筑波大學醫學院的田宮菜菜子教授和井口龍太副教授領導的研究小組發現，醫生到病人家中進行檢查的緊急家庭訪問服務確定緊急程度較低當提前進行電話詢問時。為了避免分類不足，我們建立了一個機器學習模型來預測哪些患者可能低估了緊急情況。研究人員將把這個模型應用到真正的急診室服務中，看看它是否能減少分類不足。
據筑波大學介紹，研究團隊分析了 2018 年 11 月至 2021 年 1 月期間使用 Fast Doctor 緊急家訪服務的約 16 名 4 歲及以上患者中約 5,000 名的數據。
結果，分流不足的患者佔總數的 1.6%，平均年齡為 38.4 歲，男性佔 57.2%。主要並發症為高血壓和慢性肺部疾病，伴有普通感冒症狀和昏厥。
在我們創建的五個機器學習模型中，我們調查了模型中性能最好的哪些信息會促進分類不足，發現老年患者有高血壓、糖尿病、腦梗塞和癡呆等並發症。是的，它被證實了主訴感冒症狀、頭痛、過敏反應時容易判斷。
Fast Doctor接到患者的電話後，會根據消防廳制定的標準判斷緊急程度，並在6小時內派遣醫生到需要就診且有困難的患者處去醫院。，已經發生了一定數量的分類不足。當發生分診不足時，就診時間可能會延遲，後續病情可能會加重，這對緊急上門服務來說是一個挑戰。
