긴급 통화 중 기계 학습 지원 병원 밖 심정지 인식.
머신 러닝은 긴급 통화 중 병원 밖 심정지를 인식하고 의료 디스패처를 지원할 수 있습니까?
응급 의료 서비스 코펜하겐은 실시간으로 1-1-2(9-1-1)에 대한 호출을 분석하는 기계 학습 모델을 개발했습니다. 이 모델은 심장 마비가 의심되는 전화를 인식할 수 있습니다. 이 연구의 목적은 심장 마비가 의심되는 전화에서 컴퓨터 생성 경보의 효과를 조사하는 것입니다.
연구가 조사할 것이다
- 인식의 잠재적인 증가가 기계 경고 때문인지 또는 기계를 구현할 때 병원 외 심정지(OHCA)를 인식하는 데 대한 의료 디스패처의 집중 증가 때문인지 여부
- 신경망 기반 기계 학습 모델의 경우 의료 파견자에게 경고하면 OHCA에 대한 전반적인 인식이 높아지고 시민 응답자의 파견이 증가합니다.
- 자동 외부 제세동기(AED) 사용 증가, 심폐소생술(CPR) 또는 기계에서 OHCA가 인식된 경우 OHCA 대 의료 파견자가 OHCA를 인식한 경우 시민 응답자 파견.
연구 개요
상세 설명
병원 밖 심정지 후 생존 가능성은 쓰러진 후 CPR이 시작될 때까지 분당 10%씩 감소합니다. 디스패처 지원 전화 CPR은 디스패처가 심정지를 인지한 경우에만 시작됩니다.
이전 프로젝트 "컴퓨터가 기계 학습을 통해 긴급 통화 중 병원 외 심정지를 인식할 수 있습니까"(TrygFoundation 지원)에서 조사관은 기계 학습(ML) 모델을 생성할 수 있음을 발견했습니다. EMDC-코펜하겐(Emergency Medical Dispatch Center)의 의료 디스패처보다 정확도가 높은 OHCA.
이 연구에서 모델 andt is effect는 EMDC-Copenhagen에 문서화됩니다. 이를 위해 ML 모델을 실행하는 컴퓨터 서버가 생성됩니다. 이 서버는 EMDC-Copenhagen의 네트워크에 통합되어 있어 모델이 심정지를 인식하면 의료 디스패처에게 경고를 보낼 수 있습니다.
기계 학습의 도움으로 OHCA 인식이 개선되고 현재보다 더 자주 그리고 더 빠르게 발생한다는 가설이 있습니다.
의료 디스패처를 위한 지침이 개발되어 기계에서 경고가 발생할 경우 의료 디스패처를 안내합니다.
연구 유형
등록 (실제)
단계
- 해당 없음
연락처 및 위치
연구 장소
-
-
Danmark
-
Ballerup, Danmark, 덴마크, DK-2750
- Emergency Medical Services Copenhagen
-
-
참여기준
자격 기준
공부할 수 있는 나이
- 어린이
- 성인
- 고령자
건강한 자원 봉사자를 받아들입니다
연구 대상 성별
설명
포함 기준:
- 국립 덴마크 심정지 등록소에 등록된 심정지 관련 전화
- OHCA는 기계 학습 모델로 인식됩니다.
- 통화는 1-1-2에서 시작됩니다.
제외 기준:
- OHCA 응급 의료 서비스 - 목격됨
- 다른 기관(경찰 또는 소방서)에서 전화가 왔습니다.
- 통화는 반복 통화입니다.
- 회의를 위해 통화가 보류되었습니다.
공부 계획
연구는 어떻게 설계됩니까?
디자인 세부사항
- 주 목적: 특수 증상
- 할당: 무작위
- 중재 모델: 병렬 할당
- 마스킹: 삼루타
무기와 개입
참가자 그룹 / 팔 |
개입 / 치료 |
|---|---|
|
실험적: 기계 경고
이러한 심장 의심 심정지에는 표준 응급 의료 서비스 대응 외에도 기계 학습 모델에 의해 생성된 경고가 있습니다.
|
디스패처 화면에 경고 표시 '심정지 의심'
|
|
간섭 없음: 평소 케어
이러한 심정지가 의심되는 경우 표준 응급 의료 서비스 대응을 받게 됩니다.
|
연구는 무엇을 측정합니까?
주요 결과 측정
결과 측정 |
측정값 설명 |
기간 |
|---|---|---|
|
심정지의 디스패처 인식
기간: 응급 의료 서비스에 전화하는 동안 통화 시작 후 최대 15분.
|
병원 밖 심정지의 디스패처 인식이 주요 결과입니다.
인식은 포함된 모든 통화의 녹음을 청취하는 감사자 그룹이 작성한 설문지로 보고됩니다.
설문지는 통화에 대한 수정된 CARES 프로토콜이며 통화 품질을 평가하는 21개의 질문으로 구성됩니다.
설문지는 검증되었으며 다른 연구에서 사용되었습니다.
|
응급 의료 서비스에 전화하는 동안 통화 시작 후 최대 15분.
|
2차 결과 측정
결과 측정 |
측정값 설명 |
기간 |
|---|---|---|
|
인식 시간
기간: 응급 의료 서비스에 전화하는 동안 통화 시작 후 최대 15분.
|
호출 시작부터 디스패처가 심정지를 인식할 때까지의 시간
|
응급 의료 서비스에 전화하는 동안 통화 시작 후 최대 15분.
|
|
디스패처 지원 전화 CPR
기간: 응급 의료 서비스에 전화하는 동안 통화 시작 후 최대 15분.
|
디스패처가 발신자에게 CPR을 시작하도록 요청합니까?
|
응급 의료 서비스에 전화하는 동안 통화 시작 후 최대 15분.
|
|
T-CPR 시간
기간: 응급 의료 서비스에 전화하는 동안 통화 시작 후 최대 15분.
|
통화 시작부터 디스패처가 CPR에서 발신자 안내를 시작할 때까지의 시간
|
응급 의료 서비스에 전화하는 동안 통화 시작 후 최대 15분.
|
공동 작업자 및 조사자
수사관
- 연구 책임자: Freddy Lippert, MD, Copenhagen Emergency Medical Services
간행물 및 유용한 링크
일반 간행물
- 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.
연구 기록 날짜
연구 주요 날짜
연구 시작 (실제)
기본 완료 (실제)
연구 완료 (실제)
연구 등록 날짜
최초 제출
QC 기준을 충족하는 최초 제출
처음 게시됨 (실제)
연구 기록 업데이트
마지막 업데이트 게시됨 (실제)
QC 기준을 충족하는 마지막 업데이트 제출
마지막으로 확인됨
추가 정보
이 연구와 관련된 용어
기타 연구 ID 번호
- F-35101-01
개별 참가자 데이터(IPD) 계획
개별 참가자 데이터(IPD)를 공유할 계획입니까?
IPD 계획 설명
약물 및 장치 정보, 연구 문서
미국 FDA 규제 의약품 연구
미국 FDA 규제 기기 제품 연구
이 정보는 변경 없이 clinicaltrials.gov 웹사이트에서 직접 가져온 것입니다. 귀하의 연구 세부 정보를 변경, 제거 또는 업데이트하도록 요청하는 경우 register@clinicaltrials.gov. 문의하십시오. 변경 사항이 clinicaltrials.gov에 구현되는 즉시 저희 웹사이트에도 자동으로 업데이트됩니다. .