Door machine learning ondersteunde herkenning van hartstilstand buiten het ziekenhuis tijdens noodoproepen.
Kan een machine learning een hartstilstand buiten het ziekenhuis herkennen tijdens noodoproepen en medische hulpverleners helpen?
Emergency Medical Services Copenhagen heeft een machine learning-model ontwikkeld dat de oproepen naar 1-1-2 (9-1-1) in realtime analyseert. Het model kan oproepen herkennen waarbij een hartstilstand wordt vermoed. Het doel van de studie is om het effect te onderzoeken van een computergegenereerde waarschuwing bij oproepen waarbij een hartstilstand wordt vermoed.
De studie zal onderzoeken
- of een potentiële toename in herkenningen te wijten is aan machinewaarschuwingen of de toegenomen focus van de medische dispatcher op het herkennen van een hartstilstand buiten het ziekenhuis (OHCA) bij het implementeren van de machine
- als een machine learning-model op basis van neurale netwerken, bij het waarschuwen van medische coördinatoren de algehele herkenning van OHCA zal vergroten en de verzending van burgerhulpverleners zal vergroten.
- meer gebruik van automatische externe defibrillatoren (AED), cardiopulmonale reanimatie (CPR) of uitzending van burgerhulpverleners in gevallen van OHCA op machine-erkende OHCA versus medische dispatcher erkende OHCA.
Studie Overzicht
Toestand
Conditie
Interventie / Behandeling
Gedetailleerde beschrijving
De overlevingskans na een hartstilstand buiten het ziekenhuis neemt met 10% per minuut af vanaf de collaps totdat de reanimatie wordt gestart. Telefonische reanimatie door de coördinator wordt alleen gestart in gevallen waarin de coördinator de hartstilstand herkent.
In een eerder project "Kan een computer via machine learning een hartstilstand buiten het ziekenhuis herkennen tijdens noodoproepen" (ondersteund door TrygFoundation), ontdekten de onderzoekers, was het mogelijk om een Machine Learning (ML)-model te maken, dat OHCA met een hogere precisie dan medische dispatchers bij het Emergency Medical Dispatch Center (EMDC-Kopenhagen).
In deze studie moeten het model en het effect worden gedocumenteerd in de EMDC-Kopenhagen. Hiervoor wordt een computerserver aangemaakt waarop het ML-model draait. Deze server is geïntegreerd in het netwerk van EMDC-Kopenhagen, waardoor het mogelijk is om waarschuwingen naar de medische dispatcher te sturen wanneer een hartstilstand wordt herkend door het model.
Met behulp van machine learning is de hypothese dat de herkenning van OHCA wordt verbeterd en zowel frequenter als sneller gebeurt dan nu het geval is.
Er wordt een instructie voor de medische coördinatoren ontwikkeld, die de medische coördinator begeleidt bij een alarm van de machine.
Studietype
Inschrijving (Werkelijk)
Fase
- Niet toepasbaar
Contacten en locaties
Studie Locaties
-
-
Danmark
-
Ballerup, Danmark, Denemarken, DK-2750
- Emergency Medical Services Copenhagen
-
-
Deelname Criteria
Geschiktheidscriteria
Leeftijden die in aanmerking komen voor studie
- Kind
- Volwassen
- Oudere volwassene
Accepteert gezonde vrijwilligers
Geslachten die in aanmerking komen voor studie
Beschrijving
Inclusiecriteria:
- Oproep over een hartstilstand geregistreerd in het nationale Deense hartstilstandregister
- OHCA wordt herkend door het machine learning-model
- Oproep komt van 1-1-2
Uitsluitingscriteria:
- OHCA Emergency Medical Services - getuige
- Oproep komt van een andere instantie (politie of brandweer)
- Oproep is een herhaaloproep
- Gesprek staat in de wacht voor conferentie
Studie plan
Hoe is de studie opgezet?
Ontwerpdetails
- Primair doel: Diagnostisch
- Toewijzing: Gerandomiseerd
- Interventioneel model: Parallelle opdracht
- Masker: Verdrievoudigen
Wapens en interventies
Deelnemersgroep / Arm |
Interventie / Behandeling |
|---|---|
|
Experimenteel: Machinewaarschuwing
Deze vermoedelijke hartstilstand heeft een waarschuwing gekregen die is gegenereerd door het machine learning-model naast de standaard reactie van de medische hulpdiensten.
|
Alert op meldkamerscherm 'Vermoedelijke hartstilstand'
|
|
Geen tussenkomst: Gebruikelijke zorg
Op deze vermoedelijke hartstilstanden wordt standaard gereageerd door de medische hulpdiensten.
|
Wat meet het onderzoek?
Primaire uitkomstmaten
Uitkomstmaat |
Maatregel Beschrijving |
Tijdsspanne |
|---|---|---|
|
Dispatcher herkenning van hartstilstand
Tijdsspanne: Tijdens een oproep naar medische hulpdiensten, tot 15 minuten na het begin van de oproep.
|
Dispatcherherkenning van hartstilstand buiten het ziekenhuis is het primaire resultaat.
Herkenning wordt gerapporteerd door middel van een vragenlijst die wordt ingevuld door een groep auditors die luisteren naar opnames van alle opgenomen oproepen.
De vragenlijst is een aangepast CARES-protocol voor de gesprekken en bestaat uit 21 vragen waarbij de kwaliteit van het gesprek wordt beoordeeld.
De vragenlijst is gevalideerd en is gebruikt in andere studies.
|
Tijdens een oproep naar medische hulpdiensten, tot 15 minuten na het begin van de oproep.
|
Secundaire uitkomstmaten
Uitkomstmaat |
Maatregel Beschrijving |
Tijdsspanne |
|---|---|---|
|
Tijd voor herkenning
Tijdsspanne: Tijdens een oproep naar medische hulpdiensten, tot 15 minuten na het begin van de oproep.
|
Tijd vanaf het begin van de oproep tot de herkenning van een hartstilstand door de centralist
|
Tijdens een oproep naar medische hulpdiensten, tot 15 minuten na het begin van de oproep.
|
|
Dispatcher ondersteunde telefonische reanimatie
Tijdsspanne: Tijdens een oproep naar medische hulpdiensten, tot 15 minuten na het begin van de oproep.
|
Vraagt de centralist de beller om reanimatie te starten?
|
Tijdens een oproep naar medische hulpdiensten, tot 15 minuten na het begin van de oproep.
|
|
Tijd voor T-reanimatie
Tijdsspanne: Tijdens een oproep naar medische hulpdiensten, tot 15 minuten na het begin van de oproep.
|
Tijd vanaf het begin van de oproep totdat de coördinator de beller gaat begeleiden bij reanimatie
|
Tijdens een oproep naar medische hulpdiensten, tot 15 minuten na het begin van de oproep.
|
Medewerkers en onderzoekers
Onderzoekers
- Studie directeur: Freddy Lippert, MD, Copenhagen Emergency Medical Services
Publicaties en nuttige links
Algemene publicaties
- 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.
Studie record data
Bestudeer belangrijke data
Studie start (Werkelijk)
Primaire voltooiing (Werkelijk)
Studie voltooiing (Werkelijk)
Studieregistratiedata
Eerst ingediend
Eerst ingediend dat voldeed aan de QC-criteria
Eerst geplaatst (Werkelijk)
Updates van studierecords
Laatste update geplaatst (Werkelijk)
Laatste update ingediend die voldeed aan QC-criteria
Laatst geverifieerd
Meer informatie
Termen gerelateerd aan deze studie
Trefwoorden
Aanvullende relevante MeSH-voorwaarden
Andere studie-ID-nummers
- F-35101-01
Plan Individuele Deelnemersgegevens (IPD)
Bent u van plan om gegevens van individuele deelnemers (IPD) te delen?
Beschrijving IPD-plan
Informatie over medicijnen en apparaten, studiedocumenten
Bestudeert een door de Amerikaanse FDA gereguleerd geneesmiddel
Bestudeert een door de Amerikaanse FDA gereguleerd apparaatproduct
Deze informatie is zonder wijzigingen rechtstreeks van de website clinicaltrials.gov gehaald. Als u verzoeken heeft om uw onderzoeksgegevens te wijzigen, te verwijderen of bij te werken, neem dan contact op met register@clinicaltrials.gov. Zodra er een wijziging wordt doorgevoerd op clinicaltrials.gov, wordt deze ook automatisch bijgewerkt op onze website .