Akwizycja danych dla połączonej sieci dla EMS Kompleksowe wsparcie techniczne z wykorzystaniem sztucznej inteligencji
3 lipca 2023 zaktualizowane przez: Yonsei University
Obecnie krajowy system ratownictwa medycznego jest odłączony od przepływu informacji pomiędzy szpitalami, ośrodkami ratownictwa medycznego i organami kontrolnymi, które są uczestnikami systemu ratownictwa medycznego, a także istnieją ograniczenia w gromadzeniu i wykorzystywaniu zintegrowanych danych w sytuacjach nagłych [1].
Ponadto, ze względu na brak personelu dla służb ratowniczych na miejscu oraz brak systemu dostarczania informacji o pacjencie w czasie rzeczywistym, nie jest prowadzona wystarczająca ilość danych, aby odzwierciedlić sytuację na miejscu zdarzenia, a informacja o pacjencie w nagłych wypadkach na miejscu -etap szpitalny nie jest dostarczany do szpitala transferowego [1].
Obecnie przygotowywane zapisy przedszpitalnej informacji o pacjencie są często pisane odręcznie, opierając się na pamięci ratowników medycznych po zakończeniu przenoszenia pacjenta, przez co dane te są bardzo niedokładne i nie można zagwarantować ich wiarygodności[2].
W szczególności w przypadku czterech głównych poważnych nagłych chorób, zwanych zatrzymaniem krążenia, ciężkim urazem, nagłym nagłym przypadkiem sercowo-naczyniowym i nagłym nagłym przypadkiem naczyniowo-mózgowym, informacje o pacjencie zidentyfikowane na etapie nagłej pomocy są bardzo ważne dla określenia ciężkości, dlatego bardzo ważne jest ważne jest zbieranie informacji o pacjencie w czasie rzeczywistym w terenie w celu oceny ciężkości, a na podstawie wyników tej oceny można wybrać placówkę medyczną odpowiednią do leczenia [3,4].
Ponadto, w przypadku tych poważnych nagłych chorób, ponieważ leczenie celowane jest określone do wykonania w określonym czasie, jeżeli personel medyczny instytucji medycznej zna informacje o pacjencie przed przybyciem pacjenta do szpitala, możliwe jest przygotować się z wyprzedzeniem do leczenia doraźnego, zwiększając tym samym wskaźnik skuteczności leczenia doraźnego w rozsądnym czasie [5,6,7].
Przegląd badań
Status
Zakończony
Szczegółowy opis
Opracowujemy algorytm oparty na sztucznej inteligencji, który może przewidywać cztery główne poważne choroby nagłe, które wymagają natychmiastowego leczenia w nagłych wypadkach, i oceniać ich nasilenie za pomocą następujących modeli wejściowych i wyjściowych.
Dane wejściowe algorytmu 1) Dane wideo/obrazu
- Akwizycja wideo za pomocą kamery 360 stopni zainstalowanej wewnątrz karetki i połączenia urządzenia Mobile Hot spot (MHS) (połączenie przewodowe RJ-45)
- Gromadzenie danych wideo za pomocą kamery z pałąkiem na szyję (do noszenia)
- Liczba filmów za pośrednictwem inteligentnych okularów (do noszenia) i terminali pierwszej pomocy 2) Dane sygnału dźwiękowego
- Zbieraj przedszpitalne dane głosowe ratownika medycznego i dane głosowe pacjenta za pomocą mikrofonów na przewodnictwo kostne noszonych przez ratowników medycznych 3) Dane biosygnałowe
- Urządzenie do monitorowania pacjenta zainstalowane w karetce Urządzenie Mobile Hot Spot (MHS) Zbieranie i przesyłanie parametrów życiowych przez połączenie TCP/IP
- Defibrylatory i terminale ratunkowe używane przez ekipy terenowe (obsługa 5G) Zbieranie i przesyłanie parametrów życiowych przez połączenie TCP/IP
Rozwój technologii 1) Rozwój technologii AI rozpoznawania głosu w sytuacjach awaryjnych
- Zbieraj tekst mówiony, zdania związane z nagłymi sytuacjami i dane głosowe z fazy transportu na miejsce
- Zbieranie tekstu mowy ze scenariusza usługi transferu na miejscu w celu zbudowania bazy danych głosu na potrzeby nauki rozpoznawania głosu
- Parafrazowanie z zebranego tekstu, w którym ratownicy medyczni generują zdania o podobnych znaczeniach, które można wypowiedzieć 2) Stworzenie systemu przetwarzania języka naturalnego dla danych transkrypcji głosu środowiska ratunkowego - przetwarzanie języka naturalnego, takie jak analiza stemmingu i rozpoznawanie nazw podmiotów Optymalizacja systemu ratownictwa medycznego domena modułu
- Zbieranie danych językowych w sytuacjach kryzysowych, takich jak działania w nagłych wypadkach, pierwsza pomoc i pierwsza pomoc
- Przetwarzanie zebranych danych językowych środowiska awaryjnego w celu optymalizacji domeny i uczenia się modelu przetwarzania języka naturalnego opartego na uczeniu maszynowym 3) Projektowanie modelu usuwania szumów informacji głosowych ratownika medycznego i separacji mówców 4) Opracowanie opartej na sztucznej inteligencji technologii monitorowania informacji o znakach biologicznych w karetkach pogotowia
- Opracowanie opartego na obrazie algorytmu rozpoznawania znaków dla urządzeń PMS (system monitorowania pacjenta) wyświetlających parametry życiowe
- Implementacja technologii automatycznego rozpoznawania sprzętu PMS (lokalizacja, typ, marka itp.) poprzez wideo 5G 360°CAM oparte na AI learning
- Opracowanie automatycznego rozpoznawania obszaru znaków i algorytmu odczytu opartego na OCR (Optical Character Recognition) dla każdego rodzaju sygnału życiowego
- Implementacja technologii korekcji specyficznych/zniekształconych znaków opartej na NLP (Natural Language Process).
Opracowanie technologii wstępnego przetwarzania obrazu minimalizującej wpływ tła, hałasu, wibracji, oświetlenia itp.
5) Opracowanie modułu wykrywania obiektów z informacjami o działaniach awaryjnych 6) Modelowanie analizy wideo wykrywania zachowań AI
- Wykrywanie zachowań za pomocą uczenia głębokiego Modelowanie analizy obrazu — analiza ogólnych technik wykrywania zachowań
- Test celu klasowego podobny do zachowania medycznego w nagłych wypadkach podczas ogólnego wykrywania zachowania
- Wykrywanie klasy podobne do działań ratunkowych ratowników medycznych i przemieszczania się pacjentów
- Ogólne modelowanie detekcji zachowań 7) Zmienna wejściowa uzyskana na podstawie uzyskanych wieloaspektowych danych wyodrębnia główne determinanty zmiennej wyjściowej modelu za pomocą metody głębokiej sieci Ji-an Lee i oblicza moc predykcyjną dla końcowej zmiennej wyjściowej.
Typ studiów
Obserwacyjny
Zapisy (Rzeczywisty)
15296
Kontakty i lokalizacje
Ta sekcja zawiera dane kontaktowe osób prowadzących badanie oraz informacje o tym, gdzie badanie jest przeprowadzane.
Lokalizacje studiów
-
-
-
Seoul, Republika Korei
- Severance Hospital
-
-
Kryteria uczestnictwa
Badacze szukają osób, które pasują do określonego opisu, zwanego kryteriami kwalifikacyjnymi. Niektóre przykłady tych kryteriów to ogólny stan zdrowia danej osoby lub wcześniejsze leczenie.
Kryteria kwalifikacji
Wiek uprawniający do nauki
- Dorosły
- Starszy dorosły
Akceptuje zdrowych ochotników
Tak
Metoda próbkowania
Próbka prawdopodobieństwa
Badana populacja
- Jedna analiza pośrednia 6 miesięcy po rozpoczęciu badania.
- Analiza danych: Pacjenci, którzy przez 6 miesięcy byli transportowani na oddział ratunkowy Szpitala Severance pojazdami karetki pogotowia ratunkowego z dwóch jednostek straży pożarnej i sprawdzono ponad 20% pozycji wymaganych do wypełnienia w karcie przypadku
- Nienormalny plan zarządzania: badacze omawiają przyczynę braku wartości podczas spotkania poświęconego analizie danych i planują plan.
Opis
Kryteria przyjęcia:
- Pacjenci są transportowani z remizy Seodaemun, remizy Mapo do centrum ratunkowego szpitala Severance za pomocą karetki 119
Kryteria wyłączenia:
- Osoby niepełnoletnie poniżej 18 roku życia
Plan studiów
Ta sekcja zawiera szczegółowe informacje na temat planu badania, w tym sposób zaprojektowania badania i jego pomiary.
Jak projektuje się badanie?
Szczegóły projektu
Kohorty i interwencje
Grupa / Kohorta |
|---|
|
Remiza strażacka Mapo
|
Co mierzy badanie?
Podstawowe miary wyniku
Miara wyniku |
Opis środka |
Ramy czasowe |
|---|---|---|
|
Obszar pod charakterystyką operacyjną odbiornika, AUROC
Ramy czasowe: 6 miesięcy od rozpoczęcia badania i średnio 1 rok do ostatniej analizy
|
|
6 miesięcy od rozpoczęcia badania i średnio 1 rok do ostatniej analizy
|
Współpracownicy i badacze
Tutaj znajdziesz osoby i organizacje zaangażowane w to badanie.
Sponsor
Śledczy
- Główny śledczy: Hyuk-Jae Chang, Severance Cardiovascular Hospital
Daty zapisu na studia
Daty te śledzą postęp w przesyłaniu rekordów badań i podsumowań wyników do ClinicalTrials.gov. Zapisy badań i zgłoszone wyniki są przeglądane przez National Library of Medicine (NLM), aby upewnić się, że spełniają określone standardy kontroli jakości, zanim zostaną opublikowane na publicznej stronie internetowej.
Główne daty studiów
Rozpoczęcie studiów (Rzeczywisty)
19 kwietnia 2021
Zakończenie podstawowe (Rzeczywisty)
31 grudnia 2021
Ukończenie studiów (Rzeczywisty)
31 grudnia 2021
Daty rejestracji na studia
Pierwszy przesłany
3 lipca 2023
Pierwszy przesłany, który spełnia kryteria kontroli jakości
3 lipca 2023
Pierwszy wysłany (Rzeczywisty)
11 lipca 2023
Aktualizacje rekordów badań
Ostatnia wysłana aktualizacja (Rzeczywisty)
11 lipca 2023
Ostatnia przesłana aktualizacja, która spełniała kryteria kontroli jakości
3 lipca 2023
Ostatnia weryfikacja
1 lipca 2023
Więcej informacji
Terminy związane z tym badaniem
Dodatkowe istotne warunki MeSH
Inne numery identyfikacyjne badania
- 4-2019-0739
Plan dla danych uczestnika indywidualnego (IPD)
Planujesz udostępniać dane poszczególnych uczestników (IPD)?
NIE
Informacje o lekach i urządzeniach, dokumenty badawcze
Bada produkt leczniczy regulowany przez amerykańską FDA
Nie
Bada produkt urządzenia regulowany przez amerykańską FDA
Nie
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 .