[论文解读] Emergency Centre Organization and Automated Triage System

Daniel Golding, Linda Wilson+1 more|ArXiv.org|Oct 20, 2008

Disaster Response and Management参考文献 13被引用 4

一句话总结

本文提出了一种基于模糊推理的自动化紧急分诊系统，用于患者优先级排序，并采用模糊Q-learning动态估算患者-医生就诊时间，同时结合遗传算法优化队列排序。仿真结果表明，平均候诊时间减少了48分钟，同时在急诊科提升了基于紧急程度的优先排序能力。

ABSTRACT

The excessive rate of patients arriving at accident and emergency centres is a major problem facing South African hospitals. Patients are prioritized for medical care through a triage process. Manual systems allow for inconsistency and error. This paper proposes a novel system to automate accident and emergency centre triage and uses this triage score along with an artificial intelligence estimate of patient-doctor time to optimize the queue order. A fuzzy inference system is employed to triage patients and a similar system estimates the time but adapts continuously through fuzzy Q-learning. The optimal queue order is found using a novel procedure based on genetic algorithms. These components are integrated in a simple graphical user interface. Live tests could not be performed but simulations reveal that the average waiting time can be reduced by 48 minutes and priority is given to urgent patients

研究动机与目标

• 解决南非急诊科患者流量大和人工分诊系统效率低下的问题。
• 通过自动化、智能化的队列管理减少患者候诊时间。
• 利用实时、自适应的分诊评分系统确保危重患者获得优先处理。
• 开发一个将分诊评分、时间估算和队列优化集成于一体的单一、用户友好的界面系统。

提出的方法

• 使用模糊推理系统根据患者症状和病情分配分诊评分。
• 采用独立的模糊Q-learning系统动态估算患者-医生就诊时间，持续适应新数据。
• 应用遗传算法根据分诊评分和预估服务时间计算最优患者队列顺序。
• 将分诊评分、时间预估和队列优化集成到统一的图形用户界面中，供临床使用。
• 由于实际限制，整个系统仅通过仿真进行验证，未在真实急诊环境中测试。
• 该框架设计为可扩展且可适应不同工作负荷和患者特征的急诊科环境。

实验结果

研究问题

• RQ1 自动化分诊系统是否能够减少急诊科的平均患者候诊时间？
• RQ2 模糊逻辑与Q-learning结合，能否有效实现患者-医生就诊时间的动态估算？
• RQ3 在同时考虑紧急程度和预期服务时间的情况下，遗传算法在多大程度上能优化患者队列顺序？
• RQ4 将分诊、时间估算和队列优化整合是否能改善临床工作流程和患者优先级排序？
• RQ5 与人工分诊相比，该系统在患者流量高峰条件下的表现如何？

主要发现

• 在仿真环境中，该系统将平均候诊时间减少了48分钟。
• 通过准确的分诊评分，危重患者始终优先于病情较轻的患者。
• 模糊Q-learning组件能够持续适应变化的患者数据，随着时间推移不断提高时间估算的准确性。
• 遗传算法有效计算出能最小化总体候诊时间的最优队列顺序。
• 尽管缺乏实际测试，该系统在真实急诊科部署方面展现出强大潜力。
• 将分诊、时间估算和队列优化集成到单一界面显著提升了系统的可用性和临床决策支持能力。