Desarrollo de un clasificador basado en aprendizaje profundo continuo para el triaje de incidentes asociados a urgencias y emergencias extrahospitalarias, en presencia de cambios en las distribuciones de los datos

Abstract

[ES] En el contexto de la gestión de llamadas relativas a urgencias y emergencias extrahospitalarias (UEE), la caracterización adecuada de la prioridad del incidente y la asignación apropiada de los recursos disponibles resulta crítica.

Actualmente, existen un conjunto de protocolos mediante los cuales el operador recopila la información y asigna una prioridad, es decir, realiza el triaje. Sin embargo, dichas reglas clínicas no tienen en cuenta la presencia de patrones estadísticos latentes en los datos, ni cambios en los mismos debidos a la actualización de los sistemas de información, el cambio de operadores, etc.

Por tanto, la explotación de estos patrones estadísticos, ofreciendo robustez a los cambios en las distribuciones de los datos, derivaría en una mejora de los procesos de triaje, buscando la optimización de los recursos sanitarios.

El presente Trabajo Final de Grado tiene como objetivo el desarrollo de un clasificador de incidentes asociados a llamadas de UEE, basado en redes neuronales artificiales profundas, considerando la presencia de variabilidad temporal en la distribución de los datos. Se tratará, de adoptar un enfoque de aprendizaje automático incremental en el que se realizará, en primer lugar, una caracterización de los diferentes cambios presentes en las distribuciones de los datos y posteriormente, se implementarán, entrenarán y evaluarán modelos recurrentes, mediante el empleo de técnicas de aprendizaje profundo continuo, con el objeto de mitigar efectos negativos propios del fenómeno de olvido catastrófico, maximizando de este modo el rendimiento en la asignación de prioridades.

Para la consecución de estos propósitos, se empleará, principalmente, el lenguaje de programación Python junto a un conjunto de sus librerías más relevantes, y se trabajará sobre un conjunto de datos de llamadas asociadas a UEE. Estos datos incluyen una serie de variables clínicas con información médica relevante recogidas de forma secuencial junto a una variable de etiqueta a predecir, relativa a la gravedad real del caso, y por tanto, a su prioridad asociada.

[EN] In the context of emergency and out-of-hospital emergency (UEE) call management, the proper characterization of the priority of the incident and the appropriate assignment of available resources is critical. Currently, there is a set of protocols by which the dispatcher collects the information and assigns a priority, which means that it performs the triage. However, these clinical rules do not take into account the presence of latent statistical patterns in the dataset, or changes in them due to updating information systems, changing operators, etc. Therefore, the exploitation of these statistical patterns, offering robustness to changes in data distribution, would lead to an improvement of the triage processes, seeking the optimization of health resources. This Final Degree Project aims to develop a classifier of incidents associated with UEE calls, based on deep artificial neural networks, considering the presence of temporal variability in the data distribution. It will be about adopting an incremental automatic approach in which, firstly, a characterization of the different changes presented in the data distributions will be carried out and subsequently, recurrent implementation, training and evaluation of that model will be carried out, through the use of techniques of continuous deep learning, in order to reduce the negative effects of the phenomenon of catastrophic forgetting, thus maximizing performance in the allocation of priorities. To achieve these purposes, the Python programming language will be used, together with a set of its most relevant libraries, and a data set of calls associated with UEE will be worked on. These dataset includes a series of clinical variables with relevant medical information collected sequentially together with a label variable to be predicted, related to the real severity of the case, and therefore, to its associated priority.

[CA] En el context de la gestió de trucades relatives a urgències i emergències extrahospitalàries (UEE), la caracterització adequada de la prioritat de l’incident i l’assignació apropiada dels recursos disponibles resulta crítica. Actualment, existeixen un conjunt de protocols mitjançant els quals l’operador recopila la informació y assigna una prioritat, és a dir, realitza el triatge. No obstant això, aquestes regles clíniques no tenen en compte la presència de patrons estadístics latents en les dades, ni canvis en els mateixos deguts a l’actualització dels sistemes d’informació, el canvi d’operadors, etc. Per tant, l’explotació d’aquests patrons estadístics, oferint robustesa als canvis en les distribucions de les dades, derivaria en una millora dels processos de triatge, buscant l’optimització dels recursos sanitaris. El present Treball Final de Grau té com a objectiu el desenvolupament d’un classificador d’incidents associats a trucades de UEE, basat en xarxes neuronals artificials profundes, considerant la presència de variabilitat temporal en la distribució de les dades. Es tractarà, d’adoptar un enfocament d’aprenentatge automàtic incremental en el qual es realitzarà, en primer lloc, una caracterització dels diferents canvis presents en les distribucions de les dades i posteriorment, s’implementaran, entrenaran i avaluaran models recurrents, mitjançant l’ús de tècniques d’aprenentatge profund continu, a fi de mitigar efectes negatius propis del fenomen d’oblit catastròfic, maximitzant d’aquesta manera el rendiment en l’assignació de prioritats. Per a la consecució d’aquests propòsits, s’emprarà, principalment, el llenguatge de programació Python a més d’un conjunt de les seues llibreries més rellevants, i es treballarà sobre un conjunt de dades de trucades associades a UEE. Aquestes dades inclouen una sèrie de variables clíniques amb informació mèdica rellevant recollides de manera seqüencial junt a una variable d’etiqueta a predir, relativa a la gravetat real del cas, i per tant, a la seua prioritat associada.