L’IA améliore la reconnaissance des AVC dans les appels d’urgence

Un outil d’intelligence artificielle (IA) a surpassé les gestionnaires d’appels humains dans la reconnaissance des patients victimes d’un AVC à partir des appels aux services d’urgence, selon une nouvelle étude.

Le modèle d’IA a correctement identifié plus de patients qui avaient réellement un AVC que les opérateurs d’appel humains et avait également une valeur prédictive positive plus élevée, une mesure de la proportion de cas positifs prédits qui sont réellement positifs.

“Le modèle a fait un meilleur travail dans les deux mesures. Il a signalé moins de patients au total avec un AVC suspecté, mais a correctement identifié plus de patients qui avaient réellement un AVC que le répartiteur humain”, co-auteur de l’étude, Jonathan Wenstrup, MD, Université de Copenhague Hospital–Herlev and Gentofte & Copenhagen Emergency Medical Services, Danemark, ont déclaré lecoeur.org | Medscape Cardiologie.

Wenstrup a présenté l’étude le 24 mai lors de la Conférence européenne sur l’organisation des accidents vasculaires cérébraux (ESOC) 2023 à Munich, en Allemagne.

Pour l’étude, les chercheurs ont lié le registre danois des accidents vasculaires cérébraux – qui contient des informations sur chaque patient admis à l’hôpital pour un accident vasculaire cérébral, y compris l’heure d’apparition des symptômes – avec le registre des appels d’urgence, qui contient des enregistrements de tous les appels téléphoniques à la ligne d’assistance médicale. aux services d’urgence de Copenhague. Les appels ont été étiquetés comme ceux des patients qui se sont avérés par la suite avoir un AVC et ceux qui ont été déterminés comme n’ayant pas d’AVC.

Le modèle d’IA a été formé pour transcrire les enregistrements audio des appels d’urgence sous forme de texte et rechercher les différences entre les appels d’AVC et les appels sans AVC.

Le modèle a été formé à l’aide de données sur 1,5 million d’appels aux services d’urgence entre 2015 et 2020, dont 7370 se sont avérés être de véritables cas d’AVC. Il a ensuite été testé sur des données de 2021 sur 344 000 appels dont 750 cas d’AVC.

Les résultats ont montré que le modèle d’IA a correctement identifié 63 % des patients victimes d’un AVC, un meilleur résultat que les répartiteurs d’appels d’urgence humains qui n’ont reconnu que 52,7 % des cas d’AVC.

Le modèle avait également une meilleure valeur prédictive positive – 24,9% contre 17,1% pour le répartiteur humain.

La combinaison des deux mesures donne un score F1 global (une mesure globale de la précision d’un test) de 35,7 pour le modèle d’IA contre 25,8 pour les gestionnaires d’appels humains.

“Le modèle d’IA reconnaît mieux les accidents vasculaires cérébraux et a un taux de faux positifs inférieur à celui des répartiteurs des services d’urgence réels”, a commenté Wenstrup.

Il a expliqué que l’AVC était une condition difficile à identifier à partir des appels aux services d’urgence. “De nombreux cas ne sont pas détectés à ce stade, ce qui entraîne des retards de traitement qui peuvent avoir des conséquences potentiellement mortelles pour les patients.”

Une limite de cette étude est qu’elle avait une conception rétrospective. Le modèle n’a pas encore été testé en live. “Nous devons faire une étude pour voir comment il fonctionne lorsqu’il est mis en œuvre dans la vie réelle”, a déclaré Wenstrup.

Il pense que l’outil d’IA pourrait devenir une aide pour aider les opérateurs téléphoniques d’urgence à reconnaître les patients victimes d’un AVC.

“Lorsqu’ils parlent à toutes sortes de personnes différentes qui appellent, ce modèle pourrait fonctionner en arrière-plan et signalerait un avertissement qu’un patient particulier a une forte probabilité d’avoir un accident vasculaire cérébral et devrait être prioritaire pour les soins d’urgence.”

Il a ajouté: “Si le modèle fonctionne de la même manière dans un environnement réel, il pourrait alors améliorer la reconnaissance des AVC par les gestionnaires d’appels d’urgence, permettant à davantage de patients victimes d’AVC d’obtenir le traitement avancé rapide qui améliore les résultats.”

Wenstrup a noté que de nouvelles améliorations du modèle pourraient étendre ses capacités.

“À l’avenir, il sera peut-être possible de former le cadre directement à partir de l’audio de l’appel, en contournant l’étape de transcription, ainsi qu’en incorporant de l’audio sans mot – comme une voix brouillée – dans les données de formation. Cependant, étant donné les résultats prometteurs de cette étude , il est déjà clair que des technologies comme celle-ci ont la capacité de transformer complètement le diagnostic et les soins de l’AVC », a-t-il déclaré.

L’étude a été financée par Trygfonden (une fondation à but non lucratif au Danemark), ainsi que par l’Université de Copenhague, l’hôpital universitaire de Copenhague-Herlev et Gentofte et Innovation Fund Danemark. Wenstrup n’a révélé aucune relation financière pertinente. Le Machine Learning Framework a été créé par Corti, une entreprise privée, et les autres co-auteurs de l’étude sont des chercheurs de Corti.

European Stroke Organization Conference (ESOC) 2023. Présenté le 24 mai 2023.

Pour plus d’informations, suivez Medscape sur Facebook, Twitter, Instagramet Youtube.