Melhorar a Precisão da Triagem por Inteligência Artificial nos Cuidados de Saúde Primários

O pessoal das clínicas de medicina geral e familiar (MGF) faz a triagem dos doentes que contactam com eles para fazer o melhor uso dos recursos e manter a segurança dos doentes. A maioria das clínicas de MGF utiliza sistemas de consulta online que permitem aos doentes contactar a sua clínica através de um formulário online. Estes podem ser submetidos sem falar com um membro do pessoal, contornando assim o processo habitual de triagem. Os sistemas de consulta online podem fazer a triagem dos doentes usando 'Inteligência Artificial' (IA), embora haja uma falta de investigação sobre o seu desempenho. Nós (A Universidade de Manchester; UoM) propomo-nos preencher esta lacuna colaborando com um fornecedor de sistema de consulta online com funcionalidade opcional de triagem por IA (Patchs).

Questões de investigação Questão geral de investigação: é possível desenvolver modelos de IA que possam replicar as decisões de triagem dos clínicos?

1. Que desafios enfrentam os doentes e as clínicas de MGF ao fazer a triagem de doentes nos cuidados primários, e quais são os seus impulsionadores?
2. Qual é o modelo de IA com melhor desempenho para fazer a triagem de doentes nos cuidados primários?
3. O desempenho da triagem por IA mantém-se em diferentes regiões geográficas?
4. O desempenho da triagem por IA mantém-se ao longo do tempo?
5. Como é que o desempenho da triagem por IA se compara com a prática clínica atual?
6. O desempenho da triagem por IA muda quando implementado na prática clínica?
7. A triagem por IA funciona de forma justa para todos os doentes? Métodos Fluxo de trabalho 1: Quantificação do problema de triagem. Vamos analisar dados históricos anonimizados de clínicas de MGF que utilizam o Patchs com a triagem por IA desativada. Sempre que disponíveis publicamente, iremos comparar estes dados com dados a nível de prática de clínicas de MGF que não utilizam o Patchs (clínicas de controlo). Realizaremos análises descritivas e inferenciais para compreender potenciais problemas de triagem e fatores que os influenciam, como atrasos na prestação de cuidados aos doentes.

Fluxo de trabalho 2: Desenvolvimento de IA. Utilizaremos dados históricos anonimizados de clínicas de MGF que utilizam o Patchs para construir novas versões dos modelos de triagem por IA atualmente em uso com quatro abordagens diferentes: regressão logística, XGBoost, memória de longo-curto prazo (LSTM), e modelo de linguagem grande (LLM). Utilizaremos validação cruzada interna-externa por região geográfica e compararemos o seu desempenho usando meta-análise de efeitos aleatórios e análises de subgrupos para avaliar a justiça (ex. através de etnias). Compararemos o seu desempenho com os modelos de triagem por IA atualmente em uso. A versão final dos modelos de IA com melhor desempenho será desenvolvida usando todo o conjunto de dados.

Fluxo de trabalho 3: Avaliação prospetiva em segundo plano. Obteremos previsões dos modelos de IA com melhor desempenho em dados recolhidos prospetivamente de clínicas de MGF que utilizam o Patchs sem triagem por IA, executando os modelos em 'segundo plano'. Realizaremos análises de subgrupos para avaliar a justiça, conforme descrito acima.

Fluxo de trabalho 4: Avaliação prospetiva da implementação. De acordo com as atualizações normais do software Patchs, atualizaremos os modelos de IA nas clínicas de MGF que já utilizam triagem por IA com as versões de melhor desempenho. Mediremos prospetivamente com que frequência o pessoal das clínicas de MGF e os doentes concordam com as previsões de triagem das novas versões para testar se o seu desempenho se traduz em cuidados reais aos doentes. Realizaremos análises de subgrupos para avaliar a justiça, conforme descrito acima.

Benefícios esperados Ajudaremos a compreender os problemas atualmente enfrentados pelas clínicas de MGF durante a triagem de consultas online. Se desenvolvermos modelos de IA melhorados, poderá haver uma melhoria na segurança dos doentes (ex. ajudando os doentes a receber ajuda mais rapidamente) e uma redução da carga de trabalho das clínicas de MGF (ex. automatizando o processo de triagem). As clínicas de MGF e os seus doentes no Fluxo de trabalho 4 beneficiariam imediatamente. Forneceremos evidências para que as clínicas de MGF que atualmente não utilizam triagem por IA decidam se a devem adotar.