디스패치 시 저중증 환자의 머신 러닝 지원 차별화 (MADLAD)

배경:

EMD(Emergency Medical Dispatch) 센터에서는 사용 가능한 구급차보다 구급차를 필요로 하는 호출자가 더 많은 RCS(Resource Constrained Situations)가 일반적입니다. Uppsala 및 Västmanland에 있는 EMD 센터에서 이러한 상황을 경험하는 환자는 일반적으로 낮은 우선 순위 응답을 할당받으며 종종 고령자이며 비특이적 증상이 있습니다. 기계 학습 기술은 이러한 환자들 사이의 위험을 평가하는 유망하지만 대부분 검증되지 않은 접근 방식을 제공합니다.

목표:

머신 러닝 기반 위험 점수 제공이 RCS 악화 위험이 높은 환자를 식별하는 디스패처의 능력을 향상시키는지 여부를 확인합니다.

설계:

다중 센터, 병렬 그룹, 무작위, 분석가 맹검 시험.

인구:

웁살라(Uppsala) 또는 베스트만란드(Västmanland)의 파견 간호사가 우선 순위가 낮은 구급차 대응이 필요하고 RCS를 경험하는 것으로 평가된 국가 응급 라인(112)에 연락하는 성인 환자.

결과:

주요한:

1. 가장 높은 국가 조기경보점수(NEWS) 점수를 받은 환자에게 가장 먼저 가용한 구급차가 파견된 RCS의 비율

중고등 학년:

• RCS 동안 구급차 개입, 응급 이송, 병원 입원, 집중 치료 및 사망으로 구성된 복합 위험 점수의 차이는 즉각적인 vs.
• RCS 동안 즉각적인 대 지연 구급차 응답을 받는 환자 간의 NEWS 차이.

간섭:

기계 학습 모델은 RCS에 관련된 각 환자와 관련된 위험을 추정하고 사용 가능한 구급차를 받을 환자를 제안합니다. 개입 부문에서만 평가가 파견 시스템에 통합된 사용자 인터페이스에 표시됩니다.

평가판 크기:

1,500개의 RCS는 각각 여러 환자로 구성되며 통제군과 중재군에 1:1로 무작위 배정됩니다.