使用人工智能（AI）模型对急诊和紧急护理协调中心（CCUE）时间依赖性病理需求检测的电话分诊进行评估与优化。 (TrIAje Project)
项目 "trIAje"：通过人工智能（AI）模型评估和优化电话分诊，以便在紧急和急救协调中心（CCUE）检测时间依赖性病理需求。
利用人工智能改进紧急呼叫中的电话分诊 安达卢西亚紧急协调中心（CCUE）每天处理数千个电话。 每个电话都需要根据电话中提供的信息进行评估，以确定情况的严重程度。 呼叫原因从轻微的健康问题到危及生命的紧急情况（如心脏骤停）不等。
本项目专注于改进四种关键紧急情况的电话分诊，这些情况通常表明严重或危及生命的状况：
意识丧失/心脏骤停 呼吸困难 胸痛（非创伤性，可能与心脏问题有关） 中风症状 我们的目标是通过使用先进的人工智能（AI）技术，包括机器学习（ML）和自然语言处理（NLP），使电话分诊更加准确和高效。 这些工具将帮助CCUE操作员做出更好、更快的决策，确保患者尽快获得正确的护理。
实施方法：
研究人员将分析来自紧急协调系统（CCR）和数字临床记录（HCDM）的匿名历史呼叫数据。 这包括：
结构化数据：预定义字段，如标准分诊问题的答案。
非结构化数据：呼叫期间记录的自由文本笔记和其他信息。
将采用混合AI方法，结合：
传统AI方法（监督学习和深度学习）对病例进行分类。
生成式AI技术（高级语言模型）从自由文本数据中提取有用见解。
构建最佳预测模型
为找到最有效的AI模型，我们将测试不同的机器学习技术，包括：
决策树 随机森林 支持向量机（SVM） XGBoost 集成方法 神经网络 我们还将分析哪些问题和变量在预测病例严重程度方面最为重要。 基于此，我们将建议改进当前的分诊问题以提高准确性。
衡量成功
我们将使用关键性能指标评估AI模型，包括：
准确性（整体正确率） 灵敏度（检测真实紧急情况的能力） 特异性（避免误报的能力） 假阳性率与假阴性率（系统出错的频率） 似然比（系统区分紧急与非紧急情况的能力） F1分数与ROC曲线（整体性能指标） 项目意义 本项目将评估当前电话分诊系统的有效性，并开发新的AI驱动模型以改进它。 目标是帮助紧急操作员快速识别最严重的病例，减少响应时间并改善患者预后。 未来，研究人员旨在将这种改进的AI模型集成到CCUE系统中，以提升整个安达卢西亚地区的紧急响应能力。
研究概览
详细说明
安达卢西亚紧急与急救协调中心（CCUE）每天接收数千个电话，每个案例必须根据电话中提供的信息按严重程度进行分类。 公民寻求帮助的状况范围广泛——从轻微不适到心脏骤停。 本项目针对院外紧急情况中电话分诊的挑战，重点关注几种常见且可能表明紧急及潜在危及生命医疗状况的求助原因：无意识/心脏骤停、呼吸窘迫、非创伤性胸痛和中风。
目标是利用先进的人工智能（AI）技术——包括符号和生成式方法，如机器学习（ML）和自然语言处理（NLP）——提高电话分诊的准确性和效率。 这将使CCUE CES-061安达卢西亚的操作员能够更快、更明智地做出决策，以提供及时和适当的护理。
研究人员将从网络化协调中心（CCR）和CES-061安达卢西亚移动数字健康记录（HCDM）的关系数据库系统中提取与这四类求助相关的匿名历史通话数据。 分析将包括结构化数据（预定义字段，包含特定格式，包括通话期间询问的分诊问题）和非结构化数据（自由文本及其他格式），这些数据在需求管理过程中生成，涵盖协调和护理提供方面。
研究人员将实施一种混合方法，整合经典AI技术（用于分类的监督学习和深度学习）与生成式AI（大型语言模型，用于分析和从非结构化数据中提取有价值的见解）。 将测试各种分类算法——如决策树、随机森林、SVM、XGBoost、集成方法和神经网络——以构建最准确的预测模型。
通过特征重要性分析，我们将识别最具预测性的问题和变量，提出对当前分诊问题的修改建议，以提高预测准确性。
模型将使用多个指标进行评估（包括准确率、敏感性、特异性、阳性和阴性似然比、假阳性率[警报失败]、假阴性率[遗漏失败]、ROC曲线下面积和F1分数）。 这些指标将有助于评估模型正确预测最终诊断的能力——最大化真正紧急案例的检测（高敏感性、高阳性似然比和低假阴性率），同时避免过多的假阳性（高特异性、低假阳性率和低阴性似然比）。
本项目旨在评估当前CCUE电话分诊模型的有效性，并开发一种新的基于AI的模型以改进它。 我们旨在为未来在CCUE中实施改进模型奠定坚实基础，帮助人员快速识别和优先处理最严重案例，最终减少响应时间并改善健康结果。
研究类型
注册 (估计的)
联系人和位置
学习联系方式
- 姓名：María José MJ Dr. Luque Hernández, MD PhD
- 电话号码：0034 617563352
- 邮箱：mariajose.luque.sspa@juntadeandalucia.es
学习地点
-
-
Málaga
-
Málaga、Málaga、西班牙、29590
- 招聘中
- Centro de Emergencias Sanitarias 061
-
接触：
- María José MJ Luque-Hernández, MD PhD
- 电话号码：+34 617563352
- 邮箱：mariajose.luque.sspa@juntadeandalucia.es
-
首席研究员：
- María José Luque Hernández, Doctor of Medicine, PhD
-
副研究员：
- CRISTINA LÓPEZ LÓPEZ, Doctor of Medicine
-
-
参与标准
资格标准
适合学习的年龄
- 孩子
- 成人
- 年长者
接受健康志愿者
取样方法
研究人群
描述
纳入标准：
电话记录代码为A36 + A58（无意识/心肺骤停）、A16（呼吸窘迫）、A23（非创伤性胸痛）和A54（中风）。
排除标准：
- 关于患者或事件的相关信息不完整或缺失的需求。
学习计划
研究是如何设计的？
设计细节
研究衡量的是什么？
主要结果指标
结果测量 |
措施说明 |
大体时间 |
|---|---|---|
|
从医疗调度中心检测危急严重程度
大体时间：24小时。从接到电话到医疗团队出发
|
医疗调度中心必须检测时间依赖性病理（即危及生命的紧急情况）。从接到呼叫到识别出危及生命的紧急情况（时间依赖性病理）所需的时间（分钟）
|
24小时。从接到电话到医疗团队出发
|
次要结果测量
结果测量 |
措施说明 |
大体时间 |
|---|---|---|
|
有效性
大体时间：一年
|
安达卢西亚CCUE中当前电话分诊系统对这些需求的效能，使用临床相关性能指标，特别是分诊不足和分诊过度（包括准确率、灵敏度、特异性、阳性和阴性似然比、假阳性和假阴性率、ROC曲线下面积和F1分数）。
|
一年
|
|
人工智能模型设计
大体时间：2年
|
工程师需要开发并验证一种集成经典人工智能与生成式人工智能技术的人工智能模型，以提高安达卢西亚紧急与急救协调中心（CCUE）对用户求助的以下情况的电话分诊准确性和效率：无意识/心肺骤停（在系统中分别登记为A36和A58类需求）、呼吸窘迫（A16）、非创伤性胸痛（A23）和卒中（A54）。
|
2年
|
|
人工智能（AI）模型在医疗调度中心的性能表现
大体时间：2年
|
工程师需要使用CCR和HCDM数据库中的结构化和非结构化数据，在预测无意识/心肺骤停、呼吸窘迫、非创伤性胸痛和中风电话呼叫的严重程度时，执行不同的人工智能算法。
|
2年
|
合作者和调查者
研究记录日期
研究主要日期
学习开始 (实际的)
初级完成 (估计的)
研究完成 (估计的)
研究注册日期
首次提交
首先提交符合 QC 标准的
首次发布 (实际的)
研究记录更新
最后更新发布 (实际的)
上次提交的符合 QC 标准的更新
最后验证
更多信息
与本研究相关的术语
其他相关的 MeSH 术语
其他研究编号
- 2025_CES_061_IA_TRIAJE_V5
- SICEIA-2024-002592 (其他标识符：Centro de Emergencias Sanitarias 061 Andalucía)
计划个人参与者数据 (IPD)
计划共享个人参与者数据 (IPD)？
药物和器械信息、研究文件
研究美国 FDA 监管的药品
研究美国 FDA 监管的设备产品
此信息直接从 clinicaltrials.gov 网站检索，没有任何更改。如果您有任何更改、删除或更新研究详细信息的请求，请联系 register@clinicaltrials.gov. clinicaltrials.gov 上实施更改，我们的网站上也会自动更新.