Vroege herkenning van hartstilstand buiten het ziekenhuis op basis van diepe taalmodellen bij realtime noodoproepen

Waarom snellere detectie van hartnoodgevallen ertoe doet

Wanneer iemands hart plotseling stopt buiten het ziekenhuis, telt iedere seconde. Overleving hangt af van hoe snel iemand de situatie herkent, hulp inroept en borstcompressies start. Toch kunnen zelfs getrainde alarmcentrumpersoneel deze gebeurtenissen missen tijdens chaotische telefoongesprekken. Deze studie onderzoekt of een geavanceerd, taalgebaseerd systeem voor kunstmatige intelligentie realtime transcripten van noodoproepen kan analyseren en mogelijk een hartstilstand kan signaleren, zodat centralisten een extra paar oren hebben tijdens de cruciale eerste minuut.

Wat er gebeurt tijdens een 911-achtige oproep

Hartstilstand buiten het ziekenhuis treft zonder waarschuwing, stopt de bloedstroom en bedreigt de hersenen binnen enkele minuten. De overlevingskansen verbeteren sterk wanneer omstanders snel borstcompressies starten, vaak op aanwijzing van de centralist aan de telefoon. Maar bellers kunnen in paniek zijn, onzeker over wat ze zien, of misleid worden door abnormaal naar lucht happen dat op ademen lijkt. Daardoor faalt de centralist in ongeveer één op de vier gevallen in het herkennen van een hartstilstand, wat levensreddende instructies vertraagt. Traditionele hulpmiddelen proberen te helpen met strikte vragenlijsten of door het herkennen van bepaalde sleutelwoorden in oproepen, maar die kunnen misleid worden door vage, emotionele of onduidelijke taal.

Hoe een gesprek-bewuste AI is gebouwd

De onderzoekers ontwikkelden een systeem genaamd DyLM-OHCA dat diepe taalmodellering gebruikt, een techniek vergelijkbaar met die achter moderne chatbots, om transcripten van noodoproepen te analyseren. In plaats van zich te richten op geïsoleerde woorden, leest het model de uitwisseling tussen beller en centralist terwijl die zich ontvouwt. Het werd getraind op bijna 159.000 noodoproepen uit drie grote Zuid-Koreaanse steden, waaronder meer dan 2.600 bevestigde hartstilstandgevallen. Tijdens de training leerde het model elke nieuwe woordreeks om te zetten in een doorlopende schatting of de beller een hartstilstand beschrijft, een andere ernstige noodsituatie, of een minder ernstig probleem, allemaal zonder dat iedere zin gedetailleerd gelabeld hoefde te worden.

Hoe goed de AI hartstilstand herkent

Het team testte DyLM-OHCA op oproepen die het nog nooit eerder had gezien en vroeg het binnen de eerste 60 seconden te beslissen of er een hartstilstand plaatsvond. Vergeleken met vier gevestigde machine-learningmethoden die vertrouwen op handgemaakte woordstatistieken, was het taalgebaseerde systeem duidelijk nauwkeuriger. Het onderscheidde hartstilstandoproepen van andere oproepen correct in meer dan negen van de tien gevallen volgens gangbare samenvattende maatstaven, terwijl het ongeveer vier van de vijf echte hartstilstanden binnen die eerste minuut identificeerde. Gemiddeld gaf het zijn eerste waarschuwing rond 20 seconden in het gesprek—meer dan 20 seconden sneller dan sommige eerdere computermodellen in andere studies—terwijl foutieve waarschuwingen onder één op de tien oproepen bleven.

Waar de AI eigenlijk op let

Om de beslissingen van het systeem te begrijpen, onderzochten de onderzoekers welke delen van het gesprek het model het meest richting een hartstilstandwaarschuwing duwden. In plaats van zich aan één magisch woord vast te klampen, reageerde het model op patronen: een centralist die vraagt of de persoon bij bewustzijn is of ademt, gevolgd door een beller die zegt dat iemand "niet wakker wordt" of aangeeft dat er iets ernstig mis lijkt. Het model volgde ook hoe zijn eigen vertrouwen over tijd veranderde. In de meeste echte hartstilstandoproepen bleef de risicoscore, zodra die steeg, hoog. Bij meer dan de helft van de valse alarmen piekte het risico vroeg en daalde vervolgens toen het gesprek details ontsloot die wezen op andere noodsituaties zoals toevallen of ademhalingsaanvallen.

Hoe dit echte centralisten kan helpen

Praktisch bekeken is DyLM-OHCA ontworpen als een stille assistent, niet als vervanging van menselijk oordeel. Terwijl een oproep loopt, zou het continu een risicosignaal bijwerken dat de centralist kan zien, samen met eenvoudige uitleg over welke recente zinnen de waarschuwing veroorzaakten. Deze context kan de waarschuwingen betrouwbaarder doen overkomen dan black-boxmeldingen van oudere modellen en kan leiden tot gerichtere vervolgvragen of eerdere instructies voor borstcompressies wanneer seconden cruciaal zijn. De studie is uitgevoerd op Koreaanse oproepen uit één land en is nog niet live getest, maar suggereert dat gesprek-bewuste AI de vroege herkenning van hartstilstand substantieel kan verbeteren en uiteindelijk de overleving kan verhogen.

Bronvermelding: 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

Trefwoorden: hartstilstand, noodoproepen, kunstmatige intelligentie, taalmodellen, door dispatcher-geassisteerde reanimatie