Data-acquisitie voor verbonden netwerk voor EMS Uitgebreide technische ondersteuning met behulp van kunstmatige intelligentie
3 juli 2023 bijgewerkt door: Yonsei University
Momenteel is het binnenlandse medische noodsysteem losgekoppeld van de informatiestroom tussen ziekenhuizen, hulpdiensten en controlebureaus, die deelnemen aan het medische noodsysteem, en er zijn beperkingen bij het verzamelen en gebruiken van geïntegreerde gegevens in noodsituaties [1].
Bovendien worden er, vanwege het gebrek aan mankracht voor de hulpdiensten op de locatie en het ontbreken van een real-time systeem voor de levering van patiënteninformatie, niet voldoende gegevensrecords gemaakt om de situatie op de noodlocatie weer te geven, en de patiëntinformatie voor noodgevallen op de pre -ziekenhuisstadium wordt niet afgeleverd bij het transferziekenhuis [1].
Records van pre-ziekenhuis patiëntinformatie die momenteel worden voorbereid, worden vaak met de hand geschreven en vertrouwen op het geheugen van paramedici na het voltooien van de patiëntoverdracht, dus de gegevens zijn zeer onnauwkeurig en er kan niet worden gegarandeerd dat ze betrouwbaar zijn[2].
Met name in het geval van de vier grote ernstige noodsituaties, die hartstilstand, ernstig trauma, cardiovasculaire noodsituatie en cerebrovasculaire noodsituatie worden genoemd, is de patiëntinformatie die in de noodsituatie wordt geïdentificeerd, erg belangrijk bij het bepalen van de ernst. belangrijk om realtime patiëntinformatie in het veld te verzamelen om de ernst te evalueren, en op basis van de resultaten van deze evaluatie is het mogelijk om een medische instelling te selecteren die geschikt is voor behandeling [3,4].
Bovendien, in het geval van deze ernstige spoedeisende ziekten, is het, aangezien is bepaald dat de gerichte behandeling binnen een bepaalde tijd moet worden uitgevoerd, mogelijk als de medische staf van de medische instelling op de hoogte is van de informatie van de patiënt voordat de patiënt in het ziekenhuis arriveert. om zich op voorhand voor te bereiden op een spoedbehandeling, waardoor de uitvoeringsgraad van een spoedbehandeling binnen een redelijke tijd wordt verhoogd [5,6,7].
Studie Overzicht
Toestand
Voltooid
Gedetailleerde beschrijving
We ontwikkelen een op AI gebaseerd algoritme dat de vier belangrijkste ernstige noodsituaties kan voorspellen die een onmiddellijke spoedbehandeling vereisen en de ernst ervan kan evalueren door middel van de volgende input- en outputmodellen.
Algoritme-invoergegevens 1) Video-/beeldgegevens
- Video-acquisitie via een 360-gradencamera die in de ambulance is geïnstalleerd en een mobiele hotspot (MHS)-apparaatverbinding (RJ-45 bekabelde verbinding)
- Videogegevensverzameling via nekbandcamera (draagbaar)
- Aantal video's via smart glasses (draagbare) apparaten en EHBO-terminals 2) Geluidssignaalgegevens
- Verzamel pre-ziekenhuis paramedische stem en patiënt stemgegevens via beengeleidingsmicrofoons gedragen door paramedici 3) Bio-signaalgegevens
- Patiëntbewakingsapparaat geïnstalleerd in ambulance Mobile Hot Spot (MHS)-apparaat Verzamelt en verzendt vitale functies via een TCP/IP-verbinding
- Defibrillatoren en noodterminals die worden gebruikt door veldpersoneel (5G-ondersteuning) Verzamelen en verzenden vitale functies via een TCP/IP-verbinding
Ontwikkelingstechnologie 1) Ontwikkeling van AI-technologie voor spraakherkenning in noodsituaties
- Verzamel gesproken tekst, noodgerelateerde zinnen en spraakgegevens uit de transportfase van de locatie
- Spraaktekstverzameling van on-site overdrachtsservicescenario om spraak-DB te bouwen voor het leren van spraakherkenning
- Parafraseren, vanuit de verzamelde tekst, waarin paramedici zinnen genereren met vergelijkbare betekenissen die kunnen worden uitgesproken 2) Opzetten van een natuurlijk taalverwerkingssysteem voor spraaktranscriptiegegevens in noodsituaties - natuurlijke taalverwerking zoals stamanalyse en naamherkenning van entiteit Optimaliseren van de medische noodhulp domein van de module
- Verzameling van taalgegevens in noodsituaties zoals noodactiviteiten, eerste hulp en eerste hulp
- Verwerken van verzamelde taalgegevens van de noodsituatieomgeving voor domeinoptimalisatie en het aanleren van een op machine learning gebaseerd model voor natuurlijke taalverwerking 3) Paramedische spraakinformatie, ruisverwijdering en modelontwerp voor luidsprekerscheiding 4) Ontwikkeling van op AI gebaseerde beeldherkenning bio-sign-informatiebewakingstechnologie in ambulances
- Ontwikkeling van een beeldgebaseerd algoritme voor karakterherkenning voor PMS-apparatuur (patiëntbewakingssysteem) die vitale functies uitvoert
- Implementatie van automatische herkenningstechnologie voor PMS-apparatuur (locatie, type, merk, etc.) via op AI-leren gebaseerde 5G 360°CAM-video
- Ontwikkeling van automatische tekengebiedherkenning en op OCR (Optical Character Recognition) gebaseerd leesalgoritme voor elk type vitaal signaal
- Implementatie van op NLP (Natural Language Process) gebaseerde specifieke/vervormde tekencorrectietechnologie
Ontwikkeling van beeldvoorverwerkingstechnologie die de effecten van achtergrond, ruis, trillingen, verlichting, enz. minimaliseert.
5) Ontwikkeling van een module voor het detecteren van beeldinformatie van noodactiviteiten 6) Modellering van videoanalyse van gedragsdetectie door AI
- Gedragsdetectie met behulp van deep learning Beeldanalysemodellering - Analyse van algemene gedragsdetectietechnieken
- Klassedoeltest vergelijkbaar met medisch noodgedrag tijdens detectie van algemeen gedrag
- Klassedetectie vergelijkbaar met de reddingsactiviteiten van paramedici en het verplaatsen van patiënten
- Modellering van algemene gedragsdetectie 7) De inputvariabele die wordt verkregen op basis van de verkregen veelzijdige gegevens extraheert de belangrijkste determinanten voor de modeloutputvariabele via de Ji-an Lee diepe netwerkmethode en berekent het voorspellende vermogen voor de uiteindelijke outputvariabele.
Studietype
Observationeel
Inschrijving (Werkelijk)
15296
Contacten en locaties
In dit gedeelte vindt u de contactgegevens van degenen die het onderzoek uitvoeren en informatie over waar dit onderzoek wordt uitgevoerd.
Studie Locaties
-
-
-
Seoul, Korea, republiek van
- Severance Hospital
-
-
Deelname Criteria
Onderzoekers zoeken naar mensen die aan een bepaalde beschrijving voldoen, de zogenaamde geschiktheidscriteria. Enkele voorbeelden van deze criteria zijn iemands algemene gezondheidstoestand of eerdere behandelingen.
Geschiktheidscriteria
Leeftijden die in aanmerking komen voor studie
- Volwassen
- Oudere volwassene
Accepteert gezonde vrijwilligers
Ja
Bemonsteringsmethode
Kanssteekproef
Studie Bevolking
- Eén tussentijdse analyse 6 maanden na aanvang van het onderzoek.
- Gegevensanalyse: patiënten die gedurende 6 maanden met ambulancevoertuigen van twee brandweerkazernes naar de afdeling spoedeisende hulp van het Severance-ziekenhuis werden vervoerd, en meer dan 20% van de in te vullen items in het dossier werden gecontroleerd
- Abnormaal beheersplan: De onderzoekers bespreken de reden voor de ontbrekende waarde via een data-analysebijeenkomst en plannen hiervoor een plan.
Beschrijving
Inclusiecriteria:
- Patiënten worden via ambulance 119 vervoerd van Seodaemun Fire Station, Mapo Fire Station naar Severance Hospital Emergency Care Centre
Uitsluitingscriteria:
- Minderjarigen onder de 18 jaar
Studie plan
Dit gedeelte bevat details van het studieplan, inclusief hoe de studie is opgezet en wat de studie meet.
Hoe is de studie opgezet?
Ontwerpdetails
Cohorten en interventies
Groep / Cohort |
|---|
|
Mapo-brandweerkazerne
|
Wat meet het onderzoek?
Primaire uitkomstmaten
Uitkomstmaat |
Maatregel Beschrijving |
Tijdsspanne |
|---|---|---|
|
Area Under Ontvanger bedrijfskarakteristieken, AUROC
Tijdsspanne: 6 maanden na de start van het onderzoek en gemiddeld 1 jaar tot de laatste analyse
|
|
6 maanden na de start van het onderzoek en gemiddeld 1 jaar tot de laatste analyse
|
Medewerkers en onderzoekers
Hier vindt u mensen en organisaties die betrokken zijn bij dit onderzoek.
Sponsor
Onderzoekers
- Hoofdonderzoeker: Hyuk-Jae Chang, Severance Cardiovascular Hospital
Studie record data
Deze datums volgen de voortgang van het onderzoeksdossier en de samenvatting van de ingediende resultaten bij ClinicalTrials.gov. Studieverslagen en gerapporteerde resultaten worden beoordeeld door de National Library of Medicine (NLM) om er zeker van te zijn dat ze voldoen aan specifieke kwaliteitscontrolenormen voordat ze op de openbare website worden geplaatst.
Bestudeer belangrijke data
Studie start (Werkelijk)
19 april 2021
Primaire voltooiing (Werkelijk)
31 december 2021
Studie voltooiing (Werkelijk)
31 december 2021
Studieregistratiedata
Eerst ingediend
3 juli 2023
Eerst ingediend dat voldeed aan de QC-criteria
3 juli 2023
Eerst geplaatst (Werkelijk)
11 juli 2023
Updates van studierecords
Laatste update geplaatst (Werkelijk)
11 juli 2023
Laatste update ingediend die voldeed aan QC-criteria
3 juli 2023
Laatst geverifieerd
1 juli 2023
Meer informatie
Termen gerelateerd aan deze studie
Aanvullende relevante MeSH-voorwaarden
Andere studie-ID-nummers
- 4-2019-0739
Plan Individuele Deelnemersgegevens (IPD)
Bent u van plan om gegevens van individuele deelnemers (IPD) te delen?
NEE
Informatie over medicijnen en apparaten, studiedocumenten
Bestudeert een door de Amerikaanse FDA gereguleerd geneesmiddel
Nee
Bestudeert een door de Amerikaanse FDA gereguleerd apparaatproduct
Nee
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 .