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

Cuando el corazón de una persona deja de latir fuera de un hospital, cada segundo cuenta. El camino hacia la supervivencia comienza con una sola llamada a los servicios de emergencia, donde un despachador debe reconocer instantáneamente que el llamante está describiendo un paro cardíaco. Este reconocimiento activa el despacho inmediato de una ambulancia y, crucialmente, las instrucciones para que el llamante comience las compresiones torácicas. Sin embargo, los despachadores humanos no son perfectos; pueden pasar por alto las señales, a menudo porque la persona en peligro está realizando respiraciones extrañas y jadeantes que suenan como ronquidos o porque el llamante está demasiado aterrado para hablar con claridad. En años recientes, han surgido programas informáticos diseñados para escuchar estas llamadas como una red de seguridad potencial, capaces de detectar patrones en el habla que los humanos podrían pasar por alto. La pregunta que enfrentan los servicios de emergencia no es solo si estas máquinas funcionan, sino dónde tienen éxito y dónde fallan en comparación con los expertos humanos sentados al otro lado de la línea.

Un grupo de investigadores en Suecia se propuso investigar precisamente esta dinámica escuchando un conjunto específico de llamadas de emergencia donde el humano y la máquina no estuvieron de acuerdo. Se centraron en noventa llamadas de 2018 donde ocurrió un paro cardíaco real, pero el despachador humano o el algoritmo informático no lo identificaron. Al revisar cuidadosamente las grabaciones de audio de estas llamadas, el equipo buscó comprender las circunstancias específicas que llevaron a estos errores. Su objetivo no era declarar a un bando como el ganador, sino mapear los puntos ciegos únicos de cada uno, con la esperanza de encontrar una manera de que trabajen juntos de manera más efectiva.

El estudio reveló una división clara en cómo los dos grupos reconocieron la emergencia. En más de la mitad de estos noventa casos, el modelo informático identificó correctamente el paro cardíaco mientras que el despachador humano lo pasó por alto. En los casos restantes, el despachador humano detectó la emergencia mientras que el modelo informático falló en hacerlo. Esta división no fue aleatoria; dependía en gran medida de la situación y de las personas involucradas. La computadora fue significativamente mejor al reconocer la emergencia cuando el llamante estaba solo, cuando el llamante era una persona común en lugar de un profesional médico, y cuando la llamada provenía de un hogar privado. La máquina también funcionó mejor cuando el llamante conocía personalmente al paciente y cuando la llamada ocurrió por la noche.

Por el contrario, los despachadores humanos fueron más propensos a detectar la emergencia cuando el llamante no estaba solo y cuando alguien ya estaba realizando compresiones torácicas en el momento de la llamada. Los investigadores encontraron que cuando un llamante estaba solo, la computadora tenía mucha más probabilidad de tener éxito que el humano. Esto sugiere que la naturaleza silenciosa y enfocada de una sola voz hablando en un entorno doméstico proporciona a la computadora las señales de audio claras que necesita para funcionar. En contraste, los despachadores humanos parecían depender más del contexto caótico de una escena donde había otras personas presentes o donde la RCP ya estaba en curso, quizás captando ruidos de fondo o la urgencia de múltiples voces que confundían el software de escucha de la computadora.

El estudio también destacó cómo el trasfondo del llamante influyó en el resultado. La computadora tuvo mucho más éxito cuando el llamante era un ciudadano común, pero tuvo dificultades cuando el llamante era un profesional de la salud. Esto sugiere que los profesionales médicos pueden describir la situación utilizando palabras o tonos diferentes que el entrenamiento de la computadora no esperaba, mientras que los ciudadanos comunes tienden a usar descripciones más estándar de colapso y respiración que la máquina reconoce fácilmente. Del mismo modo, la computadora tuvo más probabilidades de tener éxito cuando el llamante conocía al paciente, probablemente porque los llamantes familiares podían proporcionar detalles más específicos sobre cómo había cambiado la condición de la persona, creando pistas lingüísticas más claras para que el software las siguiera.

A pesar de estas diferencias, los investigadores enfatizaron que ninguno de los dos lados es perfecto por sí solo. La computadora perdió llamadas donde la escena era ruidosa o caótica, mientras que los humanos perdieron llamadas donde las señales eran sutiles o el llamante estaba aislado. Los autores sugieren que el camino más prometedor no es reemplazar a los despachadores humanos con máquinas, sino utilizar la computadora como una herramienta de apoyo. En este escenario, la computadora actuaría como un segundo par de oídos, alertando al despachador humano cuando detecta un paro cardíaco en situaciones donde el humano podría estar distraído o donde el llamante está solo y la máquina tiene un mejor desempeño.

Los hallazgos vienen acompañados de una nota de cautela. El estudio analizó un grupo relativamente pequeño de llamadas donde los dos bandos no estuvieron de acuerdo, y los investigadores señalaron que algunos de los patrones estadísticos no eran del todo precisos debido a este número limitado. También señalaron que el rendimiento de la computadora podría cambiar a medida que la tecnología evolza o que los tipos de llamadas cambien. Sin embargo, la observación central sigue siendo sólida: los humanos y las máquinas cometen tipos diferentes de errores. Al comprender estas diferencias específicas, los servicios de emergencia pueden diseñar sistemas donde la computadora gestione las llamadas silenciosas e aisladas con alta sensibilidad, mientras que el despachador humano gestione las escenas complejas y ruidosas, creando una asociación que podría salvar más vidas de las que cualquiera de los dos podría lograr por sí solo.