Effective and rapid triaging from primary care into secondary care plays a pivotal role in providing patients with timely treatment and managing increasing demands for healthcare resources. Existing triaging methods from primary care to secondary care are labor-intensive processes that involve manually reviewing referral data from multiple sources and can cause long referral to treatment time. There has been no research using machine learning methods that automatically analyzes heterogeneous data including referral letters to recognize regularities to support the primary to secondary care triage. In this paper, we propose a heterogeneous data-driven hybrid machine learning model including Natural Language Processing (NLP) to improve hospital triage efficiency at the point of triage. The proposed model achieved a precision of 0.83, recall of 0.82, F1-Score of 0.83, accuracy of 0.82, AUC of 0.90 in identifying patients with non-inflammatory conditions (NIC) and inflammatory arthritis (IA) at the point of triage with explainable risk stratifications. Our model is piloted in a real-world trial in a large secondary care hospital in the UK to compare referral accuracy and time saved between our model and clinicians, and evaluate its acceptability by users. Our model achieved precision and recall of 0.83 and 0.81, compared with the precision and recall of 0.80 and 0.78 by clinicians. The research also shows that our model enabled decision support can save clinicians 8 h per week in assessing the referral assessment. This paper is the first study to streamline hospital triage from primary care to secondary care using machine learning.

从初级保健到二级保健的有效和快速分类在为患者提供及时治疗和管理对医疗资源日益增长的需求方面起着关键作用。从初级保健到二级保健的现有分流方法是劳动密集型过程，涉及手动审查来自多个来源的转诊数据，并可能导致转诊到治疗时间过长。目前还没有研究使用机器学习方法自动分析包括推荐信在内的异质数据，以识别规律性以支持从初级到二级护理的分类。在本文中，我们提出了一种包括自然语言处理 (NLP) 在内的异构数据驱动混合机器学习模型，以提高分诊点的医院分诊效率。所提出的模型实现了 0.83 的精度，0.82 的召回率，F1-Score 为 0.83，准确度为 0.82，AUC 为 0.90，可在分流点识别具有可解释风险分层的非炎症性疾病 (NIC) 和炎症性关节炎 (IA) 患者。我们的模型在英国一家大型二级保健医院的真实世界试验中进行了试点，以比较我们的模型和临床医生之间的转诊准确性和节省的时间，并评估其被用户接受的程度。我们的模型实现了 0.83 和 0.81 的准确率和召回率，而临床医生的准​​确率和召回率分别为 0.80 和 0.78。研究还表明，我们的模型支持决策支持可以每周为临床医生节省 8 小时的转诊评估时间。本文是第一项使用机器学习简化从初级保健到二级保健的医院分类的研究。90 在用可解释的风险分层进行分流时识别患有非炎症性疾病 (NIC) 和炎症性关节炎 (IA) 的患者。我们的模型在英国一家大型二级保健医院的真实世界试验中进行了试点，以比较我们的模型和临床医生之间的转诊准确性和节省的时间，并评估其被用户接受的程度。我们的模型实现了 0.83 和 0.81 的准确率和召回率，而临床医生的准​​确率和召回率分别为 0.80 和 0.78。研究还表明，我们的模型支持决策支持可以每周为临床医生节省 8 小时的转诊评估时间。本文是第一项使用机器学习简化从初级保健到二级保健的医院分类的研究。90 在用可解释的风险分层进行分流时识别患有非炎症性疾病 (NIC) 和炎症性关节炎 (IA) 的患者。我们的模型在英国一家大型二级保健医院的真实世界试验中进行了试点，以比较我们的模型和临床医生之间的转诊准确性和节省的时间，并评估其被用户接受的程度。我们的模型实现了 0.83 和 0.81 的准确率和召回率，而临床医生的准​​确率和召回率分别为 0.80 和 0.78。研究还表明，我们的模型支持决策支持可以每周为临床医生节省 8 小时的转诊评估时间。本文是第一项使用机器学习简化从初级保健到二级保健的医院分类的研究。