机器学习在紧急呼叫期间辅助识别院外心脏骤停。
2020年4月15日 更新者：Stig Nikolaj Fasmer Blomberg、Emergency Medical Services, Capital Region, Denmark
机器学习能否在紧急呼叫期间识别院外心脏骤停并协助医疗调度员
哥本哈根紧急医疗服务中心开发了一种机器学习模型，可以实时分析对 1-1-2 (9-1-1) 的呼叫。 该模型能够识别怀疑心脏骤停的呼叫。 该研究的目的是调查计算机生成的警报在怀疑心脏骤停的呼叫中的影响。
该研究将调查
- 识别的潜在增加是由于机器警报还是医疗调度员在实施机器时更加关注识别院外心脏骤停 (OHCA)
- 如果基于神经网络的机器学习模型，在提醒医疗调度员时将提高对 OHCA 的整体识别度并增加公民响应者的调度。
- 在机器识别 OHCA 与医疗调度员识别 OHCA 的 OHCA 情况下，增加使用自动体外除颤器 (AED)、心肺复苏 (CPR) 或派遣公民急救人员。
研究概览
详细说明
院外心脏骤停后的生存机会从崩溃到开始心肺复苏每分钟减少 10%。 只有在调度员识别出心脏骤停的情况下，才会启动调度员辅助电话 CPR。
在之前的项目“计算机能否通过机器学习识别紧急呼叫期间的院外心脏骤停”（由 TrygFoundation 支持），研究人员发现，可以创建一个机器学习 (ML) 模型，该模型可以识别OHCA 的精度高于紧急医疗调度中心 (EMDC-Copenhagen) 的医疗调度员。
在这项研究中，模型和效果将记录在 EMDC-Copenhagen 中。 为此，创建了运行 ML 模型的计算机服务器。 该服务器集成在 EMDC-Copenhagen 的网络中，当模型识别出心脏骤停时，可以将警报推送给医疗调度员。
在机器学习的帮助下，假设是 OHCA 的识别得到改善，并且比现在发生得更频繁、更快。
为医疗调度员开发了一个指令，它在机器发出警报的情况下指导医疗调度员。
研究类型
介入性
注册 (实际的)
5242
阶段
- 不适用
联系人和位置
本节提供了进行研究的人员的详细联系信息，以及有关进行该研究的地点的信息。
学习地点
-
-
Danmark
-
Ballerup、Danmark、丹麦、DK-2750
- Emergency Medical Services Copenhagen
-
-
参与标准
研究人员寻找符合特定描述的人，称为资格标准。这些标准的一些例子是一个人的一般健康状况或先前的治疗。
资格标准
适合学习的年龄
- 孩子
- 成人
- 年长者
接受健康志愿者
不
有资格学习的性别
全部
描述
纳入标准：
- 关于在丹麦国家心脏骤停登记处登记的心脏骤停的电话
- OHCA 被机器学习模型认可
- 呼叫来自 1-1-2
排除标准：
- OHCA 紧急医疗服务 - 见证
- 电话来自另一个机构（警察或消防队）
- 呼叫是重复呼叫
- 通话已暂停以进行会议
学习计划
本节提供研究计划的详细信息，包括研究的设计方式和研究的衡量标准。
研究是如何设计的？
设计细节
- 主要用途：诊断
- 分配：随机化
- 介入模型：并行分配
- 屏蔽：三倍
武器和干预
参与者组/臂 |
干预/治疗 |
|---|---|
|
实验性的：机器警报
除了标准的紧急医疗服务响应之外，这些心脏疑似心脏骤停还会有机器学习模型生成的警报。
|
调度员屏幕上的警报“怀疑心脏骤停”
|
|
无干预：日常护理
这些可疑的心脏骤停将收到标准的紧急医疗服务响应。
|
研究衡量的是什么？
主要结果指标
结果测量 |
措施说明 |
大体时间 |
|---|---|---|
|
调度员识别心脏骤停
大体时间：在呼叫紧急医疗服务期间，从呼叫开始最多 15 分钟。
|
调度员对院外心脏骤停的识别是主要结果。
通过一组听取所有包含电话录音的审计员填写的调查问卷来报告认可情况。
该调查问卷是经过修改的 CARES 通话协议，由 21 个问题组成，用于评估通话质量。
该问卷经过验证并已用于其他研究。
|
在呼叫紧急医疗服务期间，从呼叫开始最多 15 分钟。
|
次要结果测量
结果测量 |
措施说明 |
大体时间 |
|---|---|---|
|
认可时间
大体时间：在呼叫紧急医疗服务期间，从呼叫开始最多 15 分钟。
|
从呼叫开始到调度员识别心脏骤停的时间
|
在呼叫紧急医疗服务期间，从呼叫开始最多 15 分钟。
|
|
调度员辅助电话心肺复苏术
大体时间：在呼叫紧急医疗服务期间，从呼叫开始最多 15 分钟。
|
调度员是否要求呼叫者启动 CPR。
|
在呼叫紧急医疗服务期间，从呼叫开始最多 15 分钟。
|
|
T-CPR 时间
大体时间：在呼叫紧急医疗服务期间，从呼叫开始最多 15 分钟。
|
从呼叫开始到调度员开始在 cpr 中引导呼叫者的时间
|
在呼叫紧急医疗服务期间，从呼叫开始最多 15 分钟。
|
合作者和调查者
在这里您可以找到参与这项研究的人员和组织。
调查人员
- 研究主任：Freddy Lippert, MD、Copenhagen Emergency Medical Services
出版物和有用的链接
负责输入研究信息的人员自愿提供这些出版物。这些可能与研究有关。
一般刊物
- 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.
研究记录日期
这些日期跟踪向 ClinicalTrials.gov 提交研究记录和摘要结果的进度。研究记录和报告的结果由国家医学图书馆 (NLM) 审查，以确保它们在发布到公共网站之前符合特定的质量控制标准。
研究主要日期
学习开始 (实际的)
2018年9月1日
初级完成 (实际的)
2020年4月1日
研究完成 (实际的)
2020年4月2日
研究注册日期
首次提交
2019年12月27日
首先提交符合 QC 标准的
2020年1月3日
首次发布 (实际的)
2020年1月7日
研究记录更新
最后更新发布 (实际的)
2020年4月16日
上次提交的符合 QC 标准的更新
2020年4月15日
最后验证
2020年4月1日
更多信息
此信息直接从 clinicaltrials.gov 网站检索，没有任何更改。如果您有任何更改、删除或更新研究详细信息的请求，请联系 register@clinicaltrials.gov. clinicaltrials.gov 上实施更改，我们的网站上也会自动更新.