机器学习模型证明有助于协助紧急呼叫分流

机器学习模型已被证明有效的调度程序作为决策支持工具的紧急医疗服务(EMS),导致提高分类质量和救护车的利用率,根据一项研究表明,在新加坡。

这个概念验证研究最近发表在健康数据科学。

尽管协议可用来指导决策,EMS调度员仍然难以确定灵敏度的一个案例有限的信息他们可以聚集在一个简短的电话,妥协伤检分类质量和资源利用率。

EMS分类的准确性是一个迫在眉睫的问题在城市人口增长和老龄化还不相称的救护车舰队。这可以帮助通过机器学习模型,来捕获复杂和微妙的关系,和训练有素的数据模型可以准确的预测的分裂。

“我们着手解决这个问题,救护车分派分诊over-triage太多了,导致过度拥挤在急诊和急救资源的浪费,“共享汉旺,新加坡国立大学研究员(新加坡国立大学)。“然而,可以使用机器学习来提高分类性能在呼叫中心专家。”

建立一个理想的机器学习模型预测紧急情况下的灵敏度,研究小组利用在新加坡国家紧急呼叫中心的360000例从2018年到2020年。使用相同数量的信息调度程序,减少了15%的训练模型over-triage率和类似的under-triage率相比,目前的分类系统。

本研究从先前的努力站在机器学习没有提高调度员的识别能力心脏骤停,或者研究方法或保留或少健壮。此外,它展示了一个路线图全球其他EMS系统,因为它展示了一个方法来处理EMS呼叫中心数据和开发机器学习模型。

“我们的下一个步骤是实现系统在现实世界和比较的性能对照组,”冯说Mengling、新加坡国立大学助理教授。“这是第一个研究优化救护车分流机器学习。我们希望它能激励更多的研究在这个方向。”

研究小组也开放共享协议的细节和数据,和这样的请求将审查和批准的EMS系统的新加坡。