Datenerfassung für vernetzte Netzwerke für EMS. Umfassende technische Unterstützung mithilfe künstlicher Intelligenz
3. Juli 2023 aktualisiert von: Yonsei University
Derzeit ist das inländische Notfallmedizinsystem vom Informationsfluss zwischen Krankenhäusern, Notfallstandorten und Kontrollbehörden, die Teilnehmer des Notfallmedizinsystems sind, getrennt, und es gibt Einschränkungen bei der Erfassung und Nutzung integrierter Daten in Notfallsituationen [1].
Darüber hinaus werden aufgrund des Personalmangels für die Notfalldienste vor Ort und des Fehlens eines Systems zur Bereitstellung von Patienteninformationen in Echtzeit keine ausreichenden Datensätze erstellt, um die Situation am Notfallort und die Notfallpatienteninformationen vor Ort widerzuspiegeln -Krankenhausstadium wird nicht an das Transferkrankenhaus geliefert [1].
Aufzeichnungen über vorklinische Patienteninformationen, die derzeit erstellt werden, werden häufig handschriftlich verfasst und stützen sich auf das Gedächtnis der Sanitäter nach Abschluss des Patiententransfers. Daher sind die Daten äußerst ungenau und können nicht als zuverlässig angesehen werden[2].
Insbesondere bei den vier schwerwiegendsten Notfallerkrankungen Herzstillstand, schweres Trauma, kardiovaskulärer Notfall und zerebrovaskulärer Notfall sind die im Notfallstadium ermittelten Patienteninformationen für die Bestimmung des Schweregrads sehr wichtig und daher sehr wichtig Es ist wichtig, Echtzeit-Patienteninformationen vor Ort zu sammeln, um den Schweregrad zu bewerten. Basierend auf den Ergebnissen dieser Bewertung ist es möglich, eine für die Behandlung geeignete medizinische Einrichtung auszuwählen [3,4].
Darüber hinaus ist es bei diesen schwerwiegenden Notfallerkrankungen möglich, da eine gezielte Behandlung innerhalb einer bestimmten Zeit durchgeführt werden soll und das medizinische Personal der medizinischen Einrichtung über die Informationen des Patienten informiert ist, bevor der Patient im Krankenhaus eintrifft um sich im Voraus auf eine Notfallbehandlung vorzubereiten und so die Leistungsrate der Notfallbehandlung innerhalb einer angemessenen Zeit zu erhöhen [5,6,7].
Studienübersicht
Status
Abgeschlossen
Detaillierte Beschreibung
Wir entwickeln einen KI-basierten Algorithmus, der die vier schwerwiegendsten Notfallerkrankungen vorhersagen kann, die eine sofortige Notfallbehandlung erfordern, und deren Schweregrad mithilfe der folgenden Eingabe- und Ausgabemodelle bewerten kann.
Algorithmus-Eingabedaten 1) Video-/Bilddaten
- Videoerfassung über eine im Krankenwagen installierte 360-Grad-Kamera und einen Mobile Hot Spot (MHS)-Geräteanschluss (RJ-45-Kabelverbindung)
- Videodatenerfassung über Nackenbandkamera (tragbar)
- Anzahl der Videos über Smart-Brillen (tragbar) und Erste-Hilfe-Terminals 2) Schallsignaldaten
- Sammeln Sie Sprachdaten von Rettungssanitätern und Patienten vor dem Krankenhausaufenthalt über Knochenleitungsmikrofone, die von Rettungssanitätern getragen werden. 3) Biosignaldaten
- Im Krankenwagen installiertes Patientenüberwachungsgerät Mobile Hot Spot (MHS) Erfassung und Übertragung von Vitalfunktionen über eine TCP/IP-Verbindung
- Defibrillatoren und Notfallterminals, die von Außendienstteams verwendet werden (5G-Unterstützung). Erfassen und übertragen Sie Vitalfunktionen über eine TCP/IP-Verbindung
Entwicklungstechnologie 1) Entwicklung der Spracherkennungs-KI-Technologie in Notfallumgebungen
- Sammeln Sie gesprochene Texte, notfallbezogene Sätze und Sprachdaten aus der Transportphase vor Ort
- Sammlung von Sprachtexten aus einem Vor-Ort-Transfer-Service-Szenario zum Aufbau einer Sprachdatenbank für das Erlernen der Spracherkennung
- Paraphrasieren aus dem gesammelten Text, in dem Sanitäter Sätze mit ähnlicher Bedeutung generieren, die ausgesprochen werden können. 2) Einrichtung eines Systems zur Verarbeitung natürlicher Sprache für Sprachtranskriptionsdaten aus der Notfallumgebung – Verarbeitung natürlicher Sprache wie Stammanalyse und Erkennung von Entitätsnamen. Optimierung der Notfallmedizin Domäne des Moduls
- Erfassung von Sprachdaten in Notfallumgebungen wie Notfallaktivitäten, Erste Hilfe und Erste Hilfe
- Verarbeitung gesammelter Notfallumgebungs-Sprachdaten zur Domänenoptimierung und zum Erlernen eines auf maschinellem Lernen basierenden Verarbeitungsmodells für natürliche Sprache. 3) Rauschunterdrückung bei Sprachinformationen von Sanitätern und Entwurf eines Modells zur Sprechertrennung. 4) Entwicklung einer KI-basierten Bilderkennungstechnologie zur Überwachung von Biozeicheninformationen in Krankenwagen
- Entwicklung eines bildbasierten Zeichenerkennungsalgorithmus für PMS-Geräte (Patientenüberwachungssystem) zur Ausgabe von Vitalzeichen
- Implementierung einer automatischen Erkennungstechnologie für PMS-Geräte (Standort, Typ, Marke usw.) durch KI-lernbasiertes 5G 360°CAM-Video
- Entwicklung einer automatischen Zeichenbereichserkennung und eines auf OCR (Optical Character Recognition) basierenden Lesealgorithmus für jede Art von Vitalsignal
- Implementierung einer auf NLP (Natural Language Process) basierenden Technologie zur Korrektur spezifischer/verzerrter Zeichen
Entwicklung einer Bildvorverarbeitungstechnologie, die die Auswirkungen von Hintergrund, Rauschen, Vibration, Beleuchtung usw. minimiert.
5) Entwicklung eines Moduls zur Objekterkennung mit Bildinformationen für Notfallaktivitäten. 6) Modellierung der Videoanalyse zur KI-Verhaltenserkennung
- Verhaltenserkennung mithilfe von Deep-Learning-Bildanalysemodellierung – Analyse allgemeiner Verhaltenserkennungstechniken
- Klassenzieltest ähnlich dem Notfallverhalten bei der allgemeinen Verhaltenserkennung
- Klassenerkennung ähnlich den Rettungsaktivitäten von Sanitätern und der Bewegung von Patienten
- Allgemeine Verhaltenserkennungsmodellierung 7) Die auf der Grundlage der erhaltenen vielfältigen Daten erhaltene Eingabevariable extrahiert die Hauptdeterminanten für die Modellausgabevariable mithilfe der Deep-Network-Methode von Ji-an Lee und berechnet die Vorhersagekraft für die endgültige Ausgabevariable.
Studientyp
Beobachtungs
Einschreibung (Tatsächlich)
15296
Kontakte und Standorte
Dieser Abschnitt enthält die Kontaktdaten derjenigen, die die Studie durchführen, und Informationen darüber, wo diese Studie durchgeführt wird.
Studienorte
-
-
-
Seoul, Korea, Republik von
- Severance Hospital
-
-
Teilnahmekriterien
Forscher suchen nach Personen, die einer bestimmten Beschreibung entsprechen, die als Auswahlkriterien bezeichnet werden. Einige Beispiele für diese Kriterien sind der allgemeine Gesundheitszustand einer Person oder frühere Behandlungen.
Zulassungskriterien
Studienberechtigtes Alter
- Erwachsene
- Älterer Erwachsener
Akzeptiert gesunde Freiwillige
Ja
Probenahmeverfahren
Wahrscheinlichkeitsstichprobe
Studienpopulation
- Eine Zwischenanalyse 6 Monate nach Studienbeginn.
- Datenanalyse: Patienten, die 6 Monate lang mit Krankenwagen von zwei Feuerwachen in die Notaufnahme des Severance Hospital transportiert wurden und bei denen mehr als 20 % der in der Fallakte auszufüllenden Punkte überprüft wurden
- Abnormaler Managementplan: Die Forscher besprechen den Grund für den fehlenden Wert in einem Datenanalysetreffen und planen einen Plan dafür.
Beschreibung
Einschlusskriterien:
- Die Patienten werden mit dem Krankenwagen 119 von der Seodaemun-Feuerwache und der Mapo-Feuerwache zum Severance Hospital Emergency Care Center transportiert
Ausschlusskriterien:
- Minderjährige unter 18 Jahren
Studienplan
Dieser Abschnitt enthält Einzelheiten zum Studienplan, einschließlich des Studiendesigns und der Messung der Studieninhalte.
Wie ist die Studie aufgebaut?
Designdetails
Kohorten und Interventionen
Gruppe / Kohorte |
|---|
|
Mapo-Feuerwache
|
Was misst die Studie?
Primäre Ergebnismessungen
Ergebnis Maßnahme |
Maßnahmenbeschreibung |
Zeitfenster |
|---|---|---|
|
Betriebseigenschaften des Bereichs unter dem Empfänger, AUROC
Zeitfenster: 6 Monate nach Studienbeginn und durchschnittlich 1 Jahr bis zur letzten Analyse
|
|
6 Monate nach Studienbeginn und durchschnittlich 1 Jahr bis zur letzten Analyse
|
Mitarbeiter und Ermittler
Hier finden Sie Personen und Organisationen, die an dieser Studie beteiligt sind.
Sponsor
Ermittler
- Hauptermittler: Hyuk-Jae Chang, Severance Cardiovascular Hospital
Studienaufzeichnungsdaten
Diese Daten verfolgen den Fortschritt der Übermittlung von Studienaufzeichnungen und zusammenfassenden Ergebnissen an ClinicalTrials.gov. Studienaufzeichnungen und gemeldete Ergebnisse werden von der National Library of Medicine (NLM) überprüft, um sicherzustellen, dass sie bestimmten Qualitätskontrollstandards entsprechen, bevor sie auf der öffentlichen Website veröffentlicht werden.
Haupttermine studieren
Studienbeginn (Tatsächlich)
19. April 2021
Primärer Abschluss (Tatsächlich)
31. Dezember 2021
Studienabschluss (Tatsächlich)
31. Dezember 2021
Studienanmeldedaten
Zuerst eingereicht
3. Juli 2023
Zuerst eingereicht, das die QC-Kriterien erfüllt hat
3. Juli 2023
Zuerst gepostet (Tatsächlich)
11. Juli 2023
Studienaufzeichnungsaktualisierungen
Letztes Update gepostet (Tatsächlich)
11. Juli 2023
Letztes eingereichtes Update, das die QC-Kriterien erfüllt
3. Juli 2023
Zuletzt verifiziert
1. Juli 2023
Mehr Informationen
Begriffe im Zusammenhang mit dieser Studie
Zusätzliche relevante MeSH-Bedingungen
Andere Studien-ID-Nummern
- 4-2019-0739
Plan für individuelle Teilnehmerdaten (IPD)
Planen Sie, individuelle Teilnehmerdaten (IPD) zu teilen?
NEIN
Arzneimittel- und Geräteinformationen, Studienunterlagen
Studiert ein von der US-amerikanischen FDA reguliertes Arzneimittelprodukt
Nein
Studiert ein von der US-amerikanischen FDA reguliertes Geräteprodukt
Nein
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 .