O umělé inteligenci jako o prostředku, který by mohl výrazně zpřesnit vyhodnocování hovorů na tísňových linkách (v obzvláště divokých snech dokonce třeba i nahradit operátory – počítač přece nedělá chyby a hlavně nejí, nespí, neřeší přesčasy…) se už nějakou dobu hovoří. Inspirací je práce moderních „call-center“ , které, s trochou snahy, již dnes dokážou z hovoru volajícího identifikovat, zda si přeje zavolat taxíka, nebo opravit pračku.

Jenže – s příjmem tísňové výzvy to není tak snadné. Volající jsou často ve stresu a navíc samozřejmě nejsou odborníci na medicínskou technologii, což obojí vede k tomu, že nepoužívají úplně standardní komunikační prostředky. Operátor tak často musí vyhodnocovat velmi široký kontext celého hovoru, aby pochopil, co volajícího vlastně trápí.

„Naučit“ počítač s přijatelnou spolehlivostí rozpoznat třeba náhlou zástavu oběhu vyžaduje tedy poměrně veliké úsilí. V loňském roce se ale v odborné literatuře objevily dvě „vlaštovky“, popisující aktuální stav těchto technologií, založených právě na technikách umělé inteligence (AI – arteficial intelligence).

První z nich je studie dánských autorů Blomberga a spol., která se v loňském roce objevila v časopise JAMA (1). Autoři nejprve analyzovali více než 100.000 tísňových volání, mezi nimiž bylo cca 2.000 volání vztahujících se k zástavě oběhu. Ty bylo nutné najít a verifikovat – vyřadit falešně pozitivní volání (tj. dispečerem označená jako NZO, kdy ale o NZO ve skutečnosti nešlo), a naopak přidat falešně negativní volání (kdy operátor NZO nerozpoznal). Tato volání pak „předhodili“ počítači, aby je analyzoval a naučil se všechny možné způsoby, jak rozpoznat, zda o zástavu oběhu jde, nebo nejde.

Následně počítač „připosluchával“ přes 169.000 reálných volání a ta volání, která vyhodnotil jako podezřelá ze zástavy oběhu (těch bylo celkem 5.242), byla randomizována do dvou (téměř) stejně velkých skupin. V experimentální skupině operátor tuto „nápovědu“ dostal, v kontrolní skupině ne. U zhruba 12,5% pacientů v obou skupinách se zástava skutečně potvrdila.

Výsledek ale nebyl zase až tak šokující: operátoři s „nápovědou“ od počítače rozpoznali celkem 93,1% zástav, kontrolní skupina bez podpory 90,5% zástav. Přestože tedy AI o něco posunula úspěšnost rozpoznání, rozdíl není statisticky významný.

Pokud se ale vyhodnotila data od všech zástav, samotná AI už si vedla lépe: rozpoznala NZO se senzitivitou 85%, zatímco samotný operátor uspěl v 77,5% reálných zástav. Tady byl počítač významně úspěšnější. Daní za to byla ale výrazně horší pozitivní prediktivní hodnota (PPV), která u počítače dosáhla pouhých 18% ve srovnání s 56% u „živých“ operátorů. Počítač tedy rozpoznal o něco více zástav, ale za tu cenu, že jako zástavy označil taky spoustu dalších hovorů, kde o zástavu oběhu ve skutečnosti nešlo. „Trefil se“ zhruba jen v každém pátém případě, kdežto u živého operátora to bylo v každém druhém případě. Také tento rozdíl je statisticky vysoce významý – ale tentokrát ve prospěch člověka.

Druhá studie na podobné téma, opět ze severu, ale tentokrát ze Švédska, vyšla pro změnu v časopise Resuscitation (2). Autoři Byrsell a spol. zpětně vyhodnotili 756 hovorů, z nichž „živý“ dispečer správně rozpoznal zástavu oběhu, a prohnali je ještě počítačem. Zkoumali při tom, jaký podíl zástav dokáže rozpoznat živý operátor a počítač v čase 30, 60 a 90 sekund od začátku hovoru.

Pro základní nastavení programu počítače použili autoři FPR (false positive rate, obdoba PPV) 1.5, tj. ze tří hovorů označených jako NZO by ve dvou případech skutečně mělo jít o NZO. V tomto nastavení zkoumali ty hovory, kde rozeznal zástavu jak počítač, tak operátor. V této studii vyšla úspěšnost počítače i člověka v rozpoznání zástavy (bez omezení délky hovoru) téměř stejná (86 resp. 84%), ale počítač byl výrazně rychlejší (v průměru o 28 sekund) při mediánu času pro zpracování hovoru 72 sekund (živý operátor 94 sekund).

I zde platí, že čím nastavili autoři horší přípustnou přesnost, tím bylo rozpoznání strojem rychlejší, ale za cenu výrazného snížení PPV až k 25% (pouze 1 skutečná zástava oběhu ze čtyř označených).

Co tedy dodat závěrem?

Umělá inteligence se začíná objevovat i na operačních střediscích, ale k tomu, aby mohla spolehlivě nahradit operátory aspoň pro rozpoznání kritických stavů, je ještě hooooodně daleko. Počítač dokáže pracovat rychle a dokáže také rozpoznat pozoruhodně vysoký podíl zástav, ale na druhé straně daní za úspěšné a rychlé rozpoznání je poměrně velké množství „falešných poplachů“ (násobně větší, než u živého operátora). To rozhodně není žádoucí stav, protože aktivace záchranného systému z důvodu podezření na zástavu oběhu je obvykle poměrně masivní (pozemní záchranka, vrtulník, profesionální i komunitní first respondeři atd…), což je nejen finančně a organizačně náročné, ale taky přináší různá sekundární rizika (například zvýšené riziko nehody cestou k události) a v neposlední řadě blokuje zdroje, které pak není možné použít u jiných událostí.

Zatím to tedy vypadá, že se umělá inteligence uplatní na kvalitně pracujících operačních střediscích zejména jako podpůrný nástroj, který asi nepomůže rozpoznat víc zástavy nebo nějaké mimořádné „špeky“, ale mohl by zabránit některým fatálním selháním (nerozpoznaným jasným zástavám), ke kterým vlivem „lidského faktoru“ i na sebelepším dispečinku čas od času dochází. Hlavním důvodem přitom není neznalost nebo nějaké raritní okolnosti, ale „konfirmační zkreslení“, kdy si operátor na začátku hovoru utvoří nesprávný mentální obraz o situaci (například „ten je zase jen opilý“ při volání typu „bezvědomí v hospodě“) a pak už podvědomě vytěsňuje informace, které do této představy nezapadají. V takovém případě by na operátora mohl počítač „červeně zablikat“ a dát mu šanci z této pasti uniknout.

Je ale také potřeba připomenout, že obě zmiňované studie se odehrály v prostředí velmi dobře pracujících dispečinků se senzitivitou rozpoznání NZO kolem 90%, což ale zdaleka není samozřejmost. Pro ta operační střediska, kde tak dobrých výsledků nedosahují (například se systémem telefonické intervence při NZO teprve začínají), nebo pro „obecné“ dispečinky, kam se takový hovor může také čas od času zatoulat (např. TCTK 112) by naopak mohla být podpora umělé inteligence velmi efektivní cestou k rychlejšímu a významnějšímu zvýšení úspěšnosti detekce zástav oběhu.

Zdroje: (1) Blomberg SN et al. Effect of Machine Learning on Dispatcher Recognition of Out-of-Hospital Cardiac Arrest During Calls to Emergency Medical Services. A Randomized Clinical Trial. JAMA Network Open. 2021;4(1):e2032320. doi:10.1001/jamanetworkopen.2020.32320. Jan 2021. (2) Byresll F et al. Machine learning can support dispatchers to better and faster recognize out-of-hospital cardiac arrest during emergency calls: A retrospective study. Resuscitation 162 (2021) 218-226