Datainsamling för anslutet nätverk för EMS Omfattande teknisk support med hjälp av artificiell intelligens
3 juli 2023 uppdaterad av: Yonsei University
För närvarande är det inhemska akutmedicinska systemet bortkopplat från informationsflödet mellan sjukhus, akutplatser och kontrollorgan, som är deltagare i akutmedicinska systemet, och det finns begränsningar i att samla in och använda integrerad data i akuta situationer [1].
Dessutom, på grund av bristen på arbetskraft för räddningstjänsten på platsen och avsaknaden av ett system för leverans av patientinformation i realtid, görs inte tillräckliga dataregistreringar för att spegla situationen på nödplatsen, och akut patientinformation vid prestationen -sjukhusstadiet levereras inte till överföringssjukhuset [1].
Register över prehospital patientinformation som för närvarande förbereds skrivs ofta för hand och förlitar sig på ambulanspersonalens minne efter avslutad patientöverföring, så uppgifterna är mycket felaktiga och kan inte garanteras att vara tillförlitliga[2].
Speciellt när det gäller de fyra stora allvarliga akuta sjukdomarna, som kallas hjärtstillestånd, allvarligt trauma, kardiovaskulär nödsituation och cerebrovaskulär nödsituation, är patientinformationen som identifieras i akutstadiet mycket viktig för att fastställa svårighetsgraden, så det är mycket viktigt att samla in patientinformation i realtid i fält för att utvärdera svårighetsgraden, och baserat på resultaten av denna utvärdering är det möjligt att välja en medicinsk institution som lämpar sig för behandling [3,4].
Dessutom, när det gäller dessa allvarliga akuta sjukdomar, eftersom målinriktad behandling fastställs att utföras inom en viss tid, om medicinsk personal på den medicinska institutionen är medveten om patientens information innan patienten anländer till sjukhuset, är det möjligt att förbereda sig i förväg för akut behandling, och därigenom öka prestationsgraden för akutbehandling inom rimlig tid [5,6,7].
Studieöversikt
Status
Avslutad
Detaljerad beskrivning
Vi utvecklar en AI-baserad algoritm som kan förutsäga de fyra stora allvarliga akuta sjukdomarna som kräver omedelbar akut behandling och utvärdera deras svårighetsgrad genom följande input- och outputmodeller.
Algoritmindata 1) Video/bilddata
- Videoinsamling via en 360-graderskamera installerad i ambulansen och en mobil hotspot (MHS) enhetsanslutning (RJ-45 trådbunden anslutning)
- Videodatainsamling via nackbandskamera (bärbar)
- Antal videor via smarta glasögon (bärbara) enheter och första hjälpen-terminaler 2) Ljudsignaldata
- Samla in pre-hospital paramedicinsk röst och patientröstdata genom benledningsmikrofoner som bärs av ambulanspersonal 3) Biosignaldata
- Patientövervakningsenhet installerad i ambulans Mobile Hot Spot-enhet (MHS) Samlar in och sänder vitala tecken via TCP/IP-anslutning
- Defibrillatorer och nödterminaler som används av fältpersonal (5G-stöd) Samla in och överför vitala tecken via TCP/IP-anslutning
Utvecklingsteknik 1) Utveckling av AI-teknik för röstigenkänning i akutmiljö
- Samla in talad text, nödrelaterade meningar och röstdata från platstransportfasen
- Samling av taltext från scenario för överföringstjänst på plats för att bygga röst-DB för röstigenkänningsinlärning
- Parafrasering, från den insamlade texten, där ambulanspersonal genererar meningar med liknande betydelser som kan uttalas 2) Etablering av ett naturligt språkbehandlingssystem för nödmiljöer för rösttranskriptionsdata - naturlig språkbehandling såsom stemmingsanalys och entitetsnamnigenkänning Optimera akutsjukvården modulens domän
- Insamling av språkdata i nödmiljöer såsom akutverksamhet, första hjälpen och första hjälpen
- Bearbetning av insamlade språkdata för nödmiljöer för domänoptimering och inlärning av en maskininlärningsbaserad naturlig språkbearbetningsmodell 3) Avlägsnande av buller för paramedicinsk röstinformation och modelldesign för högtalarseparation 4) Utveckling av AI-baserad bildigenkänningsteknik för bioteckeninformationsövervakning i ambulanser
- Utveckling av bildbaserad teckenigenkänningsalgoritm för PMS (Patient Monitoring System) utrustning som matar ut vitala tecken
- Implementering av automatisk igenkänningsteknik för PMS-utrustning (plats, typ, varumärke, etc.) genom AI-inlärningsbaserad 5G 360°CAM-video
- Utveckling av automatisk teckenområdesigenkänning och OCR (Optical Character Recognition)-baserad läsalgoritm för varje typ av vital signal
- Implementering av NLP (Natural language process)-baserad specifik/förvrängd teckenkorrigeringsteknik
Utveckling av bildförbehandlingsteknik som minimerar effekterna av bakgrund, brus, vibrationer, ljus mm.
5) Utveckling av modul för upptäckt av nödaktivitetsbildinformationsobjekt 6) AI-beteendedetektering videoanalysmodellering
- Beteendedetektering med hjälp av djupinlärning Bildanalysmodellering - Analys av allmänna beteendedetektionstekniker
- Klassmåltest som liknar akut medicinskt beteende under allmän beteendedetektering
- Klassdetektering som liknar ambulanspersonalens räddningsverksamhet och patientrörelser
- Allmän beteendedetekteringsmodellering 7) Ingångsvariabeln som erhålls baserat på erhållen mångfacetterad data extraherar huvuddeterminanterna för modellens utdatavariabel genom Ji-an Lee djupnätverksmetoden och beräknar den prediktiva effekten för den slutliga utvariabeln.
Studietyp
Observationell
Inskrivning (Faktisk)
15296
Kontakter och platser
Det här avsnittet innehåller kontaktuppgifter för dem som genomför studien och information om var denna studie genomförs.
Studieorter
-
-
-
Seoul, Korea, Republiken av
- Severance Hospital
-
-
Deltagandekriterier
Forskare letar efter personer som passar en viss beskrivning, så kallade behörighetskriterier. Några exempel på dessa kriterier är en persons allmänna hälsotillstånd eller tidigare behandlingar.
Urvalskriterier
Åldrar som är berättigade till studier
- Vuxen
- Äldre vuxen
Tar emot friska volontärer
Ja
Testmetod
Sannolikhetsprov
Studera befolkning
- En interimsanalys 6 månader efter studiestart.
- Dataanalys: Patienter som transporterades till akutmottagningen på Severance Hospital med ambulansfordon från två brandstationer under 6 månader, och mer än 20 % av de artiklar som måste fyllas i i journalen kontrollerades
- Onormal förvaltningsplan: Forskarna diskuterar orsaken till det uteblivna värdet genom ett dataanalysmöte och planerar en plan för det.
Beskrivning
Inklusionskriterier:
- Patienter transporteras från Seodaemun Brandstation, Mapo Brandstation till Severance Hospital Emergency Care Center via 119 ambulans
Exklusions kriterier:
- Minderåriga under 18 år
Studieplan
Det här avsnittet ger detaljer om studieplanen, inklusive hur studien är utformad och vad studien mäter.
Hur är studien utformad?
Designdetaljer
Kohorter och interventioner
Grupp / Kohort |
|---|
|
Mapo brandstation
|
Vad mäter studien?
Primära resultatmått
Resultatmått |
Åtgärdsbeskrivning |
Tidsram |
|---|---|---|
|
Area Under Mottagarens driftegenskaper, AUROC
Tidsram: 6 månader efter studiestart, och i genomsnitt 1 år till sista analysen
|
|
6 månader efter studiestart, och i genomsnitt 1 år till sista analysen
|
Samarbetspartners och utredare
Det är här du hittar personer och organisationer som är involverade i denna studie.
Sponsor
Utredare
- Huvudutredare: Hyuk-Jae Chang, Severance Cardiovascular Hospital
Studieavstämningsdatum
Dessa datum spårar framstegen för inlämningar av studieposter och sammanfattande resultat till ClinicalTrials.gov. Studieposter och rapporterade resultat granskas av National Library of Medicine (NLM) för att säkerställa att de uppfyller specifika kvalitetskontrollstandarder innan de publiceras på den offentliga webbplatsen.
Studera stora datum
Studiestart (Faktisk)
19 april 2021
Primärt slutförande (Faktisk)
31 december 2021
Avslutad studie (Faktisk)
31 december 2021
Studieregistreringsdatum
Först inskickad
3 juli 2023
Först inskickad som uppfyllde QC-kriterierna
3 juli 2023
Första postat (Faktisk)
11 juli 2023
Uppdateringar av studier
Senaste uppdatering publicerad (Faktisk)
11 juli 2023
Senaste inskickade uppdateringen som uppfyllde QC-kriterierna
3 juli 2023
Senast verifierad
1 juli 2023
Mer information
Termer relaterade till denna studie
Ytterligare relevanta MeSH-villkor
Andra studie-ID-nummer
- 4-2019-0739
Plan för individuella deltagardata (IPD)
Planerar du att dela individuella deltagardata (IPD)?
NEJ
Läkemedels- och apparatinformation, studiedokument
Studerar en amerikansk FDA-reglerad läkemedelsprodukt
Nej
Studerar en amerikansk FDA-reglerad produktprodukt
Nej
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 .