Poprawa dokładności triażu z wykorzystaniem sztucznej inteligencji w opiece podstawowej

Tło Personel przychodni lekarskiej przeprowadza wstępną kwalifikację pacjentów kontaktujących się z nimi, aby optymalnie wykorzystać zasoby i zapewnić bezpieczeństwo pacjentów. Większość przychodni lekarskich korzysta z systemów konsultacji online, które umożliwiają pacjentom kontakt z przychodnią za pomocą formularza online. Mogą one zostać przesłane bez rozmowy z członkiem personelu, tym samym omijając zwykły proces wstępnej kwalifikacji. Systemy konsultacji online mogą przeprowadzać wstępną kwalifikację pacjentów przy użyciu 'sztucznej inteligencji' (AI), jednak brakuje badań dotyczących ich działania. My (University of Manchester; UoM) proponujemy wypełnienie tej luki poprzez współpracę z dostawcą systemu konsultacji online z opcjonalną funkcjonalnością wstępnej kwalifikacji AI (Patchs).

Pytania badawcze Główne pytanie badawcze: czy można opracować modele AI, które mogą odtwarzać decyzje lekarzy dotyczące wstępnej kwalifikacji?

1. Z jakimi wyzwaniami spotykają się pacjenci i przychodnie lekarskie podczas wstępnej kwalifikacji pacjentów w opiece podstawowej i jakie są ich przyczyny?
2. Który model AI działa najlepiej w przypadku wstępnej kwalifikacji pacjentów w opiece podstawowej?
3. Czy skuteczność wstępnej kwalifikacji AI utrzymuje się w różnych regionach geograficznych?
4. Czy skuteczność wstępnej kwalifikacji AI utrzymuje się w czasie?
5. Jak skuteczność wstępnej kwalifikacji AI wypada w porównaniu z obecną praktyką kliniczną?
6. Czy skuteczność wstępnej kwalifikacji AI zmienia się po wdrożeniu do praktyki klinicznej?
7. Czy wstępna kwalifikacja AI działa sprawiedliwie dla wszystkich pacjentów? Metody Strumień prac 1: Kwantyfikacja problemu wstępnej kwalifikacji. Przeanalizujemy anonimowe dane historyczne z przychodni lekarskich korzystających z Patchs z wyłączoną funkcją wstępnej kwalifikacji AI. Tam, gdzie są publicznie dostępne, porównamy je z danymi na poziomie praktyki z przychodni lekarskich niekorzystających z Patchs (przychodnie kontrolne). Przeprowadzimy analizy opisowe i wnioskowe, aby zrozumieć potencjalne problemy z wstępną kwalifikacją i czynniki, które na nie wpływają, takie jak opóźnienia w zapewnieniu opieki pacjentom.

Strumień prac 2: Rozwój AI. Wykorzystamy anonimowe dane historyczne z przychodni lekarskich korzystających z Patchs do zbudowania nowych wersji modeli wstępnej kwalifikacji AI obecnie używanych z czterema różnymi podejściami: regresja logistyczna, XGBoost, długoterminowa pamięć krótkotrwała (LSTM) i duży model językowy (LLM). Wykorzystamy wewnętrzno-zewnętrzną walidację krzyżową według regionu geograficznego i porównamy ich skuteczność przy użyciu meta-analizy efektów losowych i analiz podgrup w celu oceny sprawiedliwości (np. w różnych grupach etnicznych). Porównamy ich skuteczność z obecnie używanymi modelami wstępnej kwalifikacji AI. Ostateczna wersja najlepiej działających modeli AI zostanie opracowana przy użyciu całego zestawu danych.

Strumień prac 3: Prospektywna ocena tła. Otrzymamy przewidywania od najlepiej działających modeli AI na podstawie prospektywnie zbieranych danych z przychodni lekarskich korzystających z Patchs bez wstępnej kwalifikacji AI, uruchamiając modele w 'tle'. Przeprowadzimy analizy podgrup w celu oceny sprawiedliwości, jak opisano powyżej.

Strumień prac 4: Prospektywna ocena wdrożenia. Zgodnie z normalnymi aktualizacjami oprogramowania Patchs, zaktualizujemy modele AI w przychodniach lekarskich już korzystających z wstępnej kwalifikacji AI o najlepiej działające wersje. Będziemy prospektywnie mierzyć, jak często personel przychodni lekarskich i pacjenci zgadzają się z przewidywaniami wstępnej kwalifikacji nowych wersji, aby przetestować, czy jej skuteczność przekłada się na rzeczywistą opiekę nad pacjentami. Przeprowadzimy analizy podgrup w celu oceny sprawiedliwości, jak opisano powyżej.

Oczekiwane korzyści Pomogą nam zrozumieć problemy, z jakimi obecnie spotykają się przychodnie lekarskie podczas wstępnej kwalifikacji konsultacji online. Jeśli opracujemy ulepszone modele AI, może to poprawić bezpieczeństwo pacjentów (np. poprzez szybsze udzielenie pomocy pacjentom) i zmniejszyć obciążenie pracą przychodni lekarskich (np. poprzez automatyzację procesu wstępnej kwalifikacji). Przychodnie lekarskie i ich pacjenci w Strumieniu prac 4 skorzystaliby natychmiast. Dostarczymy dowodów przychodniom lekarskim, które obecnie nie korzystają z wstępnej kwalifikacji AI, czy powinny ją wdrożyć.