Az időfüggő patológiai igények felismerésére szolgáló mesterséges intelligencia (MI) modellek alkalmazásával végzett telefonos triázs értékelése és optimalizálása a Sürgősségi és Sürgősségi Ellátást Koordináló Központban (CCUE). (TrIAje Project)

Az Andalúziai Sürgősségi és Sürgősségi Ellátási Koordinációs Központ (CCUE) naponta több ezer hívást fogad, amelyek során minden esetet súlyossági szint szerint kell osztályozni a telefonon megadott információk alapján. A polgárok segítségért forduló állapotai széles skálán mozognak – kisebb panaszoktól a szívmegállásig. Ez a projekt a telefonos triázs kihívását adja meg a kórházon kívüli sürgősségi esetekben több gyakori ellátási kérelem okára, amelyek sürgősségi és potenciálisan életveszélyes egészségügyi állapotokat jelezhetnek: eszméletvesztés/szívmegállás, légzési nehézség, nem traumás mellkasi fájdalom és agyvérzés.

Célja a telefonos triázs pontosságának és hatékonyságának javítása fejlett mesterséges intelligencia (MI) technikák – mind szimbolikus, mind generatív – alkalmazásával, beleértve a gépi tanulást (ML) és a természetes nyelvfeldolgozást (NLP). Ez lehetővé teszi a CCUE CES-061 Andalucía operátorai számára, hogy gyorsabb, megalapozottabb döntéseket hozzanak az időben és megfelelő ellátás biztosítása érdekében.

A kutatók névtelenített történeti adatokat gyűjtenek az e négy ellátási kérelem kategóriához kapcsolódó hívásokból, amelyeket a Hálózatos Koordinációs Központok (CCR) relációs adatbázis rendszereiből és a CES-061 Andalucía Mobil Digitális Egészségügyi Nyilvántartásából (HCDM) nyernek ki. Az elemzés magában foglalja mind a strukturált adatokat (előre meghatározott mezők meghatározott formátumokkal, beleértve a hívás során feltett triázs kérdéseket), mind a strukturálatlan adatokat (szabad szöveg és egyéb formátumok), amelyek az igénykezelés során keletkeztek, magába foglalva a koordináció és az ellátás nyújtás szempontjait.

A kutatók hibrid megközelítést alkalmaznak, amely integrálja a klasszikus MI technikákat (felügyelt és mély tanulás osztályozásra) a generatív MI-vel (nagy nyelvi modellek a strukturálatlan adatok elemzésére és értékes betekintések kinyerésére). Különböző osztályozási algoritmusokat – például döntési fák, véletlen erdők, SVM, XGBoost, ensemble módszerek és neurális hálózatok – tesztelnek a legpontosabb prediktív modell felépítéséhez.

A jellemző fontossági elemzésen keresztül azonosítjuk a leginkább prediktív kérdéseket és változókat, javaslatot teszve a jelenlegi triázs kérdések módosítására a predikció pontosságának növelése érdekében.

A modellt több metrika segítségével értékeljük (beleértve a pontosságot, érzékenységet, specificitást, pozitív és negatív likelihood arányt, hamis pozitív arányt [riasztási hiba], hamis negatív arányt [elhagyási hiba], ROC görbe alatti területet és F1-pontszámot). Ezek a metrikák segítenek értékelni a modell képességét a végső diagnózisok helyes előrejelzésére – maximalizálva a valóban sürgősséges esetek észlelését (magas érzékenység, magas pozitív likelihood arány és alacsony hamis negatív arány), miközben elkerülik a túlzott hamis pozitívokat (magas specificitás, alacsony hamis pozitív arány és alacsony negatív likelihood arány).

A projekt célja a jelenlegi CCUE telefonos triázs modell hatékonyságának felmérése és egy új, MI-alapú modell fejlesztése annak javítására. Célunk egy szilárd alapot biztosítani a továbbfejlesztett modell jövőbeli megvalósításához a CCUE-kon belül, segítve a személyzetet a legsúlyosabb esetek gyors azonosításában és rangsorolásában, végeredményben csökkentve a válaszidőket és javítva az egészségügyi eredményeket.