Model mašinskog učenja se pokazao korisnim u trijaži hitnih poziva

Model mašinskog učenja se pokazao korisnim u trijaži hitnih poziva

Model mašinskog učenja se pokazao efikasnim kao alat za podršku odlučivanju za dispečere hitne medicinske pomoći (EMS), što je rezultiralo poboljšanim kvalitetom trijaže i korišćenjem vozila hitne pomoći, prema studiji sprovedenoj u Singapuru.

Iako su protokoli dostupni za usmeravanje donošenja odluka, dispečeri EMS-a i dalje imaju poteškoća da odrede oštrinu slučaja sa ograničenim informacijama koje mogu da prikupe u kratkom pozivu, što ugrožava kvalitet trijaže i korišćenje resursa.

Preciznost trijaže EMS-a je problem koji se nazire u gradovima sa rastućom i starijom populacijom, ali i neproporcionalnom flotom hitne pomoći. Tome mogu pomoći modeli mašinskog učenja, za koje se zna da hvataju složene i suptilne odnose, a dobro obučeni modeli podataka mogu dati tačna predviđanja u deliću sekunde.

„Nameravali smo da rešimo problem da trijaža hitne pomoći ima previše preterane trijaže, što bi moglo da dovede do prenatrpanosti u Hitnoj pomoći i rasipanja resursa hitne pomoći“, rekao je Han Vang, istraživač sa Nacionalnog univerziteta Singapura (NUS). . „Međutim, moguće je koristiti mašinsko učenje za poboljšanje performansi trijaže među stručnjacima za pozivni centar.“

Da bi uspostavio poželjan model mašinskog učenja koji predviđa oštrinu hitnih slučajeva, tim je prisluškivao 360.000 slučajeva iz Nacionalnog centra za hitne pozive u Singapuru od 2018. do 2020. Koristeći istu količinu informacija dostupnih dispečerima, obučeni model je postigao 15% smanjenje stope prekomerne trijaže i sličnu stopu nedovoljne trijaže u poređenju sa trenutnim sistemom trijaže.

Ova studija se izdvaja od prethodnih napora u kojima se pokazalo da mašinsko učenje nije poboljšalo sposobnost dispečera da prepoznaju srčani zastoj, ili gde je metodologija istraživanja bila zadržana ili manje robusna. Pored toga, prikazuje mapu puta za druge EMS sisteme širom sveta jer demonstrira metod za obradu podataka EMS pozivnog centra i razvoj modela mašinskog učenja.

„Naš sledeći korak je da implementiramo sistem u stvarnom svetu i uporedimo performanse sa kontrolnom grupom“, prokomentarisao je Mengling Feng, docent na NUS-u. „Ovo je prva studija koja optimizuje trijažu hitne pomoći pomoću mašinskog učenja. Nadamo se da će inspirisati više istraživanja u ovom pravcu.“

Istraživački tim je takođe otvoren za deljenje detalja protokola i podataka, a takve zahteve će pregledati i odobriti EMS sistem Singapura.

Ova studija dokaza o konceptu nedavno je objavljena u Health Data Science.