Durch maschinelles Lernen unterstützte Differenzierung von Patienten mit geringer Sehschärfe bei der Entsendung (MADLAD)

HINTERGRUND:

In Emergency Medical Dispatch (EMD)-Zentren sind ressourcenbeschränkte Situationen (RCS) üblich, in denen mehr Anrufer einen Krankenwagen benötigen, als Krankenwagen verfügbar sind. In den EMD-Zentren in Uppsala und Västmanland wird Patienten, in denen diese Situationen auftreten, in der Regel eine Reaktion mit niedriger Priorität zugewiesen, sie sind oft älter und haben unspezifische Symptome. Techniken des maschinellen Lernens bieten einen vielversprechenden, aber weitgehend unerprobten Ansatz zur Risikobewertung bei diesen Patienten.

ZIELE:

Feststellung, ob die Bereitstellung von auf maschinellem Lernen basierenden Risikobewertungen die Fähigkeit von Disponenten verbessert, Patienten mit hohem Risiko für eine Verschlechterung des RCS zu identifizieren.

DESIGN:

Multizentrische, parallel gruppierte, randomisierte, Analysten-blinde Studie.

POPULATION:

Erwachsene Patienten, die sich an die nationale Notrufnummer (112) wenden, die von einer Krankenpflegekraft in Uppsala oder Västmanland als Notarzt mit niedriger Priorität eingestuft wurden und bei denen ein RCS auftritt.

ERGEBNISSE:

Primär:

1. Anteil der RCS, bei denen der erste verfügbare Krankenwagen zu dem Patienten mit der höchsten Punktzahl des National Early Warning Score (NEWS) geschickt wurde

Sekundär:

• Unterschied im zusammengesetzten Risiko-Score, bestehend aus Ambulanzeinsätzen, Notfalltransporten, Krankenhauseinweisungen, Intensivpflege und Mortalität zwischen Patienten, die während des RCS eine sofortige vs. verzögerte Ambulanzreaktion erhalten.
• Unterschied in NEWS zwischen Patienten, die während des RCS eine sofortige vs. verzögerte Rettungsaktion erhalten.

INTERVENTION:

Ein maschinelles Lernmodell schätzt das Risiko ein, das mit jedem am RCS beteiligten Patienten verbunden ist, und schlägt einen Patienten vor, der den verfügbaren Krankenwagen erhält. Nur im Interventionsarm wird die Bewertung in einer Benutzeroberfläche angezeigt, die in das Dispositionssystem integriert ist.

PROBEGRÖSSE:

1500 RCS, die jeweils aus mehreren Patienten bestanden, die 1:1 in die Kontroll- und Interventionsarme randomisiert wurden