Intressant norsk studie om ISS, NISS, undertriage och traumalarm. Nu har ju inte vi exakt lika system i Sverige, men skalorna används ju och här finns nog saker att fundera på även för oss.
Tagg: Diagnostik
-
Trauma undertriage at a University Hospital in North Norway: the need to look beyond mechanism of injury
Trauma undertriage at a University Hospital in North Norway: the need to look beyond mechanism of injury. Scandinavian Journal of Trauma, Resuscitation and Emergency Medicine 2026. doi:10.1186/s13049-026-01675-5Sammanfattning genererad av AI:Retrospektiv genomgång av traumapatienter vid UNN Tromsø 2018 och 2023 (n=527) utvärderade undertriage som svårskadade utan traumateamaktivering (TTA) med ISS≥16 respektive NISS≥16. Undertriage var 15% med ISS och 18% med NISS. 63% uppfyllde nationella TTA-kriterier men fick ändå ingen TTA; lågenergifyllor dominerade. NISS fångade fler med organdysfunktion.
– Undertriage låg kvar över rekommenderad nivå (15–18% vs ≤5%).
– Många undertriagerade uppfyllde TTA-kriterier men systemet följde dem inte.
– Lågenergifyllor stod för majoriteten av undertriagefallen.
– NISS identifierade fler potentiellt undertriagerade, inkl. fler med organsvikt.Sammanfattningen är automatiskt genererad med en språkmodell från OpenAI (GPT 5.2). -
Prehospital point-of-care lactate for identification of severe injury in trauma team-activated patients: a prospective multicenter cohort study
Laktat för att identifiera svårt skadade traumapatienter? Hög sensitivitet, men låg specificitet…
Prehospital point-of-care lactate for identification of severe injury in trauma team-activated patients: a prospective multicenter cohort study. European Journal of Trauma and Emergency Surgery 2026;52(1). doi:10.1007/s00068-026-03294-2Sammanfattning genererad av AI:Prospektiv multicenterkohort med 108 vuxna traumapatienter med traumateamaktivering där prehospitalt POC-laktat mättes (utan att styra vården) för att identifiera svår skada. Svårt trauma (ISS≥16) sågs hos 24%. Laktat var högre vid svår skada men hade begränsad diskriminationsförmåga (AUC 0,636). Tröskel ≥2 mmol/L gav hög sensitivitet men låg specificitet. Slutsats: ej lämpligt ensamt, ev som komplement.
– Prehospitalt laktat var associerat med svår skada, men prediktionen var måttlig (AUC 0,636).
– Lågt tröskelvärde (≥2 mmol/L) gav hög sensitivitet men begränsad specificitet.
– Liknande begränsad träffsäkerhet sågs för AIS≥4 och IVA-vård ≥24 h.
– Laktat bör inte användas som ensam triageparameter, men kan ev komplettera multimodal bedömning.Sammanfattningen är automatiskt genererad med en språkmodell från OpenAI (GPT 5.2). -
Interpretation Accuracy and Theoretical Decision Impact of Prehospital Ultrasound for Paramedics – Analysis of a Rural Pilot Program
Interpretation Accuracy and Theoretical Decision Impact of Prehospital Ultrasound for Paramedics – Analysis of a Rural Pilot Program. Prehospital Emergency Care 2025;30(6):931-939. doi:10.1080/10903127.2025.2585153Sammanfattning genererad av AI:I en prospektiv observationsstudie i glesbygd genomförde fem erfarna ambulanssjukvårdare 47 fokuserade prehospitala ultraljud (eFAST, lung- och hjärtstilleståndseko). 83% tolkades korrekt, 15% blev indeterminata p.g.a. otillräckliga fönster och 2% fel. Ultraljudet uppgavs oftast kunna stödja eller påverka beslut, särskilt vid lung- och eFAST-undersökningar.
– Hög tolkningsprecision för fokuserat prehospitalt ultraljud hos paramediker (83% korrekta).
– Vanligaste felkällan var ofullständiga bildfönster (15% indeterminata).
– Upplevd beslutsnytta var vanligare för lung- och eFAST än för hjärtundersökningar vid hjärtstopp.Sammanfattningen är automatiskt genererad med en språkmodell från OpenAI (GPT 5.2). -
Determinants of Timely Prehospital Thrombolysis Administration within a Pharmacoinvasive STEMI Network in Victoria, Australia
Prehospital trombolys är väl numera relativt ovanligt förekommande i Sverige, även om det används på vissa håll i ”mitt” län och säkert andra glesbygdslän. Ändå tycker jag denna australiska studie är tämligen intressant och har bäring på beteenden och arbetssätt i vår kontext. Hur mycket påverkar symtompresentationen, ex stark/svag smärta, prioriteringar och vårdtempo? Och en annan sak är de olika arbetssätt vi tillämpar… Tar man EKG bedside redan hos patienten, eller väntar man tills man kommit ut i ambulansen? Kanske finns insikter i denna studie som kan bidra till att vi bättre kan studera och forma våra egna arbetssätt…
Determinants of Timely Prehospital Thrombolysis Administration within a Pharmacoinvasive STEMI Network in Victoria, Australia. Prehospital Emergency Care 2026:1-16. doi:10.1080/10903127.2026.2711274Sammanfattning genererad av AI:Retrospektiv kohortstudie i en australiensisk STEMI-nätverksregister (2018–2023) med 1440 vuxna som fick prehospital trombolys. Endast 32,5% behandlades inom 30 min från första medicinska kontakt (median 37 min). Fördröjning kopplades till lindrig smärta, efter kontorstid och klinisk konsultation, medan tidigt EKG (≤10 min) minskade risken. Tider förbättrades över åren.
– 32,5% nådde målet FMC–PHT ≤30 min; median 37 min.
– Lindrig smärta var starkast kopplad till fördröjd trombolys.
– Tidigt EKG (≤10 min) var associerat med kortare tider och lägre fördröjningsrisk.
– Efter kontorstid och klinisk konsultation var oberoende kopplade till längre tider; förbättring sågs över studieperiodenSammanfattningen är automatiskt genererad med en språkmodell från OpenAI (GPT 5.2). -
Performance of the SVEAT (Symptoms, Vascular Disease History, Electrocardiography, Age, and Troponin) score for predicting 90-day major adverse cardiac events in patients with acute chest pain
Idag en artikel i akutmottagningskontext, men som berör prediktion av Major Adverse Cardiac Eventes (MACE), vilket omskrivits här ur prehospitalt fokus tidigare, och utifrån min bedömning högintressant även ur prehospitalt perspektiv.
Två grejer 100% vid sidan om ämnet är 1) att det är roligt att röra sig runt i Sverige. Fick ”ledighets-samverka” vid en liten incident på Willys i Kungälv med två glada kollegor från VGR. Så kul och härligt att se yrkestiteln ”Avancerad specialistsjuksköterska”! 💛💚 2) Desto dystrare är att jag läser i nyhetsmedia att det idag varit ett drunkningstillbud med mindre barn inblandat i min hemstad, som utifrån vad man kan utläsa av mediauppgifterna låter mycket allvarligt. Gårdagens budskap i finvädret kan inte nog understrykas – repetera HLR vid drunkning!
Nu tar jag ett dopp följt av en kall. Håll ut i värmen!
Performance of the SVEAT (Symptoms, Vascular Disease History, Electrocardiography, Age, and Troponin) score for predicting 90-day major adverse cardiac events in patients with acute chest pain. BMC Emergency Medicine 2026. doi:10.1186/s12873-026-01685-7Sammanfattning genererad av AI:Studien utvärderade SVEAT-score för att förutsäga 90-dagars MACE hos 348 akutmottagningspatienter med akut bröstsmärta. 7,2% fick MACE. Andra hs-troponin I efter 2 timmar var associerat med MACE. SVEAT hade högst diskriminationsförmåga (AUC 0,806) jämfört med HEART (0,756) och TIMI (0,753). Vid cut-off 4 gav SVEAT hög specificitet (0,86) men låg sensitivitet (0,56).
– 348 patienter med akut bröstsmärta följdes i 90 dagar; 7,2% fick MACE.
– SVEAT hade högre AUC än HEART och TIMI i denna kohort.
– Vid cut-off 4 fungerar SVEAT bättre för ”rule-in” (hög specificitet) än som screening (låg sensitivitet).
– Upprepad hs-troponin I (2-timmarsprov) var signifikant kopplad till MACE.Sammanfattningen är automatiskt genererad med en språkmodell från OpenAI (GPT 5.2). -
Prehospital 12-lead ECG and outcomes in acute coronary syndrome
Är det så även i Sverige att en inte oväsentlig andel av patienterna som vore betjänta av det inte får ett 12-avlednings-EKG avläst prehospitalt? Läs gärna dagens intressanta studie och reflektera själv!
Prehospital 12-lead ECG and outcomes in acute coronary syndrome.Sammanfattning genererad av AI:Registerbaserad, länkad kohortstudie (England/Wales 2010–2017) med 330
713 EMS-transporterade ACS-patienter undersökte anvöndning av prehospitalt 12-avlednings-EKG. Andelen med PHECG kade 74,2% till 85,0%. PHECG var associerat med lögre 30-dagars- och 1-rsdödlighet samt högre sannolikhet för reperfusion vid STEMI.– PHECG registrerades hos 79,7% och kade ver tid, men 15% fick det fortfarande inte 2017.
– PHECG var associerat med lgre mortalitet vid 30 dagar (justerad OR 0,77) och 1 r (OR 0,69).
– Vid STEMI var PHECG kopplat till mer reperfusion (84,5% vs 54,7%; justerad OR 4,37).Sammanfattningen är automatiskt genererad med en språkmodell från OpenAI (GPT 5.2). -
AI-enhanced ECG for acute coronary syndrome triage: A state-of-the-art review
Jag har inte fått något hårt slag i huvudet även om man kan tro det, här kommer nämligen ännu en uppdatering kring AI i enlighet med gårdagens tema 🙂 Dagens studie är en review kring AI-baserad prehospital EKG-tolkning, och hur denna kan användas för att aktivera PCI-flöde samt utesluta akut hjärtinfarkt (det senare i kombination med högkänsligt troponin). Jag skriver ingen lång text om resultatet idag, men summan är iallafall att författarna ser AI-tolkning av EKG som en lämplig second opinion i klinisk verksamhet gällande inklusion till koronarangiografi samt för uteslutande av akut hjärtinfarkt – det senare om det kombineras med högkänsligt troponin för att uppnå tillräcklig sensitivitet (>99%). AI-tolkning av EKG bör dock enligt författarna även fortsatt ses som ett verktyg under utveckling, och stora randomiserade studier behövs för att säkerställa att sensitiviteten är tillräcklig i stora och heterogena populationer.
AI-enhanced ECG for acute coronary syndrome triage: A state-of-the-art review. Cardiovascular Revascularization Medicine 2026. doi:10.1016/j.carrev.2026.06.015Sammanfattning genererad av AI:Översikten sammanfattar ny evidens för AI-förstärkt EKG vid triage av akut koronart syndrom. Den betonar skillnaden mellan att upptäcka akut kranskärlsocklusion (OMI) för snabb kateterlabbaktivering och att utesluta akut hjärtinfarkt, vilket kräver seriella högkänsliga troponiner. AI-EKG kan öka sensitiviteten för OMI och minska falsklarm, samt fungera som ”second opinion” med viktiga implementeringsrisker.
– AI-EKG kan förbättra detektion av OMI jämfört med standardtriage och minska falska kateterlabbaktiveringar.
– EKG ensamt kan inte utesluta akut MI; AI kan vara ett stöd ihop med hs-troponin och riskskattning.
– Föreslår ett ”Second Opinion”-upplägg där AI är beslutsstöd till klinikern.
– Implementering kräver hantering av bias, alert fatigue, dokumentation och risk för ökad digital ojämlikhet.Sammanfattningen är automatiskt genererad med en språkmodell från OpenAI (GPT 5.2). -
Comparative performance of manual triage systems and ML models in predicting clinical outcomes among patients transported to the emergency department by emergency medical services
Jag har ju kanske varit lite AI-skeptiker i många avseenden här på prehospitalt (även om jag använder AI en del i vardagen och även driver mycket av funktionaliteten när jag lägger ut inlägg här med AI för att göra det tidseffektivt). Iallafall, idag kommer ändå en studie på maskinlärande och hur detta kan användas för triage och/eller förutsägande av kortsiktiga negativa outcomes (mortalitet eller intensivvårdsbehov) hos prehospitala patienter. Författarna triagerade patienter med tre olika triagesystem (Manchester Triage System, Emergency Severity Index och Turkish Ministry of Health Triage System) och jämförde med den prediktiva kapaciteten hos olika maskininlärningsmodeller baserade på Random Forest, Gradient Boosting Machine och CatBoost. Det senare är kanske grekiska, men det intressanta är att maskininlärningsmodellerna uppvisade bra prestanda med AUROC >0.8. Det gick inte att påvisa att maskininlärningen var signifikant bättre än den manuella triagens förmåga att identifiera negativ outcome, men inte heller sämre. Författarna argumenterar alltså för att maskininlärningsmodeller kan utgöra ett gott tillskott som ”second opinion” till vanlig triage. Detta är något jag själv definitivt tror på som framtiden, att integrera AI i våra ambulansjournalsystem för att föreslå tänkbara differentialdiagnoser och minska risken att något i patientens tillstånd förbises exempelvis i triage. Beslutet på klinikern, men med stöd av AI. Tekniken finns ju, så det är nästan förvånande att det inte redan är här!?
Comparative performance of manual triage systems and ML models in predicting clinical outcomes among patients transported to the emergency department by emergency medical services. BMC Emergency Medicine 2026;26(1). doi:10.1186/s12873-026-01595-8Sammanfattning genererad av AI:Prospektiv enkelsenterstudie av 899 vuxna EMS-transporterade till akutmottagningens röd zon jämförde tre ML-modeller (Random Forest, GBM, CatBoost) med manuella triagesystem (ESI, MTS, turkiskt system) för att förutsäga IVA-inläggning eller in‑hospital död (9,1%). ML nådde AUROC ≥0,80 och liknande/ibland högre AUPRC och kalibrering, men utan signifikanta skillnader mot manuell triage.
– Adversa utfall: IVA-inläggning eller sjukhusdöd inträffade hos 9,1%.
– ML-modellerna hade hög diskriminationsförmåga (AUROC ≥0,80) och god kalibrering i låg prevalens.
– Inga statistiskt säkerställda skillnader mellan ML och manuella triagesystem (p ≥0,05).
– SHAP pekade ut ålder och fysiologiska parametrar som viktigaste prediktorer.Sammanfattningen är automatiskt genererad med en språkmodell från OpenAI (GPT 5.2). -
Pain has limited predictive value for fractures following falls in older people: insight from a retrospective study
Idag har jag läst en studie om hur smärta i olika regioner, identifierat av undersökande läkar på akuten, korrelerar mot tecken på faktiska frakturer i området efter lågenergitrauma. I korthet kan man säga att smärta i ett område i hög grad korrelerade mot att patienten fick röntgenundersökning av aktuellt område, särskilt stark var denna korrelation för halsrygg (0.99). Som prediktor för fraktur var smärtan dock begränsad; i revben/thorax och bäcken var sensitiviteten hög (0.98) – indikerande att de flesta med fraktur hade dokumenterad smärta. I bröstrygg var siffran dock bara 0.78. Specificiteten var också låg, säsmst i bäcken med 0.09 till 0.47 i bröstryggen. Således hade alltså många utan fraktur också smärta, och några med fraktur i bröstryggen hade inte smärta… Uttryckt i likelihood ratio var sambandet mellan smärta och fraktur svagt och area under the curve (AUC) var mellan 0,51-0,62 – d.v.s. nära slump-värde. Frånvaro av smärta tycktes ha ett något starkare samband med frånvaro av fraktur, däremot finns en osäkerhet i detta eftersom det kan ha funnits patienter utan smärta som ej bilddiagnosticerats och därmed ej inkluderats i studien.
Vad innebär detta för ambulanssjukvården? Jo, studien är som sagt från akuten och baseras på undersökningar av läkare samt bilddiagnostik, men jag tänker att den säger en del om att smärta är ett osäkert tecken, att vi behöver vara relativt inklusiva för att inte missa frakturer, och att vi därmed kommer inkludera många patienter med smärta men utan frakturer till vidare undersökningar… Särskilt bröstrygg tycks vara ett område att vara försiktig med, där risken att missa en fraktur pga avsaknad av smärta är högre. Kanske kan fynden i någon mån relateras lite till gårdagens studie om bäckengördel, i form av att den berör svårigheten med diagnostik av frakturer..?
Pain has limited predictive value for fractures following falls in older people: insight from a retrospective study. BMC Emergency Medicine 2026. doi:10.1186/s12873-026-01644-2Sammanfattning genererad av AI:Retrospektiv analys av 2882 äldre som sökt akuten efter lågenergifall och genomgått bilddiagnostik. Läkardokumenterade smärtbesvär var kopplade till att man beställde bilddiagnostik i aktuella regioner. Smärta hade hög sensitivitet men låg–måttlig specificitet; LR+ var låg och AUC 0,51–0,62. Smärta diskriminerar därför dåligt mellan fraktur och ej fraktur.
– Smärtbesvär ökade sannolikheten att bilddiagnostik beställdes för motsvarande kroppsregion.
– Smärta visade hög sensitivitet men låg–måttlig specificitet för frakturer i bålens skelett.
– Positivt prediktivt värde var begränsat (LR+ omkring 1,1–1,5) och AUC låg (0,51–0,62).
– Smärtfrånvaro gav måttligt–bra stöd mot fraktur i vissa regioner (LR- ned till 0,07).Sammanfattningen är automatiskt genererad med en språkmodell från OpenAI (GPT 5.2).