119 응급신고에서 수보요원과 신고자의 통화분석을 활용한 머신 러닝 기반의 심정지 탐지 모델
Machine-learning-based out-of-hospital cardiac arrest (OHCA) detection in emergency calls using speech recognition
0
조회
0
다운로드
1
인용
0
참고문헌
키워드
초록
심정지는 초기 대응에 따라 생존율과 예후에 영향을 미치는 중요한 응급 상황이다. 특히 병원밖심정지(outof- hospital cardiac arrest, OHCA)의 경우, 119 구조대의 초기 조치가 심정지 환자의 생존율을 높이는 데 결정적인 역할을 한다. 그러나 국내에서는 수보요원의 수가 제한적이지만 다량의 신고 전화에 응대해야 하는 현실이다. 이런상황에서 머신러닝 기반의 OHCA 탐지 프로그램은 수보요원의 보조 역할로 심정지 환자의 생존률을 높일 수 있다. 본 연구에서는 이러한 문제를 해결하기 위해 머신러닝 기반의 심정지(OHCA) 탐지 프로그램을 개발하였다. 이 프로그램은 수보요원과 신고자의 통화 녹취록을 분석하여 심정지 여부를 판단한다. 제안한 모델은 수보요원 및 신고자와의 통화를 자동으로 전사하는 모델, 텍스트 기반의 심정지 탐지 모델, 그리고 프로그램 개발을 위한 서버와 클라이언트로 구성되어 있다. 실험 결과, 본 연구에서 제안한 모델은 F1 점수 기준으로 79.49%의 성능을 보였으며, 수보요원과 비교하여 심정지 감지 시간을 15초 단축하였다. 이 연구는 소규모 데이터셋을 사용하였음에도 불구하고, 심정지 기반의 탐지 프로그램이 수보요원의 보조 역할로 심정지 생존률에 기여할 수 있음을 입증하였다.
Abstract
Cardiac arrest is a critical medical emergency where immediate response is essential for patient survival. This is especially true for Out-of-Hospital Cardiac Arrest (OHCA), for which the actions of emergency medical services in the early stages significantly impact outcomes. However, in Korea, a challenge arises due to a shortage of dispatcher who handle a large volume of emergency calls. In such situations, the implementation of a machine learning-based OHCA detection program can assist responders and improve patient survival rates. In this study, we address this challenge by developing a machine learning-based OHCA detection program. This program analyzes transcripts of conversations between responders and callers to identify instances of cardiac arrest. The proposed model includes an automatic transcription module for these conversations, a text-based cardiac arrest detection model, and the necessary server and client components for program deployment. Importantly, The experimental results demonstrate the model's effectiveness, achieving a performance score of 79.49% based on the F1 metric and reducing the time needed for cardiac arrest detection by 15 seconds compared to dispatcher. Despite working with a limited dataset, this research highlights the potential of a cardiac arrest detection program as a valuable tool for responders, ultimately enhancing cardiac arrest survival rates.
참고문헌 (21)
- Berg, K. M., "Part 7: Systems of Care: 2020 American Heart Association guidelines for cardiopulmonary resuscitation and emergency cardiovascular care", Circulation, 142(16_suppl_2), pp.S580~S604 (2020)
- Blomberg, S. N., "Machine learning as a supportive tool to recognize cardiac arrest in emergency calls", Resuscitation, 138, pp.322~329 (2019)
- Bojanowski, P., "Enriching word vectors with subword information", Transactions of the Association for Computational Linguistics, 5, pp.135~146 (2017)
- Byrsell, F., "Machine learning can support dispatchers to better and faster recognize out-of-hospital cardiac arrest during emergency calls : A retrospective study", Resuscitation, 162, pp.218~226 (2021)
- 정병호, "119 긴급구조시스템 교육훈련 시뮬레이터 개발", 한국전자통신학회 논문지, 10(4), pp.461~468 (2015), 한국전자통신학회
- Eisenberg. M. S., "Cardiac arrest and resuscitation : A tale of 29 cities", Annals of Emergency Medicine, 19(2), pp.179~186 (1990)
- Gnesin, F., "Rapid dispatch for out-of-hospital cardiac arrest is associated with improved survival", Resuscitation, 163, pp.176~183 (2021)
- 김효실, "병원 밖에서 발생한 급성 심장정지 환자의 생존결과에 영향을 미치는 요인 : 다수준 분석", 한국응급구조학회지, 24(2), pp.7~26 (2020), 사단법인 한국응급구조학회[DOI]
- Kim, J., "Incidences of out-of-hospital sudden cardiac arrest in the Republic of Korea, 2021", Public Health Weekly Report, 15(51), pp.3007~3020 (2022)
- Kim, J. H., "Development of a machine-learning algorithm to predict in-hospital cardiac arrest for emergency department patients using a nationwide database", Scientific Reports, 12(1), pp.21797~ (2022)
- 이규환, "음성인식 기반 응급상황관제", 말소리와 음성과학, 8(2), pp.31~39 (2016), 한국음성학회[DOI]
- "Emergency medical dispatch guidecards" (2020)[URL]
- O’Keeffe, C., "Role of ambulance response times in the survival of patients with out-of-hospital cardiac arrest", Emergency Medicine Journal, 28(8), pp.703~706 (2011)
- "119 reports in 2021, up 7.1% (nearly 800,000) year-over-year" (2020)[URL]
- 박일수, "병원전 심정지 환자의 단계별 생존요인에 관한 연구", 보건사회연구, 34(2), pp.484~513 (2014), 한국보건사회연구원[DOI]
- Park, J. H., "Use of machine learning based time-to-event analysis for prediction of field return of spontaneous circulation after out-of-hospital cardiac arrest", Doctoral, pp.2022
- "Fire emergency dispatcher: 911 operator" (2016)[URL]
- Povey, D., "The Kaldi speech recognition toolkit", Proceeding of the IEEE 2011 Workshop on Automatic Speech Recognition and Understanding (No. CONF) (2011)
- Safar, P., "Cerebral resuscitation after cardiac arrest: a review", Circulation, 74(6 Pt 2), pp.138~153 (1986)
- Yoon, H., "Major findings of the 2006-2018 survey on acute myocardial infarction", Weekly Health and Disease, 13(1), pp.77~90 (2020)
- Vukmir, R. B., "Witnessed arrest, but not delayed bystander cardiopulmonary resuscitation improves prehospital cardiac arrest survival", Emergency Medicine Journal, 21(3), pp.370~373 (2004)