Avaliação e Otimização da Triagem Telefónica Utilizando Modelos de Inteligência Artificial (IA) para a Deteção de Procura de Patologia Tempo-dependente no Centro de Coordenação de Urgência e Emergência (CCUE). (TrIAje Project)

O Centro de Coordenação de Emergência e Urgência na Andaluzia (CCUE) recebe milhares de chamadas diariamente, durante as quais cada caso deve ser classificado por nível de gravidade com base nas informações fornecidas por telefone. As condições pelas quais os cidadãos procuram ajuda abrangem uma ampla gama—desde doenças menores até paragem cardíaca. Este projeto aborda o desafio do triagem telefónico em emergências extra-hospitalares para vários motivos frequentes de pedidos de cuidados que podem indicar condições médicas emergentes e potencialmente fatais: inconsciência/paragem cardíaca, dificuldade respiratória, dor torácica não traumática e acidente vascular cerebral.

O objetivo é melhorar a precisão e eficiência do triagem telefónico utilizando técnicas avançadas de Inteligência Artificial (IA)—tanto simbólicas como generativas—incluindo aprendizagem automática (ML) e processamento de linguagem natural (NLP). Isto permitirá que os operadores do CCUE CES-061 Andaluzia tomem decisões mais rápidas e informadas para prestar cuidados oportunos e adequados.

Os investigadores irão recolher dados históricos anónimos de chamadas relacionadas com estas quatro categorias de pedidos de cuidados, extraídos dos sistemas de base de dados relacionais dos Centros de Coordenação em Rede (CCR) e do Registo Digital de Saúde Móvel (HCDM) do CES-061 Andaluzia. A análise incluirá tanto dados estruturados (campos predefinidos com formatos específicos, incluindo perguntas de triagem feitas durante a chamada) como dados não estruturados (texto livre e outros formatos) gerados durante a gestão da procura, abrangendo aspectos de coordenação e prestação de cuidados.

Os investigadores irão implementar uma abordagem híbrida que integra técnicas clássicas de IA (aprendizagem supervisionada e profunda para classificação) com IA generativa (modelos de linguagem de grande escala para analisar e extrair informações valiosas de dados não estruturados). Vários algoritmos de classificação—como árvores de decisão, florestas aleatórias, SVM, XGBoost, métodos de conjunto e redes neuronais—serão testados para construir o modelo preditivo mais preciso.

Através da análise de importância de características, identificaremos as perguntas e variáveis mais preditivas, propondo modificações às perguntas de triagem atuais para melhorar a precisão da previsão.

O modelo será avaliado utilizando múltiplas métricas (incluindo precisão, sensibilidade, especificidade, rácios de verosimilhança positivos e negativos, taxa de falsos positivos [falha de alarme], taxa de falsos negativos [falha de omissão], área sob a curva ROC e pontuação F1). Estas métricas ajudarão a avaliar a capacidade do modelo para prever corretamente os diagnósticos finais—maximizando a deteção de casos verdadeiramente urgentes (alta sensibilidade, alto rácio de verosimilhança positivo e baixa taxa de falsos negativos) enquanto evita falsos positivos excessivos (alta especificidade, baixa taxa de falsos positivos e baixo rácio de verosimilhança negativo).

O objetivo deste projeto é avaliar a eficácia do modelo atual de triagem telefónico do CCUE e desenvolver um novo modelo baseado em IA para o melhorar. Pretendemos fornecer uma base sólida para a futura implementação do modelo melhorado nos CCUEs, ajudando o pessoal a identificar e priorizar rapidamente os casos mais graves, reduzindo finalmente os tempos de resposta e melhorando os resultados de saúde.