Kan Machine Learning hjælpe med at erkende hjertestop?

Transkript

1 Kan Machine Learning hjælpe med at erkende hjertestop? Stig Nikolaj Blomberg MSc., PhD Fellow, Senior advisor Emergency Medical Services, Copenhagen, Denmark

2 Disclosure I have no actual or potential conflict of interest in relation to this research project Received an unrestricted research grant from TrygFoundation Received centresupport from Laerdal support from an industry source at the current presentation. As first author, I have no personal or financial interests to declare: I have no financial support from an industry source at the current presentation.

3 Region Hovedstaden 0,6 1,8 millioner indbyggere opkald til sygeplejersker og 36 lægeassistenter varetager den sundhedsfaglige visitation 1,2 51 ambulancer 6 akutlægebiler Helikopter, babylance, sociolance etc. 1,2 0,8 1,8 Ca hjertestop pro anno

4 Vi har flere, og mere avancerede præhospitale løsninger end nogensinde før

5 Men vi forstår ikke altid hvad det er indringer fortæller os Hvis vi ikke forstår og formår at erkende hjertestop, Så kan vi heller ikke få igangsat HLR og vi kan ikke henvise til andre behandlingsmuligheder. (hjertestarter/hjerteløber)

6 Hjertestop Overlevelsen hænger sammen med tidlig HLR (lægmand) og tidlig brug af hjertestarter (Wissenberg et al., JAMA 2013) Litteraturgennemgang har vist at på tværs af flere studier er der en median hjertestopserkendelse på 74 % - dog stor variation (Viereck et al., SJTREM 2017).

7 Hjertestop erkendelse, Viereck et al, 2017

8 Hvad gør vi for at øge erkendelse? Sundhedsfaglig visitation Fokus på protokoller NO-NO-GO Brug af Dansk Indeks Uddannelse og træning Kontinuerlig kvalitetssikring

9 Hvordan kan vi gøre det bedre AMK-operatør skal varetage mange opgaver under opkald, og samtidigt afkode samtalen Hypotese: Vi kan ved hjælp at artificiel intelligens og machine learning øge erkendelse

10 Artificiel intelligens / Machinelearning Machinelearning er overalt i vores hverdag Kan machinelearning hjælpe i en akut situation hvor der skal træffes hurtig beslutning?

11 Processen meget forenklet

12 Machinelearning i EMS-Copenhagen 1. En Machinelearningsmodel er appliceret til telefonsamtalerne til Vi vil analysere lyden i samtale mellem indringer og AMK-operatør 3. En sprogmodel oversætter samtalen automatisk 4. Machinelearning finder mønstre i samtaler med hjertestop 5. Udfra dette kan vi konstruere en model som kan identificere hjertestop i opkaldet til 1-1-2?

13 Studie 1:Kan en maskinlæringsmodel lære at erkende hjertestop på transkriberte samtaler? Outcome (n=424) Dispatchers recognition Condition positive Condition negative Predictive value Positive predictive value positive 156 N/A N/A Dispatchers recognition Negative predictive value negative ,4% Dispatchers recognition Sensitivity Specificity Sensitivity&Specificity 72,9% 100,0% Model recognition Positive predictive value positive % Model recognition Negative predictive value negative ,4% Model recognition Sensitivity Specificity Sensitivity & Specificity 95,3% 99,0%

14 Studie2: Kan Machinelearningerkende hjertestop bedre end AMK-operatør? Cisco voicelogs n= Inbound: Outbound: Internal:93 OHCA data from Danish Cardiac Arrest Registry (DCAR) n=1.467 Insufficient information to join OHCA and Cisco data, n=292 Raw data, n= Labelled OHCA (DCAR) =1.177 Unlabeled OHCA =292 Other calls = Type2 OHCA, n=992 * Voicelog corrupt, n = Inbound non-ohca =691 Inbound OHCA = 7 Outbound = 316 Raw data, n= Labelled OHCA =1.177 Type2 OHCA =992 Other calls =

15 Foreløbige resultater på > opkald 90% af hjertestoppene blev fundet Mindre end 2 % falsk positive Falsk positive var overvejende borgere der havde brug for akut hjælp, blot ikke hjertestop eller Hjertestop der endnu ikke var opstået, men opstod efter ambulancens ankomst

16 Time-to-recognition Kortere for maskinlæringsmodellen Foreløbige observationer Maskinlæring finder I gennemsnit hjertestop efter ca. 50 sekunder AMK-operatørpå finder I gennemsnit hjertestoppet efter ca. 1 minut og 20 sekunder

17 Konklusion på test af maskinlæringsmodel Maskinlæringsmodellen kan med høj sensitivitet erkende hjertestop på transskriberede opkald (data) Maskinlæringsmodellen kan bruges på lydkilder, og dermed på live audio streaming. Maskinlæringsmodellen er bedre til at erkende hjertestop under opkald til end AMK-operatør Maskinlæringsmodellen er signifikant hurtigere

18 Næste skridt: prospektivt randomiseret studie Vi ved at maskinen kan erkende hjertestop Vi ved ikke om det vil få AMK-operatør til at handle anderledes I forår 2018 starter vi randomiseret forsøg

19 Perspektiver Kan MachineLearning implementeres på en travl EMS Kan man bruge det ved andre sygdomme (STEMI, Stroke, Sepsis, åndedrætsbesvær og traumer) Kan data fra ambulancer og journaler bruges i forhold til beslutningsstøtte? Hvad vil det betyde for den måde den sundhedsfaglige visitator interagerer med borgeren under opkald til 1-1-2

20 Perspektiver Vi vil gerne samarbejde med andre lande Systemer Sprog Øvrige EMS i Danmark Nordiske lande Amerika 3. verdens lande (multietnicitet, mange sprog, få ressourcer)

21 Tak til

22 Join EMS2018 in Copenhagen for more on artificial intelligence research