Characteristics of out-of-hospital cardiac arrest calls unrecognised by machine learning versus medical dispatchers: a nationwide observational study

Wenn das Herz eines Menschen außerhalb eines Krankenhauses aufhört zu schlagen, zählt jede Sekunde. Der Weg zum Überleben beginnt mit einem einzigen Anruf beim Rettungsdienst, bei dem ein Disponent sofort erkennen muss, dass der Anrufer einen Herzstillstand beschreibt. Diese Erkennung löst die sofortige Entsendung eines Krankenwagens aus und, was entscheidend ist, Anweisungen für den Anrufer, mit Herzdruckmassagen zu beginnen. Doch menschliche Disponenten sind nicht perfekt; sie können die Anzeichen übersehen, oft weil die Person in Not seltsame, schnaubende Atemgeräusche macht, die wie Schnarchen klingen, oder weil der Anrufer zu panisch ist, um klar zu sprechen. In den letzten Jahren sind Computerprogramme entstanden, die darauf ausgelegt sind, diese Anrufe anzuhören, und die als potenzielles Sicherheitsnetz dienen können, da sie in der Lage sind, Muster in der Sprache zu erkennen, die Menschen vielleicht übersehen. Die Frage, vor der die Rettungsdienste stehen, ist nicht nur, ob diese Maschinen funktionieren, sondern wo sie im Vergleich zu den menschlichen Experten am anderen Ende der Leitung erfolgreich sind und wo sie scheitern.

Forscher in Schweden machten sich daran, genau diese Dynamik zu untersuchen, indem sie eine spezifische Gruppe von Notrufen anhörten, bei denen Mensch und Maschine uneinig waren. Sie konzentrierten sich auf neunzig Anrufe aus dem Jahr 2018, bei denen ein echter Herzstillstand auftrat, aber entweder der menschliche Disponent oder der Computer-Algorithmus ihn nicht identifiziert hatte. Durch die sorgfältige Überprüfung der Audioaufnahmen dieser Anrufe versuchte das Team zu verstehen, welche spezifischen Umstände zu diesen Fehlern führten. Ihr Ziel war es nicht, eine Seite als Sieger zu erklären, sondern die einzigartigen blinden Flecken jeder Seite zu kartieren, in der Hoffnung, einen Weg zu finden, wie sie effektiver zusammenarbeiten können.

Die Studie zeigte eine klare Spaltung in der Art und Weise auf, wie die beiden Gruppen den Notfall erkannten. In mehr als der Hälfte dieser neunzig Fälle identifizierte das Computermodell den Herzstillstand korrekt, während der menschliche Disponent ihn übersah. In den verbleibenden Fällen erkannte der menschliche Disponent den Notfall, während das Computermodell versagte. Diese Aufteilung war nicht zufällig; sie hing stark von der Situation und den beteiligten Personen ab. Der Computer war signifikant besser darin, den Notfall zu erkennen, wenn der Anrufer allein war, wenn der Anrufer eine Privatperson und kein medizinischer Fachmann war und wenn der Anruf aus einem Privathaushalt kam. Die Maschine arbeitete auch besser, wenn der Anrufer den Patienten persönlich kannte und wenn der Anruf am Abend getätigt wurde.

Umgekehrt waren die menschlichen Disponenten eher in der Lage, den Notfall zu erkennen, wenn der Anrufer nicht allein war und wenn bereits jemand Herzdruckmassagen durchführte, während des Anrufs. Die Forscher fanden heraus, dass der Computer weitahe immer dann erfolgreicher war, wenn ein Anrufer allein war, als der Mensch. Dies deutet darauf darauf hin, dass die ruhige, fokussierte Natur einer einzelnen Stimme in einer häuslichen Umgebung dem Computer die klaren Audiosignale liefert, die er benötigt, um zu arbeiten. Im Gegensatz dazu schienen menschliche Disponenten eher auf den chaotischen Kontext einer Szene zu vertrauen, in der andere anwesend waren oder in der bereits CPR durchgeführt wurde, wobei sie vielleicht Hintergrundgeräusche oder die Dringlichkeit mehrerer Stimmen wahrnahmen, die die Hörsoftware des Computers verwirrten.

Die Studie hob auch hervor, wie der Hintergrund des Anrufers das Ergebnis beeinflusste. Der Computer war viel erfolgreicher, wenn der Anrufer ein Laie war, hatte aber Schwierigkeiten, wenn der Anrufer ein medizinischer Fachkraft war. Dies deutologiert, dass medizinische Fachkräfte die Situation möglicherweise mit anderen Worten oder Tönen beschreiben, die das Computertraining nicht erwartet hat, während Laien dazu neigen, standardisierte Beschreibungen von Zusammenbruch und Atmung zu verwenden, die die Maschine leicht erkennt. Ähnlich verhielt es sich, dass der Computer wahrscheinlicher erfolgreich war, wenn der Anrufer den Patienten kannte, was wahrscheinlich daran lag, dass vertraute Anrufer spezifischere Details darüber geben konnten, wie sich der Zustand der Person verändert hatte, was für die Software leicht nachvollziehbare linguistische Hinweise schuf.

Trotz dieser Unterschiede betonten die Forscher, dass keine der beiden Seiten für sich genommen perfekt ist. Der Computer übersah Anrufe, in denen die Szene laut oder chaotisch war, während Menschen Anrufe übersahen, in denen die Anzeichen subtil waren oder der Anrufer isoliert war. Die Autoren schlagen vor, dass der vielversprechendste Weg nicht darin besteht, menschliche Disponenten durch Maschinen zu ersetzen, sondern den Computer als unterstützendes Werkzeug einzusetzen. In diesem Szenario würde die Maschine als zweites Paar Ohren fungieren, das den menschlichen Disponenten warnt, wenn es einen Herzstillstand erkennt, in Situationen, in denen der Mensch abgelenkt sein könnte oder in denen der Anrufer allein ist und die Maschine am besten abschneidet.

Die Ergebnisse gehen mit einer Warnung einher. Die Studie betrachtete eine relativ kleine Gruppe von Anrufen, bei denen sich die beiden Seiten uneinig waren, und die Forscher merkten an, dass einige der statistischen Muster aufgrund dieser begrenzten Anzahl nicht völlig präzise waren. Sie wiesen auch darauf hin, dass sich die Leistung des Computers ändern könnte, wenn sich die Technologie weiterentwickelt oder sich die Arten der Anrufe ändern. Die Kernbeobachtung bleibt jedoch robust: Menschen und Maschinen machen unterschiedliche Arten von Fehlern. Durch das Verständnis dieser spezifischen Unterschiede können Rettungsdienste Systeme entwerfen, in denen der Computer die ruhigen, isolierten Anrufe mit hoher Sensibilität bearbeitet, während der menschliche Disponent die komplexen, lauten Szenen managt, wodurch eine Partnerschaft entsteht, die mehr Leben retten kann, als es entweder allein vermocht hätte.