Stroke recognition in medical emergency calls: A novel sensitivity definition as a basis for developing artificial intelligence decision support
Notice bibliographique
Résumé
Abstract Background The sensitivity of emergency medical communication centers (EMCC) for stroke detection varies widely. However, few studies offer detailed insights into the entirety of prehospital pathways in patients with stroke. Therefore, this study aimed to lay the foundation for artificial intelligence (AI) decision support tools in EMCCs by exploring their ability to detect strokes in medical emergency calls, describe a novel method for stroke sensitivity calculation in the EMCC, and identify factors associated with stroke recognition during a call. Methods In total, 1,164 patients with stroke in the catchment area of Bergen EMCC in 2018 and 2019 were included, and a dataset from the EMCC was established manually and linked with data from the Norwegian Stroke Registry (NSR) for analysis. Descriptive statistics, Chi-square test for categorical variables, Mann–Whitney U test for continuous variables, and multivariate logistic regression (LR) were performed on data obtained from patients primarily assessed by EMCC (n=838). Results Using a novel method, we found a stroke detection sensitivity of 76.8% in our study, compared to the 63.4% when using the traditional sensitivity detection method. LR analysis showed a positive association between stroke suspicion and ischemic strokes (odds ratio [OR]=0.317 [0.209–0.481]; p<0,001, with ischemic stroke as the reference) and wake-up strokes (OR=1.716 [1.110–2.653]; p=0.015). Among the NSR symptoms, only aphasia/dysarthria was positively associated with stroke suspicion (OR=1.600 [1.087–2.353]; p=0.017), while leg paresis (OR=0.609 [0.390–0.953]; p=0.009) and vertigo (OR=0.376 [0.204–0.694]; p=0.002) were negatively associated. Conclusions This study introduced a novel and more accurate method for calculating EMCC stroke sensitivity, which is relevant for developing decision support tools, such as AI. Moreover, we identified factors of particular interest for future EMCC research that are relevant to developing AI decision-support tools. Clinical trials https://clinicaltrials.gov/study/NCT04648449
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,005 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».