Künstliche Intelligenz zur besseren Analyse von Notrufen

Täglich erhalten die SAMUs in Frankreich rund 85.000 Anrufe. Diese Zahl hat sich in den schlimmsten Zeiten der Covid-19-Krise fast verdoppelt. Der Inhalt jedes Anrufs ist Gegenstand eines computergestützten Berichts, da Informationen von den verschiedenen Interessengruppen gesammelt werden: dem Assistenten für die medizinische Regulierung, wenn der Anruf entgegengenommen wird, dem Regulierungsarzt und dem medizinischen Assistenten. Medizinische Vorschriften für das Versenden von Ressourcen und die Überwachung von Bewertungen.

Um die Mittel zur Überwachung von Änderungen in den Gründen für all diese Anrufe bereitzustellen, muss ein leistungsfähiges und reaktionsschnelles Instrument zur Beobachtung der Gesundheit der Bevölkerung erworben werden.

In der Praxis haben wir jedoch Hunderttausende von Berichten, die beispielsweise so aussehen:

Zwei reale Berichte über Notrufe – der Fall Covid-19 ist offensichtlich. Aber wie nehmen Sie sich die Zeit, 85.000 Anrufe pro Tag zu lesen und einzureichen?
Emmanuel Lagarde, Autor zur Verfügung gestellt

Um zu wissen, ob der diesem Bericht entsprechende Anruf eher der Kategorie “Verdacht auf Covid-19” oder “häuslicher Unfall” zuzuordnen ist, reicht es aus, ihn zu lesen.

Wenn es jedoch darum geht, die 85.000 Anrufe des Tages zu klassifizieren, ist ein Korrekturlesen unmöglich. Die Befragten könnten natürlich gebeten werden, diese Anrufe selbst zu klassifizieren, aber dies wirft zwei Probleme auf: Erstens haben sie andere Aufgaben zu erledigen, da sie Anrufern Ratschläge geben oder die meisten Rettungsdienste senden. angemessen. Der andere Grund ist, dass sie in der Hitze des Augenblicks nicht immer genügend Rückblick haben, um diese Klassifizierung vorzunehmen, ohne von verschiedenen Faktoren beeinflusst zu werden: Druck des Notfalls, epidemische Situation, Vorrang vor anderen Fällen. , individuelle Empfindlichkeit für diese oder jene Datei zum Beispiel. Aus diesen Gründen ist es bisher nicht gelungen, ein zufriedenstellendes Codierungssystem zu etablieren.

Ein neues Werkzeug für künstliche Intelligenz zur Rettung

Wir entwickeln eine Lösung mit künstlicher Intelligenz, um diese Klassifizierungsarbeit durchzuführen, da sie zwei sehr nützliche Eigenschaften aufweist: Sie arbeitet fast sofort und völlig unabhängig vom Kontext.

Um ein Werkzeug für diese Aufgabe zu entwickeln, haben wir eine Technologie in Anspruch genommen, die aus einem jüngsten Fortschritt auf dem Gebiet der künstlichen Intelligenz resultiert und einen Blockbuster-Namen trägt: den „Transformer“. Diese Technologie besteht aus zwei Phasen: Die erste besteht darin, dem Transformator so viele Beispiele für Berichte wie möglich zu zeigen, um ihn zu lehren, “in der Art” dieser Berichte zu schreiben. Der zweite Schritt besteht darin, den Transformator für die Ausführung der Klassifizierungsaufgabe zu schulen, indem ihm Beispiele für Berichte mit der richtigen Klassifizierung „gezeigt“ werden, die für diese Lernphase von einem Menschen durchgeführt wurden. Je mehr Beispiele gezeigt werden, desto besser ist der Transformator, wenn er die Klassifizierung selbst durchführen muss.

Wir haben unseren Transformer vor, während und nach der Entbindungsphase auf Daten aus dem Zentrum 15 der SAMU de la Gironde angewendet, um Trends im Grund für Anrufe zu beobachten.

Aufnahme in Notfälle in Gironde und Anrufe bei SAMU 33 entsprechend grippeähnlichen Symptomen, extrahiert vom Transformer aus allen Anrufen.
Emmanuel Lagarde, Autor zur Verfügung gestellt

Dies lehrte uns, dass die Anzahl der Anrufe für Grippesymptome drei Tage vor Beginn der Entbindung ihren Höhepunkt erreichte, zwei Wochen vor der Ankunft von Patienten mit Symptomen, die auf Covid-19 hindeuten, in der Notaufnahme. Wir sehen später auch Spitzenwerte bei Anrufen für Brustschmerzen, Stress und Angstzustände (in der Abbildung nicht dargestellt), die gleichzeitig mit der Aufnahme in die Notaufnahme auftreten. Brustschmerzanrufe entsprechen tatsächlich Patienten mit Atembeschwerden oder Leiden, was für Patienten mit Covid-19 ein schwerwiegenderes Stadium der Krankheit bedeutet. Der Höhepunkt der Forderungen nach Stress und Angst zeugt seinerseits von der Besorgnis, die durch diesen Beginn der Epidemie ausgelöst wurde.

Dies sind nur vorläufige Ergebnisse. Heute arbeiten wir beispielsweise daran, Indikatoren zu erstellen, mit denen die Anzeichen einer Epidemie besser unterschieden werden können, um beispielsweise einen Ausbruch von Covid-19 so früh wie möglich von dem der saisonalen Grippe zu unterscheiden.

Wie die “Transformers” die automatischen Textlesewerkzeuge revolutionierten

Der Transformer ist der neueste Nachwuchs von Sprachanalysetechniken, die sich sehr schnell entwickeln.

Die bekanntesten Anwendungen sind zweifellos maschinelle Übersetzungswerkzeuge, zum Beispiel das beeindruckende DeepL, aber diese Techniken werden auch implementiert, um Texte zu “verstehen”. Dies wird beispielsweise verwendet, wenn Sie in einer Suchmaschine in natürlicher Sprache suchen.

Sie können auch für Klassifizierungsaufgaben verwendet werden. Aus einem Text kann man beispielsweise die Maschine bitten, eine Zusammenfassung zu erstellen oder Fragen dazu zu beantworten.

Ende der 80er Jahre schien es der wissenschaftlichen Gemeinschaft des maschinellen Lernens jedoch schlecht zu gehen: Die Computer der damaligen Zeit, ausgestattet mit den Algorithmen der Zeit, konnten die Grammatik und die semantische Struktur der menschlichen Sprache nicht aufnehmen. .

In den folgenden Jahren erscheinen mehrere Strategien. Sie basieren auf statistischen Modellen, deren Parameter im Verlauf des Lernens verfeinert werden, und sie liefern keine Ergebnisse, sondern nur Wahrscheinlichkeiten der Ergebnisse: In unserem Beispiel würde der Transformer nicht sagen, dass ein Konto vorhanden ist Rendering sollte als grippeähnliche Krankheit eingestuft werden. Er wird sagen, dass die Wahrscheinlichkeit, dass dies der Fall ist, 90% beträgt.

In den 2010er Jahren erneuert die Verwendung von Computeralgorithmen, die die Funktionsweise neuronaler Netze in etwa nachahmen, das Feld, indem endlich „tiefes Lernen“ mit neuen Leistungen durchgeführt werden kann.



Lesen Sie mehr: Künstliche Intelligenz: Die Herausforderungen des tiefen Lernens


Unter diesen sogenannten “künstlichen” neuronalen Netzen, zu deren Familie der Transformator gehört, sind Modelle gekennzeichnet, die es ermöglichen, sogenannte “sequentielle” Daten wie Wetterdaten oder Wortfolgen, die Sätze bilden, zu verarbeiten. Der Transformer erschien 2018 und seine erstaunlichen Leistungen revolutionieren heute die Disziplin.

Warum ist Transformer so leistungsfähig?

Kurz gesagt, der Transformer wurde entwickelt, um die Wechselbeziehungen zwischen verschiedenen Teilen eines Satzes (z. B. Wörter oder Wortblöcke) beim Lesen einer großen Textmenge kennenzulernen.

In einer ersten Phase, die als “unbeaufsichtigtes Lernen” bezeichnet wird, wird der Transformer in die Lage versetzt, künstliche Texte zu erstellen, die nicht von von Menschen erstellten Texten zu unterscheiden sind. Dazu zeigen wir ihm möglichst viele Texte – in unserem Fall rund 300.000 Berichte. Am Ende dieser Phase kann das Modell das Wort vorhersagen, das auf eine Reihe gegebener Wörter folgt. Wenn wir beispielsweise in die Phase “Die kleine Katze nähert sich dem Hund mit” eintreten, schlägt das System als nächstes Wort “Vorsichtsmaßnahme” oder das Wort “Ton” vor. Wir können also iterativ einen künstlichen Text erstellen, indem wir den Vorgang mit dem neuen Anfangssatz „Die kleine Katze nähert sich dem Hund mit seinem“ wiederholen.



Weiterlesen: Haben Sie “maschinelles Lernen” gesagt? Wenn der Computer lernt zu lernen


Der Transformator wird so zu einer Maschine zur Erzeugung von synthetischem Text. Während das Ergebnis überraschend, dunkel, amüsant oder relevant sein kann, ist die Erzeugung von künstlichem Text an sich von geringem Nutzen. Aber es ermöglicht, und das ist seine ganze Kraft, mit weniger Aufwand ein System aufzubauen, das einer Aufgabe gewidmet ist. Für uns ermöglicht es die Klassifizierung dieser Berichte dank der zweiten Lernphase, die als überwacht bezeichnet wird.

Hier sind zwei Beispiele für künstliche Berichte, die von unserem Transformer erstellt wurden, nachdem 300.000 Notrufberichte gelesen wurden.
Emmanuel Lagarde, Autor zur Verfügung gestellt

Diese zweite Lernphase ändert sich in der Natur: Dieses Mal zeigen wir die Modellpaare, die aus dem zu klassifizierenden Text und der richtigen Klasse bestehen, die von einem menschlichen Codierer bestimmt wird. Dank der ersten Lernphase, in der das Modell gelernt hat, verständliche Sätze zu bilden, in die semantische Begriffe integriert wurden, werden die zum Erlernen einer nützlichen Aufgabe erforderlichen Beispiele nur sehr wenige. Ein bisschen wie ein Kind, dem es nicht nützlich ist, 10.000 Mal zu zeigen, wie eine Flasche, ein Spielzeug oder ein Telefon funktioniert, damit es ihren Gebrauch beherrschen kann.

Es ist dieser Transformator, der diesmal auf “überwachte” Weise trainiert wird – das heißt mit Beispielen für erwartete Ergebnisse, die es uns ermöglichen, bei jedem Anruf automatisch zu bestimmen, welche Symptome hervorgerufen werden oder welche Art des betreffenden Ereignisses, ein Verkehrsunfall, ein Sturz, ein störender Husten oder Unbehagen.


Dieser Artikel wurde von Dr. Catherine Pradeau vom SAMU-SMUR-Dienst und von Dr. Cédric Gil-Jardine von der Notaufnahme des Universitätsklinikums von Bordeaux gemeinsam verfasst.

Schreibe einen Kommentar

Deine E-Mail-Adresse wird nicht veröffentlicht. Erforderliche Felder sind mit * markiert.