Reconhecimento precoce de parada cardíaca fora do hospital com base em modelo de linguagem profunda a partir de chamadas de emergência em tempo real

Por que a detecção mais rápida de emergências cardíacas importa

Quando o coração de alguém para subitamente fora do hospital, cada segundo conta. A sobrevida depende de quão rápido alguém reconhece a crise, pede socorro e inicia compressões torácicas. Ainda assim, até despachantes treinados podem deixar de identificar esses eventos durante chamadas caóticas. Este estudo investiga se um sistema avançado de inteligência artificial baseado em linguagem pode analisar transcrições de chamadas de emergência e sinalizar possíveis paradas cardíacas em tempo real, oferecendo aos despachantes um par de ouvidos adicional durante o primeiro minuto — o mais crítico.

O que acontece durante uma chamada no estilo 190/911

A parada cardíaca extrahospitalar surge sem aviso, interrompendo o fluxo sanguíneo e colocando o cérebro em risco de dano em minutos. A sobrevida melhora dramaticamente quando testemunhas iniciam compressões torácicas rapidamente, frequentemente guiadas por despachantes ao telefone. Mas os chamadores podem estar em pânico, inseguros sobre o que estão vendo ou enganados por respirações anômalas que soam como arfar. Como resultado, os despachantes deixam de reconhecer uma parada cardíaca em cerca de um em cada quatro casos, atrasando instruções que salvam vidas. Ferramentas tradicionais tentam ajudar seguindo listas rígidas de perguntas ou identificando certas palavras-chave nas chamadas, mas essas abordagens podem falhar diante de linguagem vaga, emotiva ou enganosa.

Como uma IA atenta à conversa foi construída

Os pesquisadores desenvolveram um sistema chamado DyLM-OHCA que utiliza modelagem de linguagem profunda, uma técnica semelhante à usada em chatbots modernos, para analisar transcrições de chamadas de emergência. Em vez de focar em palavras isoladas, o modelo lê o diálogo de ida e volta entre o chamador e o despachante conforme ele se desenrola. Foi treinado com quase 159.000 chamadas de emergência de três grandes cidades sul-coreanas, incluindo mais de 2.600 casos confirmados de parada cardíaca. Durante o treinamento, o modelo aprendeu a converter cada nova sequência de palavras em uma estimativa contínua sobre se o chamador está descrevendo uma parada cardíaca, outra emergência grave ou um problema menos sério, tudo sem precisar de rótulos detalhados para cada frase.

Quão bem a IA reconhece a parada cardíaca

A equipe testou o DyLM-OHCA em chamadas que ele nunca havia visto antes e pediu que decidisse, nos primeiros 60 segundos, se uma parada cardíaca estava ocorrendo. Em comparação com quatro métodos consolidados de aprendizado de máquina que dependem de estatísticas de palavras construídas manualmente, o sistema baseado em linguagem foi substancialmente mais preciso. Ele separou corretamente chamadas com parada cardíaca das demais em mais de nove em cada dez casos por medidas resumidas padrão, identificando cerca de quatro em cada cinco paradas cardíacas verdadeiras dentro desse primeiro minuto. Em média, emitiu seu primeiro alerta por volta de 20 segundos após o início da chamada — mais de 20 segundos mais rápido do que alguns modelos computacionais anteriores relataram em outros estudos — mantendo ainda alertas incorretos em menos de uma em cada dez chamadas.

No que a IA realmente repara

Para entender as decisões do sistema, os pesquisadores examinaram quais partes da conversa impulsionaram mais fortemente o modelo para um aviso de parada cardíaca. Em vez de se apegar a uma única palavra “mágica”, o modelo respondeu a padrões: um despachante perguntando se a pessoa está consciente ou respirando, seguido por um chamador dizendo coisas como “não acorda” ou insinuando que algo está seriamente errado. O modelo também acompanhou como sua própria confiança mudava ao longo do tempo. Na maioria das chamadas com parada cardíaca verdadeira, uma vez que o escore de risco subia, ele permanecia alto. Em mais da metade dos falsos alarmes, porém, o risco atingia um pico cedo e depois caía à medida que a conversa revelava detalhes indicando outras emergências, como convulsões ou ataques respiratórios.

Como isso pode ajudar despachantes reais

Na prática, o DyLM-OHCA foi concebido como um assistente silencioso, não como um substituto do julgamento humano. À medida que a chamada avança, ele atualizaria continuamente um sinal de risco que o despachante pode ver, junto com explicações simples sobre quais frases recentes motivaram o alerta. Esse contexto pode tornar os avisos do sistema mais fáceis de confiar do que alertas de caixa-preta de modelos mais antigos e pode incentivar perguntas mais focadas ou instruções mais precoces para compressões torácicas quando os segundos são decisivos. O estudo foi realizado em chamadas em coreano de um único país e ainda não foi testado ao vivo, mas sugere que IA sensível ao diálogo poderia aumentar significativamente o reconhecimento precoce de paradas cardíacas e, em última instância, melhorar a sobrevida.

Citação: 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

Palavras-chave: parada cardíaca, chamadas de emergência, inteligência artificial, modelos de linguagem, RCP assistida por despachante