Study Objective: The emergency department (ED) in the United States strongly rely on subjective assessment of patients. This study seeks to evaluate an electronic triage system based on machine learning models that can predict the patients emergency severity index (ESI).

Methods: A dataset containing 560 486 patients triage data was investigated.Three different machine learning models was tested and evaluated. A crossvalidation table and a confusion matrix was conducted from each of the models. The precision rate, recall rate and f1-score were calculated and reported.

Result: The Gradient Boosting model returned an accuracy rate of 68%. The random forest model returned an accuracy rate of 66%. The Gaussian Naive Bayesmodel returned an accuracy rate of 25%.

Conclusion: The model that best predicted the ESI-level is the GradientBoosting model. Further testing is needed with better computational power since we could not train our model with the whole dataset.

Syfte: Akutmottagningen i USA förlitar sig kraftigt på en subjektiv värdering av patienter. Denna studie söker efter att evaluera ett elektronisk triage systembaserad på maskininlärningsmodeller som kan förutse patienters ESI.

Metod: Ett data set som innehåller 560 486 patienters triage data har undersökts. Tre olika maskininlärningsmodeller har testats och evaluerats. En cross validation tabell och en confusion matrix har skapats för varje modell. Precision, recall och f1 värde har kalkylerats och rapporterats.

Resultat: Gradient Boosting modellen har returnerat ett accuracy värde av 68%. Random Forest modellen har returnerat ett accuracy värde av 66%. Gaussian Naive Bayes modellen har returnerat ett accuracy värde av 25%.

Slutsats: Modellen som har bäst förutsett ESI nivåerna är Gradient Boostingmodellen. Flera tester behövs med starkare beräkningskraft då vi inte kunde träna vår modell med hela datasetet.