Tidig upptäckt av hjärtstopp utanför sjukhus med djupa språkmodeller från realtidsnödsamtal

Varför snabbare upptäckt av hjärtproblem är avgörande

När någons hjärta plötsligt stannar utanför sjukhus räknas varje sekund. Överlevnad beror på hur snabbt någon känner igen krisen, larmar efter hjälp och påbörjar bröstkompressioner. Ändå kan även utbildade larmoperatörer missa dessa händelser under kaotiska telefonsamtal. Denna studie undersöker om ett avancerat språkbaserat AI-system kan lyssna på transkriberade nödsamtal och i realtid flagga möjliga hjärtstopp, så att operatörerna får ett extra par öron under den mest kritiska första minuten.

Vad som händer under ett 112-liknande samtal

Hjärtstopp utanför sjukhus inträffar utan förvarning, stoppar blodflödet och hotar hjärnan inom minuter. Överlevnaden förbättras dramatiskt när förbipasserande snabbt börjar med bröstkompressioner, ofta vägledda över telefon av operatörer. Men uppringare kan vara panikslagna, osäkra på vad de ser eller vilseledda av onormala flämtningar som låter som andning. Som följd misslyckas operatörer med att känna igen hjärtstopp i ungefär en av fyra fall, vilket fördröjer livsviktiga instruktioner. Traditionella verktyg försöker hjälpa genom att följa fasta frågelistor eller genom att känna igen vissa nyckelord i samtal, men dessa kan luras av vaga, emotionella eller missvisande uttryck.

Hur en samtalsmedveten AI byggdes

Forskarlaget utvecklade ett system kallat DyLM-OHCA som använder djup språkmodellering, en teknik liknande den bakom moderna chatbotar, för att analysera transkriptioner av nödsamtal. I stället för att fokusera på isolerade ord läser modellen dialogen fram och tillbaka mellan uppringare och operatör i takt med att den utvecklas. Den tränades på nästan 159 000 nödsamtal från tre stora sydkoreanska städer, inklusive mer än 2 600 bekräftade hjärtstoppsfall. Under träningen lärde sig modellen att omvandla varje ny ordsekvens till en löpande uppskattning av om uppringaren beskriver ett hjärtstopp, en annan allvarlig nödsituation eller ett mindre allvarligt problem, allt utan att behöva detaljerade etiketter för varje mening.

Hur väl AI:n känner igen hjärtstopp

Teamet testade DyLM-OHCA på samtal den aldrig tidigare sett och bad den avgöra inom de första 60 sekunderna om ett hjärtstopp pågick. Jämfört med fyra etablerade maskininlärningsmetoder som förlitar sig på handgjorda ordstatistik var det språkbaserade systemet avsevärt mer träffsäkert. Det skilde korrekt ut hjärtstoppssamtal från andra i mer än nio av tio fall enligt vanliga sammanfattande mått, samtidigt som det identifierade omkring fyra av fem verkliga hjärtstopp inom den första minuten. I genomsnitt gav det sin första varning kring 20 sekunder in i samtalet—mer än 20 sekunder snabbare än vissa tidigare computermodeller rapporterat i andra studier—samtidigt som felaktiga varningar hölls under en av tio samtal.

Vad AI:n faktiskt lyssnar efter

För att förstå systemets beslut undersökte forskarna vilka delar av samtalet som starkast drev modellen mot en varning för hjärtstopp. Istället för att haka upp sig på ett enda magiskt ord svarade modellen på mönster: en operatör som frågar om personen är vid medvetande eller andas, följt av att uppringaren säger saker som ”vaknar inte” eller antyder att något känns allvarligt fel. Modellen följde också hur dess egen säkerhet förändrades över tid. I de flesta verkliga hjärtstoppssamtal, när riskvärdet väl steg, förblev det högt. I mer än hälften av falsklarmen toppade däremot risken tidigt för att sedan sjunka när samtalet avslöjade detaljer som pekade på andra nödsituationer som anfall eller andningsattacker.

Hur detta kan hjälpa verkliga operatörer

Rent praktiskt är DyLM-OHCA utformat som en tyst assistent, inte som en ersättning för mänskligt omdöme. Under samtalets gång skulle det kontinuerligt uppdatera en risksignal som operatören kan se, tillsammans med enkla förklaringar av vilka senaste fraser som utlöste varningen. Denna kontext kan göra systemets varningar lättare att lita på än svartboxvarningar från äldre modeller och kan leda till mer fokuserade frågor eller tidigare instruktioner om bröstkompressioner när sekunderna är avgörande. Studien gjordes på koreanskspråkiga samtal från ett land och har ännu inte testats i skarp drift, men den tyder på att samtalsmedveten AI skulle kunna öka tidig igenkänning av hjärtstopp och i förlängningen förbättra överlevnaden.

Citering: 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

Nyckelord: hjärtstopp, nödsamtal, artificiell intelligens, språkmodeller, styrd HLR av operatör