Získávání dat pro propojenou síť pro EMS Komplexní technická podpora s využitím umělé inteligence
3. července 2023 aktualizováno: Yonsei University
V současné době je domácí lékařský záchranný systém odpojen od informačního toku mezi nemocnicemi, pohotovostními místy a kontrolními agenturami, které jsou účastníky záchranného lékařského systému, a existují omezení při shromažďování a využívání integrovaných dat v mimořádných situacích [1].
Kromě toho v důsledku nedostatku pracovních sil pro pohotovostní služby na místě a nedostatku systému pro poskytování informací pacientům v reálném čase nejsou vytvořeny dostatečné záznamy dat, které by odrážely situaci na místě pohotovosti, a informace o pacientech pohotovosti na předoperačním oddělení. -nemocniční stadium není dodáno do převozové nemocnice [1].
Záznamy přednemocničních informací o pacientech, které se v současné době připravují, jsou často psány ručně, přičemž se spoléhají na paměť záchranářů po dokončení přesunu pacienta, takže data jsou vysoce nepřesná a nelze zaručit jejich spolehlivost[2].
Zejména v případě čtyř hlavních vážných akutních onemocnění, která se nazývají srdeční zástava, těžké trauma, kardiovaskulární pohotovost a cerebrovaskulární naléhavá situace, jsou informace o pacientovi zjištěné ve stádiu naléhavosti velmi důležité pro stanovení závažnosti, takže je velmi důležité shromažďovat informace o pacientovi v reálném čase v terénu pro hodnocení závažnosti a na základě výsledků tohoto hodnocení je možné vybrat zdravotnické zařízení vhodné pro léčbu [3,4].
Navíc v případě těchto závažných akutních onemocnění, protože je stanovena cílená léčba, která má být provedena v určitém čase, je možné, že zdravotnický personál zdravotnického zařízení bude mít informace o pacientovi před příjezdem pacienta do nemocnice. připravit se předem na urgentní léčbu, a tím zvýšit výkonnost urgentní léčby v rozumném čase [5,6,7].
Přehled studie
Postavení
Dokončeno
Detailní popis
Vyvíjíme algoritmus na bázi umělé inteligence, který dokáže předpovědět čtyři hlavní vážná akutní onemocnění, která vyžadují okamžitou pohotovostní léčbu, a vyhodnotit jejich závažnost pomocí následujících vstupních a výstupních modelů.
Vstupní data algoritmu 1) Data videa/obrázku
- Záznam videa pomocí 360stupňové kamery instalované uvnitř sanitky a připojení zařízení Mobile Hot spot (MHS) (kabelové připojení RJ-45)
- Sběr video dat pomocí kamery na krku (nositelné)
- Počet videí přes chytré brýle (nositelné) zařízení a terminály první pomoci 2) Údaje o zvukovém signálu
- Sbírejte přednemocniční hlasová data záchranářů a hlasová data pacienta prostřednictvím mikrofonů pro kostní vedení, které nosí záchranáři 3) Údaje o biosignálu
- Zařízení pro monitorování pacientů nainstalované v ambulanci Mobile Hot Spot (MHS) zařízení Sběr a přenos životních funkcí prostřednictvím připojení TCP/IP
- Defibrilátory a nouzové terminály používané terénními posádkami (podpora 5G) Shromažďují a přenášejí vitální funkce prostřednictvím připojení TCP/IP
Vývojová technologie 1) Vývoj technologie rozpoznávání hlasu AI v nouzovém prostředí
- Sbírejte mluvený text, nouzové věty a hlasová data z fáze přepravy na místo
- Shromažďování řečového textu ze scénáře služby přenosu na místě pro vytvoření hlasové databáze pro výuku rozpoznávání hlasu
- Parafrázování ze shromážděného textu, ve kterém záchranáři generují věty s podobným významem, které lze vyslovit 2) Zavedení systému zpracování přirozeného jazyka pro nouzové prostředí dat přepisu hlasu - zpracování přirozeného jazyka, jako je analýza pramenů a rozpoznávání názvu entity Optimalizace lékařské pohotovosti doména modulu
- Shromažďování jazykových dat v nouzových prostředích, jako jsou nouzové činnosti, první pomoc a první pomoc
- Zpracování shromážděných jazykových dat nouzového prostředí pro optimalizaci domény a naučení se modelu zpracování přirozeného jazyka založeného na strojovém učení 3) Návrh modelu odstranění šumu hlasových informací záchranářů a oddělení reproduktorů 4) Vývoj technologie rozpoznávání obrazu na bázi AI pro monitorování informací bioznaků v sanitkách
- Vývoj algoritmu rozpoznávání znaků založeného na obrázku pro zařízení PMS (Patient Monitoring System) pro výstup životních funkcí
- Implementace technologie automatického rozpoznávání zařízení PMS (umístění, typ, značka atd.) prostřednictvím 5G 360° CAM videa založeného na učení AI
- Vývoj automatického rozpoznávání oblasti znaků a algoritmu čtení založeného na OCR (Optical Character Recognition) pro každý typ vitálního signálu
- Implementace technologie korekce specifických/zkreslených znaků na bázi NLP (Natural language process).
Vývoj technologie předzpracování obrazu, která minimalizuje vlivy pozadí, šumu, vibrací, osvětlení atd.
5) Vývoj modulu detekce objektu obrazové informace o nouzové činnosti 6) Modelování video analýzy detekce chování AI
- Detekce chování pomocí hlubokého učení Modelování analýzy obrazu – analýza obecných technik detekce chování
- Třída cílový test podobný nouzovému lékařskému chování při obecné detekci chování
- Třídní detekce podobná záchranné činnosti záchranářů a pohybu pacientů
- Obecné modelování detekce chování 7) Vstupní proměnná získaná na základě získaných mnohostranných dat extrahuje hlavní determinanty pro výstupní proměnnou modelu pomocí metody hluboké sítě Ji-an Lee a vypočítává predikční sílu pro konečnou výstupní proměnnou.
Typ studie
Pozorovací
Zápis (Aktuální)
15296
Kontakty a umístění
Tato část poskytuje kontaktní údaje pro ty, kteří studii provádějí, a informace o tom, kde se tato studie provádí.
Studijní místa
-
-
-
Seoul, Korejská republika
- Severance Hospital
-
-
Kritéria účasti
Výzkumníci hledají lidi, kteří odpovídají určitému popisu, kterému se říká kritéria způsobilosti. Některé příklady těchto kritérií jsou celkový zdravotní stav osoby nebo předchozí léčba.
Kritéria způsobilosti
Věk způsobilý ke studiu
- Dospělý
- Starší dospělý
Přijímá zdravé dobrovolníky
Ano
Metoda odběru vzorků
Ukázka pravděpodobnosti
Studijní populace
- Jedna průběžná analýza 6 měsíců po zahájení studie.
- Analýza dat: Pacienti, kteří byli na urgentní příjem převáženi sanitními vozy ze dvou hasičských stanic po dobu 6 měsíců a bylo zkontrolováno více než 20 % položek k vyplnění v záznamu případu.
- Abnormální plán řízení: Výzkumníci diskutují o důvodu chybějící hodnoty prostřednictvím schůzky s analýzou dat a naplánují pro ni plán.
Popis
Kritéria pro zařazení:
- Pacienti jsou přepravováni z hasičské stanice Seodaemun, hasičské stanice Mapo do centra pohotovostní péče nemocnice Severance prostřednictvím sanitky 119
Kritéria vyloučení:
- Nezletilí do 18 let
Studijní plán
Tato část poskytuje podrobnosti o studijním plánu, včetně toho, jak je studie navržena a co studie měří.
Jak je studie koncipována?
Detaily designu
Kohorty a intervence
Skupina / kohorta |
|---|
|
Požární stanice Mapo
|
Co je měření studie?
Primární výstupní opatření
Měření výsledku |
Popis opatření |
Časové okno |
|---|---|---|
|
Oblast pod provozními charakteristikami přijímače, AUROC
Časové okno: 6 měsíců po zahájení studie a v průměru 1 rok do poslední analýzy
|
|
6 měsíců po zahájení studie a v průměru 1 rok do poslední analýzy
|
Spolupracovníci a vyšetřovatelé
Zde najdete lidi a organizace zapojené do této studie.
Sponzor
Vyšetřovatelé
- Vrchní vyšetřovatel: Hyuk-Jae Chang, Severance Cardiovascular Hospital
Termíny studijních záznamů
Tato data sledují průběh záznamů studie a předkládání souhrnných výsledků na ClinicalTrials.gov. Záznamy ze studií a hlášené výsledky jsou před zveřejněním na veřejné webové stránce přezkoumány Národní lékařskou knihovnou (NLM), aby se ujistily, že splňují specifické standardy kontroly kvality.
Hlavní termíny studia
Začátek studia (Aktuální)
19. dubna 2021
Primární dokončení (Aktuální)
31. prosince 2021
Dokončení studie (Aktuální)
31. prosince 2021
Termíny zápisu do studia
První předloženo
3. července 2023
První předloženo, které splnilo kritéria kontroly kvality
3. července 2023
První zveřejněno (Aktuální)
11. července 2023
Aktualizace studijních záznamů
Poslední zveřejněná aktualizace (Aktuální)
11. července 2023
Odeslaná poslední aktualizace, která splnila kritéria kontroly kvality
3. července 2023
Naposledy ověřeno
1. července 2023
Více informací
Termíny související s touto studií
Další relevantní podmínky MeSH
Další identifikační čísla studie
- 4-2019-0739
Plán pro data jednotlivých účastníků (IPD)
Plánujete sdílet data jednotlivých účastníků (IPD)?
NE
Informace o lécích a zařízeních, studijní dokumenty
Studuje lékový produkt regulovaný americkým FDA
Ne
Studuje produkt zařízení regulovaný americkým úřadem FDA
Ne
Tyto informace byly beze změn načteny přímo z webu clinicaltrials.gov. Máte-li jakékoli požadavky na změnu, odstranění nebo aktualizaci podrobností studie, kontaktujte prosím register@clinicaltrials.gov. Jakmile bude změna implementována na clinicaltrials.gov, bude automaticky aktualizována i na našem webu .