Сбор данных для подключенной сети для EMS Комплексная техническая поддержка с использованием искусственного интеллекта
3 июля 2023 г. обновлено: Yonsei University
В настоящее время отечественная система скорой медицинской помощи отключена от информационного потока между больницами, аварийными пунктами и органами управления, являющимися участниками системы скорой медицинской помощи, а также существуют ограничения в сборе и использовании интегрированных данных в чрезвычайных ситуациях [1].
Кроме того, из-за нехватки персонала для аварийно-спасательных служб на месте и отсутствия системы доставки информации о пациентах в режиме реального времени не ведется достаточный объем записей данных, отражающих ситуацию на месте оказания неотложной помощи, а информация о пациентах при -госпитальный этап не доставляется в переводной стационар [1].
Записи догоспитальной информации о пациентах, которые в настоящее время готовятся, часто записываются от руки, полагаясь на память парамедиков после завершения транспортировки пациента, поэтому данные очень неточны и их надежность не может быть гарантирована [2].
В частности, в случае четырех основных серьезных неотложных заболеваний, которые называются остановкой сердца, тяжелой травмой, неотложной сердечно-сосудистой и цереброваскулярной неотложной ситуацией, информация о пациенте, идентифицированная на этапе неотложной помощи, очень важна для определения тяжести, поэтому она очень важна. важен сбор информации о пациенте в режиме реального времени в полевых условиях для оценки степени тяжести, и по результатам этой оценки возможен выбор медицинского учреждения, подходящего для лечения [3,4].
Кроме того, в случае этих тяжелых неотложных заболеваний, так как целевое лечение определено для проведения в течение определенного времени, если медицинскому персоналу медицинского учреждения будет известна информация о пациенте до прибытия пациента в стационар, возможно заблаговременно готовиться к экстренному лечению, тем самым повышая скорость оказания неотложной помощи в разумные сроки [5,6,7].
Обзор исследования
Статус
Завершенный
Подробное описание
Мы разрабатываем алгоритм на основе ИИ, который может прогнозировать четыре основных серьезных неотложных заболевания, требующих немедленного неотложного лечения, и оценивать их тяжесть с помощью следующих моделей ввода и вывода.
Входные данные алгоритма 1) Данные видео/изображения
- Получение видео с помощью камеры кругового обзора, установленной внутри машины скорой помощи, и подключения устройства к мобильной точке доступа (MHS) (проводное соединение RJ-45)
- Сбор видеоданных с помощью камеры с шейным креплением (носимой)
- Количество видео через умные очки (носимые) устройства и терминалы скорой помощи 2) Данные о звуковом сигнале
- Сбор догоспитальных данных о голосе парамедика и голосе пациента с помощью микрофонов костной проводимости, которые носят парамедики 3) Данные биосигнала
- Устройство для наблюдения за состоянием пациента, установленное в машине скорой помощи Мобильная точка доступа (MHS) Сбор и передача показателей жизнедеятельности через соединение TCP/IP
- Дефибрилляторы и терминалы экстренной помощи, используемые полевыми бригадами (поддержка 5G) Сбор и передача показателей жизнедеятельности через соединение TCP/IP
Технология разработки 1) Разработка технологии искусственного интеллекта распознавания голоса в условиях чрезвычайных ситуаций
- Собирайте устный текст, предложения, связанные с чрезвычайными ситуациями, и голосовые данные на этапе транспортировки объекта.
- Сбор речевого текста из сценария службы передачи на месте для создания голосовой базы данных для обучения распознаванию голоса
- Перефразирование из собранного текста, в котором парамедики генерируют предложения с похожими значениями, которые могут быть произнесены домен модуля
- Сбор языковых данных в чрезвычайных ситуациях, таких как действия в чрезвычайных ситуациях, первая помощь и первая помощь.
- Обработка собранных языковых данных о чрезвычайной ситуации для оптимизации предметной области и изучения модели обработки естественного языка на основе машинного обучения 3) Удаление шума от голосовой информации фельдшера и проектирование модели разделения говорящих 4) Разработка технологии мониторинга биознаков с распознаванием изображений на основе искусственного интеллекта в машинах скорой помощи
- Разработка алгоритма распознавания символов на основе изображений для вывода показателей жизнедеятельности оборудованием PMS (Patient Monitoring System).
- Внедрение технологии автоматического распознавания оборудования PMS (местоположение, тип, бренд и т. д.) с помощью видео 5G 360°CAM на основе обучения искусственного интеллекта.
- Разработка алгоритма автоматического распознавания области символов и чтения на основе оптического распознавания символов (OCR) для каждого типа жизненных сигналов
- Внедрение технологии исправления специфических/искаженных символов на основе NLP (процесс естественного языка)
Разработка технологии предварительной обработки изображений, минимизирующей влияние фона, шума, вибрации, освещения и т.д.
5) Разработка модуля обнаружения информационных объектов изображения аварийной активности 6) Моделирование видеоанализа обнаружения поведения ИИ
- Обнаружение поведения с использованием глубокого обучения Моделирование анализа изображений - анализ общих методов обнаружения поведения
- Целевой тест класса, аналогичный поведению в неотложной медицинской помощи во время обнаружения общего поведения
- Класс обнаружения аналогичен спасательной деятельности парамедиков и перемещению пациентов.
- Моделирование обнаружения общего поведения 7) Входная переменная, полученная на основе полученных многогранных данных, извлекает основные детерминанты для выходной переменной модели с помощью метода глубокой сети Джи-ан Ли и вычисляет прогностическую силу для конечной выходной переменной.
Тип исследования
Наблюдательный
Регистрация (Действительный)
15296
Контакты и местонахождение
В этом разделе приведены контактные данные лиц, проводящих исследование, и информация о том, где проводится это исследование.
Места учебы
-
-
-
Seoul, Корея, Республика
- Severance Hospital
-
-
Критерии участия
Исследователи ищут людей, которые соответствуют определенному описанию, называемому критериям приемлемости. Некоторыми примерами этих критериев являются общее состояние здоровья человека или предшествующее лечение.
Критерии приемлемости
Возраст, подходящий для обучения
- Взрослый
- Пожилой взрослый
Принимает здоровых добровольцев
Да
Метод выборки
Вероятностная выборка
Исследуемая популяция
- Один промежуточный анализ через 6 месяцев после начала исследования.
- Анализ данных: пациенты, которые были доставлены в отделение неотложной помощи больницы Северанс машинами скорой помощи из двух пожарных частей в течение 6 месяцев, и было проверено более 20% пунктов, необходимых для заполнения в истории болезни.
- План управления аномалиями: исследователи обсуждают причину отсутствия значения на совещании по анализу данных и составляют для него план.
Описание
Критерии включения:
- Пациенты доставляются из пожарной части Содэмун, пожарной части Мапо в центр неотложной помощи больницы Северанс на машине скорой помощи 119.
Критерий исключения:
- Несовершеннолетние в возрасте до 18 лет
Учебный план
В этом разделе представлена подробная информация о плане исследования, в том числе о том, как планируется исследование и что оно измеряет.
Как устроено исследование?
Детали дизайна
Когорты и вмешательства
Группа / когорта |
|---|
|
Пожарная часть Мапо
|
Что измеряет исследование?
Первичные показатели результатов
Мера результата |
Мера Описание |
Временное ограничение |
|---|---|---|
|
Площадь под рабочими характеристиками приемника, AUROC
Временное ограничение: 6 мес после начала исследования и в среднем 1 год до последнего анализа
|
|
6 мес после начала исследования и в среднем 1 год до последнего анализа
|
Соавторы и исследователи
Здесь вы найдете людей и организации, участвующие в этом исследовании.
Спонсор
Следователи
- Главный следователь: Hyuk-Jae Chang, Severance Cardiovascular Hospital
Даты записи исследования
Эти даты отслеживают ход отправки отчетов об исследованиях и сводных результатов на сайт ClinicalTrials.gov. Записи исследований и сообщаемые результаты проверяются Национальной медицинской библиотекой (NLM), чтобы убедиться, что они соответствуют определенным стандартам контроля качества, прежде чем публиковать их на общедоступном веб-сайте.
Изучение основных дат
Начало исследования (Действительный)
19 апреля 2021 г.
Первичное завершение (Действительный)
31 декабря 2021 г.
Завершение исследования (Действительный)
31 декабря 2021 г.
Даты регистрации исследования
Первый отправленный
3 июля 2023 г.
Впервые представлено, что соответствует критериям контроля качества
3 июля 2023 г.
Первый опубликованный (Действительный)
11 июля 2023 г.
Обновления учебных записей
Последнее опубликованное обновление (Действительный)
11 июля 2023 г.
Последнее отправленное обновление, отвечающее критериям контроля качества
3 июля 2023 г.
Последняя проверка
1 июля 2023 г.
Дополнительная информация
Термины, связанные с этим исследованием
Дополнительные соответствующие термины MeSH
Другие идентификационные номера исследования
- 4-2019-0739
Планирование данных отдельных участников (IPD)
Планируете делиться данными об отдельных участниках (IPD)?
НЕТ
Информация о лекарствах и устройствах, исследовательские документы
Изучает лекарственный продукт, регулируемый FDA США.
Нет
Изучает продукт устройства, регулируемый Управлением по санитарному надзору за качеством пищевых продуктов и медикаментов США.
Нет
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. .