基于人工智能的方法转录和分类非结构化紧急呼叫数据:一个方法论建议
Dalton Breno Costa1, Felipe Coelho de Abreu Pinna2, Anjni Patel Joiner3,4
1Department of Psychology, Pontifical Catholic University of Rio Grande do Sul, Rio Grande do Sul, Brazil.
PLOS digital health
|December 6, 2023
概括
人工智能 (AI) 和机器学习 (ML) 可以转录和分类巴西的紧急呼叫. 这项技术为改善紧急医疗服务决策支持提供了基础.
科学领域:
- 紧急医疗 紧急医疗
- 人工智能的人工智能是人工智能.
- 自然语言处理自然语言处理.
背景情况:
- 紧急护理敏感条件 (ECSC) 导致全球一半以上的死亡,需要快速的医院前紧急护理 (PEC).
- 非结构化的紧急呼叫数据对有效分析和响应提出了挑战.
- 应急呼叫处理中的AI和ML应用尚未得到充分探索,特别是在非英语国家,低收入和中等收入国家.
研究的目的:
- 提出和评估一个AI/ML管道用于转录,提取和分类来自紧急呼叫的非结构化音频数据.
- 评估在巴西SAMU系统中使用开源ML模型进行葡萄牙语紧急呼叫的可行性.
主要方法:
- 利用了2019年新北SAMU接收的"1-9-2"紧急呼叫的音频数据.
- 实现了自动语音识别 (ASR) 的管道,使用Wav2Vec 2.0进行葡萄牙语转录和自然语言理解 (NLU) 进行呼叫分类.
- 使用手动标记的呼叫数据训练和验证模型.
主要成果:
- 在转录葡萄牙语紧急电话时,ASR模型实现了42.12%的文字错误率.
- 该NLU分类模型在验证子集内对呼叫进行分类时显示了73.9%的准确性.
- 该研究强调了人工智能在资源有限的环境中处理紧急呼叫数据的潜力.
结论:
- 人工智能和机器学习模型可以有效地转录和分类巴西紧急医疗服务中的非结构化紧急呼叫数据.
- 这种方法是迈向开发人工智能驱动的应急响应决策支持工具的关键第一步.
- 需要进一步的研究来适应和优化ML模型,以适应紧急护理中的各种语言和操作环境.


