Acquisizione dati per rete connessa per EMS Supporto tecnico completo tramite intelligenza artificiale
3 luglio 2023 aggiornato da: Yonsei University
Attualmente, il sistema medico di emergenza nazionale è disconnesso dal flusso di informazioni tra ospedali, siti di emergenza e agenzie di controllo, che partecipano al sistema medico di emergenza, e vi sono limitazioni nella raccolta e nell'utilizzo di dati integrati in situazioni di emergenza [1].
Inoltre, a causa della mancanza di manodopera per i servizi di emergenza presso il sito e della mancanza di un sistema di consegna delle informazioni sui pazienti in tempo reale, non vengono effettuate registrazioni di dati sufficienti per riflettere la situazione presso il sito di emergenza e le informazioni sui pazienti di emergenza al pre -la fase ospedaliera non viene consegnata all'ospedale di trasferimento [1].
Le registrazioni delle informazioni sui pazienti pre-ospedaliere che sono attualmente in fase di preparazione sono spesso scritte a mano, basandosi sulla memoria dei paramedici dopo aver completato il trasferimento del paziente, quindi i dati sono altamente imprecisi e non si può garantire che siano affidabili[2].
In particolare, nel caso delle quattro principali malattie gravi di emergenza, che sono denominate arresto cardiaco, grave trauma, emergenza cardiovascolare ed emergenza cerebrovascolare, le informazioni sul paziente identificate nella fase di emergenza sono molto importanti nel determinare la gravità, quindi è molto importante importante raccogliere informazioni sul paziente in tempo reale sul campo per valutare la gravità e, sulla base dei risultati di questa valutazione, è possibile selezionare un istituto medico adatto al trattamento [3,4].
Inoltre, nel caso di queste gravi malattie di emergenza, poiché si determina che il trattamento mirato deve essere eseguito entro un certo tempo, se il personale medico dell'istituto medico è a conoscenza delle informazioni del paziente prima che il paziente arrivi in ospedale, è possibile prepararsi in anticipo per il trattamento di emergenza, aumentando così il tasso di prestazioni del trattamento di emergenza entro un tempo ragionevole [5,6,7].
Panoramica dello studio
Stato
Completato
Descrizione dettagliata
Sviluppiamo un algoritmo basato sull'intelligenza artificiale in grado di prevedere le quattro principali gravi malattie di emergenza che richiedono un trattamento di emergenza immediato e valutarne la gravità attraverso i seguenti modelli di input e output.
Dati di input dell'algoritmo 1) Dati video/immagini
- Acquisizione video tramite una telecamera a 360 gradi installata all'interno dell'ambulanza e connessione di un dispositivo Mobile Hot spot (MHS) (connessione cablata RJ-45)
- Raccolta di dati video tramite videocamera da collo (indossabile)
- Numero di video tramite occhiali intelligenti (indossabili) e terminali di pronto soccorso 2) Dati del segnale sonoro
- Raccogliere i dati della voce del paramedico pre-ospedaliero e della voce del paziente attraverso microfoni a conduzione ossea indossati dai paramedici 3) Dati del segnale biologico
- Dispositivo di monitoraggio del paziente installato in ambulanza Dispositivo Mobile Hot Spot (MHS) Raccolta e trasmissione dei segni vitali tramite connessione TCP/IP
- Defibrillatori e terminali di emergenza utilizzati dalle squadre sul campo (supporto 5G) Raccolgono e trasmettono segni vitali tramite connessione TCP/IP
Tecnologia di sviluppo 1) Sviluppo della tecnologia AI di riconoscimento vocale in ambiente di emergenza
- Raccogli testo parlato, frasi relative alle emergenze e dati vocali dalla fase di trasporto sul sito
- Raccolta di testo vocale dallo scenario del servizio di trasferimento in loco per creare DB vocale per l'apprendimento del riconoscimento vocale
- Parafrasi, dal testo raccolto, in cui i paramedici generano frasi con significati simili che possono essere pronunciati 2) Istituzione di un sistema di elaborazione del linguaggio naturale per i dati di trascrizione vocale dell'ambiente di emergenza - elaborazione del linguaggio naturale come l'analisi della radice e il riconoscimento del nome dell'entità Ottimizzare l'emergenza medica dominio del modulo
- Raccolta di dati linguistici in ambienti di emergenza come attività di emergenza, primo soccorso e primo soccorso
- Elaborazione dei dati linguistici dell'ambiente di emergenza raccolti per l'ottimizzazione del dominio e l'apprendimento di un modello di elaborazione del linguaggio naturale basato sull'apprendimento automatico 3) Rimozione del rumore delle informazioni vocali paramediche e progettazione del modello di separazione degli altoparlanti 4) Sviluppo della tecnologia di monitoraggio delle informazioni sui segnali biologici basata sull'intelligenza artificiale nelle ambulanze
- Sviluppo di un algoritmo di riconoscimento dei caratteri basato su immagini per l'emissione di segni vitali da apparecchiature PMS (Patient monitoring system).
- Implementazione della tecnologia di riconoscimento automatico per le apparecchiature PMS (posizione, tipo, marchio, ecc.) tramite video CAM 5G a 360° basato sull'apprendimento AI
- Sviluppo di algoritmi di riconoscimento automatico dell'area dei caratteri e di lettura basati su OCR (Optical Character Recognition) per ogni tipo di segnale vitale
- Implementazione della tecnologia di correzione dei caratteri specifici/distorti basata su NLP (Natural language process).
Sviluppo della tecnologia di pre-elaborazione delle immagini che riduce al minimo gli effetti di sfondo, rumore, vibrazioni, illuminazione, ecc.
5) Sviluppo di un modulo di rilevamento di oggetti con informazioni sull'immagine di attività di emergenza 6) Modellazione di analisi video di rilevamento del comportamento AI
- Rilevamento del comportamento mediante deep learning Modellazione dell'analisi delle immagini - Analisi delle tecniche di rilevamento del comportamento generale
- Test del target di classe simile al comportamento medico di emergenza durante il rilevamento del comportamento generale
- Rilevamento di classe simile alle attività di soccorso dei paramedici e al movimento dei pazienti
- Modellazione di rilevamento del comportamento generale 7) La variabile di input ottenuta sulla base dei dati sfaccettati ottenuti estrae i principali determinanti per la variabile di output del modello attraverso il metodo della rete profonda Ji-an Lee e calcola il potere predittivo per la variabile di output finale.
Tipo di studio
Osservativo
Iscrizione (Effettivo)
15296
Contatti e Sedi
Questa sezione fornisce i recapiti di coloro che conducono lo studio e informazioni su dove viene condotto lo studio.
Luoghi di studio
-
-
-
Seoul, Corea, Repubblica di
- Severance Hospital
-
-
Criteri di partecipazione
I ricercatori cercano persone che corrispondano a una certa descrizione, chiamata criteri di ammissibilità. Alcuni esempi di questi criteri sono le condizioni generali di salute di una persona o trattamenti precedenti.
Criteri di ammissibilità
Età idonea allo studio
- Adulto
- Adulto più anziano
Accetta volontari sani
Sì
Metodo di campionamento
Campione di probabilità
Popolazione di studio
- Un'analisi ad interim 6 mesi dopo l'inizio dello studio.
- Analisi dei dati: i pazienti che sono stati trasportati al pronto soccorso del Severance Hospital con veicoli ambulanza da due caserme dei vigili del fuoco per 6 mesi e sono stati controllati oltre il 20% degli elementi richiesti per la compilazione del fascicolo
- Piano di gestione anormale: i ricercatori discutono il motivo del valore mancante attraverso una riunione di analisi dei dati e pianificano un piano per questo.
Descrizione
Criterio di inclusione:
- I pazienti vengono trasportati dalla stazione dei vigili del fuoco di Seodaemun, dalla stazione dei vigili del fuoco di Mapo al centro di assistenza di emergenza del Severance Hospital tramite l'ambulanza 119
Criteri di esclusione:
- Minori di età inferiore ai 18 anni
Piano di studio
Questa sezione fornisce i dettagli del piano di studio, compreso il modo in cui lo studio è progettato e ciò che lo studio sta misurando.
Come è strutturato lo studio?
Dettagli di progettazione
Coorti e interventi
Gruppo / Coorte |
|---|
|
Caserma dei vigili del fuoco di Mapo
|
Cosa sta misurando lo studio?
Misure di risultato primarie
Misura del risultato |
Misura Descrizione |
Lasso di tempo |
|---|---|---|
|
Area Sotto le caratteristiche di funzionamento del ricevitore, AUROC
Lasso di tempo: 6 mesi dopo l'inizio dello studio e una media di 1 anno fino all'ultima analisi
|
|
6 mesi dopo l'inizio dello studio e una media di 1 anno fino all'ultima analisi
|
Collaboratori e investigatori
Qui è dove troverai le persone e le organizzazioni coinvolte in questo studio.
Sponsor
Investigatori
- Investigatore principale: Hyuk-Jae Chang, Severance Cardiovascular Hospital
Studiare le date dei record
Queste date tengono traccia dell'avanzamento della registrazione dello studio e dell'invio dei risultati di sintesi a ClinicalTrials.gov. I record degli studi e i risultati riportati vengono esaminati dalla National Library of Medicine (NLM) per assicurarsi che soddisfino specifici standard di controllo della qualità prima di essere pubblicati sul sito Web pubblico.
Studia le date principali
Inizio studio (Effettivo)
19 aprile 2021
Completamento primario (Effettivo)
31 dicembre 2021
Completamento dello studio (Effettivo)
31 dicembre 2021
Date di iscrizione allo studio
Primo inviato
3 luglio 2023
Primo inviato che soddisfa i criteri di controllo qualità
3 luglio 2023
Primo Inserito (Effettivo)
11 luglio 2023
Aggiornamenti dei record di studio
Ultimo aggiornamento pubblicato (Effettivo)
11 luglio 2023
Ultimo aggiornamento inviato che soddisfa i criteri QC
3 luglio 2023
Ultimo verificato
1 luglio 2023
Maggiori informazioni
Termini relativi a questo studio
Termini MeSH pertinenti aggiuntivi
Altri numeri di identificazione dello studio
- 4-2019-0739
Piano per i dati dei singoli partecipanti (IPD)
Hai intenzione di condividere i dati dei singoli partecipanti (IPD)?
NO
Informazioni su farmaci e dispositivi, documenti di studio
Studia un prodotto farmaceutico regolamentato dalla FDA degli Stati Uniti
No
Studia un dispositivo regolamentato dalla FDA degli Stati Uniti
No
Queste informazioni sono state recuperate direttamente dal sito web clinicaltrials.gov senza alcuna modifica. In caso di richieste di modifica, rimozione o aggiornamento dei dettagli dello studio, contattare register@clinicaltrials.gov. Non appena verrà implementata una modifica su clinicaltrials.gov, questa verrà aggiornata automaticamente anche sul nostro sito web .