A gépi tanulás segít felismerni a kórházon kívüli szívmegállást a segélyhívások során.
Felismeri-e a gépi tanulás a sürgősségi hívások során a kórházon kívüli szívmegállást, és segíthet-e az orvosi diszpécsereknek
Az Emergency Medical Services Copenhagen kifejlesztett egy gépi tanulási modellt, amely valós időben elemzi az 1-1-2 (9-1-1) hívásokat. A modell képes felismerni azokat a hívásokat, amelyekben szívleállás gyanúja merül fel. A tanulmány célja a számítógép által generált riasztás hatásának vizsgálata olyan hívásoknál, ahol szívmegállás gyanúja merül fel.
A tanulmány megvizsgálja
- vajon a felismerések számának potenciális növekedése a gépi riasztások vagy az orvosi diszpécser fokozott figyelmet fordít-e a kórházon kívüli szívmegállás (OHCA) felismerésére a gép alkalmazása során
- ha egy neurális hálózatokon alapuló gépi tanulási modell, az orvosi diszpécserek riasztása növeli az OHCA általános felismerését és növeli az állampolgári válaszadók kiküldését.
- az automatizált külső defibrillátorok (AED), a kardiopulmonális újraélesztés (CPR) vagy az állampolgári segélynyújtók kiküldése OHCA gépen felismert OHCA esetén, szemben az orvosi diszpécser által elismert OHCA-val.
A tanulmány áttekintése
Állapot
Körülmények
Beavatkozás / kezelés
Részletes leírás
A túlélés esélye a kórházon kívüli szívmegállás után percenként 10%-kal csökken az összeomlástól a CPR megkezdéséig. diszpécser által támogatott telefonos CPR csak abban az esetben indul, ha a diszpécser felismeri a szívmegállást.
Egy korábbi, „A számítógép felismerheti-e a számítógép a kórházon kívüli szívmegállást segélyhívások során” című projektjében (TrygFoundation támogatásával) a kutatók megállapították, hogy sikerült létrehozni egy gépi tanulási (ML) modellt, amely képes felismerni. OHCA nagyobb pontossággal, mint az Emergency Medical Dispatch Center (EMDC-Koppenhága) orvosi diszpécserei.
Ebben a tanulmányban a modellt és a hatást az EMDC-koppenhágai konferencián kell dokumentálni. Erre a célra egy ML-modellt futtató számítógép-szerver jön létre. Ez a szerver az EMDC-Koppenhága hálózatába integrálva lehetővé teszi a riasztások küldését az orvosi diszpécsernek, ha a modell szívleállást észlel.
A gépi tanulás segítségével a hipotézis az, hogy az OHCA felismerése javul, és a jelenleginél gyakrabban és gyorsabban történik.
Az orvosi diszpécserek számára készült egy utasítás, amely a gép riasztása esetén irányítja az orvosi diszpécseret.
Tanulmány típusa
Beiratkozás (Tényleges)
Fázis
- Nem alkalmazható
Kapcsolatok és helyek
Tanulmányi helyek
-
-
Danmark
-
Ballerup, Danmark, Dánia, DK-2750
- Emergency Medical Services Copenhagen
-
-
Részvételi kritériumok
Jogosultsági kritériumok
Tanulmányozható életkorok
- Gyermek
- Felnőtt
- Idősebb felnőtt
Egészséges önkénteseket fogad
Tanulmányozható nemek
Leírás
Bevételi kritériumok:
- Hívás a dán nemzeti szívmegállási nyilvántartásban regisztrált szívleállással kapcsolatban
- Az OHCA-t a gépi tanulási modell ismeri fel
- A hívás 1-1-2-ről indul
Kizárási kritériumok:
- Az OHCA sürgősségi egészségügyi szolgálatai – szemtanúk
- Hívás másik hatóságtól (rendőrségtől vagy tűzoltóságtól)
- A hívás ismétlődő hívás
- A hívást a konferencia miatt felfüggesztették
Tanulási terv
Hogyan készül a tanulmány?
Tervezési részletek
- Elsődleges cél: Diagnosztikai
- Kiosztás: Véletlenszerűsített
- Beavatkozó modell: Párhuzamos hozzárendelés
- Maszkolás: Hármas
Fegyverek és beavatkozások
Résztvevő csoport / kar |
Beavatkozás / kezelés |
|---|---|
|
Kísérleti: Gépi riasztás
Ezeknél a szívgyanús szívleállásoknál a gépi tanulási modell riasztást generált a sürgősségi egészségügyi szolgálatok szokásos válasza mellett.
|
Figyelmeztetés a diszpécserek képernyőjén „Szívmegállás gyanúja”
|
|
Nincs beavatkozás: Szokásos ellátás
Ezekre a feltételezett szívleállásokra a sürgősségi orvosi szolgálat szokásos választ kap.
|
Mit mér a tanulmány?
Elsődleges eredményintézkedések
Eredménymérő |
Intézkedés leírása |
Időkeret |
|---|---|---|
|
A szívleállás diszpécseri felismerése
Időkeret: A sürgősségi egészségügyi szolgálat hívása közben, a hívás kezdetétől számított 15 percig.
|
A kórházon kívüli szívmegállás diszpécser általi felismerése az elsődleges eredmény.
Az elismerésről egy kérdőív számol be, amelyet egy könyvvizsgálói csoport tölt ki, akik meghallgatják az összes hívás felvételét.
A kérdőív egy módosított CARES protokoll a hívásokhoz, és 21 kérdésből áll, amelyekkel a hívás minőségét értékelik.
A kérdőív validált, és más vizsgálatokban is felhasználták.
|
A sürgősségi egészségügyi szolgálat hívása közben, a hívás kezdetétől számított 15 percig.
|
Másodlagos eredményintézkedések
Eredménymérő |
Intézkedés leírása |
Időkeret |
|---|---|---|
|
Ideje az elismerésnek
Időkeret: A sürgősségi egészségügyi szolgálat hívása közben, a hívás kezdetétől számított 15 percig.
|
A hívás kezdetétől a szívmegállás diszpécseri felismeréséig eltelt idő
|
A sürgősségi egészségügyi szolgálat hívása közben, a hívás kezdetétől számított 15 percig.
|
|
Diszpécser által segített telefonos CPR
Időkeret: A sürgősségi egészségügyi szolgálat hívása közben, a hívás kezdetétől számított 15 percig.
|
Kéri-e a diszpécser a hívót, hogy kezdeményezze az újraélesztést?
|
A sürgősségi egészségügyi szolgálat hívása közben, a hívás kezdetétől számított 15 percig.
|
|
Ideje a T-CPR-nek
Időkeret: A sürgősségi egészségügyi szolgálat hívása közben, a hívás kezdetétől számított 15 percig.
|
A hívás kezdetétől eltelt idő, amíg a diszpécser elkezdi irányítani a hívót cpr-ben
|
A sürgősségi egészségügyi szolgálat hívása közben, a hívás kezdetétől számított 15 percig.
|
Együttműködők és nyomozók
Nyomozók
- Tanulmányi igazgató: Freddy Lippert, MD, Copenhagen Emergency Medical Services
Publikációk és hasznos linkek
Általános kiadványok
- 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.
Tanulmányi rekorddátumok
Tanulmány főbb dátumok
Tanulmány kezdete (Tényleges)
Elsődleges befejezés (Tényleges)
A tanulmány befejezése (Tényleges)
Tanulmányi regisztráció dátumai
Először benyújtva
Először nyújtották be, amely megfelel a minőségbiztosítási kritériumoknak
Első közzététel (Tényleges)
Tanulmányi rekordok frissítései
Utolsó frissítés közzétéve (Tényleges)
Az utolsó frissítés elküldve, amely megfelel a minőségbiztosítási kritériumoknak
Utolsó ellenőrzés
Több információ
A tanulmányhoz kapcsolódó kifejezések
Kulcsszavak
További vonatkozó MeSH feltételek
Egyéb vizsgálati azonosító számok
- F-35101-01
Terv az egyéni résztvevői adatokhoz (IPD)
Tervezi megosztani az egyéni résztvevői adatokat (IPD)?
IPD terv leírása
Gyógyszer- és eszközinformációk, tanulmányi dokumentumok
Egy amerikai FDA által szabályozott gyógyszerkészítményt tanulmányoz
Egy amerikai FDA által szabályozott eszközterméket tanulmányoz
Ezt az információt közvetlenül a clinicaltrials.gov webhelyről szereztük be, változtatás nélkül. Ha bármilyen kérése van vizsgálati adatainak módosítására, eltávolítására vagy frissítésére, kérjük, írjon a következő címre: register@clinicaltrials.gov. Amint a változás bevezetésre kerül a clinicaltrials.gov oldalon, ez a webhelyünkön is automatikusan frissül. .