Characteristics of out-of-hospital cardiac arrest calls unrecognised by machine learning versus medical dispatchers: a nationwide observational study
这项全国性的观察性研究揭示了机器学习模型与医疗调度员在院外心脏骤停电话中表现出截然不同且互补的识别模式，其中机器学习模型在特定场景（如由独处非专业人员发起的居家发生的骤停）中表现更佳，而调度员则在已有心肺复苏术进行中或有多人现场的情况下表现更优。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
当一个人的心脏在医院之外停止跳动时，每一秒都至关重要。生存之路始于拨给紧急服务部门的一个电话，调度员必须能瞬间识别出拨号者正在描述的是心跳骤停。这种识别会触发救护车的立即派遣，并至关重要地指导拨号者开始进行胸外按压。然而，人类调度员并非完美无缺；他们可能会错过征兆，通常是因为处于痛苦中的人发出的呼吸声听起来像是打鼾般的怪异喘息，或者是由于拨号者过于恐慌而无法清晰表达。近年来，旨在倾听这些电话的计算机程序已经出现，成为一种潜在的安全网，能够捕捉到人类可能会忽略的语音模式。紧急服务部门面临的问题不仅是这些机器是否有效，而是与坐在电话另一端的专家相比，它们在何处成功，又在何处失败。
瑞典的研究人员致力于通过研究一组人类与机器产生分歧的特定紧急电话来调查这一动态。他们专注于 2018 年的 90 起真实发生的心脏骤停电话，在这些电话中，要么是人类调度员，要么是计算机算法未能识别出该情况。通过仔细审查这些通话的录音，研究团队试图了解导致这些失误的具体情况。他们的目标不是宣布哪一方胜出，而是绘制出各自独特的盲区，希望找到让两者更有效地协同工作的方法。
研究揭示了这两组对象在识别紧急情况方面存在明显的差异。在这些 90 起案例中，有一半以上的案例中，计算机模型正确识别了心脏骤停，而人类调度员却漏掉了。在剩余的案例中，人类调度员捕捉到了紧急情况，而计算机模型则未能识别。这种划分并非随机的，它在很大程度上取决于具体情况和相关人员。当拨号者独自一人、当拨号者是普通人而非医疗专业人员，以及当电话来自私人住宅时，计算机识别紧急情况的能力显著提高。此外，当拨号者认识患者，或者通话发生在晚上时，机器的表现也更好。
相反，人类调度员在拨号者并非独自一人，以及在通话时已有人正在进行胸外按压的情况下，更有可能发现紧急情况。研究人员发现，当拨号者独自一人时，计算机比人类更容易成功。这表明，在家庭环境中，单个声音说话的安静且专注的特性，为计算机提供了其工作所需的清晰音频信号。相比之下，人类调度员似乎更多地依赖于现场混乱的背景，例如有其他人存在或已有 CPR 进行中的场景，或许是捕捉到了背景噪音或多个声音带来的紧迫感，而这些情况令计算机的听觉软件感到困惑。
研究还强调了拨号者的背景如何影响结果。计算机在拨号者为门外汉（非专业人士）时表现得更为出色，但在面对医疗专业人员时却显得力不从心。这表明，医疗专业人员可能会使用不同的词汇或语调来描述情况，而这些超出了计算机训练的预期；相比之下，门外汉倾向于使用更标准的关于倒地和呼吸的描述，这使得机器更容易识别。同样，计算机在拨号者认识患者时更有可能成功，这可能是因为熟悉的拨号者可以提供更多关于患者状况变化的具体细节，从而为软件提供了更清晰的语言线索。
尽管存在这些差异，研究人员强调，双方都不是单独完美的。计算机在场景嘈杂或混乱时会漏掉电话，而人类则会在征兆细微或拨号者处于孤立状态时漏掉电话。作者建议，最有前景的路径不是用机器取代人类调度员，而是将计算机作为一种辅助工具。在这种情景下，机器将充当人类调度员的“第二双耳朵”，在它检测到心脏骤停，且人类可能因分心或处于机器表现最佳的单人/孤立环境下时，提醒人类调度员。
这些发现也附带了一份谨慎的提示。该研究观察的是一组相对较小的、人类与机器产生分歧的电话，研究人员指出，由于样本数量有限，某些统计模式并不完全精确。他们还指出，随着技术的演进或通话类型的变化，计算机的表现可能会发生改变。然而，核心观察结果依然稳健：人类和机器犯错的类型不同。通过理解这些具体的差异，紧急服务部门可以设计出这样的系统：由计算机处理那些安静、孤立的电话以实现高灵敏度，而由人类调度员管理复杂、嘈杂的场景，从而建立一种比任何一方单独工作都能挽救更多生命的伙伴关系。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。