Denne siden ble automatisk oversatt og nøyaktigheten av oversettelsen er ikke garantert. Vennligst referer til engelsk versjon for en kildetekst.

Datainnsamling for tilkoblet nettverk for EMS-er Omfattende teknisk støtte ved bruk av kunstig intelligens

3. juli 2023 oppdatert av: Yonsei University
For øyeblikket er det innenlandske akuttmedisinske systemet frakoblet informasjonsflyten mellom sykehus, akuttstasjoner og kontrollbyråer, som er deltakere i det akuttmedisinske systemet, og det er begrensninger i innsamling og bruk av integrerte data i nødsituasjoner [1]. I tillegg, på grunn av mangel på arbeidskraft for nødetatene på stedet og mangelen på et sanntidsleveringssystem for pasientinformasjon, blir det ikke laget tilstrekkelige dataregistreringer for å gjenspeile situasjonen på akuttstedet, og akutt pasientinformasjon på prestasjonen. -sykehusstadiet leveres ikke til overføringssykehuset [1]. Registreringer av prehospital pasientinformasjon som for tiden forberedes er ofte skrevet for hånd, basert på minnet til ambulansepersonell etter fullført pasientoverføring, så dataene er svært unøyaktige og kan ikke garanteres å være pålitelige[2]. Spesielt når det gjelder de fire store alvorlige nødsykdommene, som kalles hjertestans, alvorlig traume, kardiovaskulær nødsituasjon og cerebrovaskulær nødsituasjon, er pasientinformasjonen identifisert i nødstadiet svært viktig for å fastslå alvorlighetsgraden, så det er svært viktig. viktig å samle inn sanntids pasientinformasjon i felten for å evaluere alvorlighetsgraden, og basert på resultatene av denne evalueringen er det mulig å velge en medisinsk institusjon som er egnet for behandling [3,4]. I tillegg, i tilfelle av disse alvorlige nødsykdommene, siden målrettet behandling er bestemt å bli utført innen en viss tid, hvis det medisinske personalet ved den medisinske institusjonen er klar over pasientens informasjon før pasienten ankommer sykehuset, er det mulig å forberede på forhånd for akuttbehandling, og dermed øke ytelsesraten for akuttbehandling innen rimelig tid [5,6,7].

Studieoversikt

Status

Fullført

Forhold

Detaljert beskrivelse

Vi utvikler en AI-basert algoritme som kan forutsi de fire store alvorlige nødsykdommene som krever øyeblikkelig akuttbehandling og evaluere alvorlighetsgraden gjennom følgende input- og output-modeller.

  1. Algoritmeinndata 1) Video/bildedata

    • Videoinnsamling via et 360-graders kamera installert inne i ambulansen og en Mobile Hot spot (MHS) enhetstilkobling (RJ-45 kablet tilkobling)
    • Videodatainnsamling via nakkebåndkamera (bærbar)
    • Antall videoer gjennom smarte briller (bærbare) enheter og førstehjelpsterminaler 2) Lydsignaldata
    • Samle inn prehospital paramedisk stemme og pasientstemmedata gjennom beinledningsmikrofoner som bæres av ambulansepersonell 3) Biosignaldata
    • Pasientovervåkingsenhet installert i ambulanse Mobile Hot Spot (MHS)-enhet Samler og overfører vitale tegn gjennom TCP/IP-tilkobling
    • Defibrillatorer og nødterminaler brukt av feltmannskaper (5G-støtte) Samle og overføre vitale tegn gjennom TCP/IP-tilkobling

  2. Utviklingsteknologi 1) Utvikling av stemmegjenkjenning AI-teknologi i beredskapsmiljø

    • Samle inn muntlig tekst, nødrelaterte setninger og taledata fra transportfasen
    • Samling av taletekst fra scenario for overføringstjeneste på stedet for å bygge tale-DB for talegjenkjenningslæring
    • Parafrasering, fra den innsamlede teksten, der ambulansepersonell genererer setninger med lignende betydninger som kan uttales 2) Etablering av et naturlig språkbehandlingssystem for taletranskripsjonsdata i nødmiljøet - naturlig språkbehandling som stammeanalyse og gjenkjenning av entitetsnavn Optimaliser akuttmedisinen domene til modulen
    • Innsamling av språkdata i beredskapsmiljøer som beredskapsaktiviteter, førstehjelp og førstehjelp
    • Behandling av innsamlede språkdata for nødmiljø for domeneoptimalisering og læring av en maskinlæringsbasert naturlig språkbehandlingsmodell 3) Paramedic stemmeinformasjon støyfjerning og høyttalerseparasjonsmodelldesign 4) Utvikling av AI-basert bildegjenkjenning biotegninformasjonsovervåkingsteknologi i ambulanser
    • Utvikling av bildebasert tegngjenkjenningsalgoritme for PMS (Patient Monitoring System) utstyr gir ut vitale tegn
    • Implementering av automatisk gjenkjenningsteknologi for PMS-utstyr (plassering, type, merke, etc.) gjennom AI-læringsbasert 5G 360°CAM-video
    • Utvikling av automatisk tegnområdegjenkjenning og OCR (Optical Character Recognition)-basert lesealgoritme for hver type vitale signaler
    • Implementering av NLP (Natural language process)-basert spesifikk/forvrengt tegnkorreksjonsteknologi

    • Utvikling av bildeforbehandlingsteknologi som minimerer effekten av bakgrunn, støy, vibrasjoner, belysning osv.

      5) Utvikling av nødaktivitet bildeinformasjon objektdeteksjonsmodul 6) AI-adferdsdeteksjon videoanalysemodellering

    • Atferdsdeteksjon ved hjelp av dyp læring Bildeanalysemodellering – Analyse av generelle teknikker for atferdsdeteksjon
    • Klassemåltest som ligner på akuttmedisinsk atferd under generell atferdsdeteksjon
    • Klassedeteksjon som ligner på redningsaktiviteter til ambulansepersonell og bevegelse av pasienter
    • Generell atferdsdeteksjonsmodellering 7) Inndatavariabelen oppnådd basert på de oppnådde mangefasetterte dataene trekker ut hoveddeterminantene for modellens utgangsvariabel gjennom Ji-an Lee dypnettverksmetoden og beregner prediktiv kraft for den endelige utgangsvariabelen.

Studietype

Observasjonsmessig

Registrering (Faktiske)

15296

Kontakter og plasseringer

Denne delen inneholder kontaktinformasjon for de som utfører studien, og informasjon om hvor denne studien blir utført.

Studiesteder

Deltakelseskriterier

Forskere ser etter personer som passer til en bestemt beskrivelse, kalt kvalifikasjonskriterier. Noen eksempler på disse kriteriene er en persons generelle helsetilstand eller tidligere behandlinger.

Kvalifikasjonskriterier

Alder som er kvalifisert for studier

  • Voksen
  • Eldre voksen

Tar imot friske frivillige

Ja

Prøvetakingsmetode

Sannsynlighetsprøve

Studiepopulasjon

  • Én interimsanalyse 6 måneder etter studiestart.
  • Dataanalyse: Pasienter som ble fraktet til akuttmottaket til Severance Hospital med ambulansebiler fra to brannstasjoner i 6 måneder, og mer enn 20 % av postene som måtte fylles ut i saksjournalen, ble kontrollert
  • Unormal forvaltningsplan: Forskerne diskuterer årsaken til den manglende verdien gjennom et dataanalysemøte og planlegger en plan for det.

Beskrivelse

Inklusjonskriterier:

  • Pasienter blir fraktet fra Seodaemun brannstasjon, Mapo brannstasjon til Severance Hospital Emergency Care Center via 119 ambulanse

Ekskluderingskriterier:

  • Mindreårige under 18 år

Studieplan

Denne delen gir detaljer om studieplanen, inkludert hvordan studien er utformet og hva studien måler.

Hvordan er studiet utformet?

Designdetaljer

Kohorter og intervensjoner

Gruppe / Kohort
Mapo brannstasjon

Hva måler studien?

Primære resultatmål

Resultatmål
Tiltaksbeskrivelse
Tidsramme
Område Under mottakerens driftsegenskaper, AUROC
Tidsramme: 6 måneder etter studiestart, og gjennomsnittlig 1 år til siste analyse
  • Metode for evaluering av ytelse for algoritmeprediksjon: Evaluering av modulytelse ved å måle mottakerens operasjonskarakteristiske grafområde (AUROC) med diagnosenavnet til den faktisk overførte pasienten og prediksjonsverdien som sendes ut gjennom algoritmen
  • Verifikasjon av hvordan nøyaktigheten til den trente modellen forbedres ved akkumulering av potensielle data gjennom AUROC-sammenligning
6 måneder etter studiestart, og gjennomsnittlig 1 år til siste analyse

Samarbeidspartnere og etterforskere

Det er her du vil finne personer og organisasjoner som er involvert i denne studien.

Sponsor

Yonsei University

Etterforskere

  • Hovedetterforsker: Hyuk-Jae Chang, Severance Cardiovascular Hospital

Studierekorddatoer

Disse datoene sporer fremdriften for innsending av studieposter og sammendragsresultater til ClinicalTrials.gov. Studieposter og rapporterte resultater gjennomgås av National Library of Medicine (NLM) for å sikre at de oppfyller spesifikke kvalitetskontrollstandarder før de legges ut på det offentlige nettstedet.

Studer hoveddatoer

Studiestart (Faktiske)

19. april 2021

Primær fullføring (Faktiske)

31. desember 2021

Studiet fullført (Faktiske)

31. desember 2021

Datoer for studieregistrering

Først innsendt

3. juli 2023

Først innsendt som oppfylte QC-kriteriene

3. juli 2023

Først lagt ut (Faktiske)

11. juli 2023

Oppdateringer av studieposter

Sist oppdatering lagt ut (Faktiske)

11. juli 2023

Siste oppdatering sendt inn som oppfylte QC-kriteriene

3. juli 2023

Sist bekreftet

1. juli 2023

Mer informasjon

Begreper knyttet til denne studien

Ytterligere relevante MeSH-vilkår

Andre studie-ID-numre

  • 4-2019-0739

Plan for individuelle deltakerdata (IPD)

Planlegger du å dele individuelle deltakerdata (IPD)?

NEI

Legemiddel- og utstyrsinformasjon, studiedokumenter

Studerer et amerikansk FDA-regulert medikamentprodukt

Nei

Studerer et amerikansk FDA-regulert enhetsprodukt

Nei

Denne informasjonen ble hentet direkte fra nettstedet clinicaltrials.gov uten noen endringer. Hvis du har noen forespørsler om å endre, fjerne eller oppdatere studiedetaljene dine, vennligst kontakt register@clinicaltrials.gov. Så snart en endring er implementert på clinicaltrials.gov, vil denne også bli oppdatert automatisk på nettstedet vårt. .

Abonnere