Оценка и оптимизация телефонного триажа с использованием моделей искусственного интеллекта (ИИ) для выявления запросов на времязависимую патологию в Координационном центре экстренной и неотложной помощи (CCUE). (TrIAje Project)

Центр координации экстренной и неотложной помощи в Андалусии (CCUE) ежедневно получает тысячи звонков, во время которых каждый случай должен быть классифицирован по уровню серьезности на основе информации, предоставленной по телефону. Условия, по которым граждане обращаются за помощью, охватывают широкий спектр — от незначительных недомоганий до остановки сердца. Этот проект решает проблему телефонного триажа при внебольничных неотложных состояниях по нескольким частым причинам обращения за помощью, которые могут указывать на неотложные и потенциально опасные для жизни медицинские состояния: бессознательное состояние/остановка сердца, дыхательная недостаточность, нетравматическая боль в груди и инсульт.

Цель — повысить точность и эффективность телефонного триажа с использованием передовых методов искусственного интеллекта (ИИ) — как символического, так и генеративного, включая машинное обучение (ML) и обработку естественного языка (NLP). Это позволит операторам CCUE CES-061 Андалусия принимать более быстрые и обоснованные решения для своевременного и надлежащего оказания помощи.

Исследователи соберут анонимизированные исторические данные из звонков, связанных с этими четырьмя категориями обращений за помощью, извлеченные из реляционных систем баз данных Сетевых координационных центров (CCR) и Мобильной электронной истории здоровья (HCDM) CES-061 Андалусия. Анализ будет включать как структурированные данные (предопределенные поля с конкретными форматами, включая вопросы триажа, задаваемые во время звонка), так и неструктурированные данные (свободный текст и другие форматы), сгенерированные в процессе управления спросом, охватывающие аспекты координации и оказания помощи.

Исследователи внедрят гибридный подход, который интегрирует классические методы ИИ (обучение с учителем и глубокое обучение для классификации) с генеративным ИИ (большие языковые модели для анализа и извлечения ценных инсайтов из неструктурированных данных). Будут протестированы различные алгоритмы классификации, такие как деревья решений, случайные леса, SVM, XGBoost, ансамблевые методы и нейронные сети, для построения наиболее точной прогнозной модели.

С помощью анализа важности признаков мы определим наиболее прогнозируемые вопросы и переменные, предлагая модификации текущих вопросов триажа для повышения точности прогнозирования.

Модель будет оценена с использованием нескольких метрик (включая точность, чувствительность, специфичность, положительное и отрицательное отношения правдоподобия, частоту ложных срабатываний [ошибка тревоги], частоту ложноотрицательных результатов [ошибка пропуска], площадь под ROC-кривой и F1-скор). Эти метрики помогут оценить способность модели правильно прогнозировать окончательные диагнозы — максимизируя обнаружение действительно неотложных случаев (высокая чувствительность, высокое положительное отношение правдоподобия и низкая частота ложноотрицательных результатов), избегая при этом избыточных ложных срабатываний (высокая специфичность, низкая частота ложных срабатываний и низкое отрицательное отношение правдоподобия).

Цель этого проекта — оценить эффективность текущей модели телефонного триажа CCUE и разработать новую модель на основе ИИ для ее улучшения. Мы стремимся заложить прочную основу для будущего внедрения улучшенной модели в CCUE, помогая персоналу быстро идентифицировать и расставлять приоритеты по наиболее тяжелым случаям, что в конечном итоге сократит время реагирования и улучшит результаты лечения.