Evaluering og optimalisering av telefontriaging ved bruk av kunstig intelligens (AI) modeller for deteksjon av krav til tidsavhengig patologi ved Akutt- og Legevaktskoordineringssenteret (CCUE). (TrIAje Project)

Nød- og akuttmedisinsk koordineringssenter i Andalucía (CCUE) mottar tusenvis av anrop daglig, hvor hvert enkelt tilfelle må klassifiseres etter alvorlighetsgrad basert på informasjonen som gis over telefonen. Forholdene som innbyggerne søker hjelp for spenner over et bredt spekter – fra mindre plager til hjertestans. Dette prosjektet adresserer utfordringen med telefonisk triasje i utenom-sykehus akuttmedisinske situasjoner for flere hyppige grunner til behandlingsforespørsler som kan indikere akutte og potensielt livstruende medisinske tilstander: bevisstløshet/hjertestans, pustebesvær, ikke-traumatisk brystsmerte og slag.

Målet er å forbedre nøyaktigheten og effektiviteten til telefonisk triasje ved bruk av avanserte kunstig intelligens (AI)-teknikker – både symbolske og generative – inkludert maskinlæring (ML) og naturlig språkbehandling (NLP). Dette vil gjøre det mulig for CCUE CES-061 Andalucía-operatører å ta raskere, mer informerte beslutninger for å gi rettidig og passende behandling.

Forskerne vil samle inn anonymiserte historiske data fra anrop relatert til disse fire kategoriene av behandlingsforespørsler, hentet fra de relasjonsdatabase-systemene til de nettverksbaserte koordineringssentrene (CCR) og den mobile digitale helseregisteren (HCDM) til CES-061 Andalucía. Analysen vil inkludere både strukturert data (forhåndsdefinerte felt med spesifikke formater, inkludert triasjespørsmål som stilles under anropet) og ustrukturert data (fri tekst og andre formater) generert under etterspørselshåndtering, som omfatter koordinerings- og behandlingsaspekter.

Forskerne vil implementere en hybrid tilnærming som integrerer klassiske AI-teknikker (overvåket og dyp læring for klassifisering) med generativ AI (store språkmodeller for å analysere og trekke ut verdifulle innsikter fra ustrukturert data). Ulike klassifiseringsalgoritmer – som beslutningstrær, tilfeldige skoger, SVM, XGBoost, ensemble-metoder og nevrale nettverk – vil bli testet for å bygge den mest nøyaktige prediktive modellen.

Gjennom analyse av funksjonsviktighet vil vi identifisere de mest prediktive spørsmålene og variablene, og foreslå endringer i de nåværende triasjespørsmålene for å forbedre prediksjonsnøyaktigheten.

Modellen vil bli evaluert ved bruk av flere mål (inkludert nøyaktighet, sensitivitet, spesifisitet, positive og negative sannsynlighetsforhold, falsk positiv rate [alarmfeil], falsk negativ rate [utelatelsesfeil], område under ROC-kurven og F1-score). Disse målene vil bidra til å vurdere modellens evne til å korrekt forutsi endelige diagnoser – maksimere oppdagelsen av virkelig akutte tilfeller (høy sensitivitet, høyt positivt sannsynlighetsforhold og lav falsk negativ rate) samtidig som man unngår overdrevne falske positiver (høy spesifisitet, lav falsk positiv rate og lavt negativt sannsynlighetsforhold).

Målet med dette prosjektet er å vurdere effektiviteten til den nåværende CCUE-telefoniske triasjemodellen og utvikle en ny AI-basert modell for å forbedre den. Vi har som mål å gi et solid grunnlag for fremtidig implementering av den forbedrede modellen innenfor CCUE-er, og hjelpe personell med raskt å identifisere og prioritere de mest alvorlige tilfellene, noe som til slutt reduserer responsider og forbedrer helseutfall.