OPTIMA Health Priority: an intelligent system to prioritise patients in a context of healthcare scarcity

Abstract

The management of healthcare resources, particularly in contexts of scarcity such as crises or pandemics, presents a pressing challenge, further complicated by the absence of explicit and widely accepted prioritization guidelines. In such scenarios, healthcare professionals often carry a significant ethical burden, making critical decisions based on implicit rationing criteria, frequently without the support of structured methodologies or public consensus. This study presents OPTIMA Health Priority, an intelligent, automated, and explainable triage system designed to assist in ethically sustainable patient prioritization. The OPTIMA is grounded in public perceptions, collected through a large scale online questionnaire where participants were asked to make prioritization choices between patients with different clinical and personal characteristics. One of the key challenges encountered in this context was class imbalance, particularly concerning under represented prioritization profiles. Such imbalance can lead to biased model predictions, disproportionately favouring more frequent cases and neglecting critical but rarer patient profiles. To address this, the synthetic data generation process was carefully designed to ensure class distribution parity across different prioritization levels using Gaussian Copula models within the Synthetic Data Vault framework, ensuring balanced, privacy compliant, and ethically replicated input data. This balancing was crucial for achieving fair and generalizable model performance. The proposed prioritization model, OPTIMA, integrates a multi-criteria decision support algorithm, combining advanced machine learning classifiers. Classification is guided by nine ethically grounded and socially accepted rationing criteria: (i) severity of disease (pain); (ii) life expectancy gain; (iii) age; (iv) rule of rescue (imminent risk of death); (v) improvement in quality of life; (vi) waiting time; (vii) social need (e.g., parenthood); (viii) negative merit (e.g., risky behaviours); and (ix) instrumental value (e.g., being a healthcare worker). To enhance interpretability and trust, model decisions are explained, offering transparency and insight into how each feature influences prioritization outcomes. The core contributions of this work include: (i) the ethical generation of synthetic data for healthcare modelling; (ii) the development of a transparent and auditable triage system; (iii) the alignment of algorithmic decisions with societal values and ethical principles; and (iv) methodological reproducibility and scalability. Experimental results confirm the model’s robustness and predictive performance, indicating its potential to support fair, consistent, and socially aligned patient prioritization in real world healthcare systems. To our knowledge, this is the first comprehensive attempt to develop an explainable Artificial Intelligence system for patient triage that explicitly integrates societal values into algorithmic healthcare decisions, promoting both equity and efficiency in resource constrained medical environments.

A gestão de recursos de saúde, particularmente em contextos de escassez como crises ou pandemias, representa um desafio, agravado pela ausência de diretrizes de priorização explícitas. Nesses cenários, os profissionais de saúde carregam um pesado encargo ético, tomando decisões críticas baseadas em critérios de racionamento implícitos e sem o apoio de metodologias estruturadas ou do consenso público. Este estudo apresenta o OPTIMA Health Priority, um sistema de triagem inteligente, automatizado e explicável, concebido para apoiar a priorização de pacientes de forma eticamente sustentável. O OPTIMA baseia-se nas percepções da população, recolhidas através de um questionário, no qual os participantes foram convidados a tomar decisões de priorização entre pacientes com diferentes características clínicas e pessoais. Um dos principais desafios enfrentados neste contexto foi o desbalanceamento das classes, particularmente no que diz respeito a perfis de priorização sub-representados. Este desbalanceamento pode conduzir a previsões enviesadas por parte do modelo, favorecendo desproporcionalmente os casos mais frequentes e descurando perfis de pacientes críticos, mas mais raros. Para mitigar este problema, é proposto um processo de geração de dados sintéticos de forma a garantir a paridade na distribuição das classes entre os diferentes níveis de priorização, recorrendo a modelos de Cópula Gaussiana no âmbito da framework Synthetic Data Vault. Este equilíbrio foi fundamental para alcançar um desempenho justo e generalizável por parte dos modelos.O modelo de priorização proposto, OPTIMA, integra um algoritmo de apoio à decisão multi-classe, combinando classificadores avançados de Machine Learning.A classificação é orientada por nove critérios de racionamento, social e eticamente reconhecidos: (i) gravidade da doença (dor); (ii) ganhos na expectativa de vida; (iii) idade; (iv) risco iminente de morte; (v) melhoria da qualidade de vida; (vi) tempo de espera; (vii) necessidade social (e.g., parentalidade); (viii) mérito negativo (e.g., comportamentos de risco); e (ix) valor instrumental (e.g., ser profissional de saúde). Para aumentar a interpretabilidade e a confiança, as decisões do modelo são explicadas, oferecendo transparência e perceção sobre como cada feature influencia os resultados. As contribuições centrais deste trabalho incluem: (i) a geração de dados sintéticos na saúde; (ii) o desenvolvimento de um sistema de triagem transparente e auditável; (iii) o alinhamento das decisões com valores sociais e princípios éticos; e (iv) reprodutibilidade e escalabilidade metodológica. Os resultados experimentais confirmam a robustez e o desempenho do modelo, indicando o seu potencial para apoiar uma priorização de pacientes justa, consistente e socialmente alinhada. Até onde sabemos, esta é a primeira tentativa abrangente de desenvolver um sistema de Inteligência Artificial explicável para triagem de pacientes que integra explicitamente valores sociais nas decisões algorítmicas em saúde, promovendo equidade e eficiência em ambientes médicos com recursos limitados.