Evaluatie en optimalisatie van telefoontriage met behulp van kunstmatige intelligentie (AI)-modellen voor de detectie van vraagstukken met betrekking tot tijdafhankelijke pathologie bij het Centraal Coördinatiecentrum voor Eerste Hulp en Urgente Zorg (CCUE). (TrIAje Project)

Het Coördinatiecentrum voor Spoedeisende en Dringende Zorg in Andalusië (CCUE) ontvangt dagelijks duizenden telefoontjes, waarbij elk geval op basis van de informatie die telefonisch wordt verstrekt, moet worden geclassificeerd naar ernstniveau. De aandoeningen waarvoor burgers hulp zoeken, bestrijken een breed spectrum - van kleine kwalen tot hartstilstand. Dit project richt zich op de uitdaging van telefonische triage bij spoedeisende hulp buiten het ziekenhuis voor verschillende veelvoorkomende redenen voor zorgverzoeken die kunnen wijzen op spoedeisende en mogelijk levensbedreigende medische aandoeningen: bewustzijnsverlies/hartstilstand, ademhalingsmoeilijkheden, niet-traumatische pijn op de borst en beroerte.

Het doel is om de nauwkeurigheid en efficiëntie van telefonische triage te verbeteren met behulp van geavanceerde kunstmatige intelligentie (AI) technieken - zowel symbolisch als generatief - inclusief machine learning (ML) en natuurlijke taalverwerking (NLP). Hierdoor kunnen CCUE CES-061 Andalusië operators snellere, beter geïnformeerde beslissingen nemen om tijdige en passende zorg te bieden.

De onderzoekers zullen geanonimiseerde historische gegevens verzamelen van telefoongesprekken met betrekking tot deze vier categorieën van zorgverzoeken, geëxtraheerd uit de relationele databasesystemen van de Gecoördineerde Coördinatiecentra (CCR) en het Mobiele Digitale Gezondheidsdossier (HCDM) van CES-061 Andalusië. De analyse omvat zowel gestructureerde gegevens (vooraf gedefinieerde velden met specifieke formaten, inclusief triagevragen die tijdens het gesprek worden gesteld) als ongestructureerde gegevens (vrije tekst en andere formaten) die worden gegenereerd tijdens de vraagafhandeling, met inbegrip van coördinatie- en zorgverleningsaspecten.

De onderzoekers zullen een hybride aanpak implementeren die klassieke AI-technieken (gesuperviseerd en deep learning voor classificatie) integreert met generatieve AI (grote taalmodellen om waardevolle inzichten te analyseren en te extraheren uit ongestructureerde gegevens). Verschillende classificatie-algoritmen - zoals beslissingsbomen, random forests, SVM, XGBoost, ensemble-methoden en neurale netwerken - zullen worden getest om het meest nauwkeurige voorspellende model te bouwen.

Door middel van kenmerkenbelanganalyse zullen we de meest voorspellende vragen en variabelen identificeren, waarbij we wijzigingen voorstellen aan de huidige triagevragen om de voorspellingsnauwkeurigheid te verbeteren.

Het model zal worden geëvalueerd met behulp van meerdere metrieken (inclusief nauwkeurigheid, gevoeligheid, specificiteit, positieve en negatieve waarschijnlijkheidsratio's, vals-positief percentage [alarmfout], vals-negatief percentage [weglatingsfout], gebied onder de ROC-curve en F1-score). Deze metrieken helpen bij het beoordelen van het vermogen van het model om de uiteindelijke diagnoses correct te voorspellen - het maximaliseren van de detectie van echt spoedeisende gevallen (hoge gevoeligheid, hoge positieve waarschijnlijkheidsratio en laag vals-negatief percentage) terwijl overmatige vals-positieven worden vermeden (hoge specificiteit, laag vals-positief percentage en lage negatieve waarschijnlijkheidsratio).

Het doel van dit project is om de effectiviteit van het huidige CCUE telefonische triagemodel te beoordelen en een nieuw AI-gebaseerd model te ontwikkelen om het te verbeteren. We streven ernaar om een solide basis te bieden voor toekomstige implementatie van het verbeterde model binnen CCUE's, waardoor personeel in staat wordt gesteld om de ernstigste gevallen snel te identificeren en te prioriteren, wat uiteindelijk leidt tot kortere responstijden en verbeterde gezondheidsuitkomsten.