Durch maschinelles Lernen unterstützte Erkennung eines Herzstillstands außerhalb des Krankenhauses während eines Notrufs.
Kann ein maschinelles Lernen einen Herzstillstand außerhalb des Krankenhauses während Notrufen erkennen und medizinische Dispatcher unterstützen?
Emergency Medical Services Copenhagen hat ein maschinelles Lernmodell entwickelt, das die Anrufe bei 1-1-2 (9-1-1) in Echtzeit analysiert. Das Modell ist in der Lage, Anrufe zu erkennen, bei denen ein Herzstillstand vermutet wird. Ziel der Studie ist es, die Wirkung eines computergenerierten Alarms bei Anrufen mit Verdacht auf Herzstillstand zu untersuchen.
Die Studie wird untersuchen
- ob ein potenzieller Anstieg der Erkennungen auf Maschinenalarme oder den verstärkten Fokus des medizinischen Dispatchers auf die Erkennung von Herzstillstand außerhalb des Krankenhauses (OHCA) bei der Implementierung der Maschine zurückzuführen ist
- Wenn ein auf neuronalen Netzen basierendes maschinelles Lernmodell bei der Alarmierung medizinischer Disponenten die allgemeine Erkennung von OHCA erhöht und die Entsendung von Bürgerhelfern erhöht.
- verstärkter Einsatz automatisierter externer Defibrillatoren (AED), Herz-Lungen-Wiederbelebung (CPR) oder Entsendung von Bürgerhelfern in Fällen von OHCA auf maschinell anerkanntem OHCA im Vergleich zu medizinischem Disponenten anerkanntem OHCA.
Studienübersicht
Status
Bedingungen
Intervention / Behandlung
Detaillierte Beschreibung
Die Überlebenschancen nach einem Herzstillstand außerhalb des Krankenhauses sinken um 10 % pro Minute vom Kollaps bis zur Einleitung der HLW. Eine vom Dispatcher unterstützte telefonische HLW wird nur in Fällen eingeleitet, in denen der Dispatcher den Herzstillstand erkennt.
In einem früheren Projekt „Kann ein Computer durch maschinelles Lernen bei Notrufen einen Herzstillstand außerhalb des Krankenhauses erkennen“ (unterstützt von der TrygFoundation) fanden die Forscher heraus, dass es möglich war, ein maschinelles Lernmodell (ML) zu erstellen, das erkennen konnte OHCA mit höherer Präzision als medizinische Dispatcher im Emergency Medical Dispatch Center (EMDC-Kopenhagen).
In dieser Studie soll das Modell und seine Wirkung im EMDC-Kopenhagen dokumentiert werden. Zu diesem Zweck wird ein Computerserver erstellt, auf dem das ML-Modell ausgeführt wird. Dieser Server ist in das Netzwerk von EMDC-Kopenhagen integriert und ermöglicht es, Alarme an die medizinische Leitstelle zu senden, wenn das Modell einen Herzstillstand erkennt.
Die Hypothese ist, dass die Erkennung von OHCA mit Hilfe des maschinellen Lernens verbessert wird und sowohl häufiger als auch schneller als bisher auftritt.
Es wird eine Anweisung für die Sanitäter entwickelt, die den Sanitäter im Falle eines Alarms der Maschine anleitet.
Studientyp
Einschreibung (Tatsächlich)
Phase
- Unzutreffend
Kontakte und Standorte
Studienorte
-
-
Danmark
-
Ballerup, Danmark, Dänemark, DK-2750
- Emergency Medical Services Copenhagen
-
-
Teilnahmekriterien
Zulassungskriterien
Studienberechtigtes Alter
- Kind
- Erwachsene
- Älterer Erwachsener
Akzeptiert gesunde Freiwillige
Studienberechtigte Geschlechter
Beschreibung
Einschlusskriterien:
- Anruf bezüglich eines Herzstillstands, der im nationalen dänischen Herzstillstandsregister registriert ist
- OHCA wird durch maschinelles Lernmodell erkannt
- Anruf stammt von 1-1-2
Ausschlusskriterien:
- OHCA Emergency Medical Services - bezeugt
- Anruf kommt von einer anderen Behörde (Polizei oder Feuerwehr)
- Der Anruf ist ein Wiederholungsanruf
- Anruf wurde für Konferenz gehalten
Studienplan
Wie ist die Studie aufgebaut?
Designdetails
- Hauptzweck: Diagnose
- Zuteilung: Zufällig
- Interventionsmodell: Parallele Zuordnung
- Maskierung: Verdreifachen
Waffen und Interventionen
Teilnehmergruppe / Arm |
Intervention / Behandlung |
|---|---|
|
Experimental: Maschinenalarm
Bei diesen Herzpatienten mit Verdacht auf Herzstillstand wird zusätzlich zur Standardreaktion des Rettungsdienstes eine Warnung vom maschinellen Lernmodell generiert.
|
Warnung auf dem Dispatcher-Bildschirm „Verdacht auf Herzstillstand“
|
|
Kein Eingriff: Übliche Pflege
Diese vermuteten Herzstillstände erhalten eine Standardreaktion des Rettungsdienstes.
|
Was misst die Studie?
Primäre Ergebnismessungen
Ergebnis Maßnahme |
Maßnahmenbeschreibung |
Zeitfenster |
|---|---|---|
|
Erkennung des Herzstillstands durch den Disponenten
Zeitfenster: Während eines Anrufs beim medizinischen Notdienst bis zu 15 Minuten nach Beginn des Anrufs.
|
Die Erkennung eines Herzstillstands außerhalb des Krankenhauses durch den Disponenten ist das primäre Ergebnis.
Die Anerkennung wird durch einen Fragebogen gemeldet, der von einer Gruppe von Auditoren ausgefüllt wird, die sich die Aufzeichnungen aller eingeschlossenen Anrufe anhören.
Der Fragebogen ist ein modifiziertes CARES-Protokoll für die Anrufe und besteht aus 21 Fragen, mit denen die Qualität des Anrufs bewertet wird.
Der Fragebogen ist validiert und wurde in anderen Studien verwendet.
|
Während eines Anrufs beim medizinischen Notdienst bis zu 15 Minuten nach Beginn des Anrufs.
|
Sekundäre Ergebnismessungen
Ergebnis Maßnahme |
Maßnahmenbeschreibung |
Zeitfenster |
|---|---|---|
|
Zeit bis zur Anerkennung
Zeitfenster: Während eines Anrufs beim medizinischen Notdienst bis zu 15 Minuten nach Beginn des Anrufs.
|
Zeit vom Anrufbeginn bis zur Erkennung des Herzstillstands durch den Dispatcher
|
Während eines Anrufs beim medizinischen Notdienst bis zu 15 Minuten nach Beginn des Anrufs.
|
|
Dispatcherunterstützte telefonische HLW
Zeitfenster: Während eines Anrufs beim medizinischen Notdienst bis zu 15 Minuten nach Beginn des Anrufs.
|
Bittet der Dispatcher den Anrufer, eine HLW einzuleiten?
|
Während eines Anrufs beim medizinischen Notdienst bis zu 15 Minuten nach Beginn des Anrufs.
|
|
Zeit bis T-CPR
Zeitfenster: Während eines Anrufs beim medizinischen Notdienst bis zu 15 Minuten nach Beginn des Anrufs.
|
Zeit vom Anrufbeginn bis der Dispatcher beginnt, den Anrufer in der HLW zu führen
|
Während eines Anrufs beim medizinischen Notdienst bis zu 15 Minuten nach Beginn des Anrufs.
|
Mitarbeiter und Ermittler
Ermittler
- Studienleiter: Freddy Lippert, MD, Copenhagen Emergency Medical Services
Publikationen und hilfreiche Links
Allgemeine Veröffentlichungen
- Blomberg SN, Folke F, Ersboll AK, Christensen HC, Torp-Pedersen C, Sayre MR, Counts CR, Lippert FK. Machine learning as a supportive tool to recognize cardiac arrest in emergency calls. Resuscitation. 2019 May;138:322-329. doi: 10.1016/j.resuscitation.2019.01.015. Epub 2019 Jan 18.
- Blomberg SN, Christensen HC, Lippert F, Ersbøll AK, Torp-Petersen C, Sayre MR, Kudenchuk PJ, Folke F. Effect of Machine Learning on Dispatcher Recognition of Out-of-Hospital Cardiac Arrest During Calls to Emergency Medical Services: A Randomized Clinical Trial. JAMA Netw Open. 2021 Jan 4;4(1):e2032320. doi: 10.1001/jamanetworkopen.2020.32320.
Studienaufzeichnungsdaten
Haupttermine studieren
Studienbeginn (Tatsächlich)
Primärer Abschluss (Tatsächlich)
Studienabschluss (Tatsächlich)
Studienanmeldedaten
Zuerst eingereicht
Zuerst eingereicht, das die QC-Kriterien erfüllt hat
Zuerst gepostet (Tatsächlich)
Studienaufzeichnungsaktualisierungen
Letztes Update gepostet (Tatsächlich)
Letztes eingereichtes Update, das die QC-Kriterien erfüllt
Zuletzt verifiziert
Mehr Informationen
Begriffe im Zusammenhang mit dieser Studie
Schlüsselwörter
Zusätzliche relevante MeSH-Bedingungen
Andere Studien-ID-Nummern
- F-35101-01
Plan für individuelle Teilnehmerdaten (IPD)
Planen Sie, individuelle Teilnehmerdaten (IPD) zu teilen?
Beschreibung des IPD-Plans
Arzneimittel- und Geräteinformationen, Studienunterlagen
Studiert ein von der US-amerikanischen FDA reguliertes Arzneimittelprodukt
Studiert ein von der US-amerikanischen FDA reguliertes Geräteprodukt
Diese Informationen wurden ohne Änderungen direkt von der Website clinicaltrials.gov abgerufen. Wenn Sie Ihre Studiendaten ändern, entfernen oder aktualisieren möchten, wenden Sie sich bitte an register@clinicaltrials.gov. Sobald eine Änderung auf clinicaltrials.gov implementiert wird, wird diese automatisch auch auf unserer Website aktualisiert .