人工知能を使用した救急部門のトリアージにおける臨床決定のサポートシステム：トリアージをサポートする効率

目的：救急部門（ED）では、実装されている現在のトリアージシステムは、医学教育と担当している各医療専門家の認識に完全に基づいています。一方、最先端のテクノロジーである人工知能（AI）を医療システムに組み込むことができ、医療専門家の決定をサポートし、トリアージシステムのパフォーマンスを強化できます。この研究の目的は、AIの効率を調査してEDのトリアージをサポートすることです。 患者 - メソッド：この研究には、332人の患者が含まれ、そのうち23の異なる変数がその状態に関連して収集されました。入力変数の患者データの処理から、平均年齢は56.4±21.1歳であり、50.6％が男性であることが明らかになりました。待機時間の平均は59.7±56.3分でしたが、3.9％±0.1％が集中治療室（ICU）に入りました。さらに、患者の病歴と入院診療所に関連する定性的変数が使用されました。ターゲット変数が病院に滞在した日、平均1.8±5.9であったため、次の分布が適用される緊急重症度指数（ESI）は次のとおりです。ESI：1、患者：2;ESI：2、患者：18;ESI：3、患者：197;ESI：4、患者：73;ESI：5、患者：42。 結果：自動患者スクリーニング分類器を作成するために、データに基づいてトレーニングされたニューラルネットワークが開発され、入力変数に基づいて各患者のESIを予測できるようになりました。分類器は72.2％の全体的な精度（F1スコア）を達成しました。クラスに不均衡がありましたが。 結論：ESIの自動予測のためのAIモデルの作成と実装は、意思決定プロセスで医療専門家をサポートできるシステムの可能性を強調しました。分類器の精度は満足のいくレベルの確実性に達していませんが、同様のモデルのパフォーマンスは、より多くのデータの収集とともに急激に増加する可能性があります。

PURPOSE: In the Emergency Departments (ED) the current triage systems that are been implemented are based completely on medical education and the perception of each health professional who is in charge. On the other hand, cutting-edge technology, Artificial Intelligence (AI) can be incorporated into healthcare systems, supporting the healthcare professionals' decisions, and augmenting the performance of triage systems. The aim of the study is to investigate the efficiency of AI to support triage in ED. PATIENTS–METHODS: The study included 332 patients from whom 23 different variables related to their condition were collected. From the processing of patient data for input variables, it emerged that the average age was 56.4 ± 21.1 years and 50.6% were male. The waiting time had an average of 59.7 ± 56.3 minutes while 3.9% ± 0.1% entered the Intensive Care Unit (ICU). In addition, qualitative variables related to the patient's history and admission clinics were used. As target variables were taken the days of stay in the hospital, which were on average 1.8 ± 5.9, and the Emergency Severity Index (ESI) for which the following distribution applies: ESI: 1, patients: 2; ESI: 2, patients: 18; ESI: 3, patients: 197; ESI: 4, patients: 73; ESI: 5, patients: 42. RESULTS: To create an automatic patient screening classifier, a neural network was developed, which was trained based on the data, so that it could predict each patient's ESI based on input variables.The classifier achieved an overall accuracy (F1 score) of 72.2% even though there was an imbalance in the classes. CONCLUSIONS: The creation and implementation of an AI model for the automatic prediction of ESI, highlighted the possibility of systems capable of supporting healthcare professionals in the decision-making process. The accuracy of the classifier has not reached satisfactory levels of certainty, however, the performance of similar models can increase sharply with the collection of more data.