I-SIRch: AI-Powered Concept Annotation Tool For Equitable Extraction And Analysis Of Safety Insights From Maternity Investigations

产科护理是一个复杂的系统，涉及患者、医护人员和护理环境之间的治疗和互动。为了改善患者的安全和预后，了解影响医疗服务提供的人类因素（例如个人决策、地方设施）至关重要。然而，目前大多数用于分析医疗数据的工具仅关注生物医学概念（例如健康状况、程序和测试），忽视了人类因素的重要性。我们开发了一种名为I-SIRch的新方法，利用人工智能自动识别和标记产科医疗调查报告中描述不良产科事件的人类因素概念，这些事件调查报告旨在识别整个医疗系统中学习和改善母婴安全的机会。I-SIRch使用真实数据进行训练，并在真实数据和模拟数据上进行测试，以评估其在识别人类因素概念方面的性能。当应用于真实报告时，该模型达到了高水平的准确性，在97份报告的90％的句子中正确地识别了相关概念。将I-SIRch应用于分析这些报告揭示了某些人类因素对不同族裔的母亲产生了不成比例的影响。我们的工作展示了使用自动化工具识别产科事件调查报告中的人类因素概念的潜力，而不仅仅关注生物医学概念。这种方法为了解社会、技术和组织因素之间相互作用对母婴安全和人口健康结果的影响打开了新的可能性。通过更全面地看待产科保健服务的交付，我们可以制定有针对性的干预措施，以解决不平等问题并改善母婴预后。

论文旨在解决医疗保健数据分析工具只关注生物医学概念而忽视人类因素的问题，提出使用人工智能自动识别和标记产科医疗事故调查报告中的人类因素概念，以便更好地了解社会、技术和组织因素对产妇安全和人口健康结果的影响。

使用I-SIRch方法，通过人工智能自动识别和标记医疗事故调查报告中的人类因素概念，以便更好地了解这些因素对产妇安全和人口健康结果的影响。该方法在真实数据和模拟数据上进行了测试，结果表明其在识别人类因素概念方面表现出高准确性。

论文使用真实数据和模拟数据对I-SIRch方法进行了测试，并且在真实报告中取得了90%的准确率。研究发现，某些人类因素对不同族裔的母亲产生了不成比例的影响。这种方法为了解社会、技术和组织因素对产妇安全和人口健康结果的影响提供了新思路。

在最近的相关研究中，也有一些关注医疗保健中的人类因素的研究，例如：《Using Human Factors and Systems Engineering to Understand the Primary Care Workplace Learning Environment》、《Human Factors in Healthcare: A Field Guide to Continuous Improvement》等。