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

Wanneer het hart van een persoon buiten een ziekenhuis stopt met kloppen, telt elke seconde. Het pad naar overleving begint met één telefoontje naar de hulpdiensten, waarbij een centralist direct moet herkennen dat de beller een hartstilstand beschrijft. Deze herkenning activeert de onmiddellijke uitsturing van een ambulance en, cruciaal, instructies voor de beller om met borstcompressies te beginnen. Echter, menselijke centralisten zijn niet perfect; ze kunnen de signalen missen, vaak omdat de persoon in nood vreemde, snurkende ademhalingsgeluiden maakt of omdat de beller te paniekerig is om duidelijk te spreken. In de afgelopen jaren zijn computerprogramma's die deze gesprekken beluisteren als een potentieel vangnet naar voren gekomen, in staat om patronen in spraak te ontdekken die mensen mogelijk over het hoofd zien. De vraag waar de hulpdiensten voor staan is niet alleen of deze machines werken, maar waar ze slagen en waar ze falen in vergelijking met de menselijke experts aan de andere kant van de lijn.

Onderzoekers in Zweden gingen aan de slag om precies deze dynamiek te onderzoeken door te luisteren naar een specifieke set noodoproepen waarbij de mens en de machine het oneens waren. Ze richtten zich op negentig oproepen uit 2018 waarbij een echte hartstilstand plaatsvond, maar waarbij ofwel de menselijke centralist of het computeralgoritme het niet had herkend. Door de audio-opnames van deze gesprekken zorgvuldig te beoordelen, probeerde het team de specificaties van de omstandigheden te begrijpen die tot deze fouten leidden. Hun doel was niet om een winnaar aan te wijzen, maar om de unieke blinde vlekken van elk te in kaart te brengen, in de hoop een manier te vinden waarop ze effectiever kunnen samenwerken.

De studie toonde een duidelijke splitsing aan in hoe de twee groepen de noodsituatie herkenden. In meer dan de helft van deze negentig gevallen identificeerde het computermodel de hartstilstand correct, terwijl de menselijke centralist deze miste. In de resterende gevallen herkende de menselijke centralist de noodsituatie, terwijl het computermodel faalde. Deze verdeling was niet willekeurig; het hing sterk af van de situatie en de betrokken personen. De computer was aanzienlijk beter in het herkennen van de noodsituatie wanneer de beller alleen was, wanneer de beller een leek was in plaats van een medisch professional, en wanneer de oproep vanuit een privéwoning kwam. De machine presteerde ook beter wanneer de beller de patiënt persoonlijk kende en wanneer de oproep in de avond plaatsvond.

Omgekeerd waren de menselijke centralisten eerder geneigd de noodsituatie te ontdekken wanneer de beller niet alleen was en wanneer er op het moment van het gesprek al iemand borstcompressies uitvoerde. De onderzoekers ontdekten dat wanneer een beller alleen was, de computer veel waarschijnlijker succesvol was dan de mens. Dit suggereert dat de stille, gefocuste aard van een enkele stem in een huiselijke omgeving de computer de heldere audiosignalen biedt die nodig zijn om te functioneren. In contrast hiermee leken menselijke centralisten meer te vertrouwen op de chaotische context van een scène waar anderen aanwezig waren of waar al reanimatie gaande was, waarbij ze wellicht achtergrondgeluiden of de urgentie van meerdere stemmen oppikten die de luistersoftware van de computer in verwarring brachten.

De studie benadrukte ook hoe de achtergrond van de beller de uitkomst beïnvloedde. De computer was veel succesvoller wanneer de beller een leek was, maar had moeite wanneer de beller een medisch professional was. Dit suggereert dat medische professionals de situatie mogelijk op een andere manier beschrijven of met een andere toon, die de computer niet verwachtte tijdens de training, terwijl leken de neiging hebben om standaardbeschrijvingen van instorten en ademhaling te gebruiken die de machine gemakkelijk herkent. Evenzo was de computer eerder succesvol wanneer de beller de patiënt kende, waarschijnlijk omdat bekende bellers meer specifieke details konden geven over hoe de toestand van de persoon was veranderd, wat duidelijke linguïstische aanwijzingen creëerde voor de software om te volgen.

Ondanks deze verschillen benadrukten de onderzoekers dat geen van beide partijen op zichzelf perfect is. De computer miste oproepen waar de scène luidruchtig of chaotisch was, terwijl mensen oproepen misten waar de signalen subtiel waren of de beller geïsoleerd was. De auteurs suggereren dat de meest veelbelovende weg vooruit niet is om menselijke centralisten te vervangen door machines, maar om de computer als een ondersteunend hulpmiddel te gebruiken. In dit scenario zou de computer fungeren als een tweede paar oren, die de menselijke centralist waarschuwt wanneer de computer een hartstilstand detecteert in situaties waarin de mens afgeleid kan zijn of waar de beller alleen is en de machine het beste presteert.

De bevindingen gaan gepaard met een waarschuwing. De studie keek naar een relatief kleine groep oproepen waarbij de twee partijen het oneens waren, en de onderzoekers merkten op dat sommige statistische patronen niet geheel nauwkeurig waren vanwege dit beperkte aantal. Ze wezen er ook op dat de prestaties van de computer kunnen veranderen naarmate de technologie evolueert of de aard van de oproepen verandert. De kernobservatie blijft echter robuust: mensen en machines maken verschillende soorten fouten. Door deze specifieke verschillen te begrijpen, kunnen hulpdiensten systemen ontwerpen waarbij de computer de stille, geïsoleerde oproepen met een hoge sensitiviteit afhandelt, terwijl de menselijke centralist de complexe, luidruchtige scènes beheert, waardoor een partnerschap ontstaat dat meer levens kan redden dan zij alleen zouden kunnen bereiken.