Characteristics of out-of-hospital cardiac arrest calls unrecognised by machine learning versus medical dispatchers: a nationwide observational study
Cette étude observationnelle nationale révèle que les modèles d'apprentissage automatique et les répartiteurs médicaux présentent des modes de reconnaissance distincts et complémentaires pour les appels d'arrêt cardiaque extrahospitalier, les modèles d'apprentissage automatique étant plus performants dans des scénarios spécifiques comme les arrêts à domicile par des témoins non professionnels isolés, tandis que les répartiteurs excellent lorsque la RCP est déjà en cours ou que plusieurs personnes sont présentes.
Article original sous licence CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète
Lorsqu'une personne fait un arrêt cardiaque en dehors d'un hôpital, chaque seconde compte. Le chemin vers la survie commence par un simple appel aux services d'urgence, où un répartiteur doit instantanément reconnaître que l'appelant décrit un arrêt cardiaque. Cette reconnaissance déclenche l'envoi immédiat d'une ambulance et, surtout, des instructions pour que l'appelant commence les compressions thoraciques. Cependant, les répartiteurs humains ne sont pas parfaits ; ils peuvent passer à côté des signes, souvent parce que la personne en détresse émet des respirations étranges, des râles qui ressemblent à des ronflements, ou parce que l'appelant est trop paniqué pour parler clairement. Au cours des dernières années, des programmes informatiques conçus pour écouter ces appels sont apparus comme un filet de sécurité potentiel, capables de repérer des modèles de parole que les humains pourraient négliger. La question qui se pose aux services d'urgence n'est pas seulement de savoir si ces machines fonctionnent, mais là où elles réussissent et là où elles échouent par rapport aux experts humains assis de l'autre côté de la ligne.
Des chercheurs en Suède ont entrepris d'étudier précisément cette dynamique en écoutant un ensemble spécifique d'appels d'urgence où l'humain et la machine étaient en désaccord. Ils se sont concentrés sur quatre-vingt-dix appels de 2018 où un véritable arrêt cardiaque s'est produit, mais où soit le répartiteur humain, soit l'algorithme informatique, n'a pas identifié l'urgence. En examinant attentivement les enregistrements audio de ces appels, l'équipe a cherché à comprendre les circonstances spécifiques qui ont conduit à ces erreurs. Leur objectif n'était pas de déclarer un vainqueur, mais de cartographier les angles morts uniques de chacun, dans l'espoir de trouver un moyen pour qu'ils travaillent ensemble plus efficacement.
L'étude a révélé une séparation claire dans la manière dont les deux groupes reconnaissaient l'urgence. Dans plus de la moitié de ces quatre-vingt-dix cas, le modèle informatique a correctement identifié l'arrêt cardiaque alors que le répartiteur humain l'avait manqué. Dans les cas restants, le répartiteur humain avait détecté l'urgence tandis que le modèle informatique avait échoué. Cette division n'était pas aléatoire ; elle dépendait fortement de la situation et des personnes impliquées. L'ordinateur était nettement meilleur pour reconnaître l'urgence lorsque l'appelant était seul, lorsque l'appelant était un particulier plutôt qu'un professionnel de santé, et lorsque l'appel provenait d'un domicile privé. La machine était également plus performante lorsque l'appelant connaissait personnellement le patient et lorsque l'appel avait lieu en soirée.
À l'inverse, les répartiteurs humains étaient plus susceptibles de détecter l'urgence lorsque l'appelant n'était pas seul et que quelqu'un effectuait déjà des compressions thoraciques au moment de l'appel. Les chercheurs ont constaté que lorsqu'un appelant était seul, l'ordinateur avait beaucoup plus de chances de réussir que l'humain. Cela suggère que la nature calme et concentrée d'une voix unique parlant dans un environnement domestique fournit à l'ordinateur les signaux audio clairs nécessaires pour fonctionner. En revanche, les répartiteurs humains semblaient s'appuyer davantage sur le contexte chaotique d'une scène où d'autres personnes étaient présentes ou où la RCP était déjà en cours, percevant peut-être des bruits de fond ou l'urgence de voix multiples qui confondaient le logiciel d'écoute de l'ordinateur.
L'étude a également souligné comment le profil de l'appelant influençait le résultat. L'ordinateur était bien plus performant lorsque l'appelant était un profane, mais il peinait lorsque l'appelant était un professionnel de santé. Cela suggère que les professionnels de santé peuvent décrire la situation en utilisant des mots ou des tons différents que l'entraînement de l'ordinateur n'avait pas prévus, tandis que les profanes utilisent des descriptions plus standards d'effondrement et de respiration que la machine reconnaît facilement. De même, l'ordinateur était plus susceptible de réussir lorsque l'appelant connaissait le patient, probablement parce que les appelants familiers pouvaient fournir des détails plus spécifiques sur l'évolution de l'état de la personne, créant ainsi des indices linguistiques plus clairs pour suivre le logiciel.
Malgré ces différences, les chercheurs ont souligné que ni l'un ni l'autre n'est parfait en soi. L'ordinateur a manqué des appels où la scène était bruyante ou chaotique, tandis que les humains ont manqué des appels où les signes étaient subtils ou l'appelant isolé. Les auteurs suggèrent que la voie la plus prometteuse n'est pas de remplacer les répartiteurs humains par des machines, mais d'utiliser l'ordinateur comme un outil de soutien. Dans ce scénario, la machine agirait comme une seconde paire d'oreilles, alertant le répartiteur humain lorsqu'il détecte un arrêt cardiaque dans des situations où l'humain pourrait être distrait ou lorsque l'appelant est seul et que la machine est la plus performante.
Les conclusions s'accompagnent d'une note de prudence. L'étude a examiné un groupe relativement restreint d'appels où les deux parties étaient en désaccord, et les chercheurs ont noté que certains modèles statistiques n'étaient pas entièrement précis en raison de ce nombre limité. Ils ont également indiqué que la performance de l'ordinateur pourrait changer à mesure que la technologie évolue ou que les types d'appels changent. Cependant, l'observation fondamentale reste robuste : les humains et les machines commettent des types d'erreurs différents. En comprenant ces différences spécifiques, les services d'urgence peuvent concevoir des systèmes où l'ordinateur gère les appels calmes et isolés avec une grande sensibilité, tandis que le répartiteur humain gère les scènes complexes et bruyantes, créant un partenariat qui pourrait sauver plus de vies que chacun d'eux ne pourrait le faire seul.
Noyé(e) sous les articles dans votre domaine ?
Recevez des digests quotidiens des articles les plus récents correspondant à vos mots-clés de recherche — avec des résumés techniques, dans votre langue.