機械学習は、緊急通報中の院外心停止の認識を支援しました。
機械学習は緊急通報中に院外心停止を認識し、医療派遣者を支援できますか
緊急医療サービス コペンハーゲンは、1-1-2 (9-1-1) への通話をリアルタイムで分析する機械学習モデルを開発しました。 このモデルは、心停止が疑われる電話を認識することができます。 この研究の目的は、心停止が疑われる電話でのコンピューター生成アラートの効果を調査することです。
研究は調査します
- 認識の増加の可能性は、マシンのアラートによるものか、またはマシンを実装する際の院外心停止 (OHCA) の認識に医療ディスパッチャが重点を置いているためか
- ニューラル ネットワークに基づく機械学習モデルの場合、医療ディスパッチャにアラートを送信すると、OHCA の全体的な認知度が高まり、市民対応者の派遣が増加します。
- 自動体外式除細動器 (AED)、心肺蘇生法 (CPR) の使用の増加、または機械で認識された OHCA での OHCA と医療ディスパッチャで認識された OHCA の場合の市民対応者の派遣。
調査の概要
状態
状態
条件
条件
介入・治療
介入・治療
詳細な説明
院外心停止後の生存率は、虚脱から CPR が開始されるまで 1 分あたり 10% 減少します。 指令員による電話による CPR は、指令員が心停止を認識した場合にのみ開始されます。
以前のプロジェクト「機械学習を介したコンピューターは、緊急通報中に院外心停止を認識できますか」(TrygFoundation がサポート) で、研究者は、認識できる機械学習 (ML) モデルを作成することが可能であることを発見しました。緊急医療派遣センター (EMDC-コペンハーゲン) の医療派遣者よりも精度の高い OHCA。
この研究では、モデルとその効果が EMDC コペンハーゲンで文書化される予定です。 この目的のために、ML モデルを実行するコンピューター サーバーが作成されます。 このサーバーは EMDC コペンハーゲンのネットワークに統合されており、モデルによって心停止が認識されたときに、医療派遣担当者にアラートをプッシュすることができます。
機械学習の助けを借りて、仮説は、OHCAの認識が改善され、現在よりも頻繁かつ迅速に起こるというものです.
医療派遣担当者向けの指示が作成され、機械からのアラートの場合に医療派遣担当者をガイドします。
研究の種類
研究の種類
入学 (実際)
入学
段階
段階
- 適用できない
連絡先と場所
研究場所
-
-
Danmark
-
Ballerup、Danmark、デンマーク、DK-2750
- Emergency Medical Services Copenhagen
-
-
参加基準
適格基準
適格基準
就学可能な年齢
- 子
- 大人
- 高齢者
健康ボランティアの受け入れ
受講資格のある性別
説明
包含基準:
- デンマーク国立心停止登録簿に登録された心停止に関する電話
- OHCAは機械学習モデルによって認識されています
- コールは 1-1-2 から発信されます
除外基準:
- OHCA 救急医療サービス - 目撃者
- 別の機関(警察または消防隊)からの電話
- コールはリピートコールです
- 通話は会議のために保留中です
研究計画
研究はどのように設計されていますか?
デザインの詳細
- 主な目的:診断
- 割り当て:ランダム化
- 介入モデル:並列代入
- マスキング:トリプル
アーム数
武器と介入
参加者グループ / アーム参加者グループ / アーム |
介入・治療介入・治療 |
|---|---|
|
実験的:マシンアラート
これらの心停止が疑われる心臓には、標準の救急医療サービスの対応に加えて、機械学習モデルによってアラートが生成されます。
|
ディスパッチャ画面のアラート「心停止の疑い」
|
|
介入なし:普段のお手入れ
これらの疑いのある心停止には、標準的な緊急医療サービスの対応が適用されます。
|
この研究は何を測定していますか?
主要な結果の測定
主要な結果の測定
結果測定 |
メジャーの説明 |
時間枠 |
|---|---|---|
|
指令員による心停止の認識
時間枠:救急医療サービスへの通話中、通話開始から最大 15 分。
|
院外心停止のディスパッチャーの認識は、主要な結果です。
認識は、含まれるすべての通話の録音を聞いている監査員のグループによって記入されたアンケートによって報告されます。
アンケートは、通話用に修正された CARES プロトコルであり、通話の質を評価する 21 の質問で構成されています。
アンケートは検証済みであり、他の研究で使用されています。
|
救急医療サービスへの通話中、通話開始から最大 15 分。
|
二次結果の測定
二次結果の測定
結果測定 |
メジャーの説明 |
時間枠 |
|---|---|---|
|
認識までの時間
時間枠:救急医療サービスへの通話中、通話開始から最大 15 分。
|
通話開始から指令員が心停止を認識するまでの時間
|
救急医療サービスへの通話中、通話開始から最大 15 分。
|
|
派遣担当者による電話による心肺蘇生
時間枠:救急医療サービスへの通話中、通話開始から最大 15 分。
|
指令員は発信者に CPR を開始するよう依頼しますか。
|
救急医療サービスへの通話中、通話開始から最大 15 分。
|
|
T-CPRまでの時間
時間枠:救急医療サービスへの通話中、通話開始から最大 15 分。
|
通話開始からコーラーが CPR で発信者をガイドし始めるまでの時間
|
救急医療サービスへの通話中、通話開始から最大 15 分。
|
協力者と研究者
捜査官
捜査官
- スタディディレクター:Freddy Lippert, MD、Copenhagen Emergency Medical Services
出版物と役立つリンク
一般刊行物
- 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.
研究記録日
主要日程の研究
研究開始 (実際)
研究開始
一次修了 (実際)
一次修了
研究の完了 (実際)
研究の完了
試験登録日
最初に提出
最初に提出
QC基準を満たした最初の提出物
QC基準を満たした最初の提出物
最初の投稿 (実際)
最初の投稿
学習記録の更新
投稿された最後の更新 (実際)
投稿された最後の更新
QC基準を満たした最後の更新が送信されました
QC基準を満たした最後の更新が送信されました
最終確認日
最終確認日
詳しくは
本研究に関する用語
その他の研究ID番号
その他の研究ID番号
- F-35101-01
個々の参加者データ (IPD) の計画
個々の参加者データ (IPD) を共有する予定はありますか?
IPD プランの説明
医薬品およびデバイス情報、研究文書
米国FDA規制医薬品の研究
米国FDA規制機器製品の研究
この情報は、Web サイト clinicaltrials.gov から変更なしで直接取得したものです。研究の詳細を変更、削除、または更新するリクエストがある場合は、register@clinicaltrials.gov。 までご連絡ください。 clinicaltrials.gov に変更が加えられるとすぐに、ウェブサイトでも自動的に更新されます。