Reconnaissance précoce des arrêts cardiaques hors hôpital à partir d’appels d’urgence en temps réel, basée sur un modèle linguistique profond

Pourquoi la détection plus rapide des urgences cardiaques est cruciale

Lorsqu’un cœur s’arrête soudainement en dehors d’un hôpital, chaque seconde compte. La survie dépend de la rapidité avec laquelle l’événement est reconnu, de l’appel aux secours et du début des compressions thoraciques. Pourtant, même des répartiteurs entraînés peuvent passer à côté de ces situations pendant des appels chaotiques. Cette étude examine si un système d’intelligence artificielle avancé, basé sur le langage, peut analyser les transcriptions d’appels d’urgence en temps réel et signaler d’éventuels arrêts cardiaques, offrant ainsi aux répartiteurs une paire d’oreilles supplémentaires pendant la première minute la plus critique.

Ce qui se passe lors d’un appel de type 112/911

L’arrêt cardiaque hors hôpital survient sans avertissement, interrompant la circulation sanguine et menaçant des lésions cérébrales en quelques minutes. Les chances de survie augmentent considérablement lorsque des témoins commencent rapidement les compressions thoraciques, souvent guidés par téléphone par les répartiteurs. Mais les appelants peuvent être paniqués, incertains de ce qu’ils observent, ou trompés par des halètements anormaux qui ressemblent à une respiration. En conséquence, les répartiteurs ne reconnaissent l’arrêt cardiaque qu’environ trois fois sur quatre, retardant ainsi des instructions qui sauvent des vies. Les outils traditionnels cherchent à aider en suivant des listes de questions rigides ou en repérant certains mots-clés dans les appels, mais ceux-ci peuvent être trompés par un langage vague, émotionnel ou ambigu.

Comment une IA attentive à la conversation a été construite

Les chercheurs ont développé un système appelé DyLM-OHCA qui utilise la modélisation linguistique profonde, une technique proche de celle qui sous-tend les chatbots modernes, pour analyser les transcriptions d’appels d’urgence. Plutôt que de se focaliser sur des mots isolés, le modèle lit l’échange dialogué entre l’appelant et le répartiteur au fur et à mesure. Il a été entraîné sur près de 159 000 appels d’urgence provenant de trois grandes villes sud-coréennes, dont plus de 2 600 cas d’arrêt cardiaque confirmés. Pendant l’entraînement, le modèle a appris à convertir chaque nouvelle séquence de mots en une estimation continue indiquant si l’appelant décrit un arrêt cardiaque, une autre urgence grave ou un problème moins sérieux, et ce, sans nécessiter d’étiquettes détaillées pour chaque phrase.

Quelle est la performance de l’IA pour reconnaître l’arrêt cardiaque

L’équipe a testé DyLM-OHCA sur des appels qu’il n’avait jamais vus auparavant et lui a demandé de décider, dans les 60 premières secondes, si un arrêt cardiaque était en cours. Comparé à quatre méthodes d’apprentissage automatique établies reposant sur des statistiques de mots conçues manuellement, le système basé sur le langage s’est révélé nettement plus précis. Il a correctement distingué les appels d’arrêt cardiaque des autres dans plus de neuf cas sur dix selon les mesures synthétiques standard, tout en identifiant environ quatre arrêts cardiaques réels sur cinq au cours de cette première minute. En moyenne, il a émis sa première alerte vers 20 secondes d’appel — plus de 20 secondes plus tôt que certains modèles informatiques antérieurs rapportés dans d’autres études — tout en maintenant les fausses alertes à moins d’un appel sur dix.

Ce à quoi l’IA prête réellement attention

Pour comprendre les décisions du système, les chercheurs ont examiné quelles parties de la conversation incitaient le plus le modèle à émettre une alerte d’arrêt cardiaque. Plutôt que de s’accrocher à un mot magique unique, le modèle a réagi à des motifs : un répartiteur demandant si la personne est consciente ou respire, suivi d’un appelant disant des choses comme « ne se réveille pas » ou suggérant que quelque chose ne va vraiment pas. Le modèle a également suivi l’évolution de sa propre confiance au fil du temps. Dans la plupart des appels véritablement liés à un arrêt cardiaque, une fois le score de risque monté, il est resté élevé. Dans plus de la moitié des fausses alertes, en revanche, le risque culminait tôt puis chutait à mesure que la conversation apportait des détails indiquant d’autres urgences, comme des crises convulsives ou des attaques respiratoires.

Comment cela pourrait aider les répartiteurs réels

D’un point de vue pratique, DyLM-OHCA est conçu comme un assistant silencieux, et non comme un remplacement du jugement humain. Au fur et à mesure d’un appel, il mettrait à jour en continu un signal de risque visible par le répartiteur, accompagné d’explications simples sur les récentes phrases qui ont déclenché l’alerte. Ce contexte pourrait rendre les avertissements du système plus faciles à comprendre et à approuver que des alertes boîte noire issues de modèles plus anciens, et encourager des questions plus ciblées ou des instructions de compression thoracique plus précoces quand les secondes comptent. L’étude a été réalisée sur des appels en coréen provenant d’un seul pays et n’a pas encore été testée en conditions réelles, mais elle suggère qu’une IA attentive à la conversation pourrait améliorer de façon significative la reconnaissance précoce des arrêts cardiaques et, en fin de compte, augmenter la survie.

Citation: Choi, HJ., Hwang, M., Cho, S. et al. Deep language model-based early recognition of out-of-hospital cardiac arrest from real-time emergency calls. npj Digit. Med. 9, 307 (2026). https://doi.org/10.1038/s41746-026-02498-5

Mots-clés: arrêt cardiaque, appels d’urgence, intelligence artificielle, modèles linguistiques, RCP assistée par le répartiteur