Машинное обучение помогло распознать внебольничную остановку сердца во время вызова службы экстренной помощи.
Может ли машинное обучение распознавать внебольничную остановку сердца во время вызова скорой помощи и помогать медицинским диспетчерам
Служба неотложной медицинской помощи Копенгагена разработала модель машинного обучения, которая анализирует звонки на 1-1-2 (9-1-1) в режиме реального времени. Модель способна распознавать звонки с подозрением на остановку сердца. Целью исследования является изучение эффекта генерируемого компьютером оповещения при звонках с подозрением на остановку сердца.
Исследование будет расследовать
- связано ли потенциальное увеличение количества распознаваний с машинными предупреждениями или с повышенным вниманием медицинского диспетчера к распознаванию внебольничной остановки сердца (OHCA) при внедрении машины
- если модель машинного обучения, основанная на нейронных сетях, при оповещении медицинских диспетчеров повысит общее распознавание OHCA и повысит отправку респондентов-граждан.
- более широкое использование автоматических наружных дефибрилляторов (АНД), сердечно-легочной реанимации (СЛР) или отправки гражданских спасателей в случаях ВГОК, распознаваемых машиной, по сравнению с ВГОК, распознаваемой медицинским диспетчером.
Обзор исследования
Статус
Условия
Вмешательство/лечение
Подробное описание
Шансы на выживание после внебольничной остановки сердца снижаются на 10% в минуту с момента коллапса до начала СЛР. СЛР с помощью диспетчера по телефону будет инициирована только в тех случаях, когда диспетчер распознает остановку сердца.
Исследователи обнаружили, что в предыдущем проекте «Может ли компьютер с помощью машинного обучения распознавать внебольничную остановку сердца во время вызова службы экстренной помощи» (при поддержке TrygFoundation) можно было создать модель машинного обучения (ML), которая могла бы распознавать OHCA с более высокой точностью, чем медицинские диспетчеры в Диспетчерском центре неотложной медицинской помощи (EMDC-Копенгаген).
В этом исследовании модель и эффект должны быть задокументированы в EMDC-Copenhagen. Для этого создается компьютер-сервер с ML-моделью. Этот сервер интегрирован в сеть EMDC-Copenhagen, что позволяет отправлять оповещения медицинскому диспетчеру, когда модель распознает остановку сердца.
Гипотеза заключается в том, что с помощью машинного обучения распознавание OHCA улучшается и происходит чаще и быстрее, чем сейчас.
Разработана инструкция для медицинских диспетчеров, которой руководствуется медицинский диспетчер в случае срабатывания сигнализации от машины.
Тип исследования
Регистрация (Действительный)
Фаза
- Непригодный
Контакты и местонахождение
Места учебы
-
-
Danmark
-
Ballerup, Danmark, Дания, DK-2750
- Emergency Medical Services Copenhagen
-
-
Критерии участия
Критерии приемлемости
Возраст, подходящий для обучения
- Ребенок
- Взрослый
- Пожилой взрослый
Принимает здоровых добровольцев
Полы, имеющие право на обучение
Описание
Критерии включения:
- Звонок по поводу остановки сердца, зарегистрированный в национальном Датском реестре остановок сердца
- OHCA распознается моделью машинного обучения
- Звонок исходит с 1-1-2
Критерий исключения:
- Служба неотложной медицинской помощи OHCA - засвидетельствовано
- Звонок от другого органа (полиции или пожарной охраны)
- Звонок является повторным вызовом
- Вызов был на удержании для конференции
Учебный план
Как устроено исследование?
Детали дизайна
- Основная цель: Диагностика
- Распределение: Рандомизированный
- Интервенционная модель: Параллельное назначение
- Маскировка: Тройной
Оружие и интервенции
Группа участников / Армия |
Вмешательство/лечение |
|---|---|
|
Экспериментальный: Оповещение о машине
Для этих пациентов с подозрением на остановку сердца модель машинного обучения будет генерировать предупреждение в дополнение к стандартному ответу службы неотложной медицинской помощи.
|
Оповещение на экране диспетчеров «Подозрение на остановку сердца»
|
|
Без вмешательства: Обычный уход
Эти подозрения на остановку сердца получат стандартный ответ Службы неотложной медицинской помощи.
|
Что измеряет исследование?
Первичные показатели результатов
Мера результата |
Мера Описание |
Временное ограничение |
|---|---|---|
|
Распознавание диспетчером остановки сердца
Временное ограничение: Во время вызова скорой медицинской помощи, до 15 минут от начала вызова.
|
Первичным исходом является распознавание диспетчером внебольничной остановки сердца.
О признании сообщается с помощью анкеты, заполняемой группой аудиторов, прослушивающих записи всех включенных звонков.
Анкета представляет собой модифицированный протокол CARES для звонков и состоит из 21 вопроса, посредством которых оценивается качество звонка.
Анкета утверждена и использовалась в других исследованиях.
|
Во время вызова скорой медицинской помощи, до 15 минут от начала вызова.
|
Вторичные показатели результатов
Мера результата |
Мера Описание |
Временное ограничение |
|---|---|---|
|
Время признания
Временное ограничение: Во время вызова скорой медицинской помощи, до 15 минут от начала вызова.
|
Время от начала вызова до момента обнаружения диспетчером остановки сердца
|
Во время вызова скорой медицинской помощи, до 15 минут от начала вызова.
|
|
Диспетчер помог телефону СЛР
Временное ограничение: Во время вызова скорой медицинской помощи, до 15 минут от начала вызова.
|
Просит ли диспетчер звонящего начать сердечно-легочную реанимацию.
|
Во время вызова скорой медицинской помощи, до 15 минут от начала вызова.
|
|
Время Т-СЛР
Временное ограничение: Во время вызова скорой медицинской помощи, до 15 минут от начала вызова.
|
Время от начала звонка до того, как диспетчер начнет направлять вызывающего абонента в cpr
|
Во время вызова скорой медицинской помощи, до 15 минут от начала вызова.
|
Соавторы и исследователи
Следователи
- Директор по исследованиям: Freddy Lippert, MD, Copenhagen Emergency Medical Services
Публикации и полезные ссылки
Общие публикации
- 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.
Даты записи исследования
Изучение основных дат
Начало исследования (Действительный)
Первичное завершение (Действительный)
Завершение исследования (Действительный)
Даты регистрации исследования
Первый отправленный
Впервые представлено, что соответствует критериям контроля качества
Первый опубликованный (Действительный)
Обновления учебных записей
Последнее опубликованное обновление (Действительный)
Последнее отправленное обновление, отвечающее критериям контроля качества
Последняя проверка
Дополнительная информация
Термины, связанные с этим исследованием
Ключевые слова
Дополнительные соответствующие термины MeSH
Другие идентификационные номера исследования
- F-35101-01
Планирование данных отдельных участников (IPD)
Планируете делиться данными об отдельных участниках (IPD)?
Описание плана IPD
Информация о лекарствах и устройствах, исследовательские документы
Изучает лекарственный продукт, регулируемый FDA США.
Изучает продукт устройства, регулируемый Управлением по санитарному надзору за качеством пищевых продуктов и медикаментов США.
Эта информация была получена непосредственно с веб-сайта clinicaltrials.gov без каких-либо изменений. Если у вас есть запросы на изменение, удаление или обновление сведений об исследовании, обращайтесь по адресу register@clinicaltrials.gov. Как только изменение будет реализовано на clinicaltrials.gov, оно будет автоматически обновлено и на нашем веб-сайте. .