Utvärdering och optimering av telefontriagering med artificiell intelligens (AI)-modeller för upptäckt av behov av tidsberoende patologi vid akut- och jourmottagningskoordineringscentret (CCUE). (TrIAje Project)

Akut- och brådskande vårdkoordineringscentralen i Andalusien (CCUE) tar emot tusentals samtal dagligen, under vilka varje fall måste klassificeras efter svårighetsgrad baserat på informationen som ges över telefon. Villkoren för vilka medborgare söker hjälp sträcker sig över ett brett spektrum – från mindre åkommor till hjärtstopp. Detta projekt adresserar utmaningen med telefontriage i utomhusnödssituationer för flera vanliga orsaker till vårdbegäran som kan indikera akuta och potentiellt livshotande medicinska tillstånd: medvetslöshet/hjärtstopp, andningssvårigheter, icke-traumatisk bröstsmärta och stroke.

Målet är att förbättra noggrannheten och effektiviteten i telefontriage med avancerade AI-tekniker (Artificiell Intelligens) – både symboliska och generativa – inklusive maskininlärning (ML) och naturlig språkbehandling (NLP). Detta kommer att göra det möjligt för CCUE CES-061 Andalusien-operatörer att fatta snabbare, mer informerade beslut för att ge snabb och lämplig vård.

Forskarna kommer att samla anonymiserad historisk data från samtal relaterade till dessa fyra kategorier av vårdbegäran, extraherad från relationsdatabassystemen i de nätverkskoordinerade centralerna (CCR) och den mobila digitala hälsodagboken (HCDM) för CES-061 Andalusien. Analysen kommer att inkludera både strukturerad data (fördefinierade fält med specifika format, inklusive triagefrågor som ställs under samtalet) och ostrukturerad data (fri text och andra format) genererad under hantering av efterfrågan, som omfattar koordinerings- och vårdleveransaspekter.

Forskarna kommer att implementera en hybridmetod som integrerar klassiska AI-tekniker (övervakad och djupinlärning för klassificering) med generativ AI (stora språkmodeller för att analysera och extrahera värdefulla insikter från ostrukturerad data). Olika klassificeringsalgoritmer – såsom beslutsträd, slumpmässiga skogar, SVM, XGBoost, ensemblemetoder och neurala nätverk – kommer att testas för att bygga den mest exakta prediktiva modellen.

Genom analys av funktionsvikt kommer vi att identifiera de mest prediktiva frågorna och variablerna, och föreslå ändringar i de nuvarande triagefrågorna för att förbättra prediktionsnoggrannheten.

Modellen kommer att utvärderas med flera mått (inklusive noggrannhet, sensitivitet, specificitet, positiva och negativa sannolikhetskvoter, falsk positiv frekvens [larmfel], falsk negativ frekvens [utelämningsfel], area under ROC-kurvan och F1-poäng). Dessa mått kommer att hjälpa till att bedöma modellens förmåga att korrekt förutsäga slutliga diagnoser – maximera upptäckten av verkligt akuta fall (hög sensitivitet, hög positiv sannolikhetskvot och låg falsk negativ frekvens) samtidigt som man undviker överdrivet många falskt positiva (hög specificitet, låg falsk positiv frekvens och låg negativ sannolikhetskvot).

Syftet med detta projekt är att bedöma effektiviteten hos den nuvarande CCUE-telefontriagemodellen och utveckla en ny AI-baserad modell för att förbättra den. Vi strävar efter att ge en solid grund för framtida implementering av den förbättrade modellen inom CCUE, vilket hjälper personal att snabbt identifiera och prioritera de mest allvarliga fallen, och i slutändan minska svarstider och förbättra hälsoresultat.