Adatgyűjtés csatlakoztatott hálózathoz EMS-ekhez Átfogó műszaki támogatás mesterséges intelligencia használatával
2023. július 3. frissítette: Yonsei University
Jelenleg a hazai sürgősségi orvosi rendszer elszakadt a sürgősségi egészségügyi rendszerben részt vevő kórházak, sürgősségi helyek és ellenőrző szervek közötti információáramlástól, sürgősségi helyzetekben korlátozottak az integrált adatok gyűjtése és felhasználása [1].
Ezen túlmenően a sürgősségi ellátáshoz szükséges munkaerő hiánya és a valós idejű betegtájékoztató rendszer hiánya miatt nem készül elegendő adatfelvétel a sürgősségi helyszín helyzetének tükrözéséhez, és a sürgősségi betegtájékoztatás az előzetesen. -kórházi stádiumot nem szállítanak át a transzferkórházba [1].
A kórház előtti betegtájékoztatás jelenleg készülő feljegyzéseit gyakran kézzel írják, a mentősök emlékére támaszkodva a betegszállítás befejezése után, így az adatok nagyon pontatlanok, és nem garantálható megbízhatóságuk[2].
Különösen a négy fő súlyos sürgősségi betegség esetében, amelyeket szívmegállásnak, súlyos traumának, kardiovaszkuláris vészhelyzetnek és agyi érrendszeri vészhelyzetnek neveznek, a sürgősségi szakaszban azonosított beteginformációk nagyon fontosak a súlyosság meghatározásában, ezért nagyon fontos. Fontos, hogy a helyszínen valós idejű beteginformációkat gyűjtsünk a súlyosság értékeléséhez, és ennek eredménye alapján lehet kiválasztani a kezelésre alkalmas egészségügyi intézményt [3,4].
Ezen túlmenően ezen súlyos sürgősségi megbetegedések esetében, mivel a célzott kezelést meghatározott időn belül kell elvégezni, amennyiben az egészségügyi intézmény egészségügyi személyzete már a beteg kórházba érkezése előtt tudomást szerzett a betegről, lehetséges előre felkészülni a sürgősségi ellátásra, ezzel ésszerű időn belül növelve a sürgősségi ellátás teljesítményét [5,6,7].
A tanulmány áttekintése
Állapot
Befejezve
Részletes leírás
Olyan mesterséges intelligencia-alapú algoritmust dolgozunk ki, amely képes előre jelezni a négy fő súlyos sürgősségi betegséget, amelyek azonnali sürgősségi ellátást igényelnek, és értékelni tudják súlyosságukat a következő bemeneti és kimeneti modellek segítségével.
Algoritmus bemeneti adatok 1) Videó/képadatok
- Videó rögzítése a mentőautó belsejében elhelyezett 360 fokos kamerával és mobil hot spot (MHS) eszközcsatlakozással (RJ-45 vezetékes kapcsolat)
- Videó adatgyűjtés nyakpántos kamerán keresztül (hordható)
- Videók száma intelligens szemüveges (hordható) eszközökön és elsősegélynyújtó terminálokon keresztül 2) Hangjelzési adatok
- Gyűjtse össze a kórház előtti mentős hang- és a páciens hangadatait a mentősök által viselt csontvezetési mikrofonokon keresztül 3) Bio-jeladatok
- Betegfigyelő készülék mentőautóba telepített Mobile Hot Spot (MHS) készülék Életjelek gyűjtése és továbbítása TCP/IP kapcsolaton keresztül
- A helyszíni személyzet által használt defibrillátorok és vészhelyzeti terminálok (5G támogatás) TCP/IP kapcsolaton keresztül gyűjtik és továbbítják az életjeleket
Fejlesztési technológia 1) Hangfelismerő AI technológia fejlesztése vészhelyzeti környezetben
- Gyűjtse össze a kimondott szöveget, a vészhelyzettel kapcsolatos mondatokat és a hangadatokat a helyszíni szállítási fázisból
- Beszédszöveg gyűjtése a helyszíni átviteli szolgáltatás forgatókönyvéből a hangadatbázis létrehozásához a hangfelismerő tanuláshoz
- Parafrázis, az összegyűjtött szövegből, amelyben a mentősök hasonló jelentésű, kimondható mondatokat generálnak 2) Természetes nyelvi feldolgozó rendszer kialakítása vészhelyzeti környezet hangátírási adatokhoz - természetes nyelvi feldolgozás, például törzselemzés és entitásnév felismerés A sürgősségi orvosi ellátás optimalizálása a modul tartománya
- Nyelvi adatok gyűjtése vészhelyzeti környezetekben, például sürgősségi tevékenységek, elsősegélynyújtás és elsősegélynyújtás
- Összegyűjtött vészhelyzeti környezeti nyelvi adatok feldolgozása domain optimalizáláshoz és egy gépi tanuláson alapuló természetes nyelvi feldolgozási modell megtanulásához 3) Mentőorvosi hanginformáció zaj eltávolítása és a hangszóró szétválasztási modell tervezése 4) AI-alapú képfelismerő biojel információfigyelő technológia fejlesztése mentőautókban
- Kép alapú karakterfelismerő algoritmus kidolgozása PMS (Patient Monitoring System) berendezés kimeneti életjelek számára
- Automatikus felismerési technológia megvalósítása PMS-berendezésekhez (helyszín, típus, márka stb.) mesterséges intelligencia tanuláson alapuló 5G 360°CAM videón keresztül
- Automatikus karakterterület-felismerés és OCR (Optical Character Recognition) alapú olvasási algoritmus fejlesztése minden létfontosságú jeltípushoz
- NLP (Natural language process) alapú specifikus/torz karakterkorrekciós technológia megvalósítása
Kép-előfeldolgozási technológia fejlesztése, amely minimalizálja a háttér, a zaj, a rezgés, a világítás stb.
5) Vészhelyzeti tevékenység képinformációs objektumészlelési modul fejlesztése 6) AI viselkedésészlelés videoelemzési modellezése
- Viselkedésérzékelés mély tanulással Képelemzési modellezés – Általános viselkedésészlelési technikák elemzése
- A sürgősségi orvosi viselkedéshez hasonló osztálycélteszt az általános viselkedés észlelése során
- A mentősök mentési tevékenységéhez és a betegek mozgatásához hasonló osztályfelismerés
- Általános viselkedés-detektálási modellezés 7) A kapott sokoldalú adatok alapján kapott bemeneti változó a Ji-an Lee mélyhálózati módszerrel kivonja a modell kimeneti változójának fő meghatározóit, és kiszámítja a végső kimeneti változó prediktív teljesítményét.
Tanulmány típusa
Megfigyelő
Beiratkozás (Tényleges)
15296
Kapcsolatok és helyek
Ez a rész a vizsgálatot végzők elérhetőségeit, valamint a vizsgálat lefolytatásának helyére vonatkozó információkat tartalmazza.
Tanulmányi helyek
-
-
-
Seoul, Koreai Köztársaság
- Severance Hospital
-
-
Részvételi kritériumok
A kutatók olyan embereket keresnek, akik megfelelnek egy bizonyos leírásnak, az úgynevezett jogosultsági kritériumoknak. Néhány példa ezekre a kritériumokra a személy általános egészségi állapota vagy a korábbi kezelések.
Jogosultsági kritériumok
Tanulmányozható életkorok
- Felnőtt
- Idősebb felnőtt
Egészséges önkénteseket fogad
Igen
Mintavételi módszer
Valószínűségi minta
Tanulmányi populáció
- Egy időközi elemzés 6 hónappal a vizsgálat megkezdése után.
- Adatelemzés: Azon betegek, akiket két tűzoltószertárról mentőautóval 6 hónapon keresztül szállítottak a Szakmai Kórház sürgősségi osztályára, és az esetnyilvántartásban kitöltendő tételek több mint 20%-át ellenőriztük.
- Rendellenes kezelési terv: A kutatók adatelemző értekezleten vitatják meg a hiányzó érték okát, és tervet terveznek rá.
Leírás
Bevételi kritériumok:
- A betegeket a Seodaemun tűzoltóállomásról, a Mapo tűzoltóállomásról a Severance Kórház Sürgősségi Ellátó Központjába szállítják a 119-es mentőautóval
Kizárási kritériumok:
- 18 év alatti kiskorúak
Tanulási terv
Ez a rész a vizsgálati terv részleteit tartalmazza, beleértve a vizsgálat megtervezését és a vizsgálat mérését.
Hogyan készül a tanulmány?
Tervezési részletek
Kohorszok és beavatkozások
Csoport / Kohorsz |
|---|
|
Mapo tűzoltóállomás
|
Mit mér a tanulmány?
Elsődleges eredményintézkedések
Eredménymérő |
Intézkedés leírása |
Időkeret |
|---|---|---|
|
Alatti terület Vevő működési jellemzői, AUROC
Időkeret: 6 hónappal a vizsgálat megkezdése után, és átlagosan 1 év az utolsó elemzésig
|
|
6 hónappal a vizsgálat megkezdése után, és átlagosan 1 év az utolsó elemzésig
|
Együttműködők és nyomozók
Itt találhatja meg a tanulmányban érintett személyeket és szervezeteket.
Szponzor
Nyomozók
- Kutatásvezető: Hyuk-Jae Chang, Severance Cardiovascular Hospital
Tanulmányi rekorddátumok
Ezek a dátumok nyomon követik a ClinicalTrials.gov webhelyre benyújtott vizsgálati rekordok és összefoglaló eredmények benyújtásának folyamatát. A vizsgálati feljegyzéseket és a jelentett eredményeket a Nemzeti Orvostudományi Könyvtár (NLM) felülvizsgálja, hogy megbizonyosodjon arról, hogy megfelelnek-e az adott minőség-ellenőrzési szabványoknak, mielőtt közzéteszik őket a nyilvános weboldalon.
Tanulmány főbb dátumok
Tanulmány kezdete (Tényleges)
2021. április 19.
Elsődleges befejezés (Tényleges)
2021. december 31.
A tanulmány befejezése (Tényleges)
2021. december 31.
Tanulmányi regisztráció dátumai
Először benyújtva
2023. július 3.
Először nyújtották be, amely megfelel a minőségbiztosítási kritériumoknak
2023. július 3.
Első közzététel (Tényleges)
2023. július 11.
Tanulmányi rekordok frissítései
Utolsó frissítés közzétéve (Tényleges)
2023. július 11.
Az utolsó frissítés elküldve, amely megfelel a minőségbiztosítási kritériumoknak
2023. július 3.
Utolsó ellenőrzés
2023. július 1.
Több információ
A tanulmányhoz kapcsolódó kifejezések
További vonatkozó MeSH feltételek
Egyéb vizsgálati azonosító számok
- 4-2019-0739
Terv az egyéni résztvevői adatokhoz (IPD)
Tervezi megosztani az egyéni résztvevői adatokat (IPD)?
NEM
Gyógyszer- és eszközinformációk, tanulmányi dokumentumok
Egy amerikai FDA által szabályozott gyógyszerkészítményt tanulmányoz
Nem
Egy amerikai FDA által szabályozott eszközterméket tanulmányoz
Nem
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. .