Koneoppiminen auttoi tunnistamaan sairaalan ulkopuolisen sydänpysähdyksen hätäpuhelujen aikana.
Voiko koneoppiminen tunnistaa sairaalan ulkopuolisen sydänpysähdyksen hätäpuhelujen aikana ja auttaa lääkintätyöntekijöitä
Emergency Medical Services Copenhagen on kehittänyt koneoppimismallin, joka analysoi puhelut numeroon 1-1-2 (9-1-1) reaaliajassa. Malli pystyy tunnistamaan puhelut, joissa epäillään sydämenpysähdystä. Tutkimuksen tavoitteena on selvittää tietokoneella tuotetun hälytyksen vaikutusta puheluissa, joissa epäillään sydämenpysähdystä.
Tutkimus selvittää
- johtuuko mahdollinen tunnistusten lisääntyminen koneen hälytyksistä tai siitä, että lääkärin välittäjä keskittyy enemmän sairaalan ulkopuolisen sydänpysähdyksen (OHCA) tunnistamiseen konetta otettaessa
- jos hermoverkkoihin perustuva koneoppimismalli, lääkintätyöntekijöiden hälyttäminen lisää OHCA:n yleistä tunnistamista ja lisää kansalaisvastaavien lähettämistä.
- lisääntynyt automaattisten ulkoisten defibrillaattorien (AED), sydän- ja keuhkoelvytyksen (CPR) käyttö tai kansalaisten hätäapuhenkilöstön lähettäminen OHCA-tapauksissa koneen tunnistetussa OHCA:ssa vs. lääkärin tunnustama OHCA.
Tutkimuksen yleiskatsaus
Tila
Interventio / Hoito
Yksityiskohtainen kuvaus
Eloonjäämismahdollisuudet sairaalan ulkopuolisen sydänpysähdyksen jälkeen pienenevät 10 % minuutissa romahtamisesta siihen asti, kunnes elvytys aloitetaan. välittäjäavusteinen puhelin-elvytys käynnistetään vain, jos välittäjä tunnistaa sydämenpysähdyksen.
Aiemmassa hankkeessa "Tunnistaako tietokone koneoppimisen avulla sairaalan ulkopuolisen sydänpysähdyksen hätäpuhelujen aikana" (TrygFoundationin tukema) tutkijat havaitsivat, että oli mahdollista luoda koneoppimismalli (ML), joka pystyi tunnistamaan OHCA suuremmalla tarkkuudella kuin ensiapulääkärikeskuksen (EMDC-Kööpenhamina) lääkäreiden lähettäjät.
Tässä tutkimuksessa malli ja vaikutus on dokumentoitava EMDC-Kööpenhaminassa. Tätä tarkoitusta varten luodaan ML-mallia käyttävä tietokonepalvelin. Tämä palvelin on integroitu EMDC-Kööpenhaminan verkkoon, mikä mahdollistaa hälytyksen lähettämisen lääketieteelliselle lähettäjälle, kun malli tunnistaa sydämenpysähdyksen.
Koneoppimisen avulla hypoteesi on, että OHCA:n tunnistus paranee ja tapahtuu nykyistä useammin ja nopeammin.
Lääkärille on kehitetty ohje, joka ohjaa lääkintätyöntekijää koneesta tulevan hälytyksen sattuessa.
Opintotyyppi
Ilmoittautuminen (Todellinen)
Vaihe
- Ei sovellettavissa
Yhteystiedot ja paikat
Opiskelupaikat
-
-
Danmark
-
Ballerup, Danmark, Tanska, DK-2750
- Emergency Medical Services Copenhagen
-
-
Osallistumiskriteerit
Kelpoisuusvaatimukset
Opintokelpoiset iät
- Lapsi
- Aikuinen
- Vanhempi Aikuinen
Hyväksyy terveitä vapaaehtoisia
Sukupuolet, jotka voivat opiskella
Kuvaus
Sisällyttämiskriteerit:
- Puhelu koskien sydänpysähdystä, joka on rekisteröity Tanskan kansalliseen sydänpysähdysrekisteriin
- OHCA tunnistetaan koneoppimismallilla
- Puhelu lähtee 1-1-2
Poissulkemiskriteerit:
- OHCA Emergency Medical Services - todistamassa
- Puhelu tulee toiselta viranomaiselta (poliisi tai palokunta)
- Puhelu on uusintapuhelu
- Puhelu on pidossa neuvottelua varten
Opintosuunnitelma
Miten tutkimus on suunniteltu?
Suunnittelun yksityiskohdat
- Ensisijainen käyttötarkoitus: Diagnostiikka
- Jako: Satunnaistettu
- Inventiomalli: Rinnakkaistehtävä
- Naamiointi: Kolminkertaistaa
Aseet ja interventiot
Osallistujaryhmä / Arm |
Interventio / Hoito |
|---|---|
|
Kokeellinen: Konehälytys
Näissä sydämen epäillyissä sydämenpysähdyksissä on koneoppimismallin luoma hälytys normaalin ensiapuhoidon vastauksen lisäksi.
|
Hälytys työnvälittäjän näytöllä "Epäilty sydänpysähdys"
|
|
Ei väliintuloa: Tavallinen hoito
Nämä epäillyt sydänpysähdykset saavat normaalin ensiapuhoidon vastauksen.
|
Mitä tutkimuksessa mitataan?
Ensisijaiset tulostoimenpiteet
Tulosmittaus |
Toimenpiteen kuvaus |
Aikaikkuna |
|---|---|---|
|
Lähettäjä tunnistaa sydämenpysähdyksen
Aikaikkuna: Päivystykseen soitettaessa, jopa 15 minuuttia puhelun alkamisesta.
|
Sairaalan ulkopuolisen sydänpysähdyksen lähettäjä tunnistaa ensisijaisesti.
Tunnustus raportoidaan kyselylomakkeella, jonka on täyttänyt tilintarkastajaryhmä, joka kuuntelee tallenteita kaikista mukana olevista puheluista.
Kyselylomake on puheluille muunneltu CARES-protokolla ja se koostuu 21 kysymyksestä, joiden avulla puhelun laatua arvioidaan.
Kyselylomake on validoitu ja sitä on käytetty muissa tutkimuksissa.
|
Päivystykseen soitettaessa, jopa 15 minuuttia puhelun alkamisesta.
|
Toissijaiset tulostoimenpiteet
Tulosmittaus |
Toimenpiteen kuvaus |
Aikaikkuna |
|---|---|---|
|
Tunnustuksen aika
Aikaikkuna: Päivystykseen soitettaessa, jopa 15 minuuttia puhelun alkamisesta.
|
Aika puhelun alusta sydämenpysähdyksen lähettäjän tunnistamiseen
|
Päivystykseen soitettaessa, jopa 15 minuuttia puhelun alkamisesta.
|
|
Välittäjän avustama puhelinelvytys
Aikaikkuna: Päivystykseen soitettaessa, jopa 15 minuuttia puhelun alkamisesta.
|
Pyytääkö työnvälittäjä soittajaa aloittamaan elvytystoiminnon.
|
Päivystykseen soitettaessa, jopa 15 minuuttia puhelun alkamisesta.
|
|
T-CPR:n aika
Aikaikkuna: Päivystykseen soitettaessa, jopa 15 minuuttia puhelun alkamisesta.
|
Aika puhelun alusta siihen asti, kun lähettäjä alkaa ohjata soittajaa cpr:ssä
|
Päivystykseen soitettaessa, jopa 15 minuuttia puhelun alkamisesta.
|
Yhteistyökumppanit ja tutkijat
Tutkijat
- Opintojohtaja: Freddy Lippert, MD, Copenhagen Emergency Medical Services
Julkaisuja ja hyödyllisiä linkkejä
Yleiset julkaisut
- 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.
Opintojen ennätyspäivät
Opi tärkeimmät päivämäärät
Opiskelun aloitus (Todellinen)
Ensisijainen valmistuminen (Todellinen)
Opintojen valmistuminen (Todellinen)
Opintoihin ilmoittautumispäivät
Ensimmäinen lähetetty
Ensimmäinen toimitettu, joka täytti QC-kriteerit
Ensimmäinen Lähetetty (Todellinen)
Tutkimustietojen päivitykset
Viimeisin päivitys julkaistu (Todellinen)
Viimeisin lähetetty päivitys, joka täytti QC-kriteerit
Viimeksi vahvistettu
Lisää tietoa
Tähän tutkimukseen liittyvät termit
Avainsanat
Muita asiaankuuluvia MeSH-ehtoja
Muut tutkimustunnusnumerot
- F-35101-01
Yksittäisten osallistujien tietojen suunnitelma (IPD)
Aiotko jakaa yksittäisten osallistujien tietoja (IPD)?
IPD-suunnitelman kuvaus
Lääke- ja laitetiedot, tutkimusasiakirjat
Tutkii yhdysvaltalaista FDA sääntelemää lääkevalmistetta
Tutkii yhdysvaltalaista FDA sääntelemää laitetuotetta
Nämä tiedot haettiin suoraan verkkosivustolta clinicaltrials.gov ilman muutoksia. Jos sinulla on pyyntöjä muuttaa, poistaa tai päivittää tutkimustietojasi, ota yhteyttä register@clinicaltrials.gov. Heti kun muutos on otettu käyttöön osoitteessa clinicaltrials.gov, se päivitetään automaattisesti myös verkkosivustollemme .