Tiedonhankinta yhdistettyyn verkkoon EMS:lle Kattava tekninen tuki tekoälyn avulla
maanantai 3. heinäkuuta 2023 päivittänyt: Yonsei University
Tällä hetkellä kotimainen ensiapujärjestelmä on irti päivystysjärjestelmään osallistuvien sairaaloiden, päivystyspaikkojen ja valvontavirastojen välisestä tiedonkulusta, ja integroidun tiedon keräämisessä ja hyödyntämisessä hätätilanteissa on rajoituksia [1].
Lisäksi päivystystyön työvoimapulan ja reaaliaikaisen potilastietojen jakelujärjestelmän puutteen vuoksi päivystyspaikan tilannetta ei tehdä riittävästi tiedoista, eikä päivystyspotilastiedote etukäteen. -sairaalavaihetta ei toimiteta siirtosairaalaan [1].
Sairaalaa edeltävien potilaiden tietueet, joita valmistellaan parhaillaan, kirjoitetaan usein käsin, ja ne perustuvat ensihoitajan muistiin potilaan siirron jälkeen, joten tiedot ovat erittäin epätarkkoja eikä niiden luotettavuutta voida taata[2].
Erityisesti neljän suuren vakavan hätäsairauden tapauksessa, joita kutsutaan sydämenpysähdykseksi, vakavaksi traumaksi, sydän- ja verisuonihäiriöksi ja aivoverenkiertohäiriöksi, hätätilanteessa tunnistetut potilastiedot ovat erittäin tärkeitä vakavuuden määrittämisessä, joten se on erittäin tärkeää. On tärkeää kerätä kentällä reaaliaikaista potilastietoa vakavuuden arvioimiseksi, ja tämän arvioinnin tulosten perusteella on mahdollista valita hoitoon sopiva sairaanhoitolaitos [3,4].
Lisäksi näiden vakavien hätäsairauksien tapauksessa, koska kohdennettu hoito määrätään suoritettavaksi tietyn ajan kuluessa, on mahdollista, että hoitolaitoksen lääkintähenkilöstö on tietoinen potilaan tiedoista ennen potilaan saapumista sairaalaan. varautua hätähoitoon etukäteen, mikä lisää ensihoidon tehokkuutta kohtuullisessa ajassa [5,6,7].
Tutkimuksen yleiskatsaus
Tila
Valmis
Yksityiskohtainen kuvaus
Kehitämme tekoälyyn perustuvan algoritmin, joka voi ennustaa neljä suurta vakavaa hätäsairautta, jotka vaativat välitöntä ensihoitoa, ja arvioida niiden vakavuutta seuraavien syöttö- ja tulosmallien avulla.
Algoritmin syöttötiedot 1) Video/kuvatiedot
- Videon tallennus ambulanssin sisälle asennetun 360 asteen kameran ja Mobile Hot spot (MHS) -laiteliitännän kautta (RJ-45 langallinen yhteys)
- Videotietojen kerääminen niskanauhakameran kautta (puettava)
- Videoiden määrä älylasien (käyttävien) laitteiden ja ensiapupäätteiden kautta 2) Äänisignaalitiedot
- Kerää sairaalaa edeltävän ensihoitajan ääni- ja potilaan äänidataa ensihoitajan käyttämien luujohtomikrofonien kautta 3) Biosignaalitiedot
- Potilasvalvontalaite asennettu ambulanssiin Mobile Hot Spot (MHS) -laitteeseen Elintoimintojen kerääminen ja välittäminen TCP/IP-yhteyden kautta
- Kenttätyöntekijöiden käyttämät defibrillaattorit ja hätäpäätteet (5G-tuki) Kerää ja välitä elintoimintoja TCP/IP-yhteyden kautta
Kehitystekniikka 1) Puheentunnistusteknologian kehittäminen hätäympäristössä
- Kerää puhuttua tekstiä, hätätilanteisiin liittyviä lauseita ja äänidataa sivuston siirtovaiheesta
- Puhetekstikokoelma paikan päällä tapahtuvasta siirtopalveluskenaariosta äänitietokannan rakentamiseksi äänentunnistuksen oppimista varten
- Parafraseeraus, kerätystä tekstistä, jossa ensihoitajat generoivat lauseita, joilla on samankaltaisia merkityksiä, jotka voidaan lausua 2) Luonnollisen kielen käsittelyjärjestelmän perustaminen hätäympäristön äänen transkriptiodatalle - luonnollisen kielen käsittely, kuten johdosanalyysi ja kokonaisuuden nimen tunnistus Optimoi ensiapu moduulin domain
- Kielitietojen kerääminen hätätilanteissa, kuten hätätoimissa, ensiavussa ja ensiavussa
- Kerätyn hätäympäristön kielidatan käsittely verkkotunnuksen optimointia ja koneoppimiseen perustuvan luonnollisen kielen käsittelymallin oppimista varten 3) Ensihoitajan puheinformaation kohinanpoisto- ja kaiuttimien erottelumallin suunnittelu 4) Tekoälypohjaisen kuvantunnistuksen biomerkkitietojen seurantateknologian kehittäminen ambulansseissa
- Kuvapohjaisen merkintunnistusalgoritmin kehittäminen PMS (Patient Monitoring System) -laitteistolle, joka tuottaa elintoimintoja
- PMS-laitteiden automaattisen tunnistustekniikan käyttöönotto (sijainti, tyyppi, merkki jne.) tekoälyn oppimiseen perustuvan 5G 360°CAM -videon avulla
- Automaattisen merkkialueen tunnistuksen ja OCR (Optical Character Recognition) -pohjaisen lukualgoritmin kehittäminen jokaiselle elintärkeä signaalityypille
- NLP (Natural Language Process) -pohjaisen spesifisen/vääristyneen merkin korjausteknologian käyttöönotto
Kuvan esikäsittelyteknologian kehittäminen, joka minimoi taustan, kohinan, tärinän, valaistuksen jne.
5) Hätätoiminnan kuvainformaation objektientunnistusmoduulin kehittäminen 6) AI-käyttäytymisen havaitsemisen videoanalyysimallinnus
- Käyttäytymisen havaitseminen syväoppimisen avulla. Kuva-analyysin mallinnus – yleisten käyttäytymisen havaitsemistekniikoiden analyysi
- Luokan kohdetesti, joka on samanlainen kuin ensiapukäyttäytyminen yleisen käyttäytymisen havaitsemisen aikana
- Luokan havaitseminen muistuttaa ensihoitajan pelastustoimintaa ja potilaiden liikkumista
- Yleisen käyttäytymisen havaitsemisen mallinnus 7) Saatujen monitahoisten tietojen perusteella saatu syöttömuuttuja poimii mallin lähtömuuttujan päädeterminantit Ji-an Leen syväverkkomenetelmän avulla ja laskee lopullisen lähtömuuttujan ennustetehon.
Opintotyyppi
Havainnollistava
Ilmoittautuminen (Todellinen)
15296
Yhteystiedot ja paikat
Tässä osiossa on tutkimuksen suorittajien yhteystiedot ja tiedot siitä, missä tämä tutkimus suoritetaan.
Opiskelupaikat
-
-
-
Seoul, Korean tasavalta
- Severance Hospital
-
-
Osallistumiskriteerit
Tutkijat etsivät ihmisiä, jotka sopivat tiettyyn kuvaukseen, jota kutsutaan kelpoisuuskriteereiksi. Joitakin esimerkkejä näistä kriteereistä ovat henkilön yleinen terveydentila tai aiemmat hoidot.
Kelpoisuusvaatimukset
Opintokelpoiset iät
- Aikuinen
- Vanhempi Aikuinen
Hyväksyy terveitä vapaaehtoisia
Joo
Näytteenottomenetelmä
Todennäköisyysnäyte
Tutkimusväestö
- Yksi välianalyysi 6 kuukautta tutkimuksen alkamisen jälkeen.
- Tietojen analysointi: Potilaat, jotka kuljetettiin ambulanssiajoneuvoilla kahdelta paloasemalta 6 kuukauden ajan Severance-sairaalan päivystykseen ja yli 20 % tapausrekisterin täytettävistä kohdista tarkastettiin
- Epänormaali hallintasuunnitelma: Tutkijat keskustelevat arvon puuttumisen syystä data-analyysikokouksessa ja suunnittelevat sille suunnitelman.
Kuvaus
Sisällyttämiskriteerit:
- Potilaat kuljetetaan Seodaemunin paloasemalta, Mapon paloasemalta Severancen sairaalan päivystykseen ambulanssilla 119
Poissulkemiskriteerit:
- Alle 18-vuotiaat alaikäiset
Opintosuunnitelma
Tässä osiossa on tietoja tutkimussuunnitelmasta, mukaan lukien kuinka tutkimus on suunniteltu ja mitä tutkimuksella mitataan.
Miten tutkimus on suunniteltu?
Suunnittelun yksityiskohdat
Kohortit ja interventiot
Ryhmä/Kohortti |
|---|
|
Mapon paloasema
|
Mitä tutkimuksessa mitataan?
Ensisijaiset tulostoimenpiteet
Tulosmittaus |
Toimenpiteen kuvaus |
Aikaikkuna |
|---|---|---|
|
Ala-alue Vastaanottimen toimintaominaisuudet, AUROC
Aikaikkuna: 6 kuukautta tutkimuksen alkamisesta ja keskimäärin 1 vuosi viimeiseen analyysiin
|
|
6 kuukautta tutkimuksen alkamisesta ja keskimäärin 1 vuosi viimeiseen analyysiin
|
Yhteistyökumppanit ja tutkijat
Täältä löydät tähän tutkimukseen osallistuvat ihmiset ja organisaatiot.
Sponsori
Tutkijat
- Päätutkija: Hyuk-Jae Chang, Severance Cardiovascular Hospital
Opintojen ennätyspäivät
Nämä päivämäärät seuraavat ClinicalTrials.gov-sivustolle lähetettyjen tutkimustietueiden ja yhteenvetojen edistymistä. National Library of Medicine (NLM) tarkistaa tutkimustiedot ja raportoidut tulokset varmistaakseen, että ne täyttävät tietyt laadunvalvontastandardit, ennen kuin ne julkaistaan julkisella verkkosivustolla.
Opi tärkeimmät päivämäärät
Opiskelun aloitus (Todellinen)
Maanantai 19. huhtikuuta 2021
Ensisijainen valmistuminen (Todellinen)
Perjantai 31. joulukuuta 2021
Opintojen valmistuminen (Todellinen)
Perjantai 31. joulukuuta 2021
Opintoihin ilmoittautumispäivät
Ensimmäinen lähetetty
Maanantai 3. heinäkuuta 2023
Ensimmäinen toimitettu, joka täytti QC-kriteerit
Maanantai 3. heinäkuuta 2023
Ensimmäinen Lähetetty (Todellinen)
Tiistai 11. heinäkuuta 2023
Tutkimustietojen päivitykset
Viimeisin päivitys julkaistu (Todellinen)
Tiistai 11. heinäkuuta 2023
Viimeisin lähetetty päivitys, joka täytti QC-kriteerit
Maanantai 3. heinäkuuta 2023
Viimeksi vahvistettu
Lauantai 1. heinäkuuta 2023
Lisää tietoa
Tähän tutkimukseen liittyvät termit
Muita asiaankuuluvia MeSH-ehtoja
Muut tutkimustunnusnumerot
- 4-2019-0739
Yksittäisten osallistujien tietojen suunnitelma (IPD)
Aiotko jakaa yksittäisten osallistujien tietoja (IPD)?
EI
Lääke- ja laitetiedot, tutkimusasiakirjat
Tutkii yhdysvaltalaista FDA sääntelemää lääkevalmistetta
Ei
Tutkii yhdysvaltalaista FDA sääntelemää laitetuotetta
Ei
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 .