Ocena i optymalizacja triażu telefonicznego z wykorzystaniem modeli sztucznej inteligencji (AI) do wykrywania zapotrzebowania na patologie zależne od czasu w Centrum Koordynacji Nagłych i Pilnych Zdarzeń Medycznych (CCUE). (TrIAje Project)

Centrum Koordynacji Pomocy Doraźnej i Ratunkowej w Andaluzji (CCUE) odbiera codziennie tysiące połączeń, podczas których każdy przypadek musi zostać sklasyfikowany według poziomu ciężkości na podstawie informacji przekazanych telefonicznie. Warunki, z powodu których obywatele szukają pomocy, obejmują szeroki zakres – od drobnych dolegliwości po zatrzymanie akcji serca. Ten projekt podejmuje wyzwanie triażu telefonicznego w pozaszpitalnych stanach nagłych dla kilku częstych przyczyn zgłoszeń, które mogą wskazywać na nagłe i potencjalnie zagrażające życiu schorzenia medyczne: utratę przytomności/zatrzymanie krążenia, niewydolność oddechową, niemięśniowy ból w klatce piersiowej oraz udar.

Celem jest poprawa dokładności i efektywności triażu telefonicznego przy użyciu zaawansowanych technik sztucznej inteligencji (AI) – zarówno symbolicznych, jak i generatywnych – w tym uczenia maszynowego (ML) i przetwarzania języka naturalnego (NLP). Umożliwi to operatorom CCUE CES-061 Andaluzja podejmowanie szybszych, lepiej poinformowanych decyzji w celu zapewnienia terminowej i odpowiedniej opieki.

Badacze zbiorą anonimowe dane historyczne z połączeń dotyczących tych czterech kategorii zgłoszeń, wyodrębnione z relacyjnych systemów baz danych Sieciowych Centrów Koordynacyjnych (CCR) oraz Mobilnego Cyfrowego Rejestru Zdrowia (HCDM) CES-061 Andaluzja. Analiza obejmie zarówno dane strukturalne (predefiniowane pola o określonych formatach, w tym pytania triażowe zadawane podczas rozmowy), jak i dane niestrukturalne (dowolny tekst i inne formaty) generowane podczas zarządzania zgłoszeniami, obejmujące aspekty koordynacji i świadczenia opieki.

Badacze wdrożą podejście hybrydowe, które integruje klasyczne techniki AI (uczenie nadzorowane i głębokie do klasyfikacji) z generatywną AI (duże modele językowe do analizowania i wyodrębniania cennych informacji z danych niestrukturalnych). Różne algorytmy klasyfikacyjne – takie jak drzewa decyzyjne, lasy losowe, SVM, XGBoost, metody zespołowe i sieci neuronowe – zostaną przetestowane w celu zbudowania najbardziej dokładnego modelu predykcyjnego.

Poprzez analizę istotności cech zidentyfikujemy najbardziej predykcyjne pytania i zmienne, proponując modyfikacje obecnych pytań triażowych w celu poprawy dokładności predykcji.

Model zostanie oceniony przy użyciu wielu metryk (w tym dokładności, czułości, specyficzności, dodatnich i ujemnych ilorazów wiarygodności, wskaźnika fałszywie pozytywnych [błąd alarmu], wskaźnika fałszywie negatywnych [błąd pominięcia], pola pod krzywą ROC i F1-score). Te metryki pomogą ocenić zdolność modelu do prawidłowego przewidywania ostatecznych diagnoz – maksymalizując wykrywanie naprawdę pilnych przypadków (wysoka czułość, wysoki dodatni iloraz wiarygodności i niski wskaźnik fałszywie negatywnych), przy jednoczesnym unikaniu nadmiernych fałszywie pozytywnych (wysoka specyficzność, niski wskaźnik fałszywie pozytywnych i niski ujemny iloraz wiarygodności).

Celem tego projektu jest ocena skuteczności obecnego modelu triażu telefonicznego CCUE i opracowanie nowego modelu opartego na AI w celu jego poprawy. Chcemy zapewnić solidne podstawy dla przyszłego wdrożenia ulepszonego modelu w ramach CCUE, pomagając personelowi w szybkiej identyfikacji i priorytetyzacji najcięższych przypadków, co ostatecznie zmniejszy czasy reakcji i poprawi wyniki zdrowotne.