TriageIntelli: AI-Assisted Multimodal Triage System for Health Centers
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
The overcrowding of the emergency departments presents a major challenge, exacerbated by an aging population and increasing complex cases. Triage, which prioritizes patients according to severity, faces significant pressure due to limited resources and growing patient numbers. This study explores the integration of artificial intelligence (AI) to enhance the triage process. We developed and evaluated AI-based models, including Support Vector Machines (SVM), Random Forests (RF), Artificial Neural Networks (ANN), Gradient Boosting Machines (GBM), Linear Regression (LR), XGBoost and a stacking model, to predict patient triage levels using the Korean Triage and Acuity Scale (KTAS). Our findings demonstrate that AI models, particularly SVM and GBM, delivered the highest prediction accuracies of 79% and 78.7%, respectively. These models also performed well in terms of precision (80.04% and 75.36%), recall (71.94% and 73.36%), and F1-score (72.93% and 72.91%). The remaining algorithms still demonstrated strong predictive capabilities. The developed Stacking Model exhibited the highest prediction, achieving an accuracy of 80.05%, precision of 80.27%, recall of 73.26%, and an F1-score of 74.41%. This incremental gain in performance demonstrates the effectiveness of model stacking, as it capitalizes on the complementary strengths of different algorithms to enhance overall predictive accuracy.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle