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

Quando o coração de uma pessoa para de bater fora de um hospital, cada segundo conta. O caminho para a sobrevivência começa com uma única chamada para os serviços de emergência, onde um despachante deve reconhecer instantaneamente que o interlocutor está descrevendo uma parada cardíaca. Esse reconhecimento aciona o envio imediato de uma ambulância e, crucialmente, instruções para que o interlocutor inicie compressões torácicas. No entanto, os despachantes humanos não são perfeitos; eles podem perder os sinais, muitas vezes porque a pessoa em sofrimento está fazendo respirações estranhas, ofegantes, que soam como roncos, ou porque o interlocutor está em pânico demais para falar com clareza. Nos últimos anos, programas de computador projetados para ouvir essas chamadas surgiram como uma rede de segurança potencial, capazes de detectar padrões na fala que os humanos podem negligenciar. A questão que os serviços de emergência enfrentam não é apenas se essas máquinas funcionam, mas onde elas têm sucesso e onde falham em comparação aos especialistas humanos sentados do outro lado da linha.

Pesquisadores na Suécia decidiram investigar exatamente essa dinâmica, ouvindo um conjunto específico de chamadas de emergência onde o humano e a máquina discordaram. Eles focaram em noventa chamadas de 2018 onde ocorreu uma parada cardíaca real, mas o despachante humano ou o algoritmo do computador falhou em identificá-la. Ao revisar cuidadosamente as gravações de áudio dessas chamadas, a equipe buscou entender as circunstâncias específicas que levaram a esses erros. O objetivo deles não era declarar um vencedor, mas mapear os pontos cegos únicos de cada um, esperando encontrar uma maneira de trabalharem juntos de forma mais eficaz.

O estudo revelou uma divisão clara na forma como os dois grupos reconheceram a emergência. Em mais da metade desses noventa casos, o modelo de computador identificou corretamente a parada cardíaca enquanto o despachante humano a perdeu. Nos casos restantes, o despachante humano detectou a emergência enquanto o modelo de computador falhou em fazê-lo. Essa divisão não foi aleatória; dependia fortemente da situação e das pessoas envolvidas. O computador foi significamente melhor em reconhecer a emergência quando o interlocutor estava sozinho, quando o interlocutor era uma pessoa comum em vez de um profissional médico e quando a chamada vinha de uma residência particular. A máquina também teve um desempenho superior quando o interlocutor conhecia pessoalmente o paciente e quando a chamada ocorreu no período da noite.

Inversamente, os despachantes humanos foram mais propensos a detectar a emergência quando o interlocutor não estava sozinho e quando alguém já estava realizando compressões torácicas no momento da chamada. Os pesquisadores descobriram que, quando um interlocutor estava sozinho, o computador tinha muito mais probabilidade de ter sucesso do que o humano. Isso sugere que a natureza silenciosa e focada de uma única voz falando em um ambiente doméstico fornece ao computador os sinais de áudio claros necessários para funcionar. Em contraste, os despachantes humanos pareciam depender mais do contexto caótico de uma cena onde outras pessoas estavam presentes ou onde a RCP já estava em curso, talvez captando ruídos de fundo ou a urgência de múltiplas vozes que confundiam o software de escuta do computador.

O estudo também destacou como o histórico do interlocutor influenciou o resultado. O computador foi muito mais bem-sucedido quando o interlocutor era um leigo, mas teve dificuldades quando o interlocutor era um profissional de saúde. Isso sugere que os profissionais médicos podem descrever a situação usando palavras ou tons diferentes que o treinamento do computador não esperava, ao passo que os leigos tendem a usar descrições mais padronizadas de colapso e respiração que a máquina reconhece facilmente. Da mesma forma, o computador teve maior probabilidade de sucesso quando o interlocutor conhecia o paciente, provavelmente porque interlocutores familiares podiam fornecer detalhes mais específicos sobre como a condição da pessoa havia mudado, criando pistas linguísticas mais claras para o software seguir.

Apesar dessas diferenças, os pesquisadores enfatizaram que nenhum dos lados é perfeito por si só. O computador perdeu chamadas onde a cena era barulhenta ou caótica, enquanto os humanos perderam chamadas onde os sinais eram sutis ou o interlocutor estava isolado. Os autores sugerem que o caminho mais promissor não é substituir os despachantes humanos por máquinas, mas usar o computador como uma ferramenta de apoio. Nesse cenário, a máquina atuaria como um segundo par de ouvidos, alertando o despachante humano quando detecta uma parada cardíaca em situações onde o humano pode estar distraído ou onde o interlocutor está sozinho e a máquina apresenta seu melhor desempenho.

As descobertas vêm acompanhadas de uma nota de cautela. O estudo analisou um grupo relativamente pequeno de chamadas onde os dois lados discordaram, e os pesquisadores observaram que alguns dos padrões estatísticos não eram inteiramente precisos devido a esse número limitado. Eles também apontaram que o desempenho do computador pode mudar à medida que a tecnologia evolui ou conforme os tipos de chamadas mudam. No entanto, a observação central permanece robusta: humanos e máquinas cometem tipos diferentes de erros. Ao compreender essas diferenças específicas, os serviços de emergência podem projetar sistemas onde o computador lida com as chamadas silenciosas e isoladas com alta sensibilidade, enquanto o despachante humano gerencia as cenas complexas e barulhentas, criando uma parceria que pode salvar mais vidas do que qualquer um deles poderia alcançar sozinho.