[论文解读] Artificial Intelligence Decision Support for Medical Triage

Chiara Marchiori, Douglas D. Dykeman+7 more|PubMed|Nov 9, 2020

COVID-19 diagnosis using AI参考文献 25被引用 7

一句话总结

本文提出了一种基于人工智能的医疗分诊系统，利用机器学习和自然语言处理技术，对90万条德语远程问诊记录进行处理，通过移动应用程序实现个性化、实时的患者互动。该系统从临床记录中构建知识图谱，采用数据驱动的对话引擎对症状进行细化，并提供透明、高精度的诊疗路径推荐，通过医生验证测试实现亚秒级响应时间与高临床准确性。

ABSTRACT

Applying state-of-the-art machine learning and natural language processing on approximately one million of teleconsultation records, we developed a triage system, now certified and in use at the largest European telemedicine provider. The system evaluates care alternatives through interactions with patients via a mobile application. Reasoning on an initial set of provided symptoms, the triage application generates AI-powered, personalized questions to better characterize the problem and recommends the most appropriate point of care and time frame for a consultation. The underlying technology was developed to meet the needs for performance, transparency, user acceptance and ease of use, central aspects to the adoption of AI-based decision support systems. Providing such remote guidance at the beginning of the chain of care has significant potential for improving cost efficiency, patient experience and outcomes. Being remote, always available and highly scalable, this service is fundamental in high demand situations, such as the current COVID-19 outbreak.

研究动机与目标

• 开发一种基于人工智能的分诊系统，通过提供远程、全天候、可扩展的患者指导，提升医疗可及性。
• 通过整合患者病史和相似既往病例，增强实时推荐中的临床决策支持。
• 通过可解释人工智能和医生参与验证，确保系统透明性、用户信任度及临床采纳率。
• 实现在高需求医疗环境中实际部署所需的高性能与可扩展性。
• 自动化从非结构化临床记录中提取知识，并构建可复用、多语言的医疗知识库。

提出的方法

• 利用多阶段NLP流水线从90万条远程问诊记录中构建知识图谱（KG），实现医学实体与关系的抽取。
• 采用语言无关、深度学习增强的NLP模型，即使在非正式、拼写错误或不完整的记录中，也能实现高精度与高召回率的医学实体与关系抽取。
• 开发了数据驱动的对话系统，通过生成个性化问题对症状进行细化，引导患者实现准确分诊。
• 实现推理引擎，通过历史病例相似性与临床指南，将症状特征映射至最优诊疗路径及时间框架。
• 将知识图谱常驻内存，实现低延迟图遍历，支持线性扩展，每查询响应时间低于1秒。
• 集成自动化测试流水线，结合临床医生验证的基准数据，持续验证系统输出，确保临床可靠性。

实验结果

研究问题

• RQ1 如何将非结构化的远程问诊记录自动转化为结构化、可解释的医疗知识库？
• RQ2 哪些NLP技术能够实现从非正式、低质量临床记录中高精度抽取医学实体与关系？
• RQ3 如何通过AI驱动的对话系统实时有效细化患者症状，以提高分诊准确性？
• RQ4 何种系统架构可确保实时患者互动的低延迟与高可扩展性？
• RQ5 如何将临床验证与自动化测试整合到开发生命周期中，以确保系统安全性与可靠性？

主要发现

• 在具备足够计算资源的条件下，系统实现了每查询平均响应时间低于1秒，满足四秒以内的性能要求。
• 知识图谱支持高效、低延迟的图遍历，性能达到毫秒级，满足实时推理需求。
• 自动化测试流程已成功集成至开发流水线，实现持续验证与反馈循环。
• 采用临床医生验证的基准数据集评估系统性能，各项指标（召回率、精确率、F1分数）均超过预设阈值，尤其在紧急病例检测方面表现突出。
• 系统展现出高可扩展性，随着计算资源（工作节点）增加，响应时间实现线性加速。
• 整合患者病史与相似既往病例显著提升了诊疗推荐的个性化与准确性。