Повышение точности искусственного интеллекта в сортировке пациентов в первичной медицинской помощи
Повышение точности триажа с использованием искусственного интеллекта в первичной медицинской помощи
ПОЧЕМУ МЫ ЭТО ДЕЛАЕМ? Когда пациенты обращаются в свою врачебную практику, первым шагом является определение того, какая помощь им нужна и как быстро она требуется. Это называется «триаж» и важно для безопасности пациентов.
Искусственный интеллект (ИИ) может помочь ускорить триаж. Хотя ИИ уже используется в NHS, мы не знаем, насколько он точен и справедливо ли он относится ко всем пациентам.
ЧТО МЫ БУДЕМ ДЕЛАТЬ?
Мы соберем анонимные данные от пациентов, использующих систему ИИ-триажа под названием Patchs в врачебных практиках Англии. Проект продлится четыре года. Мы проанализируем данные в четыре этапа:
- Изучим данные из врачебных практик, использующих Patchs без ИИ-триажа, чтобы увидеть, как они в настоящее время проводят триаж пациентов и с какими проблемами сталкиваются.
- Используем данные из врачебных практик, использующих Patchs (как с включенным, так и с выключенным ИИ), чтобы повысить точность ИИ-триажа.
- Проверим данные из врачебных практик, использующих Patchs с выключенным ИИ-триажем, чтобы измерить, насколько хорошо работает обновленная система ИИ.
- Предоставим улучшенную систему ИИ-триажа врачебным практикам, которые уже используют ИИ.
На каждом этапе мы будем проверять, справедливо ли относятся к пациентам из разных социальных групп.
КАК МЫ БУДЕМ АНАЛИЗИРОВАТЬ ДАННЫЕ? Мы будем использовать статистические методы для сравнения решений по триажу, принятых ИИ, с решениями, принятыми медицинским персоналом. Этот анализ также будет использоваться для проверки того, что ИИ работает справедливо для пациентов из разных социальных групп.
КАКУЮ РАЗНИЦУ МЫ СДЕЛАЕМ? Наше исследование покажет проблемы с триажем и объяснит, как улучшенная система ИИ может помочь пациентам быстрее получить необходимую им помощь.
Обзор исследования
Статус
Вмешательство/лечение
Подробное описание
Персонал врачей общей практики проводит сортировку пациентов, обращающихся к ним, для оптимального использования ресурсов и обеспечения безопасности пациентов. Большинство врачебных практик используют системы онлайн-консультаций, позволяющие пациентам связываться с ними через онлайн-формы. Их можно подать без разговора с сотрудником, минуя обычный процесс сортировки. Системы онлайн-консультаций могут проводить сортировку с помощью «искусственного интеллекта» (ИИ), однако исследований их эффективности недостаточно. Мы (Манчестерский университет; UoM) предлагаем восполнить этот пробел, сотрудничая с поставщиком системы онлайн-консультаций с опциональной функцией сортировки ИИ (Patchs).
Исследовательские вопросы Основной вопрос исследования: возможно ли разработать модели ИИ, способные воспроизводить решения клиницистов по сортировке?
- С какими проблемами сталкиваются пациенты и врачебные практики при сортировке пациентов в первичном звене здравоохранения и каковы их причины?
- Какая модель ИИ демонстрирует наилучшую производительность для сортировки пациентов в первичном звене?
- Сохраняется ли эффективность сортировки ИИ в разных географических регионах?
- Сохраняется ли эффективность сортировки ИИ со временем?
- Как эффективность сортировки ИИ сравнивается с текущей клинической практикой?
- Меняется ли эффективность сортировки ИИ при внедрении в клиническую практику?
- Работает ли сортировка ИИ справедливо для всех пациентов? Методы Направление 1: Количественная оценка проблем сортировки. Мы проанализируем анонимизированные исторические данные из врачебных практик, использующих Patchs с отключенной сортировкой ИИ. При общедоступности мы сравним их с данными практик, не использующих Patchs (контрольные группы). Мы проведем описательный и статистический анализ для выявления потенциальных проблем сортировки и влияющих факторов, таких как задержки в оказании помощи.
Направление 2: Разработка ИИ. Мы используем анонимизированные исторические данные практик, применяющих Patchs, для создания новых версий моделей сортировки ИИ с четырьмя подходами: логистическая регрессия, XGBoost, долгая краткосрочная память (LSTM) и большая языковая модель (LLM). Применим кросс-валидацию по географическим регионам и сравним производительность мета-анализом случайных эффектов и подгрупповым анализом для оценки справедливости (напр. по этническим группам). Сравним их эффективность с текущими моделями ИИ. Финальные версии лучших моделей будут разработаны на полном наборе данных.
Направление 3: Проспективная фоновая оценка. Мы получим прогнозы лучших моделей ИИ на проспективных данных из практик, использующих Patchs без сортировки ИИ, запуская модели в «фоновом» режиме. Проведем подгрупповой анализ для оценки справедливости, как указано выше.
Направление 4: Проспективная оценка внедрения. В рамках обычных обновлений Patchs мы заменим модели ИИ в практиках, уже использующих сортировку ИИ, на лучшие версии. Мы проспективно измерим частоту согласия персонала и пациентов с прогнозами сортировки, чтобы проверить эффективность в реальных условиях. Проведем подгрупповой анализ для оценки справедливости, как указано выше.
Ожидаемые преимущества Мы поможем понять текущие проблемы сортировки в онлайн-консультациях. При успешной разработке улучшенных моделей ИИ возможны: повышение безопасности пациентов (напр. за счет ускорения помощи) и снижение нагрузки на персонал (напр. через автоматизацию сортировки). Практики и их пациенты в Направлении 4 получат немедленную выгоду. Мы предоставим доказательства для практик, не использующих сортировку ИИ, для принятия решения о её внедрении.
Тип исследования
Регистрация (Оцененный)
Фаза
- Непригодный
Контакты и местонахождение
Контакты исследования
- Имя: Benjamin C Brown, MRCGP, PhD
- Номер телефона: +44 161 306 9966
- Электронная почта: benjamin.brown@manchester.ac.uk
Места учебы
-
-
-
London, Соединенное Королевство
- Рекрутинг
- NHS GP practices
-
-
Критерии участия
Критерии приемлемости
Возраст, подходящий для обучения
- Ребенок
- Взрослый
- Пожилой взрослый
Принимает здоровых добровольцев
Описание
Критерии включения:
- Врачебные практики, использующие систему Patchs
Критерии исключения:
- Не применимо
Учебный план
Как устроено исследование?
Детали дизайна
- Основная цель: Исследования в области здравоохранения
- Распределение: Нерандомизированный
- Интервенционная модель: Параллельное назначение
- Маскировка: Тройной
Оружие и интервенции
Группа участников / Армия |
Вмешательство/лечение |
|---|---|
|
Экспериментальный: Искусственный интеллект для сортировки
Врачебные практики, использующие ИИ-сортировку
|
Искусственный интеллект Patchs автоматизирует части процесса сортировки и рабочих процессов для врачебных практик, когда любой пациент использует систему онлайн-консультаций Patchs.
Он предназначен для помощи, а не замены человеческого принятия решений.
Искусственный интеллект Patchs стремится сократить рабочую нагрузку врачебных практик за счет минимизации ручных задач и повысить безопасность пациентов, помогая пациентам получать соответствующую помощь раньше.
Искусственный интеллект Patchs использует информацию о пациенте и его онлайн-консультации, чтобы предложить срочность, клиническую тему, роль персонала и способ проведения консультации.
На основе этих предложений он может предоставить пациентам соответствующую медицинскую информацию, задать вопросы для получения дополнительной информации и/или посоветовать им обратиться к альтернативным поставщикам медицинских услуг.
Предложения от искусственного интеллекта Patchs могут быть приняты или отклонены персоналом врачебной практики и пациентами, что используется для мониторинга его безопасности и переобучения системы.
|
|
Активный компаратор: Нет ИИ-сортировки
Врачебные практики, не использующие ИИ-сортировку
|
Использование системы Patchs без ИИ-триажа, то есть только ручной триаж
|
Что измеряет исследование?
Первичные показатели результатов
Мера результата |
Мера Описание |
Временное ограничение |
|---|---|---|
|
F-мера
Временное ограничение: С момента включения в исследование до его окончания, ожидаемый срок составляет 4 года
|
F1-мера каждого модуля ИИ-триажа (среднее гармоническое его точности и полноты)
|
С момента включения в исследование до его окончания, ожидаемый срок составляет 4 года
|
Соавторы и исследователи
Спонсор
Соавторы
Публикации и полезные ссылки
Полезные ссылки
Даты записи исследования
Изучение основных дат
Начало исследования (Действительный)
Первичное завершение (Оцененный)
Завершение исследования (Оцененный)
Даты регистрации исследования
Первый отправленный
Впервые представлено, что соответствует критериям контроля качества
Первый опубликованный (Действительный)
Обновления учебных записей
Последнее опубликованное обновление (Действительный)
Последнее отправленное обновление, отвечающее критериям контроля качества
Последняя проверка
Дополнительная информация
Термины, связанные с этим исследованием
Другие идентификационные номера исследования
- 340776
- 7hzfm (Другой идентификатор: Open Science Framework)
Планирование данных отдельных участников (IPD)
Планируете делиться данными об отдельных участниках (IPD)?
Описание плана IPD
Информация о лекарствах и устройствах, исследовательские документы
Изучает лекарственный продукт, регулируемый FDA США.
Изучает продукт устройства, регулируемый Управлением по санитарному надзору за качеством пищевых продуктов и медикаментов США.
Эта информация была получена непосредственно с веб-сайта clinicaltrials.gov без каких-либо изменений. Если у вас есть запросы на изменение, удаление или обновление сведений об исследовании, обращайтесь по адресу register@clinicaltrials.gov. Как только изменение будет реализовано на clinicaltrials.gov, оно будет автоматически обновлено и на нашем веб-сайте. .