编辑推荐：
为解决医疗调度领域 AI 决策工具缺乏法语数据集的问题，研究人员构建 SIMSAMU 法语医疗调度对话公开数据集，开发调度方案并评估语音识别等模型。结果显示模型经领域微调后性能提升，为该领域 AI 研究提供了重要资源。
在医疗急救领域，调度服务（DS）作为紧急医疗服务（EMS）的核心环节，其效率与准确性直接关乎患者生命安全。然而，当前医疗调度系统的决策准确性证据水平普遍较低，尤其在法国，缺乏针对医疗调度的 AI 决策支持工具及法语专用数据集。紧急医疗场景下的电话沟通具有时间紧迫、无实体检查等特殊性，现有通用语音识别模型（如 Whisper）在该领域的泛化能力不足，亟需专业数据集支撑针对性研究。
为填补这一空白，法国 CHU Avicenne 和 CHU La Réunion 的研究人员开展了相关研究，成果发表在《Computer Methods and Programs in Biomedicine》。他们构建了首个法语医疗调度对话公开数据集 SIMSAMU，并开发了基于无监督分析的专家验证调度方案，同时对说话人分割（diarization）和语音识别模型进行了基准评估，为医疗调度领域的 AI 应用提供了关键基础。
研究主要采用以下技术方法：
- 数据采集与模拟：2022-2023 年，17 名急诊医学初级医生模拟真实医疗调度电话，通过自定义卡片系统随机分配 caller 沟通风格、患者年龄、呼叫原因等场景（共 54,131 种可能组合），录制并转录形成 SIMSAMU 语料库。
- 无监督分析与建模：利用 CamemBERT 语言模型对对话内容进行嵌入学习，通过层次聚类提取话语类型，结合 Roter 交互分析系统（RIAS）构建调度方案；采用 PyaNet 模型进行说话人分割，基于 wav2vec 2.0 和 Whisper 模型开展语音识别对比实验。
3.1 数据集特征
SIMSAMU 包含 61 段音频记录（总计 3 小时 14 分钟），2,997 条话语（caller 1,484 条，医疗调度员（MD）1,593 条）。音频采样率 8 KHz，模拟真实调度通话环境。场景覆盖多种沟通风格（如害羞、愤怒）、患者年龄（从新生儿到 98 岁）及呼叫原因（包括胸痛、火灾等常见与罕见情况），具备较高的临床多样性。
3.2 对话结构与聚类分析
通过无监督层次聚类，caller 话语分为 4 类：背景反应（backchannel）、提问（questions）、信息提供（informative）、说服（persuasion）；MD 话语分为 3 类：背景反应、提问、建议 / 指令（advice/orders）。对话呈现明显两阶段结构：医疗询问阶段（MD 收集病情信息、确认患者状态）和合约化阶段（MD 下达决策并与 caller 协商达成共识），该模式经医疗专家验证，符合实际调度流程。
3.3 模型评估结果
- 说话人分割：基于 Pyannote-audio 的 PyaNet 模型经 ESLO2 数据集微调后，错误率（DER）为 10.4%，能有效区分对话中的不同发言者。
- 语音识别：通用模型 Whisper 的词错误率（WER）为 35.8%，而经领域微调的 CTC-wav2vec 模型 WER 降至 16.1%，显著提升了医疗术语识别准确性（如 “diarrhée” 从误识别为 “dare” 纠正为正确形式）。
研究结论表明，SIMSAMU 数据集的建立填补了法语医疗调度领域数据空白，其揭示的对话结构为开发针对性 AI 工具提供了理论框架。实验显示，领域特定数据微调对提升模型性能至关重要，通用模型在紧急医疗场景中存在显著局限性。该研究不仅为医疗调度的 AI 决策支持工具开发提供了基准数据集和评估方案，还强调了构建专业领域语料库在语音处理中的关键作用，对跨语言医疗 AI 研究具有参考价值。未来可基于该数据集进一步探索少样本学习、对话行为分类等方向，推动紧急医疗服务的智能化升级。
