Triage op basis van kunstmatige intelligentie van patiënten die spoedeisende of ongeplande zorg nodig hebben en naar het ziekenhuis moeten worden doorverwezen (TRIAGE)

Inleiding - wetenschappelijke onderbouwing 1.1. Context Naarmate de bevolking vergrijst en de prevalentie van chronische ziekten toeneemt, neemt het aantal huisartsen af. Dit groeiende onevenwicht tussen medische behoeften en aanbod leidt tot moeilijkheden bij de toegang tot eerstelijnszorg, met name dringende en ongeplande zorg.

Om dit probleem aan te pakken, heeft Frankrijk een gezondheidszorgtoegangsdienst (SAS) opgezet. In geval van dringende of ongeplande zorgbehoeften stelt de SAS personen wiens primaire zorgarts niet beschikbaar is in staat toegang te krijgen tot een zorgprofessional. Afhankelijk van de situatie kan de dienst medisch advies verstrekken, een teleconsultatie aanbieden, de persoon doorverwijzen naar een lokale arts of spoedeisende hulp, of zelfs een mobiele spoedeisende en reanimatie-eenheid (SMUR) of ambulance inzetten. De SAS functioneert als een triagesysteem, dat een op de behoeften van elk individu afgestemd antwoord biedt.

Het doel van dit project is om bepaalde aspecten van de validiteit van een kunstmatige intelligentie (AI) triagemodel te bestuderen voor patiënten die dringende of ongeplande zorg zoeken, waardoor de identificatie van patiënten die ziekenhuisbehandeling nodig hebben mogelijk wordt.

Dit project volgt op een eerdere studie die een model ontwikkelde met behulp van AI om patiënten te triëren met SOS Médecins Grand Paris. Net als bij de SAS presenteren mensen die SOS Médecins bellen hun probleem aan een medische oproepassistent (MDA), die in de meeste gevallen een huisbezoek regelt.

De SOS Médecins-databases bevatten audio-opnames van zorgverzoeken en de medische beslissingen die artsen na hun huisbezoeken hebben genomen, inclusief of de patiënt al dan niet naar het ziekenhuis werd doorverwezen (de gegevens over patiëntuitkomsten zijn volledig). Er werd daarom een voorspellend model van het gebruik van ziekenhuisdiensten door patiënten na een huisbezoek van een SOS-arts ontwikkeld met behulp van AI. Het model "luistert" naar de uitwisselingen tussen de patiënt en de MDA en voorspelt het gebruik van ziekenhuisdiensten na het huisbezoek van de arts.

Het model en zijn ontwikkeling zijn het onderwerp van een artikel dat momenteel is ingediend voor publicatie in een internationaal tijdschrift. Tijdens de testfase behaalde het een gebied onder de ROC-curve (receiver operating characteristic) van 0,80. Uiteindelijk moet het op AI gebaseerde model in realtime werken en informatie verstrekken aan MDA's om hen te ondersteunen in hun werk. Voorlopig is het doel van dit project om de validatie van het systeem te voltooien. Vervolgens moet het worden geïmplementeerd en getest in reële omstandigheden om de voordelen van patiëntentriage door MDA's te bepalen met behulp van de voorspellingen van het model.

Opgemerkt moet worden dat hoewel SOS Médecins niet hetzelfde is als SAS, het vergelijkbaar is. Ten eerste werken de twee structuren op een vergelijkbare manier: een MDA die telefonisch wordt benaderd, probeert te reageren op een verzoek om dringende of ongeplande zorg. Het scala aan mogelijke antwoorden is hetzelfde voor beide structuren (SOS biedt niet alleen huisbezoeken aan, het voert ook persoonlijke of videoconsultaties uit en leidt bepaalde oproepen door naar de medische spoeddienst), evenals het gebruik van de expertise van een arts indien nodig (medische regulering). Ten tweede is SOS Médecins een van de downstream effectoren van de SAS. Ouder en beter bekend bij het grote publiek en zorgprofessionals dan de SAS (die momenteel slechts 60% van het nationale grondgebied bestrijkt), zou SOS een rekruteringsproces kunnen hebben dat zeer vergelijkbaar is met dat van deze nieuwe dienst. Voor zover wij weten, zijn er nog geen statistieken over de SAS die een vergelijking van de activiteiten van de twee structuren mogelijk maken. In deze context zal validatie binnen de SAS van het model ontwikkeld met SOS-gegevens daarom noodzakelijk zijn. Als toekomstige gegevens aantonen dat de twee structuren vergelijkbaar zijn, zou de SAS kunnen profiteren van dit project ontwikkeld bij SOS. SOS-gegevens hebben een significant voordeel ten opzichte van SAS-gegevens: ze bevatten informatie over patiëntuitkomsten, inclusief of ze al dan niet naar de spoedeisende hulp van het ziekenhuis gingen. Deze labeling van oproepen maakte supervised learning van een AI-model mogelijk.

Dit project, dat voor zover wij weten uniek is, opent de weg naar triage-assistentie die kan worden gebruikt in de SAS (en misschien tot op zekere hoogte in spoedeisende hulpafdelingen).

1.2. Voordelen voor patiënten en het gezondheidszorgsysteem Vroege identificatie van patiënten met een hoog risico op ziekenhuisopname, waarvan sommige aandoeningen hebben die spoedzorg in een gespecialiseerde setting vereisen, zou de klinische besluitvorming moeten vergemakkelijken en uiteindelijk de gezondheid van patiënten verbeteren. Dit betreft voornamelijk patiënten met aandoeningen waarvan de prognose direct verband houdt met de snelheid van zorgverlening, zoals ernstige ischemische, respiratoire, traumatische of infectieuze aandoeningen, die baat hebben bij ziekenhuisopname zonder te wachten op een arts die hen thuis bezoekt. Het voordeel voor patiënten zal daarom een vermindering van verloren kansen door triagefouten zijn.

Bovendien zal triage stroomopwaarts van spoedeisende hulpafdelingen (zoals voorgesteld door de vorige minister van Volksgezondheid en geïmplementeerd in sommige onderbemande spoedeisende hulpafdelingen en routinepraktijk is in Denemarken) het functioneren van ziekenhuis spoedeisende hulpafdelingen verbeteren, waar overmatige activiteit een impact heeft op de mortaliteit van oudere patiënten die zorg ontvangen. In termen van volksgezondheid zou de introductie van een effectief triagesysteem daarom de toegang tot dringende en ongeplande zorg kunnen verbeteren.

Onderzoeksdoelstellingen en evaluatiecriteria Het op AI gebaseerde triagemodel dat wordt gebruikt om patiënten te identificeren die naar het ziekenhuis moeten worden doorverwezen, is al ontwikkeld en getest met behulp van oproepen aan SOS Médecins Grand Paris. Een artikel wordt momenteel gepubliceerd. Daarom richt dit project zich niet op de ontwikkeling of interne validatie van het triagemodel, maar op andere aspecten gerelateerd aan zijn validatie: prospectieve en externe validatie; vergelijking van zijn voorspellingen met die van een medisch expert; onderzoek van sociale discriminatie die geassocieerd zou kunnen zijn met zijn gebruik; en de bepaling van de werkelijke gebruiksvoorwaarden in zorginstellingen.

2.1. Doelstelling en primair eindpunt De prospectieve evaluatie van de prestaties van voorspellende modellen op operationele gegevens uit de echte wereld is een cruciale stap naar de integratie van deze modellen in de klinische context en het beoordelen van hun impact op patiëntenzorg.

- Primaire doelstelling (PO): Prospectieve validatie van het triagemodel gebruikt om patiënten te identificeren die na een huisbezoek van een arts naar het ziekenhuis zullen worden doorverwezen.

Het gebied onder de ROC-curve (AROC) geeft een algemene maat voor de prestaties van een classificatiesysteem.

Opgemerkt moet worden dat alle gegevens die in deze studie worden gebruikt retrospectief zijn. Het model is ontworpen met gegevens van 2023 en eerder (tot en met 2017), en de "prospectieve" gegevens zijn die na zijn ontwerp en zullen de gegevens voor 2024 zijn.

- Primair eindpunt (PE): Vergelijking van AROC's verkregen uit representatieve steekproeven van retrospectieve en prospectieve gegevens van SOS Médecins Paris.

2.2. Secundaire doelstellingen en eindpunten Externe validatie op patiëntgegevens van afzonderlijke geografische locaties is noodzakelijk om te begrijpen hoe modellen ontwikkeld op één locatie veilig en effectief kunnen worden geïmplementeerd op andere locaties.

- Secundaire Doelstelling #1 (SO1): Externe validatie van het triagemodel

• Secundair Eindpunt #1 (SEP1): Vergelijking van AROC's verkregen uit representatieve steekproeven van retrospectieve gegevens van SOS Médecins Grand Paris en Ajaccio.
• SEP2: Vergelijking van de voorspellingen van het triagemodel met die van een expertarts.
• Secundair Eindpunt #2 (SEP2): Vergelijking van correcte voorspellingspercentages tussen het triagemodel en een expertarts op een gebalanceerde niet-representatieve steekproef (d.w.z. bestaande uit 50% van de patiënten die na een huisbezoek van de arts naar het ziekenhuis worden doorverwezen, in plaats van 3% zoals in werkelijkheid het geval is) van gegevens van SOS Médecins Grand Paris.

Verschillende op AI gebaseerde triagesystemen zijn discriminerend bevonden. Twee bekende voorbeelden illustreren dit punt:

• de selectie van computertechnici die solliciteren naar banen op basis van hun cv's: het systeem was getraind met bestaande ingenieurs, die overwegend mannelijk waren, en het benadeelde vrouwen;
• De detectie van melanomen uit dermatoscoopafbeeldingen: het systeem was getraind met lichte huidskleuren en was niet zo effectief op donkere huidskleuren.
• OS3: Studie van mogelijke discriminatieverschijnselen geassocieerd met het model, in relatie tot de sociale kenmerken van patiënten.
• Secundair eindpunt #3 (CJS3): Vergelijking van AROC's verkregen uit representatieve steekproeven van SOS Médecins Grand Paris-gegevens voor beide geslachten.

De overgang van een gevalideerd voorspellend model naar een efficiënt apparaat in reële omstandigheden is een bekende uitdaging in AI.

- SO4: Bepaling van de reële gebruiksvoorwaarden van het model door MDA's.

- Secundair eindpunt #4 (SEP4): Opstellen van specificaties voor de implementatie van het triagesysteem door MDA's

Selectie en uitsluiting van individuen uit de studie 3.1. Inclusiecriteria Personen van elke leeftijd die in 2024 of eerder een huisbezoek van een SOS-arts ontvingen na een oproep.

3.2. Exclusiecriteria Personen die geen Frans spreken. Personen zonder ziektekostenverzekering.

Beschrijving van de studie 4.1. Type studie Dit is in essentie een studie om een op AI gebaseerd patiëntentriagemodel te valideren. Het zal worden uitgevoerd met behulp van observationele gegevens.

4.2. Onderzoeksproces 4.2.1. Locatie van het onderzoek De studie zal worden uitgevoerd op de SOS Médecins-locaties. Medische experts van SOS Médecins Grand Paris zullen worden gerekruteerd om de SO2 uit te voeren.

4.2.2. Rekruteringsmethoden Gegevens verzameld door SOS Médecins in de loop van zijn activiteiten zullen worden gebruikt.

4.2.3. Patiëntenzorgprocedures Het project richt zich op de noodzaak om ziekenhuizen te gebruiken om te voldoen aan de vraag naar dringende of ongeplande zorg van patiënten in de gemeenschap. Het zal echter niet interfereren met patiëntenzorg.

4.2.4. Studie-uitstapprocedures Patiënten die verzoeken te worden uitgesloten, zullen worden uitgesloten.

4.2.5. Gegevensverzameling

• PO (prospectieve validatie), SO1 (externe validatie) en SO3 (discriminatie):

De gebruikte gegevens zullen die zijn die al zijn verzameld in de loop van de activiteiten van SOS Médecins. Beide locaties (Parijs en Ajaccio, Corsica) gebruiken dezelfde software om telefoongesprekken te beheren vanaf het moment dat ze worden ontvangen en opgenomen tot het einde van het SOS-zorgproces (d.w.z. het einde van het huisbezoek in ons geval), inclusief de invoer van administratieve en medische gegevens (SOS Médecins-dossier). Hier is de lijst van gegevens die zullen worden gebruikt en hoe ze zullen worden verwerkt voor analyse:

- Transcripties van audio-opnames van gesprekken tussen patiënten en MDA's. AI-voorspellingen zullen worden gemaakt op basis van deze transcripties (en alleen deze transcripties).

• Gegevens uit het SOS Médecins-dossier:
• dag van de week, maand, jaar en tijd van het telefoongesprek;
• het volkstellingsgebiednummer van de bezoekplaats zal worden verkregen uit het adres verstrekt door de patiënt. Volkstellingsgebieden zijn de kleinste ruimtelijke eenheden waarvoor statistische gegevens beschikbaar zijn terwijl de anonimiteit van zijn inwoners behouden blijft. Verschillende sociaaleconomische variabelen van de INSEE (Nationaal Instituut voor Statistiek en Economische Studies) volkstelling zijn beschikbaar op dit niveau, zoals werkloosheidscijfers, middelbare schooldiploma's, arbeiders, mediaan inkomen, de sociale achterstandsindex (ook bekend als FDep voor Franse DEPrivation index) en EDI (voor Ecologische Deprivatie Index). Deze verschillende variabelen bieden ecologische (in tegenstelling tot individuele) maatregelen van de sociale positie van de individuen die daar wonen;
• redenen voor de oproep, gedefinieerd door de MDA, gebaseerd op een vooraf gedefinieerde lijst maar niet overeenkomend met een internationale classificatie. Meerdere redenen kunnen worden gerapporteerd voor dezelfde oproep;
• niveau van urgentie (4 niveaus), gedefinieerd door de MDA;
• datum en tijd van het einde van het huisbezoek, gedefinieerd door de arts aan het einde van het bezoek
• Consultatie diagnoses, gedefinieerd door de arts aan het einde van het bezoek, gebaseerd op een vooraf gedefinieerde lijst maar niet overeenkomend met een internationale classificatie. Meerdere redenen kunnen worden gerapporteerd voor dezelfde consultatie.
• Status van de patiënt aan het einde van het bezoek (gesloten lijst: ter plaatse gelaten, doorverwijzing naar spoedeisende hulp van het ziekenhuis, oproep van medische spoeddiensten).
• methode van overdracht naar de spoedeisende hulp van het ziekenhuis (gesloten lijst: met eigen vervoer, ambulance, brandweer, SMUR).
• SO2 (medisch expert):

Sommige individuele gegevens zullen worden verzameld van de medische experts die deelnemen aan het bereiken van dit doel: leeftijd, geslacht, lengte van praktijkervaring in het algemeen en binnen SOS Médecins, specialiteit.

Daarnaast zullen deze artsen, na het lezen van de transcripties van telefonische uitwisselingen tussen patiënten en ARMs, worden gevraagd om de kans op ziekenhuisoverdracht van patiënten in te schatten.

Ze zullen twee vragen worden gesteld:

• Wat is de kans dat deze patiënt na het bezoek van de SOS-arts wordt opgenomen in het ziekenhuis? Antwoord door een kruis te plaatsen op de schaal van 0 (geen ziekenhuisopname) tot 100 (ziekenhuisopname).
• Hoe zeker bent u over deze kans? Antwoord door een kruis te plaatsen op de schaal van 0 (geen zekerheid) tot 100 (totale zekerheid)

Beschrijving van de studie-interventies Er zijn geen interventies in deze studie, die strikt observationeel is.

Niettemin beschrijven we hier de organisatie van het werk dat zal worden uitgevoerd om SO2 en SO4 te voltooien.

• SO2 (medisch expert):

Om de voorspellingen van het triagemodel over ziekenhuisgebruik te vergelijken met die van een medisch expert, zullen artsen van SOS Médecins Grand Paris met meer dan vijf jaar ervaring in de organisatie op vrijwillige basis worden gerekruteerd. Elk van deze artsen zal worden gevraagd om de kans op ziekenhuisgebruik in te schatten voor verschillende patiënten/oproepen (zie §4.2.5. Gegevensverzameling).

- SO4 (reële omstandigheden): Een werkgroep bestaande uit statistici, computertechnici, MDA's, SOS-artsen en ergonomieonderzoekers zal worden gevormd om na te denken over de beste manier om MDA's de kans op ziekenhuisgebruik te verstrekken. Verschillende kwesties zullen moeten worden aangepakt: hoe de kans wordt weergegeven op het scherm, de kansdrempel, of de oproep moet worden doorgeschakeld naar de oproeparts (en zo ja, bij welke drempel), de invloed van de kans op het urgentieniveau van de oproep zoals gedefinieerd door de MDA, en de mogelijkheid om prioriteit te geven aan bepaalde urgente verzoeken. Na een eerste werkbijeenkomst zal een versie worden geïmplementeerd met vrijwillige MDA's. Na aanvankelijk gebruik in reële omstandigheden zal feedback worden verzameld en een nieuw experiment uitgevoerd. Ten slotte zullen specificaties voor implementatie in reële omstandigheden worden opgesteld (met redenen voor de gemaakte keuzes) zodat het triagemodel kan worden geïmplementeerd op verschillende IT-platforms.

Statistische analyses 6.1. Berekening van het aantal proefpersonen - PO (prospectieve validatie): Om aan te tonen dat de AROC op prospectieve gegevens verschilt van de ROC op retrospectieve gegevens, als AROC's van respectievelijk 0,75 en 0,80 worden waargenomen, hebben we 13.560 patiënten/oproepen per steekproef nodig (d.w.z. 407 patiënten die naar het ziekenhuis zullen worden doorverwezen en 13.153 patiënten die dat niet zullen, in overeenstemming met de 3% van patiënten die naar het ziekenhuis worden doorverwezen waargenomen bij SOS Médecins Grand Paris), uitgaande van een alfarisico van 5%, een power van 90% en een tweezijdige test. Dit resultaat werd verkregen met behulp van de power tworoc-functie van de Statistische software Stata.

- SO1 (externe validatie): Volgens dezelfde berekening als voor de OP, zal een steekproef van 13.560 patiënten moeten worden gemobiliseerd in Ajaccio, Corsica.

- SO2 (expertartsen): Terwijl alle andere analyses zullen worden gebaseerd op representatieve steekproeven, zal deze analyse worden gebaseerd op een gebalanceerde steekproef (d.w.z. samengesteld uit 50% van de patiënten die naar het ziekenhuis zullen worden doorverwezen en 50% die dat niet zullen) om twee redenen. Met een laag percentage ziekenhuisverwijzingen (3%) en een laag aantal oproepen dat moet worden beoordeeld voor elk van de expertartsen, zou een mogelijke strategie voor een arts die goede prestaties wil garanderen zijn om nooit patiënten naar het ziekenhuis te verwijzen. Bovendien zou een representatieve steekproef geen studie van fout-negatieven mogelijk maken (patiënten met een lage geschatte kans op ziekenhuisverwijzing wanneer ze in feite wel worden doorverwezen) omdat er te weinig van zouden zijn.

Om een verschil in het correcte voorspellingspercentage tussen het triagemodel en een expertarts te benadrukken, zouden 365 oproepen van patiënten die het ziekenhuis gebruiken (en hetzelfde aantal patiënten die het niet gebruiken) nodig zijn, uitgaande van een correct voorspellingspercentage van 58% (zie bijlagen §12.2 voor de bepaling van dit percentage) en 68% (a priori keuze van 10 extra procentpunten) voor respectievelijk het triagemodel en de expertarts, met een alfarisico van 5%, een power van 80% en een tweezijdige test (Stat's power twoproportions-functie).

Gebaseerd op een beoordeling van één oproep elke 5 minuten, zal in totaal 61 uur medische experttijd nodig zijn. Gebaseerd op 4 uur werk per arts, komt dit overeen met 16 medische experts die moeten worden gerekruteerd.

- SO3 (discriminatie): Volgens dezelfde berekening als voor de PO, zal een steekproef van 13.560 patiënten van elk geslacht moeten worden gemobiliseerd als we een verschil in AROC van het triagemodel tussen mannen en vrouwen willen aantonen. De geslachtsverhouding van mensen die SOS Médecins Grand Paris bellen is bijna 1. Zowel retrospectieve als prospectieve steekproeven van SOS Médecins Grand Paris van de PO zullen worden gebruikt.

6.2. Beschrijving van de gebruikte statistische analyses De studie zal worden uitgevoerd in overeenstemming met de TRIPOD-AI-aanbevelingen, de richtlijnen voor het rapporteren van prognostische en diagnostische studies (specifiek voor AI)

6.2.1. Selectie van individuen die moeten worden opgenomen in de analyses Voor alle doelstellingen zal de selectie van individuen die moeten worden opgenomen worden gemaakt door willekeurige trekking op basis van een rond aantal jaren. Dit zal alle uren van de dag, dagen van de week en maanden van het jaar dekken. Voor SO3 zal de niet-representatieve steekproef 50% van de patiënten bevatten die naar het ziekenhuis worden doorverwezen.

6.2.2. Beschrijvende statistiek Beschrijvende analyses zullen worden uitgevoerd voor alle verzamelde variabelen. Kwantitatieve variabelen zullen worden beschreven met hun gemiddelde, mediaan, standaarddeviatie, 95% betrouwbaarheidsinterval, interkwartielbereik, minimum, maximum, aantal ontbrekende waarden en aantal onbruikbare waarden. Kwalitatieve variabelen zullen worden beschreven door hun percentages en 95% betrouwbaarheidsinterval. De verstreken tijd tussen de oproep en het einde van het bezoek zal worden gepresenteerd. Deze analyses zullen worden uitgevoerd op alle steekproeven en gestratificeerd volgens ziekenhuisgebruik.

6.2.3. Analyse van het primaire eindpunt We beginnen met het presenteren van de generieke analysestrategie die zal worden gebruikt voor verschillende doeleinden.

Om de prestaties van de verschillende triagesystemen (AI en medisch expert) op verschillende steekproeven (prospectief of retrospectief, in Parijs of Ajaccio, Corsica) van patiënten te evalueren, zullen ROC- en precisie-recall (PR)-curven worden uitgezet en de gebieden onder deze curven (AROC en APR) geschat. De AROC stelt ons in staat om de algehele prestaties van een classificatiesysteem te meten. APR zal ook worden gebruikt omdat het bijzonder informatief is bij het evalueren van binaire classificatiesystemen op ongeb balanceerde datasets, waarin het aantal negatieve resultaten veruit het aantal positieve resultaten overtreft (wat overeenkomt met onze situatie). Om twee triagesystemen te vergelijken (AI en medisch expert, bijvoorbeeld) of hetzelfde triagesysteem (AI, bijvoorbeeld) op twee verschillende populaties (Parijs en Ajaccio, Corsica, bijvoorbeeld), zullen hun AROC's worden vergeleken.

Bovendien, om prestaties op een betekenisvolle manier te evalueren vanuit een operationeel perspectief, zullen gevoeligheid (Sen), specificiteit (Spe), positief voorspellende waarden (PPV) en negatief voorspellende waarden (NPV) worden berekend voor verschillende drempels.

- PO (prospectieve validiteit): De generieke analysestrategie voor het AI-triagemodel zal worden uitgevoerd op twee representatieve steekproeven, één retrospectief (2023 en eerdere jaren) en één prospectief (2024 jaren) van SOS Médecin Grand Paris.

6.2.4. Analyse van secundaire eindpunten

- SO1 (externe validiteit): De generieke analysestrategie met betrekking tot het AI-triagemodel zal worden uitgevoerd op twee representatieve retrospectieve steekproeven van SOS Médecin Grand Paris en Ajaccio, Corsica.

- SO2 (expertartsen): De correcte voorspellingspercentages van de twee triagesystemen (AI en expertartsen) zullen worden vergeleken met behulp van een statistische test.

Op een meer verkennende basis:

- De AROC's van de twee triagesystemen zullen worden berekend (generieke analysestrategie).

- De voorspelverschillen tussen de twee triagesystemen zullen worden gemodelleerd op basis van werkelijke ziekenhuisgebruik en patiëntkenmerken.

- Gewogen kappa-coëfficiënten zullen worden berekend tussen de twee voorspellingen.

- gevoeligheidsanalyses zullen worden uitgevoerd op basis van het zekerheidsniveau gerapporteerd door medische experts (vooral hoge en lage zekerheidsniveaus);

• gestratificeerde analyses van werkelijke ziekenhuisgebruik zullen worden uitgevoerd (studie van ware positieven en ware negatieven).

Waar mogelijk zullen de analyses rekening houden met het feit dat dezelfde medische expert mogelijk verschillende oproepen/patiënten heeft onderzocht.

• SO3 (discriminatie):

Discriminatie zal worden onderzocht volgens de volgende sociale kenmerken: leeftijd, geslacht en sociale positie (geschat op basis van de sociaaleconomische kenmerken van het volkstellingsgebied van de bezoekplaats). . Leeftijd en ecologische variabelen van sociale positie zullen worden gebruikt in de vorm van tertielen en kwintielen. De generieke analysestrategie met betrekking tot het AI-triagemodel op representatieve steekproeven van SOS Médecin Grand Paris gestratificeerd volgens de bovengenoemde sociale kenmerken zal worden uitgevoerd. De vergelijking van AROC's zal bepalen of triage even effectief is volgens de bovengenoemde sociale kenmerken.

Bovendien zal een vergelijking van successen (ware positieven en ware negatieven gezamenlijk en afzonderlijk) volgens de bovengenoemde kenmerken ook worden uitgevoerd met behulp van univariate en vervolgens multivariate logistische modellen. Deze analyses zullen worden uitgevoerd voor verschillende risicodrempels.

- SO4 (reële omstandigheden) Na discussies onder collega's en grootschalige tests, zullen specificaties voor implementatie in reële omstandigheden worden opgesteld zodat het triagemodel kan worden geïmplementeerd op verschillende IT-platforms. De redenering achter de gemaakte keuzes zal worden gespecificeerd in deze specificaties.