Исследование, опубликованное в журнале npj Digital Medicine, представляет инновационный подход к оптимизации работы служб скорой помощи через использование лексического машинного обучения для анализа первичных жалоб пациентов. Методология заключается в автоматизированной обработке текстовых данных (chief complaints), поступающих от диспетчеров или пациентов, для более точной классификации состояний. Ключевым результатом является повышение точности предварительной сортировки (триажа) пациентов, что позволяет сократить время реагирования на критические вызовы. Использование NLP-моделей позволяет выявлять скрытые паттерны в описании симптомов, которые могут быть упущены человеком. Данная технология имеет высокую значимость для снижения нагрузки на системы экстренной помощи и улучшения выживаемости пациентов за счет оперативной доставки специализированных бригад. Внедрение подобных ML-моделей в протоколы диспетчерских служб является перспективным шагом для цифровой трансформации медицины катастроф.