Prosjektet AISMEC (Artificial Intelligence Support in Medical Emergency Calls) har hatt som mål å utvikle kunstig intelligens (AI)-basert beslutningsstøtte til medisinsk nødmeldetjeneste. For å utvikle og teste ut konseptet har vi benyttet akutt hjerneslag som «proof of concept» fordi dagens system har et forbedringspotensial i akuttmedisinske kommunikasjonssentraler (medisinsk nødtelefon - 113).
AISMEC er et samarbeid mellom en rekke aktører innenfor fagområdene medisinsk nødmeldetjeneste, kunstig intelligens/maskinlæring og hjerneslag, i tillegg til en brukerorganisasjon. Følgende organisasjoner er involvert i prosjektet: Helse Bergen ved Nasjonalt kompetansesenter for helsetjenestens kommunikasjonsberedskap (KoKom, prosjektledelse), Nevrologisk avd., Akuttmedisinsk avd. og Helsetjenesteutvikling. Videre Helse Vest IKT, Høgskolen på Vestlandet, MMIV (Mohn Medical Imaging and Visualization Center), Oslo Universitetssykehus, Hjerneslagregisteret, Landsforeningen for hjerte- og lungesyke (LHL) Hjerneslag og Helsetjenestens driftsorganisasjon HF (HDO).
Det viste seg at å få tilgang til historiske data fra AMK, sykehusjournal, legemiddelregisteret og lab. avdelingen var betydelig mer komplisert og ikke minst tidkrevende enn først antatt. Det har vært en omfattende prosess å få de nødvendige etiske godkjenninger. Alt dette har forsinket prosjektet, og vi venter fortsatt på siste godkjenning. (Erfaringene fra dette arbeidet resulterte for øvrig i et leserinnlegg i Dagens Næringsliv.)
Vår hypotese er at AI som analyserer lyd i nødsamtaler kombinert med strukturerte pasientdata, sannsynligvis kan prestere bedre enn operatører i oppdagelse av akutt hjerneslag. Vi ønsket å kombinere analyse av det innringer sier om pasienten med relevante historiske data fra pasientens sykehusjournal, medikamentbruk og blodprøvesvar. Basert på disse kildene kan sannsynligheten for at pasienten har hjerneslag estimeres, slik at operatøren kan få informasjon om dette og fatte riktig beslutning om pasientens hjelpebehov. En slik sammenstilling av data for risikovurdering er kun mulig ved hjelp av kunstig intelligens med dagens systemer.
Vi har på nåværende tidspunkt fått tilgang til de nødvendige data og språkmodellen som benyttes for lyd-til-tekst er utviklet innenfor brannmurene i Helse Bergen. Denne modellen baserer seg på Nasjonalbibliotekets Whisper-modell, med «fin-tuning» på ca 600 lydfiler fra medisinsk nødtelefon 113. Utviklingen av AI-modellen (basert på ca 4500 pasienter) for de strukturerte data er også godt i gang, og de foreløpige resultatene viser høy grad av treffsikkerhet for akutt hjerneslag.
Et manus basert på ca. 1000 hjerneslagpasienters forløp fra slaget inntreffer til de kommer til sykehus, har blitt akseptert for publisering i Annals of Emergency Medicine. En neste artikkel er også under arbeid, samt at det planlegges en mer omfattende artikkel om hvordan den utviklede AI-modellen presterer på et nytt datasett med ca 45.000 henvendelser til 113.
Den potensielle effekten av AISMEC-prosjektet er stor, siden det representerer en ny og unik måte å bruke den nye AI-teknologi i en akutt nødsituasjon. Ved å kombinere informasjonen som allerede er tilgjengelig i sykehusets IKT-system/pasientjournal med en sanntids stemmegjenkjenning og tekstanalyse, er det utviklet en algoritme som nå er klar for testing på et stort pasientmateriale. Dette forventer vi å få gjort ila en måneds tid. Dersom algoritmen presterer like godt her som på treningsdata, vil vi være nærmere et nytt beslutningsstøtteverktøy for AMK-sentraler som vil kunne forbedre nøyaktigheten av pasientseleksjonen.
Systemet vil først testes på diagnosen hjerneslag, men kan sannsynligvis også tilpasses andre akuttmedisinske tilstander ved bruk av denne teknologien.
Vi forventer at vår forskningsbaserte innovasjon vil føre til bedre kvalitet og redusert variasjon i akutt- og prehospitale medisinske tjenester, noe som gir bedre behandling og kostnadsbesparelser for samfunnet.
There is a number of medical conditions such as stroke, acute coronary syndrome, respiratory failure, cardiac arrest, and trauma, also called ‘The First Hour Quintet’, that require effective therapeutic treatment within a certain time limit. Stroke alone makes the third-highest cause of death and the number one cause of severe disability requiring long-time care at institutions.
Every year approx. 12 000 patients in Norway suffer acute stroke, and only half of them reach hospital within the first critical time-frame. The defining role in this process plays an early and accurate symptom recognition by the emergency medical communication centres (EMCC) during a live call. Today, the diagnostic accuracy of the norwegian EMCC operators is limited by a paper-based triage system (the Norwegian Index for Emergency Medical Assistance). As a result, only 60% of the acute stroke patients receive correct diagnosis and subsequent medical treatment. This leads to a vast personal, societal, and economic costs estimated to approximately 10 billion NOK per year.
We believe that urgent change is needed to address this issue. As a measure, we propose an innovative AI-based decision support system for emergency call takers, helping to identify critical medical emergency conditions (e.g. stroke) in real-time. This support system will utilize a research-based approach to combine structured and relevant patient data with speech recognition during the live emergency medical calls. This technology will help improve the quality and reduce variability in the emergency medical services.
We will compare the new system’s ability for disease prediction with the current practice as well as with traditional statistical approaches to risk modelling, for proving effectiveness. The system will first be developed and tested on stroke, as the first case study. A successful solution will then be adapted and implemented to other relevant medical emergencies.
