Stöd för artificiell intelligens (AI) vid strokesamtal (AISMEC)

I detta projekt kommer utredarna att samla in data från alla strokepatienter som skrevs ut från Helse Bergen 2019 (ca. 1000 patienter) via det norska strokeregistret (NSR). För dessa patienter kommer strukturerad sjukhusdata från Helse Bergen att hämtas och utifrån dessa och det talade innehållet i deras akutsamtal gällande stroken kommer utredarna att använda maskininlärning för att beräkna strokerisken. Kopplingen av historiska sjukhusdata till de talade orden i nödsamtal, förstärker analysen av nödsamtal på ett nytt sätt, i jämförelse med enbart ljudanalys.

Efter att ha hämtat och kopplat samman strokepatientdata tränar utredarna det djupa nätverket med hjälp av data från 2019. Följaktligen kommer testning att utföras baserat på patienter från första halvåret 2020. En uppdelning av data i träning, test och validering säkerställer att vårt utbildade nätverk inte överpassar träningsdata och kan återskapa liknande resultat på tidigare osynliga patienter. Slutligen kommer utredarna att jämföra AI:s prestanda med det nuvarande systemet genom statistiska analyser av data från en period på cirka ett år av liveanvändning av AI:n i AMK Bergen. Detta kommer att göra det möjligt för oss att utvärdera i vilken grad systemet kan förbättras inom EMCC-operatörernas beslutsprocess när det gäller känslighet och specificitet.

Sammanfattningsvis är det primära målet att bygga en robust, fungerande prototyp av ett AI-system som kan identifiera akut stroke i realtid för förbättrad bedömning vid akuta medicinska samtal.

Våra sekundära mål är:

• Att implementera ett AI-system som kan ge snabb förutsägelse av om en patient lider av akut stroke eller inte baserat på ljud från nödsamtal och tillgängliga datakällor inom sjukhusets register
• För att bevisa att AI-system kan användas för att hjälpa och förbättra EMCC-operatörens triagebeslutsförfarande.

Det förväntade resultatet är att leverera snabbt (dvs. sekunder) förutsägelsepoäng för att hjälpa EMCC-operatören att känna igen patienter med akut stroke, vilket ger en förbättrad känslighet och specificitet jämfört med enbart manuell bedömning.