提高初级保健中人工智能分诊的准确性

背景 全科医生诊所工作人员通过分诊联系他们的患者，以优化资源利用并保障患者安全。 大多数全科医生诊所使用在线咨询系统，允许患者通过在线表格联系诊所。 患者无需与工作人员交谈即可提交咨询，从而绕过了常规分诊流程。 在线咨询系统可使用"人工智能"（AI）进行分诊，但对其性能的研究尚显不足。 我们（曼彻斯特大学；UoM）拟通过与具备可选AI分诊功能的在线咨询系统提供商（Patchs）合作来填补这一空白。

研究问题 总体研究问题：能否开发出能复现临床医生分诊决策的AI模型？

1. 患者和全科医生诊所在初级保健分诊中面临哪些挑战及其驱动因素？
2. 哪种AI模型在初级保健分诊中表现最佳？
3. AI分诊性能在不同地理区域是否保持稳定？
4. AI分诊性能是否随时间推移保持稳定？
5. AI分诊性能与当前临床实践相比如何？
6. AI分诊在投入临床实践后性能是否发生变化？
7. AI分诊是否对所有患者公平有效？ 方法 工作流1：分诊问题量化。 我们将分析禁用AI分诊功能的Patchs全科诊所历史匿名数据。 在公开数据可获的情况下，我们将与未使用Patchs的对照诊所进行实践层面数据对比。 通过描述性和推断性分析，探究潜在分诊问题及其影响因素（如患者护理延迟）。

工作流2：AI开发。 利用使用Patchs的全科诊所历史匿名数据，通过四种方法（逻辑回归、XGBoost、长短期记忆网络LSTM、大语言模型LLM）构建新版AI分诊模型。 采用地理区域内外交叉验证，通过随机效应meta分析和亚组分析评估性能与公平性（如跨种族）。 与现行AI分诊模型进行性能对比。 最佳表现AI模型的最终版本将基于完整数据集开发。

工作流3：前瞻性背景评估。 通过在"后台"运行模型，获取最佳AI模型对未启用AI分诊的Patchs诊所前瞻性收集数据的预测结果。 按前述方法进行亚组分析以评估公平性。

工作流4：前瞻性实施评估。 依照Patchs正常软件更新流程，为已使用AI分诊的诊所升级最佳性能模型版本。 前瞻性测量诊所工作人员和患者对新版分诊预测的认可频率，验证其在实际诊疗中的表现。 按前述方法进行亚组分析以评估公平性。

预期效益 有助于理解全科诊所当前在线咨询分诊面临的困境。 若成功开发改进的AI模型，可提升患者安全（如帮助患者更快获得救治）并减轻诊所工作负荷（如自动化分诊流程）。 工作流4中的诊所及患者将立即受益。 为尚未采用AI分诊的诊所提供是否引入该技术的决策依据。