Riconoscimento precoce di arresto cardiaco extra-ospedaliero basato su modelli linguistici profondi da chiamate di emergenza in tempo reale

Perché conta rilevare prima le emergenze cardiache

Quando il cuore di qualcuno si ferma improvvisamente fuori dall’ospedale, ogni secondo è prezioso. La sopravvivenza dipende da quanto rapidamente si riconosce la crisi, si chiede aiuto e si iniziano le compressioni toraciche. Eppure anche i dispatcher di emergenza addestrati possono non individuare questi eventi durante telefonate concitate. Questo studio indaga se un avanzato sistema di intelligenza artificiale basato sul linguaggio possa analizzare trascrizioni di chiamate di emergenza e segnalare in tempo reale un possibile arresto cardiaco, offrendo ai dispatcher un paio di orecchie in più nel primo minuto più critico.

Cosa succede durante una chiamata in stile 911

L’arresto cardiaco extra-ospedaliero colpisce senza preavviso, interrompendo il flusso sanguigno e mettendo a rischio il cervello in pochi minuti. La sopravvivenza migliora drasticamente quando i presenti iniziano rapidamente le compressioni toraciche, spesso guidati telefonicamente dai dispatcher. Ma i chiamanti possono essere in preda al panico, incerti su ciò che osservano o tratti in inganno da gasping anomali che sembrano respiri. Di conseguenza, i dispatcher non riconoscono l’arresto cardiaco in circa una chiamata su quattro, ritardando istruzioni salvavita. Gli strumenti tradizionali cercano di aiutare seguendo liste rigide di domande o riconoscendo alcune parole chiave nelle chiamate, ma questi approcci possono essere fuorviati da linguaggio vago, emotivo o ambiguo.

Come è stato costruito un’IA consapevole della conversazione

I ricercatori hanno sviluppato un sistema chiamato DyLM-OHCA che usa il deep language modeling, una tecnica simile a quella dietro i moderni chatbot, per analizzare le trascrizioni delle chiamate di emergenza. Invece di concentrarsi su parole isolate, il modello legge il dialogo avanti e indietro tra chiamante e dispatcher mentre si svolge. È stato addestrato su quasi 159.000 chiamate di emergenza provenienti da tre grandi città della Corea del Sud, incluse più di 2.600 diagnosi confermate di arresto cardiaco. Durante l’addestramento, il modello ha imparato a convertire ogni nuova sequenza di parole in una stima corrente se il chiamante stesse descrivendo un arresto cardiaco, un’altra emergenza grave o un problema meno serio, il tutto senza necessità di etichette dettagliate per ogni frase.

Quanto bene l’IA riconosce l’arresto cardiaco

Il team ha testato DyLM-OHCA su chiamate mai viste prima e gli ha chiesto di decidere, entro i primi 60 secondi, se si stesse verificando un arresto cardiaco. Rispetto a quattro metodi di machine learning consolidati che si basano su statistiche di parole costruite a mano, il sistema linguistico è risultato sostanzialmente più accurato. Ha correttamente distinto le chiamate per arresto cardiaco dalle altre in più di nove casi su dieci secondo misure riassuntive standard, identificando allo stesso tempo circa quattro arresti cardiaci su cinque entro quel primo minuto. In media, ha emesso il suo primo allarme intorno ai 20 secondi dall’inizio della chiamata—più di 20 secondi prima rispetto ad alcuni modelli informatici riportati in studi precedenti—mantenendo comunque falsi allarmi sotto uno ogni dieci chiamate.

Quello a cui l’IA presta davvero attenzione

Per comprendere le decisioni del sistema, i ricercatori hanno esaminato quali parti della conversazione spingessero maggiormente il modello verso un avviso di arresto cardiaco. Piuttosto che aggrapparsi a una singola parola magica, il modello ha risposto a schemi: un dispatcher che chiede se la persona è cosciente o respira, seguito da un chiamante che dice cose come “non si sveglia” o accenna che qualcosa sembra gravemente sbagliato. Il modello ha anche monitorato come la propria fiducia cambiasse nel tempo. Nella maggior parte delle chiamate effettivamente per arresto cardiaco, una volta che il punteggio di rischio saliva, rimaneva elevato. In più della metà dei falsi allarmi, però, il rischio raggiungeva un picco precoce e poi calava man mano che la conversazione rivelava dettagli riconducibili ad altre emergenze come convulsioni o crisi respiratorie.

Come questo potrebbe aiutare i dispatcher reali

Dal punto di vista pratico, DyLM-OHCA è pensato come un assistente silenzioso, non come un sostituto del giudizio umano. Mentre la chiamata procede, aggiornerebbe continuamente un segnale di rischio visibile al dispatcher, insieme a semplici spiegazioni delle frasi recenti che hanno alimentato l’allerta. Questo contesto potrebbe rendere gli avvisi del sistema più facili da fidarsi rispetto a segnali opachi di modelli precedenti e potrebbe indurre domande più mirate o istruzioni per le compressioni toraciche anticipate quando i secondi contano. Lo studio è stato condotto su chiamate in lingua coreana provenienti da un unico Paese e non è ancora stato testato in diretta, ma suggerisce che un’IA consapevole della conversazione potrebbe aumentare in modo significativo il riconoscimento precoce dell’arresto cardiaco e, in ultima analisi, migliorare la sopravvivenza.

Citazione: 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

Parole chiave: arresto cardiaco, chiamate di emergenza, intelligenza artificiale, modelli linguistici, RCP assistita dal dispatcher