Wspomagane przez uczenie maszynowe rozpoznawanie pozaszpitalnego zatrzymania krążenia podczas połączeń alarmowych.
Czy uczenie maszynowe może rozpoznać pozaszpitalne zatrzymanie krążenia podczas wezwań pomocy i pomóc dyspozytorom medycznym
Ratownictwo medyczne w Kopenhadze opracowało model uczenia maszynowego, który analizuje połączenia z numerami 1-1-2 (9-1-1) w czasie rzeczywistym. Model jest w stanie rozpoznać połączenia, w których podejrzewa się zatrzymanie akcji serca. Celem pracy jest zbadanie wpływu alarmu generowanego komputerowo na rozmowy z podejrzeniem zatrzymania krążenia.
Badanie będzie badać
- czy potencjalny wzrost rozpoznań wynika z alertów maszynowych, czy też ze zwiększonej koncentracji dyspozytora medycznego na rozpoznawaniu pozaszpitalnego zatrzymania krążenia (OHCA) podczas wdrażania maszyny
- jeśli model uczenia maszynowego oparty na sieciach neuronowych, podczas ostrzegania dyspozytorów medycznych zwiększy ogólne rozpoznawanie OHCA i zwiększy wysyłanie ratowników.
- zwiększone użycie automatycznych defibrylatorów zewnętrznych (AED), resuscytacji krążeniowo-oddechowej (CPR) lub wysłanie ratowników obywatelskich w przypadkach OHCA na OHCA rozpoznany przez maszynę w porównaniu z OHCA rozpoznanym przez dyspozytora medycznego.
Przegląd badań
Status
Interwencja / Leczenie
Szczegółowy opis
Szanse przeżycia po pozaszpitalnym zatrzymaniu krążenia zmniejszają się o 10% na minutę od zapaści do rozpoczęcia resuscytacji. telefoniczna reanimacja z pomocą dyspozytora zostanie podjęta tylko w przypadkach, gdy dyspozytor rozpozna zatrzymanie krążenia.
W poprzednim projekcie „Czy komputer poprzez uczenie maszynowe rozpoznaje pozaszpitalne zatrzymanie krążenia podczas połączeń alarmowych” (wspieranym przez TrygFoundation), badacze odkryli, że możliwe było stworzenie modelu uczenia maszynowego (ML), który mógłby rozpoznać OHCA z większą precyzją niż dyspozytorzy medyczni w Centrum Ratownictwa Medycznego (EMDC-Kopenhaga).
W tym badaniu model i efekt należy udokumentować w EMDC-Kopenhaga. W tym celu tworzony jest serwer komputerowy działający w modelu ML. Serwer ten jest zintegrowany z siecią w EMDC-Kopenhaga, umożliwiając wysyłanie powiadomień do dyspozytora medycznego, gdy model rozpozna zatrzymanie krążenia.
Przy pomocy uczenia maszynowego hipoteza jest taka, że rozpoznawanie OHCA jest lepsze i zdarza się zarówno częściej, jak i szybciej niż obecnie.
Opracowana jest instrukcja dla dyspozytorów medycznych, która prowadzi dyspozytora medycznego w przypadku alarmu z maszyny.
Typ studiów
Zapisy (Rzeczywisty)
Faza
- Nie dotyczy
Kontakty i lokalizacje
Lokalizacje studiów
-
-
Danmark
-
Ballerup, Danmark, Dania, DK-2750
- Emergency Medical Services Copenhagen
-
-
Kryteria uczestnictwa
Kryteria kwalifikacji
Wiek uprawniający do nauki
- Dziecko
- Dorosły
- Starszy dorosły
Akceptuje zdrowych ochotników
Płeć kwalifikująca się do nauki
Opis
Kryteria przyjęcia:
- Wezwanie w sprawie zatrzymania krążenia zarejestrowanego w krajowym duńskim rejestrze zatrzymania krążenia
- OHCA jest rozpoznawany przez model uczenia maszynowego
- Połączenie pochodzi z 1-1-2
Kryteria wyłączenia:
- Ratownictwo medyczne OHCA - świadek
- Wezwanie pochodzi z innego organu (policji lub straży pożarnej)
- Połączenie to ponowne połączenie
- Połączenie zostało zawieszone ze względu na konferencję
Plan studiów
Jak projektuje się badanie?
Szczegóły projektu
- Główny cel: Diagnostyczny
- Przydział: Randomizowane
- Model interwencyjny: Przydział równoległy
- Maskowanie: Potroić
Broń i interwencje
Grupa uczestników / Arm |
Interwencja / Leczenie |
|---|---|
|
Eksperymentalny: Alarm maszyny
Te osoby z podejrzeniem zatrzymania krążenia będą miały alert wygenerowany przez model uczenia maszynowego oprócz standardowej reakcji służb ratownictwa medycznego.
|
Alert na ekranie dyspozytora „Podejrzenie zatrzymania krążenia”
|
|
Brak interwencji: Zwykła opieka
Osoby z podejrzeniem zatrzymania akcji serca otrzymają standardową pomoc służb ratownictwa medycznego.
|
Co mierzy badanie?
Podstawowe miary wyniku
Miara wyniku |
Opis środka |
Ramy czasowe |
|---|---|---|
|
Rozpoznanie zatrzymania krążenia przez dyspozytora
Ramy czasowe: W trakcie wezwania Ratownictwa Medycznego do 15 minut od rozpoczęcia wezwania.
|
Podstawowym rezultatem jest rozpoznanie przez dyspozytora pozaszpitalnego zatrzymania krążenia.
O uznaniu świadczy ankieta wypełniana przez grupę audytorów odsłuchujących nagrania wszystkich uwzględnionych rozmów.
Kwestionariusz jest zmodyfikowanym protokołem CARES dla połączeń i składa się z 21 pytań, za pomocą których oceniana jest jakość połączenia.
Kwestionariusz jest zwalidowany i był używany w innych badaniach.
|
W trakcie wezwania Ratownictwa Medycznego do 15 minut od rozpoczęcia wezwania.
|
Miary wyników drugorzędnych
Miara wyniku |
Opis środka |
Ramy czasowe |
|---|---|---|
|
Czas na rozpoznanie
Ramy czasowe: W trakcie wezwania Ratownictwa Medycznego do 15 minut od rozpoczęcia wezwania.
|
Czas od rozpoczęcia wezwania do rozpoznania przez dyspozytora zatrzymania krążenia
|
W trakcie wezwania Ratownictwa Medycznego do 15 minut od rozpoczęcia wezwania.
|
|
Telefoniczna reanimacja z pomocą dyspozytora
Ramy czasowe: W trakcie wezwania Ratownictwa Medycznego do 15 minut od rozpoczęcia wezwania.
|
Czy dyspozytor prosi dzwoniącego o rozpoczęcie resuscytacji.
|
W trakcie wezwania Ratownictwa Medycznego do 15 minut od rozpoczęcia wezwania.
|
|
Czas na T-CPR
Ramy czasowe: W trakcie wezwania Ratownictwa Medycznego do 15 minut od rozpoczęcia wezwania.
|
Czas od rozpoczęcia wezwania do rozpoczęcia przez dyspozytora prowadzenia rozmówcy w resuscytacji
|
W trakcie wezwania Ratownictwa Medycznego do 15 minut od rozpoczęcia wezwania.
|
Współpracownicy i badacze
Śledczy
- Dyrektor Studium: Freddy Lippert, MD, Copenhagen Emergency Medical Services
Publikacje i pomocne linki
Publikacje ogólne
- 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.
Daty zapisu na studia
Główne daty studiów
Rozpoczęcie studiów (Rzeczywisty)
Zakończenie podstawowe (Rzeczywisty)
Ukończenie studiów (Rzeczywisty)
Daty rejestracji na studia
Pierwszy przesłany
Pierwszy przesłany, który spełnia kryteria kontroli jakości
Pierwszy wysłany (Rzeczywisty)
Aktualizacje rekordów badań
Ostatnia wysłana aktualizacja (Rzeczywisty)
Ostatnia przesłana aktualizacja, która spełniała kryteria kontroli jakości
Ostatnia weryfikacja
Więcej informacji
Terminy związane z tym badaniem
Słowa kluczowe
Dodatkowe istotne warunki MeSH
Inne numery identyfikacyjne badania
- F-35101-01
Plan dla danych uczestnika indywidualnego (IPD)
Planujesz udostępniać dane poszczególnych uczestników (IPD)?
Opis planu IPD
Informacje o lekach i urządzeniach, dokumenty badawcze
Bada produkt leczniczy regulowany przez amerykańską FDA
Bada produkt urządzenia regulowany przez amerykańską FDA
Te informacje zostały pobrane bezpośrednio ze strony internetowej clinicaltrials.gov bez żadnych zmian. Jeśli chcesz zmienić, usunąć lub zaktualizować dane swojego badania, skontaktuj się z register@clinicaltrials.gov. Gdy tylko zmiana zostanie wprowadzona na stronie clinicaltrials.gov, zostanie ona automatycznie zaktualizowana również na naszej stronie internetowej .