AI调度员副驾驶:超越心脏骤停识别,迈向动态大语言模型辅助的远程心肺复苏
该文为叙述性综述,整合大语言模型、计算机视觉和认知负荷理论,并与欧洲复苏委员会(ERC)2025指南对齐,评估AI驱动决策支持架构在紧急医疗调度中的概念可行性。文中提出从被动AI辅助OHCA识别转向动态多模态大语言模型辅助的远程心肺复苏系统,即AI调度员副驾驶。拟议功能包括:整合声学信号(含潜在濒死呼吸检测)与呼叫者叙述语义解读以减少OHCA识别歧义;根据呼叫者压力生成自适应指令以降低认知负荷;实时视频辅助CPR coaching并对按压质量进行闭环反馈;通过并行激活社区第一响应者和AED路径实现自动资源调度。作者认为该概念可能带来远程心肺复苏系统的变革性演进,但转化为临床实践需要严格的伦理治理(涉及算法偏倚、自动化偏倚和数据隐私)以及前瞻性验证以证明神经功能完好存活率的改善。
要点
- 多模态大语言模型可整合声学信号(包括潜在濒死呼吸检测)与呼叫者叙述的语义解读,以减少OHCA识别中的歧义。
- 拟议功能包括根据呼叫者压力生成自适应指令以降低认知负荷、实时视频辅助CPR coaching并对按压质量进行闭环反馈。
- 拟议功能还包括通过并行激活社区第一响应者和AED路径实现自动资源调度。
- 作者认为AI调度员副驾驶可能带来远程心肺复苏系统的变革性演进。
- 转化为临床实践需要严格的伦理治理,涉及算法偏倚、自动化偏倚和数据隐私,并需前瞻性验证以证明神经功能完好存活率的改善。
研究设计与关键结果
- 研究类型为叙述性综述,整合大语言模型、计算机视觉和认知负荷理论的最新进展,并与欧洲复苏委员会(ERC)2025指南对齐。
- 评估AI驱动决策支持架构在紧急医疗调度中的概念可行性。
- 多模态大语言模型可整合声学信号(包括潜在濒死呼吸检测)与呼叫者叙述的语义解读,以减少OHCA识别中的歧义。
- 拟议功能包括根据呼叫者压力生成自适应指令以降低认知负荷、实时视频辅助CPR coaching并对按压质量进行闭环反馈,以及通过并行激活社区第一响应者和AED路径实现自动资源调度。
证据类型、等级与局限
- 证据类型:叙述性综述。
- 局限:原文未报告局限性。
对床旁实践的改变
- 作者认为AI调度员副驾驶可能带来远程心肺复苏系统的变革性演进。
- 转化为临床实践需要严格的伦理治理,涉及算法偏倚、自动化偏倚和数据隐私,并需前瞻性验证以证明神经功能完好存活率的改善。
指南或共识出处
- 欧洲复苏委员会(ERC)2025指南
提炼说明
- 本条依据论文摘要整理;摘要未涉及「适用人群与场景」「诊断标准与关键阈值」「处置流程与药物剂量」「红旗征与不能漏的情况」,故未列出这些栏目;全文请点「阅读原文」。
英文原文(摘要)· 点击展开
AIM: Out-of-hospital cardiac arrest (OHCA) remains a leading cause of death. Although emergency medical dispatchers represent the first link in the Chain of Survival, a persistent "AI translation gap" exists, whereby traditional machine learning models demonstrate high diagnostic performance but limited impact on clinical outcomes. This paper proposes a paradigm shift from passive AI-assisted OHCA recognition towards a dynamic, multimodal large language model (LLM)-enabled Tele-CPR system, conceptualised as an "AI dispatcher copilot".
METHODS: This narrative synthesis integrates recent developments in large language models, computer vision, and cognitive load theory, aligned with the European Resuscitation Council (ERC) Guidelines 2025. It evaluates the conceptual feasibility of an integrated AI-driven decision-support architecture for emergency medical dispatch.
RESULTS: In contrast to narrow machine learning approaches, multimodal LLMs can integrate acoustic signals (including potential agonal breathing detection) with semantic interpretation of caller narratives to reduce ambiguity in OHCA recognition. Proposed functionalities include adaptive instruction generation tailored to caller stress to reduce cognitive load, real-time video-assisted CPR coaching with closed-loop feedback on compression quality, and automated resource orchestration through parallel activation of community first responders and automated external defibrillator (AED) routing.
CONCLUSION: The AI dispatcher copilot represents a potentially transformative evolution in Tele-CPR systems. However, translation into clinical practice requires rigorous ethical governance addressing algorithmic bias, automation bias, and data privacy, alongside prospective validation to demonstrate improvement in neurologically intact survival.
参考来源
- Semeraro F, Montomoli J, Gamberini L, et al. The AI dispatcher copilot: beyond cardiac arrest recognition to dynamic large language model-assisted Tele-CPR. Resuscitation. 2026. PMID: 42314898. doi:10.1016/j.resuscitation.2026.111180
供执业医师抢救与诊疗参考,不替代临床判断;剂量请结合体重、肝肾功能和本院药品规格复核,以指南原文为准。