Desarrollo de algoritmo para la realización de entrevistas médicas preliminares por reconocimiento y transcripción de voz

Abstract

El sistema de salud de Guatemala, principalmente en el sector público, cuenta con una densidad de personal médico por debajo de los estándares mínimos necesarios para operar de manera adecuada. Esto produce, no solo insatisfacción general en los pacientes que acuden a los centros de salud, sino también una alta carga de trabajo sobre todos los trabajadores que forman parte del personal médico. Esta alta carga genera una mayor tasa de incidentes peligrosos para la salud en el área de trabajo y una menor calidad en el servicio prestado a los pacientes. Un tiempo alto de espera previo a una consulta se encuentra ligado al uso de los recursos dentro del hospital, que en este caso son reducidos y esto tiene implicaciones negativas sobre el sistema completo incluyendo a los pacientes que acceden de forma tardía a sus tratamientos. Se desarrollaron diferentes versiones de algoritmos de reconocimiento y transcripción de voz y se compararon con base en el porcentaje de efectividad de transcripción bajo diferentes condiciones. Se llevaron a cabo encuestas a personas del personal médico para formar el esquema de la entrevista. Por último, se desarrolló un algoritmo de clasificación que utilizaba las respuestas de la entrevista para determinar a qué área debía asignarse el paciente. Se logró desarrollar un algoritmo de reconocimiento de voz que presentó una efectividad casi ideal. El modelo de clasificación tiene precisión alta al evaluarla con casos de entrenamiento y limitada con casos reales. La versión final es capaz de generar un reporte final con la entrevista transcrita y la clasificación sugerida

The health system in Guatemala, mainly in the public sector, has a density of medical personnel below the minimum standards necessary to operate adequately. This produces not only general dissatisfaction among patients attending health centers, but also a high wor kload on all workers who are part of the medical staff. This high workload generates a higher rate of health hazardous incidents in the work area and a lower quality of service provided to patients. A high waiting time prior to a consultation is linked to the use of resources within the hospital, which in this case are reduced and this causes negative implications on the entire system including patients who access their treatments late. Different versions of speech recognition and transcription algorithms were developed and compared based on the percentage of transcription effectiveness under different conditions. Surveys of medical personnel were conducted to form the interview scheme. Finally, a clas sification algorithm was developed that used the interview responses to determine to which area the patient should be assigned. We were able to develop a speech recognition algorithm that had near-ideal effectiveness. The classification model has high accuracy when evaluated with training cases and limited accuracy with real cases. The final version is able to generate a final report with the transcribed interview and the suggested classification