Dataindsamling til tilsluttet netværk til EMS'er Omfattende teknisk support ved hjælp af kunstig intelligens
3. juli 2023 opdateret af: Yonsei University
I øjeblikket er det hjemlige akutmedicinske system afbrudt fra informationsstrømmen mellem hospitaler, akutpladser og kontrolinstanser, som er deltagere i det akutmedicinske system, og der er begrænsninger i at indsamle og udnytte integrerede data i nødsituationer [1].
På grund af manglen på mandskab til beredskabstjenesterne på stedet og manglen på et system til levering af patientoplysninger i realtid, er der desuden ikke foretaget tilstrækkelige dataregistreringer til at afspejle situationen på beredskabsstedet, og akut patientinformation på præstationen -hospitalsstadiet leveres ikke til overførselshospitalet [1].
Optegnelser over præhospitale patientoplysninger, som i øjeblikket er ved at blive udarbejdet, er ofte skrevet i hånden, baseret på paramedicineres hukommelse efter at have afsluttet patientoverførsel, så dataene er meget unøjagtige og kan ikke garanteres at være pålidelige[2].
Især i tilfælde af de fire store alvorlige nødsygdomme, som kaldes hjertestop, alvorligt traume, kardiovaskulær nødsituation og cerebrovaskulær nødsituation, er patientinformationen, der identificeres i nødstadiet, meget vigtig for at bestemme sværhedsgraden, så det er meget vigtigt at indsamle patientinformation i realtid i felten for at evaluere sværhedsgraden, og baseret på resultaterne af denne evaluering er det muligt at vælge en medicinsk institution, der er egnet til behandling [3,4].
I tilfælde af disse alvorlige akutsygdomme, da målrettet behandling er fastlagt at blive udført inden for en vis tid, er det, hvis lægeinstitutionens lægepersonale er bekendt med patientens oplysninger, inden patienten ankommer til hospitalet, evt. at forberede sig på forhånd til akut behandling og derved øge præstationsraten for akutbehandling inden for en rimelig tid [5,6,7].
Studieoversigt
Status
Afsluttet
Detaljeret beskrivelse
Vi udvikler en AI-baseret algoritme, der kan forudsige de fire store alvorlige nødsygdomme, der kræver øjeblikkelig akut behandling, og evaluere deres sværhedsgrad gennem følgende input- og outputmodeller.
Algoritme-inputdata 1) Video/Billeddata
- Videooptagelse via et 360-graders kamera installeret inde i ambulancen og en mobil hotspot (MHS) enhedsforbindelse (RJ-45 kablet forbindelse)
- Videodataindsamling via nakkebøjlekamera (bærbar)
- Antal videoer gennem smarte briller (bærbare) enheder og førstehjælpsterminaler 2) Lydsignaldata
- Indsaml præhospital paramedicinerstemme og patientstemmedata gennem knogleledningsmikrofoner båret af paramedicinere 3) Biosignaldata
- Patientovervågningsenhed installeret i ambulance Mobile Hot Spot-enhed (MHS) Indsamling og overførsel af vitale tegn via TCP/IP-forbindelse
- Defibrillatorer og nødterminaler, der bruges af feltpersonale (5G-support) Saml og transmitter vitale tegn via TCP/IP-forbindelse
Udviklingsteknologi 1) Udvikling af stemmegenkendelse AI-teknologi i nødsituationer
- Indsaml talt tekst, nødrelaterede sætninger og stemmedata fra site-transportfasen
- Indsamling af taletekst fra on-site overførselstjenestescenarie for at bygge stemme-DB til stemmegenkendelsesindlæring
- Parafrasering, fra den indsamlede tekst, hvor paramedicinere genererer sætninger med lignende betydninger, der kan udtales 2) Etablering af et naturligt sprogbehandlingssystem for taletransskriptionsdata i nødmiljøet - naturlig sprogbehandling såsom stemmingsanalyse og genkendelse af entitetsnavne Optimer akutmedicinen modulets domæne
- Indsamling af sprogdata i nødmiljøer såsom nødaktiviteter, førstehjælp og førstehjælp
- Behandling af indsamlede sprogdata i nødmiljøet til domæneoptimering og indlæring af en maskinlæringsbaseret naturlig sprogbehandlingsmodel 3) Paramedicinsk stemmeinformationsstøjfjernelse og højttaleradskillelsesmodeldesign 4) Udvikling af AI-baseret billedgenkendelse bio-tegn informationsovervågningsteknologi i ambulancer
- Udvikling af billedbaseret tegngenkendelsesalgoritme til PMS (Patient Monitoring System) udstyr udsender vitale tegn
- Implementering af automatisk genkendelsesteknologi til PMS-udstyr (placering, type, mærke osv.) gennem AI-læringsbaseret 5G 360°CAM-video
- Udvikling af automatisk tegnområdegenkendelse og OCR (Optical Character Recognition)-baseret læsealgoritme for hver type vitalt signal
- Implementering af NLP (Natural language process)-baseret specifik/forvrænget tegnkorrektionsteknologi
Udvikling af billedforbehandlingsteknologi, der minimerer virkningerne af baggrund, støj, vibrationer, belysning mv.
5) Udvikling af nødaktivitet billede information objekt detektion modul 6) AI adfærd detektion video analyse modellering
- Adfærdsdetektion ved hjælp af deep learning Billedanalysemodellering - Analyse af generelle adfærdsdetektionsteknikker
- Klassemåltest svarende til akut medicinsk adfærd under generel adfærdsdetektion
- Klassedetektion svarende til paramedicineres redningsaktiviteter og patienters bevægelse
- Generel adfærdsdetektionsmodellering 7) Den opnåede inputvariabel baseret på de opnåede mangefacetterede data udtrækker hoveddeterminanterne for modeloutputvariablen gennem Ji-an Lee dybe netværksmetoden og beregner den forudsigelige effekt for den endelige outputvariabel.
Undersøgelsestype
Observationel
Tilmelding (Faktiske)
15296
Kontakter og lokationer
Dette afsnit indeholder kontaktoplysninger for dem, der udfører undersøgelsen, og oplysninger om, hvor denne undersøgelse udføres.
Studiesteder
-
-
-
Seoul, Korea, Republikken
- Severance Hospital
-
-
Deltagelseskriterier
Forskere leder efter personer, der passer til en bestemt beskrivelse, kaldet berettigelseskriterier. Nogle eksempler på disse kriterier er en persons generelle helbredstilstand eller tidligere behandlinger.
Berettigelseskriterier
Aldre berettiget til at studere
- Voksen
- Ældre voksen
Tager imod sunde frivillige
Ja
Prøveudtagningsmetode
Sandsynlighedsprøve
Studiebefolkning
- Én interimanalyse 6 måneder efter studiestart.
- Dataanalyse: Patienter, der blev transporteret til skadestuen på Severance Hospital med ambulancekøretøjer fra to brandstationer i 6 måneder, og mere end 20 % af de punkter, der skulle udfyldes i sagsjournalen, blev kontrolleret
- Unormal forvaltningsplan: Forskerne diskuterer årsagen til den manglende værdi gennem et dataanalysemøde og planlægger en plan for det.
Beskrivelse
Inklusionskriterier:
- Patienter transporteres fra Seodaemun Brandstation, Mapo Brandstation til Severance Hospital Emergency Care Center via 119 ambulance
Ekskluderingskriterier:
- Mindreårige under 18 år
Studieplan
Dette afsnit indeholder detaljer om studieplanen, herunder hvordan undersøgelsen er designet, og hvad undersøgelsen måler.
Hvordan er undersøgelsen tilrettelagt?
Design detaljer
Kohorter og interventioner
Gruppe / kohorte |
|---|
|
Mapo Brandstation
|
Hvad måler undersøgelsen?
Primære resultatmål
Resultatmål |
Foranstaltningsbeskrivelse |
Tidsramme |
|---|---|---|
|
Area Under Receiver driftskarakteristika, AUROC
Tidsramme: 6 måneder efter studiestart, og i gennemsnit 1 år indtil sidste analyse
|
|
6 måneder efter studiestart, og i gennemsnit 1 år indtil sidste analyse
|
Samarbejdspartnere og efterforskere
Det er her, du vil finde personer og organisationer, der er involveret i denne undersøgelse.
Sponsor
Efterforskere
- Ledende efterforsker: Hyuk-Jae Chang, Severance Cardiovascular Hospital
Datoer for undersøgelser
Disse datoer sporer fremskridtene for indsendelser af undersøgelsesrekord og resumeresultater til ClinicalTrials.gov. Studieregistreringer og rapporterede resultater gennemgås af National Library of Medicine (NLM) for at sikre, at de opfylder specifikke kvalitetskontrolstandarder, før de offentliggøres på den offentlige hjemmeside.
Studer store datoer
Studiestart (Faktiske)
19. april 2021
Primær færdiggørelse (Faktiske)
31. december 2021
Studieafslutning (Faktiske)
31. december 2021
Datoer for studieregistrering
Først indsendt
3. juli 2023
Først indsendt, der opfyldte QC-kriterier
3. juli 2023
Først opslået (Faktiske)
11. juli 2023
Opdateringer af undersøgelsesjournaler
Sidste opdatering sendt (Faktiske)
11. juli 2023
Sidste opdatering indsendt, der opfyldte kvalitetskontrolkriterier
3. juli 2023
Sidst verificeret
1. juli 2023
Mere information
Begreber relateret til denne undersøgelse
Yderligere relevante MeSH-vilkår
Andre undersøgelses-id-numre
- 4-2019-0739
Plan for individuelle deltagerdata (IPD)
Planlægger du at dele individuelle deltagerdata (IPD)?
INGEN
Lægemiddel- og udstyrsoplysninger, undersøgelsesdokumenter
Studerer et amerikansk FDA-reguleret lægemiddelprodukt
Ingen
Studerer et amerikansk FDA-reguleret enhedsprodukt
Ingen
Disse oplysninger blev hentet direkte fra webstedet clinicaltrials.gov uden ændringer. Hvis du har nogen anmodninger om at ændre, fjerne eller opdatere dine undersøgelsesoplysninger, bedes du kontakte register@clinicaltrials.gov. Så snart en ændring er implementeret på clinicaltrials.gov, vil denne også blive opdateret automatisk på vores hjemmeside .