Triaje de llamadas al 112 con IA

La demo 112 consiste en una interfaz gráfica de usuario vinculada a un modelo predictivo. Emula el proceso de recogida de datos durante una llamada de emergencia médica y clasifica el incidente notificado mediante tres etiquetas diferentes pero complementarias: evento potencialmente mortal (sí/no), demora admisible de la respuesta (no demorable, minutos, horas, días) y jurisdicción (sistema de urgencias/atención primaria). El modelo predictivo subyacente está compuesto por una red neuronal modular multitarea profunda.

Empezar demo

Si utilizas la demo, por favor cita:

Pablo Ferri, Carlos Sáez, Antonio Félix-De Castro, Javier Juan-Albarracín, Vicent Blanes-Selva, Purificación Sánchez-Cuesta, Juan M García-Gómez (2021). Deep ensemble multitask classification of emergency medical call incidents combining multimodal data improves emergency medical dispatch. Artificial Intelligence in Medicine, 102088.
Pablo Ferri, Vincenzo Lomonaco, Lucia C Passaro, Antonio Félix-De Castro, Purificación Sánchez-Cuesta, Carlos Sáez, Juan M García-Gómez (2024). Deep continual learning for medical call incidents text classification under the presence of dataset shifts. Computers in Biology and Medicine, 175, 108548.
Pablo Ferri, Carlos Sáez, Antonio Félix-De Castro, Purificación Sánchez-Cuesta, Juan M García-Gómez (2022). Discovering Key Topics in Emergency Medical Dispatch from Free Text Dispatcher Observations. Studies in health technology and informatics, 294, 859-863.
Pablo Ferri, Carlos Sáez, Antonio Félix-De Castro, Purificación Sánchez-Cuesta, Juan M García-Gómez (2025). Deep continual multitask out-of-hospital incident severity assessment from changing clinical features. Health Information Science and Systems, 14(1), 1.
Pablo Ferri, Carlos Sáez, Antonio Félix-De Castro, Purificación Sánchez-Cuesta, Juan M García-Gómez (2025). An end-to-end solution for out-of-hospital emergency medical dispatch triage based on multimodal and continual deep learning. Artificial Intelligence in Medicine, 103264.