Maskinlæringsassisteret differentiering af patienter med lav skarphed ved afsendelse (MADLAD)

BAGGRUND:

På Emergency Medical Dispatch (EMD)-centre er ressourcebegrænsede situationer (RCS), hvor der er flere opkald, der har brug for en ambulance, end der er tilgængelige ambulancer almindelige. På EMD-centrene i Uppsala og Västmanland får patienter, der oplever disse situationer, typisk en lavprioritet respons, er ofte ældre og har uspecifikke symptomer. Maskinlæringsteknikker tilbyder en lovende, men stort set uafprøvet tilgang til vurdering af risici blandt disse patienter.

MÅL:

At fastslå, om leveringen af ​​maskinlæringsbaserede risikoscores forbedrer koordinatorernes evne til at identificere patienter med høj risiko for forværring af RCS.

DESIGN:

Multicenter, parallel-grupperet, randomiseret, analytiker-blindet forsøg.

BEFOLKNING:

Voksne patienter, der kontakter den nationale alarmcentral (112), vurderet af en udsendt sygeplejerske i Uppsala eller Västmanland som krævende en lavprioritet ambulancerespons, og oplever en RCS.

RESULTATER:

Primær:

1. Andel af RCS, hvor den første tilgængelige ambulance blev sendt til patienten med den højeste score for National Early Warning (NEWS)

Sekundær:

• Forskel i sammensat risikoscore bestående af ambulanceinterventioner, akut transport, hospitalsindlæggelse, intensiv pleje og dødelighed mellem patienter, der modtager øjeblikkelig vs. forsinket ambulancerespons under RCS.
• Forskel i NYHEDER mellem patienter, der modtager øjeblikkelig vs. forsinket ambulancerespons under RCS.

INTERVENTION:

En maskinlæringsmodel vil estimere risikoen forbundet med hver patient involveret i RCS og foreslå en patient at modtage den tilgængelige ambulance. Kun i interventionsarmen vil vurderingen blive vist i en brugergrænseflade integreret i afsendelsessystemet.

PRØVE STØRRELSE:

1500 RCS hver bestående af flere patienter randomiseret 1:1 til kontrol- og interventionsarme