Emergency triage classification with machine learning. A Colombian Case

Abstract

Introduction. This study presents innovative research on classifying emergency department patients using advanced machine-learning techniques. Objective. Provide a decision-support tool for identifying patients who require urgent intervention promptly. Method. A balanced Random Forest model was developed, which showed promising triage results. The approach created triage subcategories and assigned different priorities based on critical status. Results. The results were encouraging, with an accuracy of 80.14% for high-priority patients, 79.45% for referred patients, and 81.29% for patients who ultimately died. Conclusion. The findings support the model's effectiveness in improving decision-making in emergency departments. The research aims to enhance patient classification efficiency, optimize resource allocation, and ensure timely care. It provides new insights and can benefit healthcare professionals by improving the quality of emergency care.Introducción. Este estudio presenta una investigación innovadora sobre la clasificación de pacientes en servicios de urgencias mediante técnicas avanzadas de aprendizaje automático. Objetivo. Proporcionar una herramienta de apoyo a la toma de decisiones para identificar rápidamente a los pacientes que requieren una intervención urgente. Método. Se desarrolló un modelo equilibrado de Random Forest, que mostró resultados prometedores en la clasificación. El enfoque creó subcategorías de clasificación y asignó diferentes prioridades en función del estado crítico. Resultados.  Los resultados fueron alentadores, con una precisión del 80,14 % para los pacientes de alta prioridad, del 79,45 % para los pacientes derivados y del 81,29 % para los pacientes que finalmente fallecieron. Los resultados respaldan la eficacia del modelo para mejorar la toma de decisiones en los servicios de urgencias. Conclusiones. La investigación tiene como objetivo mejorar la eficiencia de la clasificación de pacientes, optimizar la asignación de recursos y garantizar una atención oportuna. Aporta nuevos conocimientos y puede beneficiar a los profesionales sanitarios al mejorar la calidad de la atención de urgencias.