Maskininlärning Assisterad igenkänning av hjärtstopp utanför sjukhus under nödsamtal.
Kan en maskininlärning känna igen hjärtstillestånd utanför sjukhuset under nödsamtal och hjälpa medicinska utsändare
Emergency Medical Services Copenhagen har utvecklat en maskininlärningsmodell som analyserar samtalen till 1-1-2 (9-1-1) i realtid. Modellen kan känna igen samtal där ett hjärtstopp misstänks. Syftet med studien är att undersöka effekten av en datorgenererad larm vid samtal där man misstänker hjärtstopp.
Studien kommer att undersöka
- om en potentiell ökning av igenkänningarna beror på maskinvarningar eller det ökade fokuset hos den medicinska utsändaren på att känna igen hjärtstillestånd utanför sjukhuset (OHCA) vid implementering av maskinen
- om en maskininlärningsmodell baserad på neurala nätverk, när man larmar medicinska utsändare, kommer det att öka det övergripande erkännandet av OHCA och öka utsändningen av medborgare som svarar.
- ökad användning av automatiserade externa defibrillatorer (AED), hjärt-lungräddning (HLR) eller utskick av medborgare i fall av OHCA på maskingodkänd OHCA kontra medicinsk utsändare erkänd OHCA.
Studieöversikt
Status
Betingelser
Intervention / Behandling
Detaljerad beskrivning
Chansen att överleva efter hjärtstopp utanför sjukhuset minskar med 10 % per minut från kollaps tills HLR påbörjas. avsändarassisterad telefon-HLR kommer endast att inledas i de fall avsändaren känner igen hjärtstoppet.
I ett tidigare projekt "Kan en dator genom maskininlärning känna igen hjärtstopp utanför sjukhuset under nödsamtal" (stödd av TrygFoundation), fann utredarna att det var möjligt att skapa en maskininlärningsmodell (ML) som kunde känna igen OHCA med högre precision än medicinska dispatchers vid Emergency Medical Dispatch Center (EMDC-Copenhagen).
I denna studie ska modellen och effekten dokumenteras i EMDC-Köpenhamn. För detta ändamål skapas en datorserver som kör ML-modellen. Denna server är integrerad i nätverket på EMDC-Köpenhamn, vilket gör det möjligt att skicka larm till den medicinska utsändaren, när ett hjärtstopp identifieras av modellen.
Med hjälp av maskininlärning är hypotesen att igenkänningen av OHCA förbättras och sker både oftare och snabbare än vad som finns.
En instruktion för de medicinska dispatcherna utvecklas, som vägleder den medicinska dispatchern vid en varning från maskinen.
Studietyp
Inskrivning (Faktisk)
Fas
- Inte tillämpbar
Kontakter och platser
Studieorter
-
-
Danmark
-
Ballerup, Danmark, Danmark, DK-2750
- Emergency Medical Services Copenhagen
-
-
Deltagandekriterier
Urvalskriterier
Åldrar som är berättigade till studier
- Barn
- Vuxen
- Äldre vuxen
Tar emot friska volontärer
Kön som är behöriga för studier
Beskrivning
Inklusionskriterier:
- Samtal angående ett hjärtstopp registrerat i det nationella danska hjärtstilleståndsregistret
- OHCA erkänns av maskininlärningsmodell
- Samtalet kommer från 1-1-2
Exklusions kriterier:
- OHCA Emergency Medical Services - bevittnat
- Samtalet kommer från en annan myndighet (polis eller brandkår)
- Samtalet är ett upprepat samtal
- Samtalet har parkerats för konferens
Studieplan
Hur är studien utformad?
Designdetaljer
- Primärt syfte: Diagnostisk
- Tilldelning: Randomiserad
- Interventionsmodell: Parallellt uppdrag
- Maskning: Trippel
Vapen och interventioner
Deltagargrupp / Arm |
Intervention / Behandling |
|---|---|
|
Experimentell: Maskinvarning
Dessa hjärtmisstänkta hjärtstillestånd kommer att ha fått en varning genererad av maskininlärningsmodellen utöver standardsvaret för akutsjukvården.
|
Varning på avsändarens skärm "Suspekt för hjärtstopp"
|
|
Inget ingripande: Vanlig skötsel
Dessa misstänkta hjärtstopp kommer att få standardsvar från akutsjukvården.
|
Vad mäter studien?
Primära resultatmått
Resultatmått |
Åtgärdsbeskrivning |
Tidsram |
|---|---|---|
|
Dispatcher erkännande av hjärtstopp
Tidsram: Under samtal till akutsjukvård, upp till 15 minuter från samtalets start.
|
Avsändarens erkännande av hjärtstillestånd utanför sjukhuset är det primära resultatet.
Igenkänning rapporteras av ett frågeformulär som fylls i av en grupp revisorer som lyssnar på inspelningar av alla inkluderade samtal.
Enkäten är ett modifierat CARES-protokoll för samtalen och består av 21 frågor där kvaliteten på samtalet utvärderas.
Enkäten är validerad och har använts i andra studier.
|
Under samtal till akutsjukvård, upp till 15 minuter från samtalets start.
|
Sekundära resultatmått
Resultatmått |
Åtgärdsbeskrivning |
Tidsram |
|---|---|---|
|
Dags för erkännande
Tidsram: Under samtal till akutsjukvård, upp till 15 minuter från samtalets start.
|
Tid från samtalsstart tills avsändarens erkännande av hjärtstopp
|
Under samtal till akutsjukvård, upp till 15 minuter från samtalets start.
|
|
Säkerhetsassisterad telefon-HLR
Tidsram: Under samtal till akutsjukvård, upp till 15 minuter från samtalets start.
|
Ber samordnaren den som ringer att påbörja HLR.
|
Under samtal till akutsjukvård, upp till 15 minuter från samtalets start.
|
|
Dags för T-HLR
Tidsram: Under samtal till akutsjukvård, upp till 15 minuter från samtalets start.
|
Tid från samtal-start tills samordnare börjar guida uppringare i cpr
|
Under samtal till akutsjukvård, upp till 15 minuter från samtalets start.
|
Samarbetspartners och utredare
Utredare
- Studierektor: Freddy Lippert, MD, Copenhagen Emergency Medical Services
Publikationer och användbara länkar
Allmänna publikationer
- 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.
Studieavstämningsdatum
Studera stora datum
Studiestart (Faktisk)
Primärt slutförande (Faktisk)
Avslutad studie (Faktisk)
Studieregistreringsdatum
Först inskickad
Först inskickad som uppfyllde QC-kriterierna
Första postat (Faktisk)
Uppdateringar av studier
Senaste uppdatering publicerad (Faktisk)
Senaste inskickade uppdateringen som uppfyllde QC-kriterierna
Senast verifierad
Mer information
Termer relaterade till denna studie
Nyckelord
Ytterligare relevanta MeSH-villkor
Andra studie-ID-nummer
- F-35101-01
Plan för individuella deltagardata (IPD)
Planerar du att dela individuella deltagardata (IPD)?
IPD-planbeskrivning
Läkemedels- och apparatinformation, studiedokument
Studerar en amerikansk FDA-reglerad läkemedelsprodukt
Studerar en amerikansk FDA-reglerad produktprodukt
Denna information hämtades direkt från webbplatsen clinicaltrials.gov utan några ändringar. Om du har några önskemål om att ändra, ta bort eller uppdatera dina studieuppgifter, vänligen kontakta register@clinicaltrials.gov. Så snart en ändring har implementerats på clinicaltrials.gov, kommer denna att uppdateras automatiskt även på vår webbplats .