Classificação automática de eventos na linha de saúde SNS24

Abstract

Nesta dissertação apresentamos uma nova ferramenta de suporte à decisão a ser implementada no Serviço de Triagem, Aconselhamento e Encaminhamento (TAE) do Centro de Contacto do Serviço Nacional de Saúde - SNS24. Atualmente a seleção do algoritmo clínico mais adequado a cada situação é efetuada manualmente pelo enfermeiro que atende a chamada. Esta seleção deve ser feita de entre um conjunto de 59 algoritmos clínicos, sendo que esta implementação vem responder à necessidade de reduzir a duração das chamadas recebidas pela linha e consequentemente maximizar o número de chamadas atendidas por unidade de tempo. Este será um modelo baseado em metodologias de Inteligência Artificial, com foco em abordagens de Aprendizagem automática e Processamento de língua natural. O modelo apresentado representa o modelo inicial que foi desenvolvido com um conjunto de dados com os registos de três meses de chamadas, equivalente a cerca de 270.000 registos, mas o modelo final será futuramente desenvolvido a partir de um conjunto de dados com cerca de 4 milhões de chamadas registadas ao longo de três anos pela linha de saúde. O modelo inicial permitiu atingir uma exatidão de 78,80% e medida-F de 78,45% para a classificação da classe do top 1, enquanto que a classificação para o top 3 e top 5 de classes atingiu valores de exatidão superiores a 90%; Abstract: Automatic event classification on the health phone line SNS24 In this dissertation we present a new decision support tool to be implemented in the Screening, Counseling and Referral Service (TAE) of the Contact Center of the National Health Service - SNS24. Currently, the selection of the most appropriate clinical algorithm for each situation is done manually by the nurse who answers the call. This selection must be made from a set of 59 clinical algorithms, and this implementation responds to the need to reduce the duration of calls received by the line and consequently maximize the number of calls answered per unit of time. This will be a model based on Artificial Intelligence methodologies, focusing on Machine Learning and Natural Language Processing approaches. The model presented represents the initial model that was developed with a set of data with the records of three months of calls, equivalent to about 270.000 records, but the final model will be developed in the future from a data set with about 4 million calls registered over three years by the health line. The initial model reached an accuracy of 78.80% and F-measure of 78.45% for the classification of the top 1 class, while the classification for the top 3 and top 5 classes reached values of accuracy greater than 90%.