Wczesne rozpoznawanie zatrzymania krążenia poza szpitalem oparte na głębokich modelach językowych z wykorzystaniem rozmów alarmowych w czasie rzeczywistym

Dlaczego szybsze wykrycie nagłego zatrzymania serca ma znaczenie

Gdy czyjeś serce nagle przestaje bić poza szpitalem, każda sekunda się liczy. Przeżycie zależy od tego, jak szybko ktoś rozpozna kryzys, wezwie pomoc i rozpocznie uciski klatki piersiowej. Nawet wyszkoleni dyspozytorzy w chaotycznych rozmowach telefonicznych mogą jednak przeoczyć takie zdarzenia. W badaniu sprawdzono, czy zaawansowany system sztucznej inteligencji oparty na analizie języka może „słuchać” transkrypcji rozmów alarmowych i w czasie rzeczywistym sygnalizować możliwe zatrzymanie krążenia, dając dyspozytorom dodatkowe „ucho” w najbardziej krytycznej pierwszej minucie.

Co dzieje się podczas rozmowy w stylu 911

Zatrzymanie krążenia poza szpitalem następuje nagle, zatrzymując przepływ krwi i grożąc uszkodzeniem mózgu w ciągu minut. Szanse na przeżycie rosną znacząco, gdy osoby postronne szybko rozpoczynają uciski klatki piersiowej, często kierowane przez dyspozytora przez telefon. Jednak osoby zgłaszające mogą być spanikowane, niepewne tego, co widzą, albo zmyleni nieprawidłowym łapaniem powietrza, które brzmi jak oddychanie. W efekcie dyspozytorzy nie rozpoznają zatrzymania krążenia w około jednej na cztery sytuacje, co opóźnia wydanie instrukcji ratujących życie. Tradycyjne narzędzia próbują pomagać, stosując sztywne listy pytań lub wykrywając pewne słowa-klucze, ale mogą być oszukane przez niejasny, emocjonalny lub mylący język.

Jak zbudowano AI rozumiejącą przebieg rozmowy

Naukowcy opracowali system o nazwie DyLM-OHCA, który wykorzystuje głębokie modelowanie języka, technikę podobną do tej stosowanej w nowoczesnych chatbotach, do analizy transkrypcji rozmów alarmowych. Zamiast skupiać się na pojedynczych słowach, model czyta dialog między dzwoniącym a dyspozytorem wraz z jego przebiegiem. Uczono go na prawie 159 000 rozmów alarmowych z trzech dużych miast w Korei Południowej, w tym na ponad 2 600 potwierdzonych przypadkach zatrzymania krążenia. Podczas treningu model nauczył się przekształcać każdą nową sekwencję słów w bieżącą ocenę prawdopodobieństwa, czy dzwoniący opisuje zatrzymanie krążenia, inne poważne zagrożenie, czy mniej poważny problem — wszystko to bez potrzeby szczegółowego etykietowania każdego zdania.

Jak dobrze AI rozpoznaje zatrzymanie krążenia

Zespół przetestował DyLM-OHCA na rozmowach, których model wcześniej nie widział, i poprosił, by w ciągu pierwszych 60 sekund zdecydował, czy dochodzi do zatrzymania krążenia. W porównaniu z czterema ustalonymi metodami uczenia maszynowego opartymi na ręcznie opracowanych statystykach słów, system oparty na języku okazał się istotnie dokładniejszy. Poprawnie rozróżniał rozmowy związane z zatrzymaniem krążenia od innych w ponad dziewięciu na dziesięć przypadków według standardowych miar podsumowujących, jednocześnie identyfikując około czterech na pięć prawdziwych przypadków zatrzymania w tej pierwszej minucie. Średnio zgłaszał pierwsze ostrzeżenie około 20 sekund od początku rozmowy — ponad 20 sekund szybciej niż niektóre wcześniejsze modele komputerowe opisane w innych badaniach — przy tym utrzymując fałszywe alarmy na poziomie poniżej jednego na dziesięć rozmów.

Czego właściwie słucha AI

Aby zrozumieć decyzje systemu, badacze przeanalizowali, które części rozmowy najsilniej skłaniały model do wydania ostrzeżenia o zatrzymaniu krążenia. Model nie trzymał się jednego „magicznego” słowa, lecz reagował na wzorce: pytanie dyspozytora, czy osoba jest przytomna lub oddycha, a następnie wypowiedzi dzwoniącego typu „nie budzi się” lub sugestie, że coś jest poważnie nie tak. Model śledził też, jak zmienia się jego własna pewność w czasie. W większości prawdziwych przypadków zatrzymania, gdy wskaźnik ryzyka wzrastał, utrzymywał się wysoko. W ponad połowie fałszywych alarmów ryzyko osiągało szczyt wcześnie, a potem spadało, gdy rozmowa ujawniała szczegóły wskazujące na inne nagłe zdarzenia, takie jak drgawki czy napady oddechowe.

Jak to może pomóc prawdziwym dyspozytorom

W praktyce DyLM-OHCA zaprojektowano jako dyskretnego asystenta, nie zastępującego ludzkiego osądu. W miarę przebiegu rozmowy system nieustannie aktualizowałby sygnał ryzyka, który dyspozytor mógłby widzieć, wraz z prostymi wyjaśnieniami, jakie ostatnie frazy spowodowały alarm. Taki kontekst może sprawiać, że ostrzeżenia będą bardziej godne zaufania niż czarne skrzynki starszych modeli i może skłonić do zadania bardziej ukierunkowanych pytań lub wcześniejszego podania instrukcji dotyczących ucisków klatki piersiowej, gdy każda sekunda ma znaczenie. Badanie przeprowadzono na rozmowach w języku koreańskim z jednego kraju i nie testowano go jeszcze w czasie rzeczywistym, ale sugeruje, że AI rozumieca rozmowę może znacząco poprawić wczesne rozpoznawanie zatrzymania krążenia i ostatecznie zwiększyć przeżywalność.

Cytowanie: 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

Słowa kluczowe: zatrzymanie krążenia, rozmowy alarmowe, sztuczna inteligencja, modele językowe, resuscytacja wspomagana przez dyspozytora