TANR budoucnosti = PATANR?

Nebojte se, nejde o další z řady katastrofických vizí na téma záchranky v ČR 🙂 . PATANR sice zní poněkud hanlivě, ale je to právě naopak – s touto zkratkou možná budeme v budoucnu potkávat v souvislosti s pokrokem jménem „Počítačem Asistovaná Telefonicky Asistovaná Neodkladná Resuscitace“. Poněkud krkolomné, ale o to zajímavější. Oč jde?

V aktuálním čísle časopisu Resuscitation vychází článek právě na toto téma, a to přímo od známých propagátorů TANRu z Kodaně z týmu Stiga Blobmberga. O co šlo? Klíčovým krokem celého konceptu TANRu je rozpoznání zástavy oběhu. Právě tady dochází k největším ztrátám, a to jak v čase, tak v samotném rozpoznání zástavy. A právě na to se soustředili autoři uvedené studie, porovnávající schopnosti počítačové analýzy hlasu a živého operátora.  Autoři nejprve nechali počítačový systém s umělou inteligencí vyslechnout tisíce historických volání na tísňovou linku spolu s informací, zda šlo, nebo nešlo o zástavu oběhu. Následně počítači „předhodili“ přes 100.000 nahrávek reálných volání na operační středisko v Kodani a hodnotili, zda a kdy byl stroj – na základě hlasové analýzy klíčových slov a spojní, tónu atd. – v reálném čase (v průběhu hovoru) schopen rozpoznat NZO.

A výsledky jsou zajímavé – už dnes, kdy se jedná „jen“ o experiment s relativně malým počtem hovorů k naučení, byl stroj v rozpoznán NZO významně úspěšnější, než operátoři (rozpoznání NZO v 84% vs. 71% u živých operátorů). Počítač měl ale na druhou stranu nižší specificitu (97,3% vs. 98,8%) a tudíž i nižší pozitivní prediktivní hodnotu (21% vs. 33%). Jinak řečeno, choval se celkově bezpečněji, když jako NZO označil i méně „jasné“ hovory, byť za tu cenu, že bude častěji jako NZO označen stav, který ve skutečnosti zástavou oběhu není. Počítač se také dokázal rozhodnout v průměru o něco rychleji, než živý dispečer (44 vs. 54 sekund).

Tolik výsledky studie – a já si dovolím doplnit:

Přestože výsledky stroje, co se rozpoznání NZO týče, jsou statisticky významně lepší, než živého operátora, výsledek je do jisté míry znehodnocený poklesem specificity. Podle mého soudu tedy tato metoda zatím nějak zásadně nepomůže rozpoznat to, co nedokáže rozpoznat sám dispečer – prostě se v hraničních nebo sporných situacích „jen“ chová bezpečněji. Zatím je vše ale v plenkách, tak uvidíme, třeba se to ještě vylepší.

Přesto ale věřím, že svůj význam má, a velký. Ze zkušenosti totiž víme, že dispečeři jsou v určitých typických situacích častou obětí „konfirmačního zkreslení“, které jim zabrání rozpoznat jasnou NZO – například situace „kolaps v hospodě“ může podvědomě vést k myšlenkové zkratce „ten bude jen opilý“ a následně k neúmyslnému vytěsnění informací, které by za jiných okolností vedly k bezproblémovému rozpoznání zástavy. Právě tady by už nyní mohla mít počítačová podpora hlasové analýzy obrovský význam jako velmi spolehlivá bezpečnostní pojistka resp. červená kontrolka, která by mohla pomoci vrátit myšlení operátora „zpátky na správnou trať“ –  a to právě u pacientů, jejichž naděje na záchranu je při rychlé a správné akci nadprůměrně vysoká.

Zdroj: Blomberg NS et al. Machine learning as a supportive tool to recognize cardiac arrest in emergency calls. Resuscitation, 138, May 2019: 322 – 329

(c) Ondřej Franěk, www.zachrannasluzba.cz