在CPR中使用"机器学习"人工智能工具实时评估压缩频率和压缩深度的可行性
Hannes Ecker1,2, Niels-Benjamin Adams1,2, Michael Schmitz3
1University of Cologne, Faculty of Medicine, Cologne, Germany.
Resuscitation plus
|November 19, 2024
概括
一个人工智能工具准确地测量了模拟视频中的心肺复苏 (CPR) 压缩频率. 然而,AI在检测压缩深度方面出现了不准确的情况,这表明在视频辅助心肺复苏中实际应用之前需要进一步开发.
科学领域:
- 紧急医疗 紧急医疗
- 医疗保健中的人工智能
- 心肺复苏心肺复苏术的使用方法
背景情况:
- 视频辅助心肺复苏 (V-CPR) 通过使急诊医疗服务 (EMS) 调度员能够通过视频指导呼叫者来改善心肺复苏质量和患者的结果.
- 电子邮件系统调度员面临V-CPR方面的挑战,包括视频分析,实时反和压力管理,需要创新的解决方案.
- 本研究研究使用开源AI工具来评估模拟V-CPR场景中的压缩频率和深度的可行性.
研究的目的:
- 评估开源AI工具的可行性和准确性,以检测模拟CPR视频中压缩频率和深度.
- 探索机器学习在V-CPR过程中提供实时反方面的潜力.
主要方法:
- 媒体管 (MediaPipe Pose Landmark Detection) 是一款开源的人工智能软件,该软件被编程为分析一个人偶上进行心肺复苏的9个视频.
- 人工智能评估了每个压缩的压缩频率和深度.
- 人工智能衍生的测量结果与模型内部软件 (QCPR) 进行了比较,使用了统计方法,包括Wilcoxon匹配对签名排名测试和Bland Altman分析.
主要成果:
- 在所有视频序列中,MediaPipe Pose Landmark Detection成功识别和跟踪了心肺复苏表演者.
- 人工智能计算的压缩频率与模型软件的压缩频率之间有很高的一致性.
- 在AI对压缩深度的评估中发现了重大不准确性,使其变得不可靠.
结论:
- 开源机器学习工具在V-CPR视频分析中显示了实时反的潜力.
- 人工智能工具准确评估了CPR压缩频率,但需要进行调整以获得可靠的压缩深度测量.
- 在这种AI技术可以在实际的CPR场景中实施之前,需要进一步开发.
