一个端到端的解决方案,用于医院外的紧急医疗调度分拣,基于多式联络和持续深度学习

科学领域:

• 紧急医疗 紧急医疗
• 人工智能的人工智能
• 数据科学数据科学数据科学

背景情况:

• 医院外紧急事件评估对于及时和适当的医疗反应至关重要.
• 现有的分类协议面临着随着时间的推移而变化的数据分布 (时间漂移) 的挑战.
• 应急调度系统中的多式联运数据集成仍然是一个需要改进的领域.

研究的目的:

• 开发和评估E2eDeepEMC2,一个多式联运,多任务预测模型,用于紧急事件严重程度.
• 通过使用持续学习策略来解决紧急数据的时间漂移问题.
• 为了提高预测危及生命的水平,允许的响应延迟和紧急系统管辖权的准确性.

主要方法:

• 利用了来自瓦伦西亚紧急医疗调度服务的2,054,694起紧急事件的大数据集 (2009-2019年,不包括2013年).
• 将人口,时间,临床和自由文本数据输入集成到多式联网架构中.
• 在一个三编码模块 (上下文,临床,文本) 模型架构中采用了持续学习策略.
• 预测了三个关键结果:危及生命的水平,允许的响应延迟和紧急系统管辖权.

主要成果:

• E2eDeepEMC2在现有分拣协议上显示了显著的改进,F1得分的绝对增长为18.46% (危及生命的水平),25.96% (反应延迟) 和3.63% (管辖权).
• 该模型的表现明显优于非持续学习基线的3.04% (危及生命的水平),9.66% (反应延迟) 和0.58% (管辖权).
• 与静态模型相比,该模型在处理时间数据转移方面的有效性被其优越性能所强调.

结论:

• E2eDeepEMC2提供了一个强大的和可适应的解决方案,用于改善在现实世界调度设置中的紧急事件严重性评估.
• 持续学习的整合有效地缓解了因时间数据漂移而导致的性能下降.
• 该模型在瓦伦西亚地区的成功部署表明其实际实用性和在紧急医疗服务中更广泛采用的潜力.