Reconhecimento assistido por aprendizado de máquina de parada cardíaca fora do hospital durante chamadas de emergência.
Um aprendizado de máquina pode reconhecer uma parada cardíaca fora do hospital durante chamadas de emergência e ajudar os despachantes médicos?
O Emergency Medical Services Copenhagen desenvolveu um modelo de aprendizado de máquina que analisa as chamadas para 1-1-2 (9-1-1) em tempo real. O modelo é capaz de reconhecer chamadas em que há suspeita de parada cardíaca. O objetivo do estudo é investigar o efeito de um alerta gerado por computador em chamadas onde há suspeita de parada cardíaca.
O estudo investigará
- se um aumento potencial nos reconhecimentos se deve a alertas da máquina ou ao maior foco do despachante médico em reconhecer parada cardíaca fora do hospital (OHCA) ao implementar a máquina
- se um modelo de aprendizado de máquina baseado em redes neurais, ao alertar despachantes médicos, aumentará o reconhecimento geral de OHCA e aumentará o despacho de respondentes cidadãos.
- aumento do uso de desfibriladores externos automáticos (DEA), ressuscitação cardiopulmonar (RCP) ou envio de socorristas cidadãos em casos de OHCA em OHCA reconhecido por máquina versus OHCA reconhecido por despachante médico.
Visão geral do estudo
Status
Condições
Intervenção / Tratamento
Descrição detalhada
As chances de sobrevivência após parada cardíaca fora do hospital diminuem 10% por minuto desde o colapso até o início da RCP. A RCP por telefone assistida pelo despachante será iniciada apenas nos casos em que o despachante reconhecer a parada cardíaca.
Em um projeto anterior "Pode um computador através do aprendizado de máquina reconhecer uma parada cardíaca fora do hospital durante chamadas de emergência" (apoiado pela TrygFoundation), os pesquisadores descobriram que era possível criar um modelo de aprendizado de máquina (ML), que poderia reconhecer OHCA com maior precisão do que os despachantes médicos no Centro de Despacho Médico de Emergência (EMDC-Copenhagen).
Neste estudo, o modelo e seu efeito serão documentados no EMDC-Copenhagen. Para isso, um servidor de computador executando o modelo ML é criado. Este servidor está integrado na rede da EMDC-Copenhague, possibilitando enviar alertas ao despachante médico, quando uma parada cardíaca for reconhecida pelo modelo.
Com a ajuda do aprendizado de máquina, a hipótese é que o reconhecimento de OHCA é aprimorado e ocorre com mais frequência e rapidez do que o presente.
É desenvolvida uma instrução para os despachantes médicos, que orienta o despachante médico em caso de alerta da máquina.
Tipo de estudo
Inscrição (Real)
Estágio
- Não aplicável
Contactos e Locais
Locais de estudo
-
-
Danmark
-
Ballerup, Danmark, Dinamarca, DK-2750
- Emergency Medical Services Copenhagen
-
-
Critérios de participação
Critérios de elegibilidade
Idades elegíveis para estudo
- Filho
- Adulto
- Adulto mais velho
Aceita Voluntários Saudáveis
Gêneros Elegíveis para o Estudo
Descrição
Critério de inclusão:
- Chamada sobre uma parada cardíaca registrada no Registro Nacional de Paradas Cardíacas da Dinamarca
- OHCA é reconhecida pelo modelo de aprendizado de máquina
- A chamada se origina de 1-1-2
Critério de exclusão:
- Serviços Médicos de Emergência OHCA - testemunhou
- A chamada é de outra autoridade (polícia ou corpo de bombeiros)
- A chamada é uma chamada repetida
- A chamada está em espera para conferência
Plano de estudo
Como o estudo é projetado?
Detalhes do projeto
- Finalidade Principal: Diagnóstico
- Alocação: Randomizado
- Modelo Intervencional: Atribuição Paralela
- Mascaramento: Triplo
Armas e Intervenções
Grupo de Participantes / Braço |
Intervenção / Tratamento |
|---|---|
|
Experimental: Alerta de máquina
Essas suspeitas de parada cardíaca terão um alerta gerado pelo modelo de aprendizado de máquina, além da resposta padrão dos Serviços Médicos de Emergência.
|
Alerta na tela do despachante 'Suspeita de parada cardíaca'
|
|
Sem intervenção: Cuidados usuais
Essas paradas cardíacas suspeitas receberão resposta padrão dos Serviços Médicos de Emergência.
|
O que o estudo está medindo?
Medidas de resultados primários
Medida de resultado |
Descrição da medida |
Prazo |
|---|---|---|
|
Reconhecimento de parada cardíaca pelo despachante
Prazo: Durante a chamada para Serviços Médicos de Emergência, até 15 minutos a partir do início da chamada.
|
O reconhecimento pelo despachante da parada cardíaca fora do hospital é o desfecho primário.
O reconhecimento é relatado por um questionário preenchido por um grupo de auditores que ouvem as gravações de todas as chamadas incluídas.
O questionário é um protocolo CARES modificado para os atendimentos e é composto por 21 questões que avaliam a qualidade do atendimento.
O questionário é validado e já foi utilizado em outros estudos.
|
Durante a chamada para Serviços Médicos de Emergência, até 15 minutos a partir do início da chamada.
|
Medidas de resultados secundários
Medida de resultado |
Descrição da medida |
Prazo |
|---|---|---|
|
Hora do reconhecimento
Prazo: Durante a chamada para Serviços Médicos de Emergência, até 15 minutos a partir do início da chamada.
|
Tempo desde o início da chamada até o reconhecimento da parada cardíaca pelo despachante
|
Durante a chamada para Serviços Médicos de Emergência, até 15 minutos a partir do início da chamada.
|
|
CPR telefônico assistido pelo despachante
Prazo: Durante a chamada para Serviços Médicos de Emergência, até 15 minutos a partir do início da chamada.
|
O despachante pede ao chamador para iniciar a RCP.
|
Durante a chamada para Serviços Médicos de Emergência, até 15 minutos a partir do início da chamada.
|
|
Tempo para T-CPR
Prazo: Durante a chamada para Serviços Médicos de Emergência, até 15 minutos a partir do início da chamada.
|
Tempo desde o início da chamada até o despachante começar a guiar o chamador em cpr
|
Durante a chamada para Serviços Médicos de Emergência, até 15 minutos a partir do início da chamada.
|
Colaboradores e Investigadores
Patrocinador
Investigadores
- Diretor de estudo: Freddy Lippert, MD, Copenhagen Emergency Medical Services
Publicações e links úteis
Publicações Gerais
- 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.
Datas de registro do estudo
Datas Principais do Estudo
Início do estudo (Real)
Conclusão Primária (Real)
Conclusão do estudo (Real)
Datas de inscrição no estudo
Enviado pela primeira vez
Enviado pela primeira vez que atendeu aos critérios de CQ
Primeira postagem (Real)
Atualizações de registro de estudo
Última Atualização Postada (Real)
Última atualização enviada que atendeu aos critérios de controle de qualidade
Última verificação
Mais Informações
Termos relacionados a este estudo
Palavras-chave
Termos MeSH relevantes adicionais
Outros números de identificação do estudo
- F-35101-01
Plano para dados de participantes individuais (IPD)
Planeja compartilhar dados de participantes individuais (IPD)?
Descrição do plano IPD
Informações sobre medicamentos e dispositivos, documentos de estudo
Estuda um medicamento regulamentado pela FDA dos EUA
Estuda um produto de dispositivo regulamentado pela FDA dos EUA
Essas informações foram obtidas diretamente do site clinicaltrials.gov sem nenhuma alteração. Se você tiver alguma solicitação para alterar, remover ou atualizar os detalhes do seu estudo, entre em contato com register@clinicaltrials.gov. Assim que uma alteração for implementada em clinicaltrials.gov, ela também será atualizada automaticamente em nosso site .