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

Quando il cuore di una persona smette di battere al di fuori di un ospedale, ogni secondo conta. Il percorso verso la sopravvivenza inizia con una singola telefonata ai servizi di emergenza, dove un operatore deve riconoscere istantaneamente che chi chiama sta descrivendo un arresto cardiaco. Questo riconoscimento innesca l'invio immediato di un'ambulanza e, cosa fondamentale, le istruzioni per far iniziare le compressioni toraciche a chi chiama. Tuttavia, gli operatori umani non sono perfetti; possono mancare i segnali, spesso perché la persona in difficoltà sta emettendo respiri strani, simili a rantoli, che suonano come russi, o perché chi chiama è troppo nel panico per parlare chiaramente. Negli ultimi anni, programmi informatici progettati per ascoltare queste chiamate sono emersi come una potenziale rete di sicurezza, capaci di individuare modelli nel parlato che gli esseri umani potrebbero trascurare. La questione che i servizi di emergenza devono affrontare non è solo se queste macchine funzionino, ma dove abbiano successo e dove falliscano rispetto agli esperti umani seduti dall'altra parte della linea.

Ricercatori svedesi si sono posti l'obiettivo di investigare esattamente questa dinamica, ascoltando un set specifico di chiamate di emergenza in cui l'uomo e la macchina erano in disaccordo. Si sono concentrati su novanta chiamate del 2018 in cui si era verificato un vero arresto cardiaco, ma l'operatore umano o l'algoritmo informatico non erano riusciti a identificarlo. Esaminando attentamente le registrazioni audio di queste chiamate, il team ha cercato di comprendere le circostanze specifiche che avevano portato a questi errori. Il loro obiettivo non era dichiarare un vincitore tra le due parti, ma mappare le uniche lacune di ciascuno, sperando di trovare un modo per farli lavorare insieme in modo più efficace.

Lo studio ha rivelato una netta divisione nel modo in cui i due gruppi riconoscevano l'emergenza. In più della metà di questi novanta casi, il modello informatico aveva identificato correttamente l'arresto cardiaco mentre l'operatore umano lo aveva mancato. Nei casi rimanenti, l'operatore umano aveva colto l'emergenza mentre il modello informatico falliva. Questa divisione non era casuale; dipendeva fortemente dalla situazione e dalle persone coinvolte. Il computer era significativamente più bravo a riconoscere l'emergenza quando l'interlocutore era solo, quando l'interlocutore era una persona comune piuttosto che un professionista medico, e quando la chiamata proveniva da un'abitazione privata. La macchina performava meglio anche quando chi chiamava conosceva personalmente il paziente e quando la chiamata avveniva di sera.

Al contrario, gli operatori umani erano più propensi a individuare l'emergenza quando l'interlocutore non era solo e quando qualcuno stava già eseguendo il massaggio cardiaco al momento della chiamata. I ricercatori hanno scoperto che quando un chiamante era solo, il computer era molto più propenso a riuscire rispetto all'essere umano. Ciò suggerisce che la natura silenziosa e concentrata di una singola voce che parla in un ambiente domestico fornisca al computer i segnali audio chiari necessari per lavorare. Al contrario, gli operatori umani sembravano fare affidamento maggiormente sul contesto caotico di una scena in cui erano presenti altre persone o dove il massaggio cardiaco era già in corso, forse cogliendo rumori di sottofondo o l'urgenza di più voci che confondevano il software di ascolto del computer.

Lo studio ha inoltre evidenziato come il background del chiamante influenzasse il risultato. Il computer aveva molto più successo quando l'interlocutore era un profano, ma faticava quando l'interlocutore era un professionista sanitario. Ciò suggerisce che i professionisti medici possano descrivere la situazione utilizzando parole o toni diversi che il computer non si aspettava durante l'addestramento, mentre i profani tendono a usare descrizioni più standard di collasso e respirazione che la macchina riconosce facilmente. Allo stesso modo, il computer era più propenso a riuscire quando chi chiamava conosceva il paziente, probabilmente perché i chiamanti familiari potevano fornire dettagli più specifici su come fosse cambiata la condizione della persona, creando indizi linguistici più chiari da seguire per il software.

Nonostante queste differenze, i ricercatori hanno sottolineato che nessuno dei due è perfetto da solo. Il computer ha mancato chiamate in cui la scena era rumorosa o caotica, mentre gli umani hanno mancato chiamate in cui i segni erano sottili o il chiamante era isolato. Gli autori suggeriscono che la strada più promettente non sia quella di sostituire gli operatori umani con le macchine, ma di usare il computer come uno strumento di supporto. In questo scenario, la macchina agirebbe come un secondo paio di orecchie, avvisando l'operatore umano quando rileva un arresto cardiaco in situazioni in cui l'umano potrebbe essere distratto o dove il chiamante è solo e la macchina performa meglio.

I risultati arrivano con una nota di cautela. Lo studio ha esaminato un gruppo relativamente piccolo di chiamate in cui le due parti erano in disaccordo, e i ricercatori hanno osservato che alcuni dei modelli statistici non erano del tutto precisi a causa di questo numero limitato. Hanno anche sottolineato che le prestazioni del computer potrebbero cambiare con l'evoluzione della tecnologia o con il cambiare delle tipologie di chiamate. Tuttavia, l'osservazione centrale rimane robusta: gli esseri umani e le macchine commettono tipi diversi di errori. Comprendendo queste specifiche differenze, i servizi di emergenza possono progettare sistemi in cui il computer gestisce le chiamate silenziose e isolate con alta sensibilità, mentre l'operatore umano gestisce le scene complesse e rumorose, creando una partnership che potrebbe salvare più vite di quanto ciascuno potrebbe ottenere da solo.