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.
Įvadas: Skubios pagalbos skyriuose šiuo metu taikomos prioritetų nustatymo sistemos yra visiškai grindžiamos kiekvieno atsakingas pareigas einančio sveikatos apsaugos profesionalo medicininiu išsilavinimu ir subjektyviu situacijos suvokimu. Tačiau, kita vertus, šiuo metu moderniausia technologija – dirbtinis intelektas – gali būti integruota į sveikatos apsaugos sistemą paremti sveikatos apsaugos profesionalų sprendimus ir pagerinti prioritetų nustatymo sistemų veiklos rezultatus. Tyrimo tikslas – ištirti AI efektyvumą paremiant prioritetų nustatymą skubios pagalbos skyriuose.
Pacientai ir metodai: Į šį tyrimą buvo įtraukti 332 pacientai. Surinkti 23 įvairūs rodikliai, nusakantys jų būklę. Apdorojus pacientų duomenis ir gautą informaciją, paaiškėjo, kad jų vidutinis amžius buvo 56,4±21,1 metai ir kad 50,6 % pacientų buvo vyrai. Vidutinis laukimo laikas buvo 59,7±56,3 minutės, o 3,9 %±0,1 % pacientų buvo pasiųsti į intensyvios terapijos skyrių. Be to, pasitelkti kokybiniai kintamieji, susiję su paciento sveikatos istorija ir priėmimu į sveikatos apsaugos įstaigą. Taip pat surinkti šie tiksliniai kintamieji: hospitalizacijos dienos (vidurkis 1,8±5,9) ir skubaus atvejo sunkumo indeksas (ESI), jo pasiskirstymas buvo: ESI: 1–2 pacientai, ESI: 2–18 pacientų, ESI: 3 –197 pacientai, ESI: 4–73 pacientai, ESI: 5–42 pacientai.
Rezultatai: Automatiniam pacientų atrankos klasifikatoriui sudaryti sukurtas neuroninis tinklas, kuris buvo apmokytas remiantis surinktais duomenimis, kad būtų galima prognozuoti kiekvieno paciento ESI, pasitelkiant pradinius įvesties kintamuosius. Klasifikatorius pasiekė bendrąjį 72,2 % tikslumą (F1 rezultatą) net nepaisant to, kad buvo susidurta su klasių disbalansu.
Išvados: Dirbtinio intelekto modelio sukūrimas ir įgyvendinimas siekiant automatiškai prognozuoti ESI vertes atskleidė galimybę kurti sistemas, gebančias padėti sveikatos apsaugos profesionalams priimant sprendimus. Klasifikatoriaus tikslumas dar nėra pasiekęs patenkinamo užtikrintumo lygio, tačiau panašių modelių veiklos rezultatai gali būti labai pagerinti surinkus didesnį duomenų kiekį.
Keywords: Artificial Intelligence; patient triage.
Copyright © 2022 Eleni Karlafti, Athanasios Anagnostis, Theodora Simou, Angeliki Sevasti Kollatou, Daniel Paramythiotis, Georgia Kaiafa, Triantafyllos Didaggelos, Christos Savvopoulos, Varvara Fyntanidou. Published by Vilnius University Press.