amelyek Patchs-et használnak MI triázs letiltással. Ahol nyilvánosan elérhető, összehasonlítjuk ezt a nem Patchs-et használó háziorvosi rendelők (kontroll rendelők) szintű adataival. Leíró és következtetéses elemzéseket fogunk végezni, hogy megértsük a lehetséges triázs problémákat és az azokat befolyásoló tényezőket, mint például a betegellátás késedelme.
Munkafolyamat 2: MI fejlesztés. Felhasználjuk a Patchs-et használó háziorvosi rendelők anonimizált történelmi adatait, hogy új verziókat építsünk a jelenleg használatban lévő MI triázs modellekből négy különböző megközelítéssel: logisztikus regresszió, XGBoost, hosszú rövid távú memória (LSTM) és nagy nyelvi modell (LLM). Belső-külső keresztvalidációt fogunk alkalmazni földrajzi régió szerint, és összehasonlítjuk a teljesítményüket véletlen hatású meta-analízissel és alcsoport elemzésekkel, hogy felmérjük az igazságosságot (pl. etnikumok szerint). Összehasonlítjuk a teljesítményüket a jelenleg használatban lévő MI triázs modellekkel. A legjobb teljesítményt nyújtó MI modellek végső verziója a teljes adatkészlet felhasználásával lesz kifejlesztve.
Munkafolyamat 3: Prospektív háttérértékelés. Megszerzzük a legjobb teljesítményt nyújtó MI modellek előrejelzéseit prospektíven gyűjtött adatokon olyan háziorvosi rendelőktől, amelyek Patchs-et használnak MI triázs nélkül, a modellek 'háttérben' történő futtatásával. Alcsoport elemzéseket fogunk végezni az igazságosság felmérésére, ahogyan azt fentebb leírtuk.
Munkafolyamat 4: Prospektív implementációs értékelés. A normál Patchs szoftverfrissítéseknek megfelelően frissíteni fogjuk az MI modelleket az MI triázst már használó háziorvosi rendelőkben a legjobb teljesítményt nyújtó verziókkal. Prospektíven megmérjük, hogy a háziorvosi rendelők személyzete és betegei milyen gyakran értenek egyet az új verziók triázs előrejelzéseivel, hogy teszteljük, vajon a teljesítmény átültethető-e a valódi betegellátásba. Alcsoport elemzéseket fogunk végezni az igazságosság felmérésére, ahogyan azt fentebb leírtuk.
Várható előnyök Segítünk megérteni a háziorvosi rendelők által jelenleg online konzultációs triázs során tapasztalt problémákat. Ha fejlesztettünk jobb MI modelleket, akkor javulhat a betegbiztonság (pl. azáltal, hogy segítjük a betegeket hamarabb segítséget kapni) és csökkenhet a háziorvosi rendelők munkaterhelése (pl. a triázs folyamat automatizálásával). A 4. munkafolyamatban részt vevő háziorvosi rendelők és betegeik azonnal profitálnának. Bizonyítékot szolgáltatunk a jelenleg nem MI triázst használó háziorvosi rendelők számára annak eldöntéséhez, hogy bevezessék-e azt.
Tanulmány típusa
Beiratkozás (Becsült)
Fázis
- Nem alkalmazható
Kapcsolatok és helyek
Tanulmányi kapcsolat
- Név: Benjamin C Brown, MRCGP, PhD
- Telefonszám: +44 161 306 9966
- E-mail: benjamin.brown@manchester.ac.uk
Tanulmányi helyek
-
-
-
London, Egyesült Királyság
- Toborzás
- NHS GP practices
-
-
Részvételi kritériumok
Jogosultsági kritériumok
Tanulmányozható életkorok
- Gyermek
- Felnőtt
- Idősebb felnőtt
Egészséges önkénteseket fogad
Leírás
Beválasztási kritériumok:
- A Patchs rendszert használó háziorvosi rendelők
Kizárási kritériumok:
- Nem alkalmazható
Tanulási terv
Hogyan készül a tanulmány?
Tervezési részletek
- Elsődleges cél: Egészségügyi szolgáltatások kutatása
- Kiosztás: Nem véletlenszerű
- Beavatkozó modell: Párhuzamos hozzárendelés
- Maszkolás: Hármas
Fegyverek és beavatkozások
Résztvevő csoport / kar |
Beavatkozás / kezelés |
|---|---|
|
Kísérleti: AI triázs
AI-os előszűrést alkalmazó háziorvosi rendelők
|
A Patchs AI automatizálja a triázs és munkafolyamat-folyamat egyes részeit a háziorvosi rendelők számára, amikor bármely beteg a Patchs online konzultációs rendszerét használja.
Célja az emberi döntéshozatal segítése, nem pedig helyettesítése.
A Patchs AI célja, hogy csökkentse a háziorvosi rendelők terhelését a manuális feladatok minimalizálásával, és javítsa a betegbiztonságot azáltal, hogy segít a betegeknek megfelelő ellátás hamarabb történő megkapásában.
A Patchs AI a betegről és online konzultációjáról szóló információkat felhasználva javasol sürgősséget, klinikai témát, személyzeti szerepkört és a konzultáció lebonyolítási módját.
Ezen javaslatok alapján releváns egészségügyi információkkal láthatja el a betegeket, kérdéseket tehet fel további információk megszerzése érdekében, és/vagy tanácsot adhat nekik alternatív ellátó szolgáltatók megkeresésére.
A Patchs AI javaslatait a háziorvosi rendelők munkatársai és a betegek is elfogadhatják vagy elutasíthatják, amelyeket a rendszer biztonságának monitorozására és a rendszer újratanítására használnak fel.
|
|
Aktív összehasonlító: Nincs mesterséges intelligencia előszűrés
Háziorvosi rendelők, amelyek nem használnak mesterséges intelligenciás betegsorba-állítást
|
A Patchs rendszer használata mesterséges intelligencia nélküli triázsgal, azaz csak kézi triázzsal
|
Mit mér a tanulmány?
Elsődleges eredményintézkedések
Eredménymérő |
Intézkedés leírása |
Időkeret |
|---|---|---|
|
F1 pontszám
Időkeret: A regisztrációtól a vizsgálat végéig, amely várhatóan 4 év
|
Az egyes AI triage modulok F1 pontszáma (a precizitás és a recall harmonikus átlaga)
|
A regisztrációtól a vizsgálat végéig, amely várhatóan 4 év
|
Együttműködők és nyomozók
Szponzor
Együttműködők
Publikációk és hasznos linkek
Hasznos linkek
Tanulmányi rekorddátumok
Tanulmány főbb dátumok
Tanulmány kezdete (Tényleges)
Elsődleges befejezés (Becsült)
A tanulmány befejezése (Becsült)
Tanulmányi regisztráció dátumai
Először benyújtva
Először nyújtották be, amely megfelel a minőségbiztosítási kritériumoknak
Első közzététel (Tényleges)
Tanulmányi rekordok frissítései
Utolsó frissítés közzétéve (Tényleges)
Az utolsó frissítés elküldve, amely megfelel a minőségbiztosítási kritériumoknak
Utolsó ellenőrzés
Több információ
A tanulmányhoz kapcsolódó kifejezések
Egyéb vizsgálati azonosító számok
- 340776
- 7hzfm (Egyéb azonosító: Open Science Framework)
Terv az egyéni résztvevői adatokhoz (IPD)
Tervezi megosztani az egyéni résztvevői adatokat (IPD)?
IPD terv leírása
Gyógyszer- és eszközinformációk, tanulmányi dokumentumok
Egy amerikai FDA által szabályozott gyógyszerkészítményt tanulmányoz
Egy amerikai FDA által szabályozott eszközterméket tanulmányoz
Ezt az információt közvetlenül a clinicaltrials.gov webhelyről szereztük be, változtatás nélkül. Ha bármilyen kérése van vizsgálati adatainak módosítására, eltávolítására vagy frissítésére, kérjük, írjon a következő címre: register@clinicaltrials.gov. Amint a változás bevezetésre kerül a clinicaltrials.gov oldalon, ez a webhelyünkön is automatikusan frissül. .