Modele uczenia maszynowego oparte na danych z ratownictwa medycznego usprawniają triage udarowy w warunkach przedszpitalnych

Dlaczego szybsze decyzje w udarze mają znaczenie

Każda minuta ma znaczenie, gdy ktoś ma udar. Komórki mózgowe obumierają szybko, a szanse na odzyskanie zdolności chodzenia, mowy i samodzielnego życia maleją z każdą zwłoką. Wiele udarów widzą najpierw nie lekarze, lecz ratownicy medyczni w karetce. W badaniu sprawdzono, czy systemy komputerowe uczące się na przeszłych przypadkach mogą pomóc zespołom EMS wcześniej rozpoznać udar i szybciej skierować pacjenta do właściwego szpitala — co potencjalnie może ocalić tkankę mózgową i poprawić długoterminową jakość życia.

Co dzieje się przed dotarciem do szpitala

Droga pacjenta z udarem zwykle zaczyna się od zgłoszenia na numer alarmowy. Dyspozytorzy decydują, jaki rodzaj pomocy wysłać, a załoga ratowników bada pacjenta w domu lub w terenie. Rejestrują podstawowe informacje, takie jak wiek i masa ciała, oraz parametry życiowe: tętno, ciśnienie krwi, częstość oddechów, poziom tlenu i poziom świadomości. Te wartości często są zmierzone zanim pacjent trafi do szpitala. Badacze zadali proste pytanie: czy te wczesne pomiary są wystarczająco wiarygodne i kompletne, by komputer mógł ich użyć do oznaczania możliwych udarów w czasie rzeczywistym?

Jak przeprowadzono badanie

Zespół przeanalizował retrospektywnie 8 221 przejazdów karetką obejmujących 4 333 dorosłych przewiezionych do dużego szpitala w pobliżu Chicago w latach 2015–2020. Tylko około 2 procent tych interwencji okazało się potwierdzonymi udarami, a prawie dwie trzecie z nich było ciężkich — pacjenci trafili na oddział intensywnej terapii lub byli wentylowani. Badacze porównali zapisy EMS z pomiarami wykonanymi krótko po przybyciu do szpitala. Tętno, ciśnienie krwi, poziom glukozy, nasycenie tlenem i prosty wynik świadomości były dostępne dla większości pacjentów i generalnie zgadzały się z odczytami szpitalnymi, co pokazuje, że dane z karetki dobrze odzwierciedlały rzeczywisty stan pacjentów.

Nauka komputerów rozpoznawania zagrożeń

Wykorzystując te przedszpitalne pomiary oraz podstawowe informacje o zgłoszeniu na numer alarmowy i miejscu odbioru pacjenta, badacze wytrenowali kilka typów modeli uczenia maszynowego do dwóch zadań: rozróżnienia udarów od przypadków nieudarowych oraz rozpoznania ciężkich udarów spośród wszystkich przypadków. Przetestowali trzy popularne podejścia — random forests, XGBoost i prostą sieć neuronową — na odseparowanych zestawach danych, by ocena była uczciwa. Ponieważ udary były rzadkie, modele zostały dostrojone, by zwracać większą uwagę na niewielką liczbę przypadków udarowych i zostały starannie sprawdzone, tak aby ich oceny ryzyka jak najdokładniej odpowiadały rzeczywistym prawdopodobieństwom.

Jak dobrze działały narzędzia

W całej próbie najlepszym modelem do wykrywania wszystkich udarów okazał się model XGBoost, a najlepszym do wyłapywania ciężkich udarów — model random forest. Narzędzia dobrze klasyfikowały, kto ma większe, a kto mniejsze ryzyko udaru, i po ustawieniu rozsądnego progu wykrywały więcej udarów niż obecne metody przesiewowe stosowane przez EMS, jednocześnie unikając większości fałszywych alarmów. Na przykład przy jednym punkcie pracy model wykrywał prawidłowo około dwóch trzecich przypadków udaru i prawidłowo wykluczał niemal dziewięć na dziesięć przypadków nieudarowych. Najbardziej wpływowe sygnały to znane kliniczne wskazówki: wyższe ciśnienie krwi, zmiany świadomości, nieprawidłowe tętno, starszy wiek oraz kody zgłoszeń 9-1-1 sugerujące objawy podobne do udaru, takie jak nagłe osłabienie czy problemy z mową.

Co to może znaczyć dla pacjentów

Ponieważ udary są rzadkie wśród wszystkich pacjentów w karetce, nawet dobrze działający model wygeneruje pewną liczbę fałszywych alarmów. W praktyce oznacza to, że część pacjentów oznaczonych jako „możliwy udar” okaże się nie mieć udaru. Autorzy argumentują, że w sytuacji pilnej czasowo taka wymiana może być uzasadniona, jeśli alert skłania raczej do szybszej oceny niż zastępowania decyzji ludzkiej. Wyniki sugerują, że narzędzia uczenia maszynowego mogłyby działać jako dodatkowe „oko” analizujące dane, które EMS już zbiera, wskazując ratownikom i szpitalom pacjentów o wyższym ryzyku, którzy w innym przypadku mogliby zostać przeoczeni.

Dokąd zmierza ta praca

Mówiąc wprost, badanie pokazuje, że pomiary rejestrowane w tyle karetki mogą zasilać inteligentne narzędzia komputerowe pomagające ocenić, kto może mieć udar i jak pilna jest potrzeba zaawansowanej opieki. Systemy te nie mają diagnozować samodzielnie, lecz wspierać ratowników i lekarzy pogotowia w szybkim podejmowaniu decyzji o tym, gdzie skierować pacjenta i jak szybko uruchomić zespoły udarowe. Dzięki lepszemu udostępnianiu danych, pełniejszej dokumentacji i testom w różnych regionach takie narzędzia mogą pomóc większej liczbie osób dotrzeć do właściwego szpitala szybciej i po udarze doświadczyć mniejszych trwałych uszczerbków.

Cytowanie: Saban, M., Hiura, G., de la Peña, P. et al. Machine learning models powered by emergency medical services data enhance stroke triage in prehospital settings. Sci Rep 16, 7139 (2026). https://doi.org/10.1038/s41598-026-37069-x

Słowa kluczowe: triage udaru, ratownictwo medyczne, uczenie maszynowe, opieka przedszpitalna, sztuczna inteligencja w medycynie